【技术实现步骤摘要】
本专利技术涉及电力系统光伏预测，尤其涉及一种基于多源气象数据与多模型集成的光伏功率预测方法、装置与存储介质。
技术介绍
1、太阳能是可再生能源中最丰富、发展潜力最大的清洁能源，其开发与利用已经成为我国能源结构调整的重要方向。开展光伏发电功率短期预测能有效地降低光伏出力不确定性给电网带来的影响，提高光伏发电系统的可靠性，助力电网实现高质量的稳定供电。
2、近年来，太阳能开发利用已成为全球能源转型的重要领域，光伏发电全面进入规模化发展阶段，呈现出良好的发展前景。光伏发电功率主流的预测方法如统计方法，原理简单，容易实现，但是当样本数据较为复杂时，预测效果一般；另一类方法人工智能算法，对时间序列的处理效果较差，在对较长时间序列进行预测时效果差强人意。
3、深度学习方法中，lstm是在rnn的基础上演化而来，是一种特殊的循环神经网络，能够应用到光伏功率预测中。lstm通过优化隐藏层结构来增强历史数据的记忆能力，可以有效处理数据的长期依赖关系，在光伏功率预测中具备更佳的适用性。但是，当输入特征较多时，会使模型的预测精度受到影响，并且使用单一模型预测也会产生泛化性不佳的问题。
4、公开于该
技术介绍
部分的信息仅仅旨在加深对本公开总体
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。
技术实现思路
1、本专利技术提供了一种基于多源气象数据与多模型集成的光伏功率预测方法，可有效解决
技术介绍
中的问题。
2、为了达到
3、一种基于多源气象数据与多模型集成的光伏功率预测方法，包括以下步骤：
4、收集历史光伏功率数据和与其相应的多源气象数据，并分别构建功率数据集和气象数据集；
5、对所述气象数据集和所述功率数据集进行相关性分析，筛选与光伏出力具有强相关性的气象因素数据形成新气象数据集；
6、基于经验模态分解算法emd和核主成分分析模型kpca对所述新气象数据集进行特征提取，并根据提取的特征构建特征集；
7、将所述特征集与所述功率数据集进行整合得到新数据集，将所述新数据集划分出多个子数据集和至少一个测试集；
8、通过所述子数据集和所述测试集对stacking预测模型进行训练，并得到训练完成的元学习器，向所述元学习器输入多源气象数据并输出预测结果。
9、进一步的，通过线性插值法对所述气象数据集和所述功率数据集进行预处理，包括以下步骤：
10、先识别出数据集中的缺失或者低分辨率部分；
11、针对对每个缺失值找出其前后已知的两个数据点；
12、利用线性插值公式计算缺失值，具体公式如下：
13、；
14、其中， x和 y分别表示插值节点和被插值函数， x1、 y1和 x2、 y2分别表示插值节点前后数据点的节点和数据值。
15、进一步的，根据所述气象数据集和所述功率数据集的相关性分析进行数据筛选，包括以下步骤：
16、将经过插值处理后的所述气象数据集与所述功率数据集进行配对处理；
17、计算每对数据的斯皮尔曼相关系数，具体通过如下公式：
18、；
19、其中， x i和 y i分别表示变量 x和 y的第 i个观测值的秩次（即排序后的位置），和分别表示变量 x和 y的平均秩次，计算方式为所有观测值秩次之和除以观测值总数n；
20、根据斯皮尔曼相关系数的绝对值大小，选择与光伏出力具有强相关性的气象因素数据形成所述新气象数据集。
21、进一步的，基于emd算法和kpca模型对新气象数据集进行特征提取，包括以下步骤：
22、通过emd算法对所述新气象数据进行分解；
23、将分解得到的各个imf作为新的特征变量采用kpca进行降维；
24、选择贡献率为85%的主成分形成降维处理后的所述特征集。
25、进一步的，对所述特征集中的特征数据归一化到[0,1]区间，具体采用如下公式：
26、；
27、其中， p’表示归一化值， p表示原始值， pmin表示最小值， pmax表示最大值；
28、对所述元学习器输出的预测结果进行反归一化处理，恢复到原始数据范围，再对预测结果进行评估。
29、进一步的，在所述元学习器的训练过程中，将所述子数据集和所述测试集输入所述stacking预测模型的第一层进行训练，并生成第二训练集和第二测试集；
30、将所述第二训练集和所述第二测试集输入所述stacking预测模型的第二层进行训练，得到所述元学习器。
31、进一步的，所述stacking预测模型的第一层训练操作，包括以下步骤：
32、在所述stacking预测模型的第一层设置n种训练算法；
33、基于m个所述子数据集和1个所述测试集，选择任一种训练算法并采用交叉验证的方式进行基学习器训练；
34、再重复对n-1种训练算法进行n-1次基学习器训练，形成基于n个基学习器的第二训练集和第二测试集。
35、进一步的，任一基学习器的训练过程中，选择任一所述子数据集作为验证集，剩余m-1个所述子数据集作为训练集，进行m次训练，得到m组对验证集的预测值和m组对所述测试集的预测值；
36、将m组对验证集的预测值进行组合，形成第一预测集 t1=[ t1, t2,..., tm]，将m组对所述测试集的预测值取平均，得到一组第二预测值 b1；
37、组合n个基学习器的所述第一预测集形成所述第一训练集[ t1, t2,..., tn]，组合n个基学习器的所述第二预测集形成所述第二训练集[ b1, b2,..., bn]。
38、进一本文档来自技高网...
【技术保护点】
1.一种基于多源气象数据与多模型集成的光伏功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多源气象数据与多模型集成的光伏功率预测方法，其特征在于，通过线性插值法对构建得到的所述气象数据集和所述功率数据集进行预处理，再进行相关性分析，所述预处理包括以下步骤：
3.根据权利要求2所述的基于多源气象数据与多模型集成的光伏功率预测方法，其特征在于，根据所述气象数据集和所述功率数据集的相关性分析进行数据筛选，包括以下步骤：
4.根据权利要求1所述的基于多源气象数据与多模型集成的光伏功率预测方法，其特征在于，基于EMD算法和KPCA模型对新气象数据集进行特征提取，包括以下步骤：
5.根据权利要求4所述的基于多源气象数据与多模型集成的光伏功率预测方法，其特征在于，对所述特征集中的特征数据归一化到[0,1]区间，具体采用如下公式：
6.根据权利要求1所述的基于多源气象数据与多模型集成的光伏功率预测方法，其特征在于，在所述元学习器的训练过程中，将所述子数据集和所述测试集输入所述Stacking预测模型的第一层进行训练
7.根据权利要求6所述的基于多源气象数据与多模型集成的光伏功率预测方法，其特征在于，所述Stacking预测模型的第一层训练操作，包括以下步骤：
8.根据权利要求7所述的基于多源气象数据与多模型集成的光伏功率预测方法，其特征在于，任一基学习器的训练过程中，选择任一所述子数据集作为验证集，剩余M-1个所述子数据集作为训练集，进行M次训练，得到M组对验证集的预测值和M组对所述测试集的预测值；
9.根据权利要求8所述的基于多源气象数据与多模型集成的光伏功率预测方法，其特征在于，所述Stacking预测模型的第二层训练操作，包括以下步骤：
10.根据权利要求1所述的基于多源气象数据与多模型集成的光伏功率预测方法，其特征在于，对所述元学习器输出的预测结果进行评估，具体根据预测值和真实值计算评估指标的值，评估指标设置有四个，分别为相对均方误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE与决定系数R2。
11.一种基于多源气象数据与多模型集成的光伏功率预测装置，其特征在于，采用上述权利要求1~10任一项所述的基于多源气象数据与多模型集成的光伏功率预测方法，包括：
12.根据权利要求11所述的基于多源气象数据与多模型集成的光伏功率预测装置，其特征在于，所述数据处理模块包括：
13.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至10任意一项所述的基于多源气象数据与多模型集成的光伏功率预测方法。
...【技术特征摘要】
1.一种基于多源气象数据与多模型集成的光伏功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多源气象数据与多模型集成的光伏功率预测方法，其特征在于，通过线性插值法对构建得到的所述气象数据集和所述功率数据集进行预处理，再进行相关性分析，所述预处理包括以下步骤：
3.根据权利要求2所述的基于多源气象数据与多模型集成的光伏功率预测方法，其特征在于，根据所述气象数据集和所述功率数据集的相关性分析进行数据筛选，包括以下步骤：
4.根据权利要求1所述的基于多源气象数据与多模型集成的光伏功率预测方法，其特征在于，基于emd算法和kpca模型对新气象数据集进行特征提取，包括以下步骤：
5.根据权利要求4所述的基于多源气象数据与多模型集成的光伏功率预测方法，其特征在于，对所述特征集中的特征数据归一化到[0,1]区间，具体采用如下公式：
6.根据权利要求1所述的基于多源气象数据与多模型集成的光伏功率预测方法，其特征在于，在所述元学习器的训练过程中，将所述子数据集和所述测试集输入所述stacking预测模型的第一层进行训练，并生成第二训练集和第二测试集；
7.根据权利要求6所述的基于多源气象数据与多模型集成的光伏功率预测方法，其特征在于，所述stacking预测模型的第一层训练操作，包括以下步骤：<...
【专利技术属性】
技术研发人员：卜强生，庄舒仪，罗飞，高磊，叶志刚，张潼，易文飞，郭野，郑明忠，
申请(专利权)人：国网江苏省电力有限公司电力科学研究院，
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。