一种误差修正的分时刻集成学习光伏预测方法技术

本发明专利技术提供了一种误差修正的分时刻集成学习光伏预测方法，包括以下步骤：步骤1：获取待预测光伏用户在历史近1年的光伏出力数据；步骤2：对出力、气象数据进行异常处理；步骤3：使用GAN算法，将已有的关联气象数据、出力数据组成的向量集进行有效扩充；步骤4：每个用户id，分时刻建模；步骤5：在每个类簇中，分别构建基于3种基模型的集成学习算法模型；步骤6：实现分时刻的误差修正。应用本技术方案可实现精准光伏出力预测的情况下，有效地节约计算资源，节省企业运行成本。节省企业运行成本。节省企业运行成本。

【技术实现步骤摘要】
一种误差修正的分时刻集成学习光伏预测方法


[0001]本专利技术涉及新能源技术
，特别是一种误差修正的分时刻集成学习光伏预测方法。

技术介绍

[0002]光伏发电充分地利用了太阳能资源，与火力发电相比，光伏发电属于清洁、环保的发电方式。但是，新能源发电具有间歇性与随机性，在光伏发电参与并网的同时，会影响导电力系统的安全稳定运行。通过制定合理的光伏出力日前、日内、实时出力计划，保证了光伏发电的高效输出。因此，光伏发电功率的准确预测方法，具有重要的研究意义与价值。
[0003]当前的主流方法中，基于深度学习的预测方法，虽然精度较高，但是消耗的时间很长。而基于机器学习的算法，虽然执行速度快，但是预测精度有待提升。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种误差修正的分时刻集成学习光伏预测方法，实现了精准光伏出力预测的情况下，有效节约了计算资源，节省了企业运行成本。
[0005]为实现上述目的，本专利技术采用如下技术方案：一种误差修正的分时刻集成学习光伏预测方法，包括以下步骤：
[0006]步骤1：获取待预测光伏用户在历史近1年的光伏出力数据；
[0007]步骤2：对出力、气象数据进行异常处理；
[0008]步骤3：使用GAN算法，将已有的关联气象数据、出力数据组成的向量集进行有效扩充；
[0009]步骤4：每个用户id，分时刻建模；
[0010]步骤5：在每个类簇中，分别构建基于3种基模型的集成学习算法模型；
[0011]步骤6：实现分时刻的误差修正。
[0012]在一较佳的实施例中，所述步骤1具体为：获取用户所在地区的历史近1年的多类型气象数据，包括辐照度、天气类型、气温、湿度、PM2.5、风速、风向，时间间隔为15分钟或1小时；根据用户经纬度坐标、气象数据采集的经纬度坐标，计算欧式距离，从而匹配用户id
‑
气象网格id的一一对应关系。
[0013]在一较佳的实施例中，所述步骤2具体为：基于异常处理后的数据，计算各项气象数据与光伏出力的皮尔逊相关系数；根据阈值0.2，逐个光伏用户筛选多项关联气象因子。
[0014]在一较佳的实施例中，所述步骤3具体为：GAN算法基于二人零和博弈思想，训练一种能够产生新数据样本的神经网络，作为生成器；训练一种能够判断数据是否真实的神经网络，作为判别器；经过相互博弈训练得到的GAN，从已有真实数据样本中，学习其所具有的规律，并最终生成研究所需的新样本；
[0015]在GAN的优化过程中，生成器的目标函数如式(1)：
[0016][0017]式中，E为数学期望，高斯噪声为z，其概率分布为P
z
(z)，生成器生成的数据为G(z)，判别器判别生成数据真假的输出为D(G(z))，在GAN的训练过程中，优化生成器的目标是将式(1)最小化；
[0018]GAN中使用的判别器目标函数如式(2)：
[0019][0020]式中，x为真实负荷、气象数据，真实样本的分布为P
data
(x)，判别器判别真实数据的输出为D(x)，在GAN的训练过程中，优化判别器的目标是将式(2)最大化。
[0021]在一较佳的实施例中，所述步骤4具体为：在经过GAN扩充的数据集里，将白天内的相同时间点的出力、关联气象因子，以小时为单位，划分为12个组；在构建预测模型前，还需要使用基于余弦距离改进的K
‑
means++算法，将每个组里的数据，继续划分为4个类簇，从而把每个用户近1年的历史数据，总共划分成了12
×
4个类簇。
[0022]在一较佳的实施例中，所述步骤5具体为：
[0023]步骤51：第一个基模型为FPN卷积金字塔神经网络；将原始的FPN分类分支去除，只保留回归分支。并引入通道注意力机制，使得神经网络更加聚焦于特定的气象因子组合方式。通过输入待预测时段之前1小时内的预报关联气象因子，预测未来时段的光伏出力值，从而精准挖掘多关联气象因子对光伏出力的累积影响；
[0024]步骤52：第二个基模型为CatBoost算法，通过输入待预测时段的预报关联气象因子，预测未来时段的光伏出力值；
[0025]步骤53：第三个基模型为LightGBM算法，输入待预测时段的预报关联气象因子，预测未来时段的光伏出力值。
[0026]在一较佳的实施例中，所述步骤6具体为：根据近7日的光伏出力预测情况，区分每个时刻，计算各个时刻的7日平均预测误差，用于修正未来时刻的光伏出力预测值，从而及时发掘用户近期光伏出力特性的改变。
[0027]与现有技术相比，本专利技术具有以下有益效果：本专利技术基于高精度机器学习算法，在保证代码执行速度的前提下，预测精度相对较好。从而在实现了精准光伏出力预测的情况下，有效节约了计算资源，节省了企业运行成本。
附图说明
[0028]图1为本专利技术优选实施例的总体流程图；
[0029]图2为本专利技术优选实施例的GAN算法框架流程图。
具体实施方式
[0030]下面结合附图及实施例对本专利技术做进一步说明。
[0031]应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。
[0032]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式；如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包
括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0033]一种误差修正的分时刻集成学习光伏预测方法，整体的算法流程图如图1所示：
[0034]步骤1：获取待预测光伏用户在历史近1年的光伏出力数据，时间间隔为15分钟。获取用户所在地区的历史近1年的多类型气象数据，包括辐照度、天气类型、气温、湿度、PM2.5、风速、风向，时间间隔为15分钟或1小时。根据用户经纬度坐标、气象数据采集的经纬度坐标，计算欧式距离，从而匹配用户id
‑
气象网格id的一一对应关系。
[0035]步骤2：对出力、气象数据进行异常处理。然后，基于异常处理后的数据，计算各项气象数据与光伏出力的皮尔逊相关系数。根据阈值0.2，逐个光伏用户筛选多项关联气象因子。
[0036]步骤3：使用GAN算法，将已有的关联气象数据、出力数据组成的向量集进行有效扩充。GAN算法的框架流程图如图2所示：GAN算法基于二人零和博弈思想，训练一种能够产生新数据样本的神经网络，作为生成器；训练一种能够判断数据是否真实的神经网络，作为判别器；经过相互博弈训练得到的GAN，可以从已有真实数据样本中，学习其所具有的规律，并最终生成研究所需的新样本。
[0037]在GAN的优化过程中，生成器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种误差修正的分时刻集成学习光伏预测方法，其特征在于，包括以下步骤：步骤1：获取待预测光伏用户在历史近1年的光伏出力数据；步骤2：对出力、气象数据进行异常处理；步骤3：使用GAN算法，将已有的关联气象数据、出力数据组成的向量集进行有效扩充；步骤4：每个用户id，分时刻建模；步骤5：在每个类簇中，分别构建基于3种基模型的集成学习算法模型；步骤6：实现分时刻的误差修正。2.根据权利要求1所述的一种误差修正的分时刻集成学习光伏预测方法，其特征在于，所述步骤1具体为：获取用户所在地区的历史近1年的多类型气象数据，包括辐照度、天气类型、气温、湿度、PM2.5、风速、风向，时间间隔为15分钟或1小时；根据用户经纬度坐标、气象数据采集的经纬度坐标，计算欧式距离，从而匹配用户id
‑
气象网格id的一一对应关系。3.根据权利要求1所述的一种误差修正的分时刻集成学习光伏预测方法，其特征在于，所述步骤2具体为：基于异常处理后的数据，计算各项气象数据与光伏出力的皮尔逊相关系数；根据阈值0.2，逐个光伏用户筛选多项关联气象因子。4.根据权利要求1所述的一种误差修正的分时刻集成学习光伏预测方法，其特征在于，所述步骤3具体为：GAN算法基于二人零和博弈思想，训练一种能够产生新数据样本的神经网络，作为生成器；训练一种能够判断数据是否真实的神经网络，作为判别器；经过相互博弈训练得到的GAN，从已有真实数据样本中，学习其所具有的规律，并最终生成研究所需的新样本；在GAN的优化过程中，生成器的目标函数如式(1)：式中，E为数学期望，高斯噪声为z，其概率分布为P
z
(z)，生成器生成的数据为G(z)，判别器判别生成数据真假的输出为D(G(z))，在GAN的训练过程中，优化生成器的目标是将式...

【专利技术属性】
技术研发人员：林晨翔，郑州，黄建业，马腾，谢炜，郭俊，姚文旭，卢淑敏，
申请(专利权)人：国网福建省电力有限公司电力科学研究院，
类型：发明
国别省市：