【技术实现步骤摘要】
策树模型对步骤1归一化处理后的数据进行预测并计算每个模型对应光伏功率预测值的 MAPE值的比例作为权重初值，并结合双向搜索方法进行优化获得最优权重。
[0011]步骤(4)、实时获取预测点时刻的环境特征数据和预测点前一天同时刻的光伏功率值并 利用步骤1方法进行处理后作为训练好的CNN
‑
LSTM模型和LightGBM决策树模型的输入， 得到两个模型的光伏功率预测值，分别表示为和t为预测点时刻，再结合步骤3得到 的最优权重获得最终的光伏功率预测值。
[0012]进一步地，所述步骤1中，还包括对历史功率数据的预处理步骤，具体为：
[0013]采用聚类的方式，取相似度最大的三日数据对应时刻的光伏功率值的均值填补空缺数据。 其中，聚类的特征包括天气、温度、电压、电流等。
[0014]检查历史功率数据的平稳性，并采用前一天同一时刻的值填补极端数据。
[0015]进一步地，所述步骤2中，特征向量至少包括：预测点时刻的天气、预测点时刻的压力、 预测点时刻的温度、预测点时刻的湿度、预测点前一天同时刻的光伏功率值等。
...
【技术保护点】
【技术特征摘要】
1.一种短期光伏功率预测方法，其特征在于：包括如下步骤：步骤(1)、利用环境数据和光伏系统运行的历史功率数据，提取出不同时刻的环境数据和光伏功率的作为特征数据，并对非数字特征进行one
‑
hot独热编码，然后对所有数据的特征进行归一化处理；步骤(2)、分别构建用于光伏功率预测的CNN
‑
LSTM模型和LightGBM决策树模型，并利用步骤1归一化处理后的数据分别对构建好的CNN
‑
LSTM模型和LightGBM决策树模型进行训练。其中，CNN
‑
LSTM模型和LightGBM决策树模型的输入为由预测点时刻的环境特征数据和预测点前一天同时刻的光伏功率值构成的特征向量，输出为预测点时刻的光伏功率预测值。步骤(3)、在两个模型并行完成训练后，利用训练好的CNN
‑
LSTM模型和LightGBM决策树模型对步骤1归一化处理后的数据进行预测并计算每个模型对应光伏功率预测值的MAPE值的比例作为权重初值，并结合双向搜索方法进行优化获得最优权重。步骤(4)、实时获取预测点时刻的环境特征数据和预测点前一天同时刻的光伏功率值并利用步骤1方法进行处理后作为训练好的CNN
‑
LSTM模型和LightGBM决策树模型的输入，得到两个模型的光伏功率预测值，分别表示为和t为预测点时刻，再结合步骤3得到的最优权重获得最终的光伏功率预测值。2.根据权利要求1所述的一种短期光伏功率预测方法，其特征在于：所述步骤1中，还包括对历史功率数据的预处理步骤，具体为：采用聚类的方式，取相似度最大的三日数据对应时刻的光伏功率值的均值填补空缺数据。其中，聚类的特征包括天气、温度、电压、电流等。检查历史功率数据的平稳性，并采用前一天同一时刻的值填补极端数据。3.根据权利要求1所述的一种短期光伏功率预测方法，其特征在于：所述步骤2中，特征向量至少包括：预测点时刻的天气、预测点时刻的压力、预测点时刻的温度、预测点时刻的湿度、预测点前一天同时刻的光伏功率值等。4....
【专利技术属性】
技术研发人员：高贵亮，任娟，关洪浩，于国康，辛超山，
申请(专利权)人：国网新疆电力有限公司经济技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。