多模型融合自适应新能源功率预测方法和系统技术方案

本申请涉及一种多模型融合自适应新能源功率预测方法和系统。本申请涉及新能源技术领域，所述方法包括：获取多个初始预测模型，多个初始预测模型均用于对目标发电系统进行功率预测，且多个初始预测模型的模型类型互不相同；对于各初始预测模型，利用不同批次的训练集对初始预测模型进行训练，得到与不同批次的训练集一一对应的多个分批子模型；基于获得的各分批子模型进行模型融合处理，得到目标预测模型，目标预测模型用于对目标发电系统进行功率预测。采用本方法得到的目标预测模型能够提高新能源功率预测精确度。高新能源功率预测精确度。高新能源功率预测精确度。

【技术实现步骤摘要】
多模型融合自适应新能源功率预测方法和系统


[0001]本申请涉及新能源
，特别是涉及一种多模型融合自适应新能源功率预测方法、系统、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]新型电力系统背景下，新能源接入比例大幅度提升，给电网安全稳定带来巨大冲击和挑战。在此场景下，新能源预测技术及其预测准确率的提升对新型电力系统构建和电网安全运行至关重要。在新能源功率预测领域，多种智能算法、统计方法和人工智能方法均得到广泛运用，但预测准确率以及模型泛化能力仍十分局限，面向电力调度业务的新能源功率预测系统仍亟待改进、完善和开发。
[0003]然而，目前针对新能源功率预测的精确度不高。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高新能源功率预测精确度的多模型融合自适应新能源功率预测方法、系统、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种多模型融合自适应新能源功率预测方法。所述方法包括：获取多个初始预测模型，多个初始预测模型均用于对目标发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多模型融合自适应新能源功率预测方法，其特征在于，所述方法包括：获取多个初始预测模型，所述多个初始预测模型均用于对目标发电系统进行功率预测，且所述多个初始预测模型的模型类型互不相同；对于各所述初始预测模型，利用不同批次的训练集对所述初始预测模型进行训练，得到与所述不同批次的训练集一一对应的多个分批子模型；基于获得的各所述分批子模型进行模型融合处理，得到目标预测模型，所述目标预测模型用于对所述目标发电系统进行功率预测。2.根据权利要求1所述的方法，其特征在于，所述获取多个初始预测模型，包括：获取不同类型的多个机器学习模型；采用第一训练集对各所述机器学习模型进行训练，得到与所述多个机器学习模型一一对应的多个初始模型；对各所述初始模型进行性能评价处理，并根据性能评价结果从所述多个初始模型中选取所述多个初始预测模型。3.根据权利要求2所述的方法，其特征在于，所述对各所述初始模型进行性能评价处理，包括：对于各所述初始模型，获取所述初始模型的预测效果评价参数、通用性评价参数以及泛化能力评价参数；所述预测效果评价参数用于表征所述初始模型进行功率预测的精确程度，所述通用性评价参数用于表征所述初始模型对不同地理位置的发电系统进行功率预测的精确程度，所述泛化能力评价参数用于表征所述初始模型对不同类型的发电系统进行功率预测的精确程度。4.根据权利要求3所述的方法，其特征在于，所述预测效果评价参数包括性能评价参数和运行参照参数，所述性能评价参数用于表征所述初始模型进行功率预测时输出精确预测结果的概率，所述运行参照参数用于表征所述初始模型进行功率预测时针对发电系统不同时段的预测结果偏差。5.根据权利要求3所述的方法，其特征在于，所述获取所述初始模型的预测效果评价参数、通用性评价参数以及泛化能力评价参数，包括：采用第一测试集对所述初始模型进行测试，通过测试得到所述预测效果评价参数、通用性评价参数以及泛化能力评价参数。6.根据权利要求1所述的方法，其特征在于，所述对于各所述初始预测模型，利用不同批次的训练集对所述初始预测模型进行训练，得到与所述不同批次的训练集一一对应的多个分批子模型之前，所述方法还包括：采用梯度提升分类器对第二训练集进行数据切分，得到所述不同批次的训练集。7.根据权利要...

【专利技术属性】
技术研发人员：李卓环，李鹏，马溪原，陈元峰，陈炎森，程凯，周悦，包涛，周长城，张子昊，
申请(专利权)人：南方电网数字电网研究院有限公司，
类型：发明
国别省市：