【技术实现步骤摘要】
本专利技术涉及数据融合与预测，尤其是涉及一种多源预测数据时空融合与修正方法。
技术介绍
1、随着风能在全球能源结构中的比例逐年上升，提高风电功率预测的准确性对于电网调度、风电场运营管理以及能源市场交易均具有重要意义。然而，风电功率的输出具有较大的不确定性和变化性，其受多种因素影响，如风速、风向、气温等，在高精度预测方面具有一定的挑战性。
2、传统的风电功率预测方法主要包括时序外推方法和人工智能方法。这些方法在一定程度上提高了预测的准确性，但由于缺乏对多源数据的综合利用和时空变化的动态调整能力，其预测结果仍然存在较大的预测误差。
3、近年来，随着大数据技术和人工智能技术的快速发展，利用机器学习和深度学习技术对多源数据进行融合和分析，成为提高预测准确性的有效途径。通过综合考虑来自人工智能模型的预报数据、气象局的预报数据、实地测量的气象数据以及风电场的地理位置信息，可以更准确地捕捉到影响风电功率的关键因素。
4、但是仍存在一些缺陷：
5、缺乏全局误差修正机制。在实际应用中，由于数据的不一致性、时空分布的复杂性以及模型本身的局限性，融合模型无法自适应地调整其预测策略来应对系统性偏差或未被模型捕捉到的新变化，从而限制了预测精度的进一步提高；
6、泛化能力较弱。现有融合模型技术可能在特定数据集或特定条件下表现良好，但当应用到新的地理位置或面对数据源变化时，其泛化能力和可扩展性较弱，限制了模型在不同风电场中的实用性。
7、因此，有必要提供一种多源预测数据时空融合与修正方法
技术实现思路
1、本专利技术的目的是提供一种多源预测数据时空融合与修正方法，一方面，通过对样本数据进行bootstrap抽样形成多个样本集，并针对不同样本集分别训练融合模型。在预测阶段，将多源数据输入到所有融合模型中，并对这些模型的预测结果进行集成，能有效降低模型对特定数据分布的依赖，从而在不同的地理位置和数据源条件下都能保持较高的预测准确性。
2、另一方面，引入全局误差修正机制，能够在预测结果集成之后对全局误差进行修正，从而有效应对系统性偏差，进一步提高风电功率预测的精度。
3、为实现上述目的，本专利技术提供了一种多源预测数据时空融合与修正方法，包括以下步骤：
4、s1：获取需要预测区域的多源数据和对应时间节点的风电实际功率数据，多源数据和风电实际功率数据共同组成样本数据集，多源数据包括人工智能模型预报数据、气象局预报数据、实测气象数据和地理位置数据；
5、s2：对样本数据集执行bootstrap抽样，获取训练子集zi；
6、s3：针对通过bootstrap抽样得到的训练子集zi，分别训练融合预测模型；
7、s4：在预测阶段，将待预测的多源数据同时输入到所有训练好的m个融合预测模型中，得到m组预测结果；
8、s5：将m组融合模型的预测结果输入到集成函数中，对所有结果进行整合，输出集成预测结果如下式所示：
9、
10、式中，f为集成函数；
11、s6：将步骤s5中得到的集成预测结果输入到全局误差修正函数中，对预测结果进行修正，输出修正后的预测结果如下式所示：
12、
13、式中：g为全局误差修正函数。
14、优选的，在步骤s1中，多源数据共有n类数据，每类数据的时间长度均为t，多源数据表示为风电实际功率数据表示为：{y1,y2,...,yt}；样本数据集，表示为：
15、
16、优选的，在步骤s2中，对样本数据集{[x1,y1],[x2,y2],...,[xt,yt]}通过有放回的抽样方式，创建m个训练子集，表示为{z1,z2,...,zm}＝{zi|i＝1,2,...,m}；
17、其中，zi为第i个训练子集，通过从样本数据集{[x1,y1],[x2,y2],...,[xt,yt]}中随机抽样数据样本得到，zi表示为zi＝{[xj,yj]|j∈ii}，其中ii为第i个训练子集中样本的时间节点集合。
18、优选的，在步骤s3中，构建的融合模型为卷积神经网络模型，卷积神经网络的基本结构包括卷积层、池化层和全连接层，具体包括以下步骤：
19、s31：将训练子集zi中的多源数据作为第i个融合预测模型的输入，卷积层的计算公式为：
20、
21、式中：为第l个卷积特征序列；r为非线性激活函数；为第l个卷积核的权重矩阵；x为输入特征向量；为偏置项；
22、s32：将特征输入池化层，采用最大池化方法进行池化操作，最大池化方法基于池化步长k遍历特征序列，并取遍历操作中的最大值，最大池化方法的数学表达式为：
23、
24、式中：为第l个池化面的矩阵向量；max为取最大值函数；
25、s33：将特征向量输入全连接层，输出风电功率的预测结果。全连接层的数学表达式为：
26、
27、式中：为全连接层的输出，为第i个融合模型的预测结果；wfc为全连接层的权重；bfc为偏置项。
28、优选的，在步骤s5中，集成函数为平均值函数：
29、
30、式中：为预测结果。
31、优选的，在步骤s6中，全局误差修正函数为线性函数，如下式所示：
32、
33、式中：为修正后的预测结果，β0为基于历史误差数据分析得到的误差调整量。
34、因此，本专利技术采用上述一种多源预测数据时空融合与修正方法，具备以下有益效果：
35、(1)本专利技术通过bootstrap抽样方法和多源数据融合技术，结合全局误差修正机制，显著提高了风电功率预测的准确性。利用多个融合模型对不同样本集进行训练并集成预测结果，可以有效降低对单一数据分布的依赖。同时，全局误差修正进一步减少系统性偏差和随机误差，确保了预测结果的高准确性。
36、(2)本专利技术中对样本数据进行bootstrap抽样并形成多个样本集，增加了模型训练的多样性。当数据源发生变化或存在噪声时，模型依然能够保持良好的预测性能。
37、(3)本专利技术中全局误差修正机制能够基于实际预测误差自动调整模型输出，使得预测结果能够及时反映出数据变化趋势，增强了模型对于时间和空间变化的适应性。
38、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种多源预测数据时空融合与修正方法，其特征在于：包括以下步骤：
2.根据权利要求1中所述的一种多源预测数据时空融合与修正方法，其特征在于：在步骤S1中，多源数据共有N类数据，每类数据的时间长度均为T，多源数据表示为风电实际功率数据表示为：{y1,y2,...,yT}；样本数据集，表示为：
3.根据权利要求1中所述的一种多源预测数据时空融合与修正方法，其特征在于：在步骤S2中，对样本数据集{[x1,y1],[x2,y2],...,[xT,yT]}通过有放回的抽样方式，创建M个训练子集，表示为{Z1,Z2,...,ZM}＝{Zi|i＝1,2,...,M}；
4.根据权利要求1中所述的一种多源预测数据时空融合与修正方法，其特征在于：在步骤S3中，构建的融合模型为卷积神经网络模型，卷积神经网络的基本结构包括卷积层、池化层和全连接层，具体包括以下步骤：
5.根据权利要求1中所述的一种多源预测数据时空融合与修正方法，其特征在于：在步骤S5中，集成函数为平均值函数：
6.根据权利要求1中所述的一种多源预测数据时空融合与修正方法，其
...【技术特征摘要】
1.一种多源预测数据时空融合与修正方法，其特征在于：包括以下步骤：
2.根据权利要求1中所述的一种多源预测数据时空融合与修正方法，其特征在于：在步骤s1中，多源数据共有n类数据，每类数据的时间长度均为t，多源数据表示为风电实际功率数据表示为：{y1,y2,...,yt}；样本数据集，表示为：
3.根据权利要求1中所述的一种多源预测数据时空融合与修正方法，其特征在于：在步骤s2中，对样本数据集{[x1,y1],[x2,y2],...,[xt,yt]}通过有放回的抽样方式，创建m个训练子集，表示为{z1,...
【专利技术属性】
技术研发人员：闫军，郭琦，张昊，郝乾鹏，孟凡成，韩东，杨志豪，张一帆，李然，闫馨月，张海鹏，
申请(专利权)人：内蒙古电力集团有限责任公司，
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。