基于LightGBM-Transformer-LSTM的水电集群出力预测方法技术

本发明专利技术涉及基于LightGBM‑Transformer‑LSTM的水电集群出力预测方法，包括以下步骤：采集目标水电集群的历史发电数据以及历史气象数据并进行预处理；通过历史发电数据，确定时延特征，并构建基本特征数据；构建出力预测模型，包括三个基模型，分别为LightGBM基模型、Transformer基模型和LSTM基模型；分别构造对应三个基模型的三种输入特征数据，进行出力预测模型的训练；通过训练好的出力预测模型进行目标水电集群在未来时刻的发电数据预测。

【技术实现步骤摘要】

本专利技术涉及一种基于lightgbm-transformer-lstm的水电集群出力预测方法，属于水电出力预测。

技术介绍

1、水电发电作为可再生能源的重要组成部分，在全球范围内被广泛应用，尤其是在电力系统调度和能源管理中发挥着重要作用。然而，水电发电具有强烈的季节性和不确定性，受到降水量、气温、流域情况等多种因素的影响。因此，精确的水电发电预测对于电力系统的稳定运行、能源优化调度、机组启停安排等具有至关重要的意义。

2、现有的水电发电预测方法大致可以分为传统统计模型和现代机器学习模型两大类。传统的统计方法，如自回归积分滑动平均模型(arima)，依赖于历史数据的规律性，并通过时间序列建模来预测未来发电量。然而，这些方法对于处理高频噪声和非线性关系的能力较弱，无法有效捕捉到水电发电数据中的复杂动态变化。例如，在降水量、气温等因素影响下，水电发电量可能会出现剧烈波动，arima等模型在这类情境下往往表现不佳。

技术实现思路

1、为了解决上述现有技术中存在的问题，本专利技术提出了基于lightgbm-transformer-lstm的水电集群出力预测方法。

2、本专利技术的技术方案如下：

3、一方面，本专利技术提出一种基于lightgbm-transformer-lstm的水电集群出力预测方法，包括以下步骤：

4、采集目标水电集群的历史发电数据以及历史气象数据并进行预处理；

5、通过历史发电数据，确定给定时刻发电数据与时延后的发电数据相关性最大的时延特征；并基于预处理后的历史发电数据、历史气象数据和时延特征构建基本特征数据；

6、构建出力预测模型，包括三个基模型，分别为lightgbm基模型、transformer基模型和lstm基模型；以基本特征数据为基础，分别构造对应三个基模型的三种输入特征数据，分别将三种输入特征数据输入至三个基模型，在出力预测模型的训练过程中，通过加权集成的方法融合各基模型的预测结果，根据融合后的预测结果与真实发电数据的损失对出力预测模型进行迭代训练，调整加权集成过程中赋予各基模型的权重；

7、通过训练好的出力预测模型进行目标水电集群在未来时刻的发电数据预测。

8、作为优选实施方式，所述通过历史发电数据，确定给定时刻发电数据与时延后的发电数据相关性最大的时延特征的方法具体为：

9、采用皮尔逊相关性计算方法，计算不同时延下发电数据与给定时刻发电数据的皮尔逊相关系数，取皮尔逊相关系数最大的时延作为时延特征。

10、作为优选实施方式，所述以基本特征数据为基础，分别构造对应三个基模型的三种输入特征数据的方法具体为：

11、对于lightgbm基模型，在基本特征数据的基础上，引入与水电集群所处的环境数据，形成第一输入特征数据；

12、对于transformer基模型，在基本特征数据的基础上，引入第一给定时间窗口内的气象序列数据，形成第二输入特征数据；

13、对于lstm基模型，在基本特征数据的基础上，引入第二给定时间窗口内的发电序列数据和气象序列数据，形成第三输入特征；

14、其中，第一给定时间窗口大于两倍的第二给定时间窗口。

15、作为优选实施方式，所述出力预测模型中，融合后的预测结果具体为：

16、

17、其中，为融合预测结果，为第i个基模型的预测结果，wi为第i个基模型的权重参数，m为基模型的数量；

18、出力预测模型训练过程的损失函数设置为：

19、

20、其中，为损失函数，n为样本数量，yi表示第i个样本的真实值，表示第j个基模型对第i个样本的预测值；

21、根据计算出的损失对每个基模型的权重求偏导以获取每个基模型的权重梯度，根据每个基模型的权重梯度更新对应基模型的权重。

22、另一方面，本专利技术还提出一种基于lightgbm-transformer-lstm的水电集群出力预测系统，包括：

23、数据采集模块，用于采集目标水电集群的历史发电数据以及历史气象数据并进行预处理；

24、基本特征构建模块，用于通过历史发电数据，确定给定时刻发电数据与时延后的发电数据相关性最大的时延特征；并基于预处理后的历史发电数据、历史气象数据和时延特征构建基本特征数据；

25、集成模型训练模块，用于构建出力预测模型，包括三个基模型，分别为lightgbm基模型、transformer基模型和lstm基模型；以基本特征数据为基础，分别构造对应三个基模型的三种输入特征数据，分别将三种输入特征数据输入至三个基模型，在出力预测模型的训练过程中，通过加权集成的方法融合各基模型的预测结果，根据融合后的预测结果与真实发电数据的损失对出力预测模型进行迭代训练，调整加权集成过程中赋予各基模型的权重；

26、水电集群出力预测模块，用于通过训练好的出力预测模型进行目标水电集群在未来时刻的发电数据预测。

27、作为优选实施方式，所述通过历史发电数据，确定给定时刻发电数据与时延后的发电数据相关性最大的时延特征的方法具体为：

28、采用皮尔逊相关性计算方法，计算不同时延下发电数据与给定时刻发电数据的皮尔逊相关系数，取皮尔逊相关系数最大的时延作为时延特征。

29、作为优选实施方式，所述以基本特征数据为基础，分别构造对应三个基模型的三种输入特征数据的方法具体为：

30、对于lightgbm基模型，在基本特征数据的基础上，引入与水电集群所处的环境数据，形成第一输入特征数据；

31、对于transformer基模型，在基本特征数据的基础上，引入第一给定时间窗口内的气象序列数据，形成第二输入特征数据；

32、对于lstm基模型，在基本特征数据的基础上，引入第二给定时间窗口内的发电序列数据和气象序列数据，形成第三输入特征；

33、其中，第一给定时间窗口大于两倍的第二给定时间窗口。

34、作为优选实施方式，所述出力预测模型中，融合后的预测结果具体为：

35、

36、其中，为融合预测结果，为第i个基模型的预测结果，wi为第i个基模型的权重参数，m为基模型的数量；

37、出力预测模型训练过程的损失函数设置为：

38、

39、其中，为损失函数，n为样本数量，yi表示第i个样本的真实值，表示第j个基模型对第i个样本的预测值；

40、根据计算出的损失对每个基模型的权重求偏导以获取每个基模型的权重梯度，根据每个基模型的权重梯度更新对应基模型的权重。

41、再一方面，本专利技术还提出一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本专利技术任一实施例所述的基于lightgbm-transformer-lstm的水电集群出力预测方法。

本文档来自技高网...

【技术保护点】

1.一种基于LightGBM-Transformer-LSTM的水电集群出力预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于LightGBM-Transformer-LSTM的水电集群出力预测方法，其特征在于，所述通过历史发电数据，确定给定时刻发电数据与时延后的发电数据相关性最大的时延特征的方法具体为：

3.根据权利要求1所述的一种基于LightGBM-Transformer-LSTM的水电集群出力预测方法，其特征在于，所述以基本特征数据为基础，分别构造对应三个基模型的三种输入特征数据的方法具体为：

4.根据权利要求1所述的一种基于LightGBM-Transformer-LSTM的水电集群出力预测方法，其特征在于，所述出力预测模型中，融合后的预测结果具体为：

5.一种基于LightGBM-Transformer-LSTM的水电集群出力预测系统，其特征在于，包括：

6.根据权利要求5所述的一种基于LightGBM-Transformer-LSTM的水电集群出力预测系统，其特征在于，所述通过历史发电数据，确定给定时刻发电数据与时延后的发电数据相关性最大的时延特征的方法具体为：

7.根据权利要求5所述的一种基于LightGBM-Transformer-LSTM的水电集群出力预测系统，其特征在于，所述以基本特征数据为基础，分别构造对应三个基模型的三种输入特征数据的方法具体为：

8.根据权利要求5所述的一种基于LightGBM-Transformer-LSTM的水电集群出力预测系统，其特征在于，所述出力预测模型中，融合后的预测结果具体为：

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述的基于LightGBM-Transformer-LSTM的水电集群出力预测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4任一项所述的基于LightGBM-Transformer-LSTM的水电集群出力预测方法。

...

【技术特征摘要】

1.一种基于lightgbm-transformer-lstm的水电集群出力预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于lightgbm-transformer-lstm的水电集群出力预测方法，其特征在于，所述通过历史发电数据，确定给定时刻发电数据与时延后的发电数据相关性最大的时延特征的方法具体为：

3.根据权利要求1所述的一种基于lightgbm-transformer-lstm的水电集群出力预测方法，其特征在于，所述以基本特征数据为基础，分别构造对应三个基模型的三种输入特征数据的方法具体为：

4.根据权利要求1所述的一种基于lightgbm-transformer-lstm的水电集群出力预测方法，其特征在于，所述出力预测模型中，融合后的预测结果具体为：

5.一种基于lightgbm-transformer-lstm的水电集群出力预测系统，其特征在于，包括：

6.根据权利要求5所述的一种基于lightgbm-transformer-lstm的水电集群出力预...

【专利技术属性】
技术研发人员：王清凉，陈大玮，汪寅乔，杨巧艺，杨嘉烨，胡永洪，周朝晖，韩晔，方略斌，李彪，朱立轩，田野，曾志杰，陈思宇，谢如昌，廖梦爽，
申请(专利权)人：国网福建省电力有限公司，
类型：发明
国别省市：