【技术实现步骤摘要】
本专利技术实施例涉及新能源，尤其涉及一种多层集成学习的新能源小时间尺度功率预测方法及系统。
技术介绍
1、随着风光等新能源装机容量的不断增长，电网中新能源发电接入比率不断提高。为保证电网的安全稳定运行，减少调峰机组等备用资源的投资，如何精确地对新能源功率进行预测成为当前亟待解决的问题。
2、现有技术中，通常采用数值天气预报进行预测，新能源功率的预测结果的精确度依赖于数值天气预报的时间尺度，导致现阶段能实现的功率预测的最小尺度为15分钟级别，预测分辨率大，无法满足实际生产需求。
技术实现思路
1、本专利技术实施例提供了一种多层集成学习的新能源小时间尺度功率预测方法及系统，以实现提高功率预测精度、确保预测准确性和有效性的目的。
2、根据本专利技术的一方面，提供了一种多层集成学习的新能源小时间尺度功率预测方法，包括：
3、获取待预测的未来时间段对应的未来天气预报信息；
4、在多个预先训练的机器学习模型中确定出至少两个机器学习模型作为目标功率预测模型；
5、针对每个目标功率预测模型，将所述未来天气预报信息输入至所述目标功率预测模型中，基于模型输出结果确定出与目标时间尺度对应的未来功率预测结果；其中，所述目标时间尺度为所述未来功率预测结果的时间尺度，所述目标时间尺度小于原始最小时间尺度；
6、对各所述目标功率预测模型对应的各未来功率预测结果采用平均计算方式、投票方式和机器学习方式中的至少一种方式进行计算，得到与所述未来时
7、根据本专利技术的另一方面，提供了一种多层集成学习的新能源小时间尺度功率预测系统，该系统包括：
8、信息获取模块，用于获取待预测的未来时间段对应的未来天气预报信息；
9、目标功率预测模型确定模块，用于在多个预先训练的机器学习模型中确定出至少两个机器学习模型作为目标功率预测模型；
10、预测结果确定模块，用于针对每个目标功率预测模型，将所述未来天气预报信息输入至所述目标功率预测模型中，基于模型输出结果确定出与目标时间尺度对应的未来功率预测结果；其中，所述目标时间尺度为所述未来功率预测结果的时间尺度，所述目标时间尺度小于原始最小时间尺度；
11、最优预测功率结果确定模块，用于对各所述目标功率预测模型对应的各未来功率预测结果采用平均计算方式、投票方式和机器学习方式中的至少一种方式进行计算，得到与所述未来时间段对应的最优预测功率结果。
12、根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
13、至少一个处理器；以及
14、与所述至少一个处理器通信连接的存储器；其中，
15、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的多层集成学习的新能源小时间尺度功率预测方法。
16、根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的多层集成学习的新能源小时间尺度功率预测方法。
17、本专利技术实施例的技术方案，获取待预测的未来时间段对应的未来天气预报信息；在多个预先训练的机器学习模型中确定出至少两个机器学习模型作为目标功率预测模型；针对每个目标功率预测模型，通过将未来天气预报信息输入至目标功率预测模型中，基于模型输出结果确定出与目标时间尺度对应的未来功率预测结果；其中，目标时间尺度为未来功率预测结果的时间尺度，目标时间尺度小于原始最小时间尺度；对各目标功率预测模型对应的各未来功率预测结果采用平均计算方式、投票方式和机器学习方式中的至少一种方式进行计算，得到与未来时间段对应的最优预测功率结果。本实施例通过目标功率预测模型得到未来功率预测结果，即得到小于原始最小时间尺度的功率预测结果；并且通过平均计算方式、投票方式和机器学习方式中的至少一种方式进行计算后，得到最优预测功率结果，提高了功率预测精度的同时，确保了功率预测的准确性和有效性。
18、应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种多层集成学习的新能源小时间尺度功率预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对各所述目标功率预测模型对应的各未来功率预测结果采用投票方式进行计算，得到与所述未来时间段对应的最优预测功率结果，包括：
3.根据权利要求1所述的方法，其特征在于，所述对各所述目标功率预测模型对应的各未来功率预测结果采用平均计算方式进行计算，得到与所述未来时间段对应的最优预测功率结果，包括：
4.根据权利要求1所述的方法，其特征在于，所述目标功率预测模型包括原始功率预测模型；
5.根据权利要求1所述的方法，其特征在于，所述目标功率预测模型包括功率映射模型；
6.根据权利要求1所述的方法，其特征在于，所述在多个预先训练的机器学习模型中确定出至少两个机器学习模型作为目标功率预测模型，包括：
7.根据权利要求1所述的方法，其特征在于，在所述获取待预测的未来时间段对应的未来天气预报信息之后，还包括：
8.一种多层集成学习的新能源小时间尺度功率预测系统，其特征在于，包括：
9.一
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的多层集成学习的新能源小时间尺度功率预测方法。
...【技术特征摘要】
1.一种多层集成学习的新能源小时间尺度功率预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对各所述目标功率预测模型对应的各未来功率预测结果采用投票方式进行计算，得到与所述未来时间段对应的最优预测功率结果，包括：
3.根据权利要求1所述的方法，其特征在于，所述对各所述目标功率预测模型对应的各未来功率预测结果采用平均计算方式进行计算，得到与所述未来时间段对应的最优预测功率结果，包括：
4.根据权利要求1所述的方法，其特征在于，所述目标功率预测模型包括原始功率预测模型；
5.根据权利要求1所述的方法，其特征在于，所述目标功率预测模型包括功率映射...
【专利技术属性】
技术研发人员：包涛，马溪原，习伟，李鹏，程凯，胡旭东，潘世贤，陈炎森，李卓环，周长城，
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：
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。