【技术实现步骤摘要】
本专利技术涉及光伏发电，尤其涉及一种就地平衡场景下的低压分布式光伏功率预测方法。
技术介绍
1、低压分布式光伏发电系统的容量较小，其分布范围广，输出功率受天气变化的影响显著。当天气转优时，低压光伏发电功率快速上升，可能导致区域过频；而在天气突变时，其功率下降同样迅速，可能导致电压跌落超限。为了保证电网安全，常需要启动调峰机组或者存能设施来调节不平衡功率。低压分布式光伏“可观-可测-可调-可控”能力较弱，开关状态、有功功率和无功功率等信息常常处于不可控状态。由于接入条件限制，低压分布式光伏发电系统更易受到扰动。单纯的机器学习和深度学习技术已经在新能源电站输出功率预测上取得一定进展，但在低压分布式光伏功率预测任务上的准确率还有很大的提升空间。
2、传统的新能源输出功率预测方法多基于物理模型、经验方程或统计学方法。基于物理模型的预测方法依赖对新能源发电物理过程的深入理解，进行天气条件（如太阳辐射、温度、风速和风向等）对发电效率的影响的详细建模；这种方法能建模描述的气象条件和装机情况有限，对复杂接入条件的反映不足；因此，对于低压分布式光伏功率预测任务的准确率低。基于经验和统计的预测方法，能够在平稳的输出功率变化情况下取得较好预测效果。
技术实现思路
1、本专利技术旨在解决现有技术中，在低压分布式光伏功率预测存在的问题，特别是传统模型预测准确率、处理时序和非时序影响因素、区域化数据和定制模型时的局限性，以及缺乏对非时序影响因素足够关注的缺点，而提出的一种就地平衡场景下的低压分布式
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、一种就地平衡场景下的低压分布式光伏功率预测方法，包括以下步骤：
4、s1、数据采集与预处理：采集时序、非时序数据，数据清洗和格式化；
5、s2、特征提取与选择：时序、非时序特征提取，特征重要性评估；
6、s3、个性化模型训练与融合；构建预测模型，进行模型融合与优化；
7、s4、预测性能评估与优化；
8、s5、模型适应性与实时更新；
9、s6、决策支持与应用集成。
10、优选的，在步骤s1中，包括以下步骤：
11、s101、采集时序数据；
12、包括：低压分布式光伏输出功率数据和相关气象条件数据；
13、收集各低压分布式光伏站点的历史输出功率数据，需收集不同季节、不同天气条件下的功率输出历史记录；根据所在地区，收集与光伏发电性能密切相关的气象条件数据，包括：太阳辐射强度、环境温度；
14、s102、采集非时序数据；
15、包括：分布式光伏接入信息、区域经济与能耗数据；
16、收集有关各低压分布式光伏系统的接入容量、类型和地理位置；采集的经济指标包括：人均gdp、工业产值、居民消费水平；
17、s103、数据清洗和格式化；
18、包括：去除异常值、数据归一化；
19、将数据实值与统计分布比较，超出特定范围的数据点将被视为异常值，并进行剔除或修正；对于所有的时序和非时序数据，执行归一化操作，将数据缩放到给定的范围或标准化至零均值和单位方差；此外，为适应机器学习模型的输入要求，数据重塑或分块。
20、优选的，在步骤s2中，包括以下步骤：
21、采用时间窗口技术提取光伏输出功率和气象条件的时序特征；
22、对于非时序特征的提取，综合用户行为模式、区域经济指标的多源数据；
23、利用统计方法分析各特征与光伏发电功率之间的相关度；应用特征选择算法确定对预测模型最有贡献的特征集。
24、优选的，在步骤s3中，包括以下步骤：
25、s301、构建预测模型；
26、包括：轻量梯度提升决策树和长短时记忆网络；
27、轻量梯度提升决策树基于决策树的集成学习方法；在构建时，采用树的梯度提升方法，通过迭代地建立决策树来减小预测误差；使用光伏功率的历史数据和相关气象条件作为输入特征，以预测未来时间段内的光伏输出功率；在模型训练过程中，采用交叉验证方法来避免过拟合现象；同时，调整lightgbm的关键参数，以优化模型性能；
28、在实现lstm模型时，从时序数据中提取特征并输入到网络中；同时，调整网络结构和学习参数，以获得最佳预测性能；
29、s302、模型融合与优化；
30、采用交叉监督学习和集成学习策略来实现模型融合和优化；
31、通过在lightgbm和lstm模型之间交换信息，提高了模型对不同数据特征的适应性；使用集成学习方法来合并lightgbm和lstm模型的预测结果；包括：选择合适的基模型、确定最佳的组合方法以及调整集成模型的参数；
32、通过这些步骤构建一个高效、准确且鲁棒的预测框架，以支持协同保供和清洁能源消纳的就地平衡场景下的低压分布式光伏功率预测。
33、优选的，在步骤s3中：
34、轻量梯度提升决策树的具体步骤，如下：
35、特征预处理：在将数据输入模型之前，对所有非时序特征进行清洗和归一化，确保它们符合lightgbm处理的格式；
36、模型训练：使用历史数据训练lightgbm模型；过程中，采用交叉验证来避免过拟合，并通过网格搜索方法优化超参数；
37、特征重要性评估：训练完成后，评估各特征对预测结果的影响，剔除不重要的特征以提升模型效率和预测速度；
38、长短时记忆网络的具体步骤，如下：
39、数据预处理：对时序数据进行归一化，并将其转换为适合lstm输入的格式；
40、构建lstm模型：设计一个多层lstm网络，以学习数据的长期依赖关系；
41、训练与验证：利用历史时序数据训练lstm模型，并使用验证集来评估其性能，同时调整网络参数以获得最佳性能；
42、交叉监督学习的具体步骤，如下：
43、交叉验证：在交叉监督学习过程中，分别对lightgbm和lstm模型进行交叉验证，确保它们在不同的数据集上都能达到最佳性能；
44、信息共享：将两种模型的预测结果和特征重要性作为对方的输入，两个模型可以互相学习和提升；
45、迭代优化：反复迭代上述过程，直到两个模型的均达到收敛；
46、集成学习策略的具体步骤，如下：
47、模型权重确定：对于加权平均方法，根据每个模型在独立验证集上的表现来分配权重；这要求进行大量的实验，以确定最优的权重分配方案；权重较高的模型在最终预测中将有更大的影响；
48、元模型训练：在堆叠融合策略中，使用一个额外的学习算法作为元模型，它将基于原始模型的预测结果进行最终预测；元模型的选择依赖于：基模型的类型和问题的特性；常用的元模型包括：线性回归、决策树或另一个轻量级的梯度提升模型；
49、交本文档来自技高网...
【技术保护点】
1.一种就地平衡场景下的低压分布式光伏功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的就地平衡场景下的低压分布式光伏功率预测方法，其特征在于，在步骤S1中，包括以下步骤：
3.根据权利要求2所述的就地平衡场景下的低压分布式光伏功率预测方法，其特征在于，在步骤S2中，包括以下步骤：
4.根据权利要求3所述的就地平衡场景下的低压分布式光伏功率预测方法，其特征在于，在步骤S3中，包括以下步骤：
5.根据权利要求4所述的就地平衡场景下的低压分布式光伏功率预测方法，其特征在于，在步骤S3中：
6.根据权利要求4所述的就地平衡场景下的低压分布式光伏功率预测方法，其特征在于，在步骤S4中，包括以下步骤：
7.根据权利要求6所述的就地平衡场景下的低压分布式光伏功率预测方法，其特征在于，在步骤S5中，包括以下步骤：
8.根据权利要求7所述的就地平衡场景下的低压分布式光伏功率预测方法，其特征在于，在步骤S6中，包括以下步骤：
9.根据权利要求8所述的就地平衡场景下的低压分布式光伏功率预测
10.根据权利要求9所述的就地平衡场景下的低压分布式光伏功率预测方法，其特征在于，在步骤S6中，还包括以下步骤：
...【技术特征摘要】
1.一种就地平衡场景下的低压分布式光伏功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的就地平衡场景下的低压分布式光伏功率预测方法，其特征在于，在步骤s1中，包括以下步骤：
3.根据权利要求2所述的就地平衡场景下的低压分布式光伏功率预测方法，其特征在于，在步骤s2中，包括以下步骤：
4.根据权利要求3所述的就地平衡场景下的低压分布式光伏功率预测方法，其特征在于，在步骤s3中，包括以下步骤：
5.根据权利要求4所述的就地平衡场景下的低压分布式光伏功率预测方法，其特征在于，在步骤s3中：
6.根据权利要求4...
【专利技术属性】
技术研发人员：马晓久，王景钢，牛继涛，裴培，袁良，陈祺，方涛，李斌，任幼逢，陈晓东，佘彦杰，杨钊，平静洋，刘群，张怡迪，姚亮，
申请(专利权)人：国网河南省电力公司洛阳供电公司，
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。