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：
[00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：