可解释MLREP多层级回归集成的光伏预测方法与系统技术方案

本发明专利技术公开了一种可解释MLREP多层级回归集成的光伏预测方法与系统，S1.采集光伏发电相关的多源数据集；S2.形成预处理后多源数据集；S3.形成各分层数据集；S4.利用图注意力机制对所述各分层数据集中的时空特征进行建模，并生成对应的时空特征权重；S5.基于所述时空特征表示构建多层级回归集成框架，生成子预测结果；S6.对所述多个回归子模型生成的子预测结果采用加权融合方法进行整合，生成最终的光伏发电量预测结果；S7.对所述最终的光伏发电量预测结果结合前述时空特征权重及各回归子模型的预测结果实施可解释性分析，并生成可解释性分析报告。本发明专利技术结可以合敏感性指标计算，评估预测误差的来源，并给出优化建议。

【技术实现步骤摘要】

本专利技术涉及光伏，尤其涉及一种可解释mlrep多层级回归集成的光伏预测方法与系统。

技术介绍

1、随着全球能源结构向清洁可再生能源转型，光伏发电作为新能源的重要组成部分，其装机容量和应用范围正不断扩大，然而，由于光伏发电受到气象环境、设备状态、历史发电规律多种因素的影响，其发电量具有明显的波动性和不确定性。

2、目前，光伏发电预测主要依赖于物理模型和数据驱动模型，物理模型方法基于光伏电池的电气特性、太阳辐射传输模型以及气象因素来构建预测模型，在理论上可以较好地解释光伏系统的运行机理，但其对输入变量的精度要求较高，难以应对复杂、多变的实际环境，导致预测误差较大，此外，物理模型往往需要大量的参数标定，数据采集和处理成本较高，不易推广应用。

3、近年来，数据驱动的机器学习方法在光伏发电预测中得到了广泛应用，基于历史数据训练预测模型，包括传统的统计回归方法以及深度学习方法，虽然数据驱动方法能够自适应不同环境条件，提高预测精度，但现有技术仍然存在诸多问题，首先，单一的回归模型难以同时捕捉光伏发电的长期趋势、短期波动及瞬时变化特征，导致预测结本文档来自技高网...

【技术保护点】

1.一种可解释MLREP多层级回归集成的光伏预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种可解释MLREP多层级回归集成的光伏预测方法，其特征在于，所述S1包括采集光伏发电相关的多源数据集，所述多源数据集包括气象数据、历史发电数据、设备状态数据及环境影响数据，设定采集时间窗口，构建光伏发电多源数据集：

3.根据权利要求1所述的一种可解释MLREP多层级回归集成的光伏预测方法，其特征在于，所述S2包括以下步骤：

4.根据权利要求1所述的一种可解释MLREP多层级回归集成的光伏预测方法，其特征在于，所述S3包括以下步骤：

5...

【技术特征摘要】

1.一种可解释mlrep多层级回归集成的光伏预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种可解释mlrep多层级回归集成的光伏预测方法，其特征在于，所述s1包括采集光伏发电相关的多源数据集，所述多源数据集包括气象数据、历史发电数据、设备状态数据及环境影响数据，设定采集时间窗口，构建光伏发电多源数据集：

3.根据权利要求1所述的一种可解释mlrep多层级回归集成的光伏预测方法，其特征在于，所述s2包括以下步骤：

4.根据权利要求1所述的一种可解释mlrep多层级回归集成的光伏预测方法，其特征在于，所述s3包括以下步骤：

5.根据权利要求1所述的一种可解释mlrep多...

【专利技术属性】
技术研发人员：韩海腾，姜相臣，杨蓓，黄熠桢，张思敏，臧海祥，孙国强，卫志农，朱瑛，
申请(专利权)人：河海大学，
类型：发明
国别省市：