【技术实现步骤摘要】
本专利技术涉及风电、光伏发电出力预测，尤其涉及一种多源信息融合的集成式风光发电出力预测方法。
技术介绍
1、在双碳背景下，风电、光伏发展迅速，但受气象因素影响具有明显的随机性、波动性和间歇性，制约着其大规模并网运行。为了促进风电和光伏发电并网消纳，开展风电和光伏发电出力预测方法研究，实现风光发电出力的精准预测，已经成为电力高质量发展和新型电力系统建设的重要抓手。然而，目前的风光发电出力预测方法主要在模型输入特征以及模型构建方面存在的不足。因此，为更好地实现风光发电出力精准预测，实现促进风电和光伏的大规模开发和并网消纳，助推新型电力系统建设和“双碳”战略目标的实现，迫切需要研究一种多源信息融合的集成式风光发电出力预测方法，更精准的预测风光发电出力，为促进风光清洁能源开发和并网消纳提供重要技术支撑。
技术实现思路
1、本专利技术目的在于提供一种多源信息融合的集成式风光发电出力预测方法，用于解决上述现有技术中存在的技术问题。首先，采用最大信息系数mic分析多源历史信息序列与待预测风光发电出力之间的相关性，筛选对待预测风光发电出力贡献度更高的输入序列作为预测模型的输入。其次，采用lstm模型作为基预测器，构造高效的集成学习框架，通过集成不同结构的lstm模型，不仅能减少对lstm结构参数寻优的时间，又能充分发挥不同结构lstm模型的优势，提高风光发电出力预测过程的可靠性和预测结果的准确性。
2、其结合风光电站生产运行的历史数据，选取风电出力、光伏出力、风速、太阳辐射强度、温度等
3、本专利技术具体采用以下技术方案：
4、一种多源信息融合的集成式风光发电出力预测方法，其特征在于，首先，采用最大信息系数mic分析多源历史信息序列与待预测风光发电出力之间的相关性，筛选对待预测风光发电出力贡献度相对高的输入序列作为预测模型的输入；其次，采用lstm模型作为基预测器，构造高效的集成学习框架，通过集成不同结构的lstm模型，以减少对lstm结构参数寻优的时间，并充分发挥不同结构lstm模型的优势，提高风光发电出力预测过程的可靠性和预测结果的准确性。
5、进一步地，包括以下步骤：
6、s1、离线训练时，先从风光电站生产运行的历史数据库中获得风电出力、光伏出力、风速、太阳辐射强度、温度的历史信息，组成影响风光发电出力相关因素的样本库，执行步骤s2；
7、s2、分别计算多源历史信息中滞后不同时刻的备选序列与待预测风光出力之间的最大信息系数mic值，并从大到小排列，执行步骤s3；
8、s3、筛选mic值前若干名的序列作为预测模型的输入特征，对输入特征采用最大最小值归一化进行处理，执行步骤s4；
9、s4、针对步骤s1-s3预处理完成的数据，按照一定的比例划分训练集和测试集，训练集用于调整模型的结构，测试集用于测试模型的各项评价指标，构建集成式风光发电出力预测的lstm模型，执行步骤s5；
10、s5、在线预测时，采集动态的风光出力数据和实时量测信息，在特征提取和预处理之后，输入离线训练好的模型进行多步单点预测，执行步骤s6；
11、s6、将集成lstm的预测值进行反归一化，得到待预测日风光出力的预测结果序列，执行步骤s7；
12、s7、将采集的多源信息载入并存储到离线训练的样本库中，用于模型的更新。
13、进一步地，步骤s2具体包括以下步骤：
14、s21，从样本库中选取待预测风光总出力及其1时段前的风电出力序列，假设分别为q1(q1,q2,…,qn)和c1(c1,c2,…,cn)，其长度为n，执行步骤s22；
15、s22，计算序列q1和序列c1的联合概率分布f1(x,y)，由序列q1和序列c1分别计算其分布函数f1(x)、f1(y)，即联合分布的边缘分布函数，执行步骤s23；
16、s23，计算序列q1和序列c1两个变量的互信息，即f1(x,y)与f1(x)、f1(y)之间的相对熵，计算公式如(1)式所示，执行步骤s24；
17、
18、s24，从样本库中重新选取待预测风光总出力及其2时段前的风电出力序列，假设分别为q2(q1,q2,…,qm)和c2(c1,c2,…,cm)，其长度为m，参照步骤s22和s23，计算得到mi2(x,y)，执行步骤s25；
19、s25，重复执行步骤s21-s24，遍历所有时段从样本库中选取qi和序列ci，计算的互信息mii(x,y)，并从mi1(x,y)、mi2(x,y)、…、mii(x,y)并确定最大值，将其作为待预测风光总出力和历史风电出力序列间的mic值；
20、s26，参照步骤s21-s25，依次计算光伏出力、风速、太阳辐射强度、温度等历史信息与待预测风光出力之间的mic值。
21、进一步地，步骤s3具体包括以下步骤：
22、s31，根据风电出力、光伏出力、风速、太阳辐射强度、温度历史信息对应的mic值排序结果，筛选mic值较大的历史信息序列作为风光出力预测模型的输入特征序列，执行步骤s32；
23、s32，对输入特征序列采用最大最小值归一化进行处理，使lstm模型的输入均处于[0,1]的范围内，如式(2)所示，再执行步骤s33；
24、fi'＝(fi-fmin)/(fmax-fmin) (2)
25、式中，fi和fi'分别表示第i个输入特征归一化前后的数值，fmax和fmin分别表示该输入特征序列的最大值和最小值；
26、s33，将待预测日风光出力的真实值作为样本标签，输入特征序列与标签一一对应，作为模型的数据集。
27、进一步地，步骤s4具体包括以下步骤：
28、s41，利用训练集数据对lstm模型的层数以及每层的神经元节点数进行调整，优化lstm模型的权重和偏置参数，得到基预测器，执行步骤s42；
29、s42，采用并行训练的方式训练集成lstm模型，每个基预测器采用相同的训练方式，执行步骤s43；
30、s43，利用测试集对模型的各项性能进行测试与评估，采用加权平均的方式得到集成lstm输出的风光发电出力预测值。
31、进一步地，步骤s本文档来自技高网...
【技术保护点】
1.一种多源信息融合的集成式风光发电出力预测方法，其特征在于，首先，采用最大信息系数MIC分析多源历史信息序列与待预测风光发电出力之间的相关性，筛选对待预测风光发电出力贡献度相对高的输入序列作为预测模型的输入；其次，采用LSTM模型作为基预测器，构造高效的集成学习框架，通过集成不同结构的LSTM模型，以减少对LSTM结构参数寻优的时间，并充分发挥不同结构LSTM模型的优势，提高风光发电出力预测过程的可靠性和预测结果的准确性。
2.根据权利要求1所述的一种多源信息融合的集成式风光发电出力预测方法，其特征在于：包括以下步骤：
3.根据权利要求2所述的一种多源信息融合的集成式风光发电出力预测方法，其特征在于：
4.根据权利要求3所述的一种多源信息融合的集成式风光发电出力预测方法，其特征在于：
5.根据权利要求4所述的一种多源信息融合的集成式风光发电出力预测方法，其特征在于：
6.根据权利要求5所述的一种多源信息融合的集成式风光发电出力预测方法，其特征在于：
7.根据权利要求5所述的一种多源信息融合的集成式风光发电出
8.根据权利要求7所述的一种多源信息融合的集成式风光发电出力预测方法，其特征在于：
...【技术特征摘要】
1.一种多源信息融合的集成式风光发电出力预测方法，其特征在于，首先，采用最大信息系数mic分析多源历史信息序列与待预测风光发电出力之间的相关性，筛选对待预测风光发电出力贡献度相对高的输入序列作为预测模型的输入；其次，采用lstm模型作为基预测器，构造高效的集成学习框架，通过集成不同结构的lstm模型，以减少对lstm结构参数寻优的时间，并充分发挥不同结构lstm模型的优势，提高风光发电出力预测过程的可靠性和预测结果的准确性。
2.根据权利要求1所述的一种多源信息融合的集成式风光发电出力预测方法，其特征在于：包括以下步骤：
3.根...
【专利技术属性】
技术研发人员：张慧瑜，杨巧艺，胡永洪，鲍国俊，王清凉，黄霆，周朝晖，苏清梅，弋子渊，蔡冰君，陈仕军，
申请(专利权)人：国网福建省电力有限公司，
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。