CN117200198A - 一种基于集成学习预测短期光伏功率区间的装置及方法 - Google Patents
一种基于集成学习预测短期光伏功率区间的装置及方法 Download PDFInfo
- Publication number
- CN117200198A CN117200198A CN202311137665.2A CN202311137665A CN117200198A CN 117200198 A CN117200198 A CN 117200198A CN 202311137665 A CN202311137665 A CN 202311137665A CN 117200198 A CN117200198 A CN 117200198A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- prediction
- sub
- algorithm
- predicting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于集成学习预测短期光伏功率区间的装置及方法，涉及电力计算技术领域；装置包括预测模块，用于基于自适应噪声完全集成经验模态分解的算法分解原始光伏功率序列获得模态分量和趋势分量；基于排列熵的算法分别计算获得每一分量的排列熵值，以排列熵值大小构建获得每一频段的子序列；基于分位数随机森林的算法分别建立获得子预测模型；基于贝叶斯优化的算法分别优化每一子预测模型；基于优化后的子预测模型分别获得相应的光伏功率区间的预测结果，叠加所有的光伏功率区间的预测结果，获得最终的光伏功率区间预测结果；方法包括预测的步骤，将模态分解和贝叶斯优化的算法用于光伏功率区间预测，提高了光伏功率区间预测的精度。
Description
技术领域
本发明涉及电力计算技术领域，尤其涉及一种基于集成学习预测短期光伏功率区间的装置及方法。
背景技术
撰写人检索，检索式为(TACD＝(预测AND功率AND模态分解AND贝叶斯))，获得较为接近的现有技术方案如下。
授权公告号为CN105391083B，名称为基于变分模态分解和相关向量机的风功率区间短期预测方法。该方法包含，首先对风功率序列进行变分模态分解，获得多个具有不同中心频率的分量；然后对各分量采用相关向量机算法分别建立区间预测模型；最后将各分量的预测结果进行叠加得到一定置信水平下总体的区间预测结果。采用本发明方法，模型的预测精度和区间覆盖率得到提高，区间宽度明显变窄，从而风功率区间的短期预测效果得到了显著改善。
授权公告号为CN113496315B，名称为基于分位数梯度提升决策树的负荷区间预测方法及系统。通过采用集总经验模态对原始配电网台区负荷序列进行分解，得到不同特征的模态分量，降低了后续分位数梯度提升决策树预测模型训练的复杂程度，提高了预测的准确性，并采用核密度估计方法得到概率密度函数，避免构造概率分布的主观性和先验性，提高了配电网台区负荷区间预测的可靠性和准确性，同时，利用决策树采样的随机性确保样本之间学习的多样化，使得分位数梯度提升决策树不易陷入过拟合风险，具有良好的泛化能力。
申请公布号为CN112348271A，名称为基于VMD-IPSO-GRU的短期光伏功率预测方法。首先，将历史光伏功率时间序列经过变分模态分解分解成不同频率的子序列，充分挖掘光伏序列数据所包含的地理信息和组件参数，分离原始数据的信号与噪声；其次，通过Spearman和Pearson相关性系数确定影响光伏出力的主要气象因素；最后，对VMD分解的子序列分别建立门控循环单元网络模型，并通过改进粒子群算法和自适应矩估计算法对GRU神经进行优化，从而提升了网络收敛速度以及数据拟合效果，准确高效地完成了短期光伏功率预测，避免了人工调参带来的误差。
申请公布号为CN115374988A，名称为工业企业电力负荷预测方法、装置、电子设备及存储介质。其中，方法包括对待预测工业企业的电力负荷实测数据集进行分解，得到多个波动子序列；根据负荷影响因素数据和每个波动子序列对应的负荷数据特征集，为每个波动子序列生成相应的输入特征集；对每个波动子序列，利用构建的预测子模型对相应的输入特征集中的目标特征进行预测；根据各预测子模型的预测结果确定待测工业企业的负荷预测值，从而可有效提高工业企业电力负荷的预测精准度。
结合上述四篇专利文献和现有的技术方案，发明人分析现有技术方案如下。
随着碳达峰、碳中和目标的提出，本领域在应对世界环境和气候变化的绿色治理中扮演着越来越重要的角色，加大可再生能源应用力度已成为能源体系发展的主要方向。在实际使用中，光伏发电具有很强的间歇性和随机性，其发电的多少对于该系统的安全稳定运行有很大的影响，因此，可靠的光伏发电预测对于电力系统有着重要作用。
当前针对光伏区间预测的方法可分为四类：物理方法、统计方法、传统人工智能方法和集成学习方法。对于物理、统计、传统人工智能方法具有光伏功率预测影响因素考虑不全，预测精度较低，点预测误差具有不确定性等缺点。因此需要集成学习方法的优越性，建立一种满足实际需求等光伏短期功率区间预测的方法，为分布式光伏接入电网的运行和控制提供有力支撑。
现有技术问题及思考：
如何解决预测短期光伏功率区间的技术问题。
发明内容
本发明提供一种基于集成学习预测短期光伏功率区间的装置及方法，解决预测短期光伏功率区间的技术问题。
为解决上述技术问题，本发明所采取的技术方案在于如下方面：
一种基于集成学习预测短期光伏功率区间的装置包括预测模块，预测模块，用于获得原始光伏功率序列，基于自适应噪声完全集成经验模态分解CEEMDAN的算法分解原始光伏功率序列获得模态分量和趋势分量；基于排列熵PE的算法分别计算获得模态分量和趋势分量的排列熵值，以每一分量排列熵值大小构建获得每一频段的子序列；基于每一频段的子序列和分位数随机森林QRF的算法分别建立获得光伏功率区间的子预测模型；基于贝叶斯优化BO的算法分别优化每一子预测模型，获得优化后的子预测模型；基于每一优化后的子预测模型分别获得相应的光伏功率区间的预测结果，将所有的光伏功率区间的预测结果叠加，获得最终的光伏功率区间预测结果。
进一步的技术方案在于：在预测模块中，频段包括高频、中频和低频。
进一步的技术方案在于：在预测模块中，分量包括高频分量、中频分量和低频分量。
进一步的技术方案在于：在预测模块中，子预测模型包括高频子预测模型、中频子预测模型和低频子预测模型。
进一步的技术方案在于：预测模块，还用于自适应噪声完全集成经验模态分解CEEMDAN的算法，分解取0.01～0.5倍标准差和150～300次范围内的白噪声。
进一步的技术方案在于：预测模块，还用于贝叶斯优化BO的算法，待优化超参数包括分位数随机森林QRF的决策树数量、树的最大深度和节点最小尺寸。
一种基于集成学习预测短期光伏功率区间的方法包括预测的步骤，预测步骤包括获得原始光伏功率序列，基于自适应噪声完全集成经验模态分解CEEMDAN的算法分解原始光伏功率序列获得模态分量和趋势分量；基于排列熵PE的算法分别计算获得模态分量和趋势分量的排列熵值，以每一分量排列熵值大小构建获得每一频段的子序列；基于每一频段的子序列和分位数随机森林QRF的算法分别建立获得光伏功率区间的子预测模型；基于贝叶斯优化BO的算法分别优化每一子预测模型，获得优化后的子预测模型；基于每一优化后的子预测模型分别获得相应的光伏功率区间的预测结果，将所有的光伏功率区间的预测结果叠加，获得最终的光伏功率区间预测结果。
进一步的技术方案在于：在预测步骤中，频段包括高频、中频和低频，分量包括高频分量、中频分量和低频分量，子预测模型包括高频子预测模型、中频子预测模型和低频子预测模型。
进一步的技术方案在于：在预测步骤中，自适应噪声完全集成经验模态分解CEEMDAN的算法，分解取0.01～0.5倍标准差和150～300次范围内的白噪声。
进一步的技术方案在于：在预测步骤中，贝叶斯优化BO的算法，待优化超参数包括分位数随机森林QRF的决策树数量、树的最大深度和节点最小尺寸。
一种基于集成学习预测短期光伏功率区间的装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现上述方法中相应的步骤。
一种基于集成学习预测短期光伏功率区间的装置包括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程序，所述计算机程序被处理器执行时实现上述方法中相应的步骤。
采用上述技术方案所产生的有益效果在于：
第一，一种基于集成学习预测短期光伏功率区间的装置包括预测模块，预测模块，用于获得原始光伏功率序列，基于自适应噪声完全集成经验模态分解CEEMDAN的算法分解原始光伏功率序列获得模态分量和趋势分量；基于排列熵PE的算法分别计算获得模态分量和趋势分量的排列熵值，以每一分量排列熵值大小构建获得每一频段的子序列；基于每一频段的子序列和分位数随机森林QRF的算法分别建立获得光伏功率区间的子预测模型；基于贝叶斯优化BO的算法分别优化每一子预测模型，获得优化后的子预测模型；基于每一优化后的子预测模型分别获得相应的光伏功率区间的预测结果，将所有的光伏功率区间的预测结果叠加，获得最终的光伏功率区间预测结果。该技术方案，将模态分解算法及贝叶斯优化算法用于光伏功率区间预测，提高了光伏功率区间预测的精度。
第二，一种基于集成学习预测短期光伏功率区间的方法包括预测的步骤，预测步骤包括获得原始光伏功率序列，基于自适应噪声完全集成经验模态分解CEEMDAN的算法分解原始光伏功率序列获得模态分量和趋势分量；基于排列熵PE的算法分别计算获得模态分量和趋势分量的排列熵值，以每一分量排列熵值大小构建获得每一频段的子序列；基于每一频段的子序列和分位数随机森林QRF的算法分别建立获得光伏功率区间的子预测模型；基于贝叶斯优化BO的算法分别优化每一子预测模型，获得优化后的子预测模型；基于每一优化后的子预测模型分别获得相应的光伏功率区间的预测结果，将所有的光伏功率区间的预测结果叠加，获得最终的光伏功率区间预测结果。该技术方案，将模态分解算法及贝叶斯优化算法用于光伏功率区间预测，提高了光伏功率区间预测的精度。
详见具体实施方式部分描述。
附图说明
图1是本发明实施例1的流程图；
图2是本发明贝叶斯优化算法求解的流程图；
图3是本发明实施例3的原理框图；
图4是本发明实施例4的原理框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。
实施例1：
如图1和图2所示，本发明公开了一种基于集成学习预测短期光伏功率区间的方法包括预测的步骤，预测步骤包括：
获得原始光伏功率序列。
自适应噪声完全集成经验模态分解CEEMDAN的算法，分解取0.01～0.5倍标准差和150～300次范围内的白噪声；基于自适应噪声完全集成经验模态分解CEEMDAN的算法分解原始光伏功率序列获得模态分量和趋势分量。
基于排列熵PE的算法分别计算获得模态分量和趋势分量的排列熵值，以每一分量排列熵值大小构建获得每一频段的子序列；频段包括高频、中频和低频，分量包括高频分量、中频分量和低频分量。
基于每一频段的子序列和分位数随机森林QRF的算法分别建立获得光伏功率区间的子预测模型；子预测模型包括高频子预测模型、中频子预测模型和低频子预测模型。
贝叶斯优化BO的算法，待优化超参数包括分位数随机森林QRF的决策树数量、树的最大深度和节点最小尺寸；基于贝叶斯优化BO的算法分别优化每一子预测模型，获得优化后的子预测模型。
基于每一优化后的子预测模型分别获得相应的光伏功率区间的预测结果，将所有的光伏功率区间的预测结果叠加，获得最终的光伏功率区间预测结果。
其中，自适应噪声完全集成经验模态分解CEEMDAN、排列熵PE、贝叶斯优化BO、分位数随机森林QRF的算法本身为现有技术不再赘述。
实施例2：
本发明公开了一种基于集成学习预测短期光伏功率区间的装置包括预测模块。
预测模块，用于获得原始光伏功率序列。自适应噪声完全集成经验模态分解CEEMDAN的算法，分解取0.01～0.5倍标准差和150～300次范围内的白噪声；基于自适应噪声完全集成经验模态分解CEEMDAN的算法分解原始光伏功率序列获得模态分量和趋势分量。基于排列熵PE的算法分别计算获得模态分量和趋势分量的排列熵值，以每一分量排列熵值大小构建获得每一频段的子序列；频段包括高频、中频和低频，分量包括高频分量、中频分量和低频分量。基于每一频段的子序列和分位数随机森林QRF的算法分别建立获得光伏功率区间的子预测模型；子预测模型包括高频子预测模型、中频子预测模型和低频子预测模型。贝叶斯优化BO的算法，待优化超参数包括分位数随机森林QRF的决策树数量、树的最大深度和节点最小尺寸；基于贝叶斯优化BO的算法分别优化每一子预测模型，获得优化后的子预测模型。基于每一优化后的子预测模型分别获得相应的光伏功率区间的预测结果，将所有的光伏功率区间的预测结果叠加，获得最终的光伏功率区间预测结果。
实施例3：
如图3所示，本发明公开了一种基于集成学习预测短期光伏功率区间的装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，存储器和处理器形成电子终端，计算机程序为实施例2的预测模块，所述处理器执行计算机程序时实现实施例1的步骤。
实施例4：
如图4所示，本发明公开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程序，计算机程序为实施例2的预测模块，所述计算机程序被处理器执行时实现实施例1中的步骤。
相对于上述实施例，其中的程序模块还可以为采用现有逻辑运算技术制成的硬件模块，实现相应的逻辑运算步骤、通信步骤和控制步骤，进而实现上述相应的步骤，其中的逻辑运算单元为现有技术不再赘述。
研发过程：
1要解决的最基本的技术问题
本发明的目的，在于提供一种基于CEEMDAN-PE-BO-QRF的短期光伏功率区间预测方法，通过组合光伏功率区间预测方法，避免原始数据的随机性和非平稳性对后续预测精度的影响，解决目前已有单一预测模型性能不稳定的问题。
2核心技术方案
基于CEEMDAN-PE-BO-QRF的短期光伏功率区间预测方法，包括如下步骤：
步骤1，利用CEEMDAN对原始光伏功率序列进行分解，分解为若干个模态分量及一个趋势分量；
步骤2，计算所述若干模态分量及趋势分量的排列熵值，并根据各分量排列熵值大小重构为不同频段的子序列；
步骤3，对重构后的不同频段子序列分别建立QRF光伏功率区间子预测模型，预测子模型数量与重构后子序列数量相同；
步骤4，通过贝叶斯优化算法对QRF光伏功率区间预测子模型超参数进行优化；
步骤5，利用由贝叶斯优化超参数的QRF预测模型以重构后的不同频段子序列作为数据输入进行光伏功率区间预测，光伏功率区间预测结果为各子预测模型结果叠加。
作为本发明进一步的方案，所述步骤1中，CEEMDAN分解一般取0.01～0.5倍标准差和150～300次范围内的白噪声得到的分解效果最好。
作为本发明进一步的方案，所述步骤2中，根据各模态的排列熵值将各子模态重构为高频、中频、低频分量。
作为本发明进一步的方案，所述步骤4中，待优化超参数为QRF的决策树数量、树的最大深度、节点最小尺寸。
区别技术特征：将分解算法CEEMDAN及参数优化贝叶斯方法应用于光伏功率区间预测，以提高光伏功率区间预测的精度。
3有益技术效果
将分解算法CEEMDAN及参数优化贝叶斯方法应用于光伏功率区间预测，以提高光伏功率区间预测的精度。
4发明构思
CEEMDAN将原始功率信号分解为复杂度较小的子序列，降低原始数据序列的波动性；PE计算每个分解模态的熵值大小，将PE相近的序列重构为高频、中频、低频三个模态子序列；以区间宽度最小为目标函数，对三个子序列构建预测模型，基于BO优化QRF模型参数；最终区间预测结果为三个子预测模型结果相加。
技术方案说明：
一种基于自适应噪声完全集成经验模态分解CEEMDAN-排列熵PE-贝叶斯优化BO-分位数随机森林QRF的短期光伏功率区间预测方法，本发明属于电力系统技术领域，特别涉及一种基于CEEMDAN-PE-BO-QRF的短期光伏功率区间预测。
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，其示出了本申请的一种基于CEEMDAN-PE-BO-QRF的短期光伏功率区间预测方法的流程图。
如图1所示，在S101中，数据输入：输入光伏发电相关数据，包括气象因素、发电系统参数、光伏出力等信息；
在S102中，采用CEEMDAN分解算法将原始光伏功率序列分解为若干个模态分量及一个趋势分量，通过该分解算法降低原始数据序列的波动性；
在S103中，对于CEEMDAN分解原始光伏功率序列所得若干模态分量及趋势分量，通过排列熵计算出各分量的熵值，根据熵值大小将分解所得模态分量重构为高频、中频、低频分量；
在S104中，对于重构后的高频、中频、低频分量，将重构后的三个不同频段分量作为QRF预测模型数据输入，建立三个子预测模型，通过贝叶斯优化算法对QRF所建立子预测模型超参数进行优化；
在S105中，在通过贝叶斯优化算法优化QRF预测模型后，可以得到三个子预测模型的光伏功率区间预测结果，将三个子预测模型结果进行叠加，即为光伏功率区间预测最终结果。
在S102中，本申请采用自适应噪声完全集成经验模态分解CEEMDAN方法处理该序列数据，相较于其他分解方法，CEEMDAN分解在抑制模态混叠的同时有着更好的分解效果。CEEMDAN分解过程如下：
1.原始信号x(t)中加入均值为0的高斯白噪声，构造得到K个预处理序列xi(t)(t＝1,2…,K)。
xi(t)＝x(t)+εδi(t) (1)
式(1)中：ε为高斯白噪声权重系数；δi(t)为第i次预处理时的高斯白噪声。
2.对上述预处理序列xi(t)进行EMD分解,分解得到第一个分量并求其均值作为CEEMDAN分解得到的第一个IMF分量
r1(t)＝x(t)-I1(t) (3)
式(2)中，I1(t)为分解产生的第一个IMF分量；为xi(t)进行EMD分解后得到的第i个IMF分量。
式(3)中，r1(t)为第1次分解后得到的残余分量。
3.将分解后得到的第j阶段的余量信号添加高斯白噪声后,继续进行EMD分解。
rj(t)＝rj-1(t)-Ij(t) (5)
式(4)中，Ij(t)为CEEMDAN分解得到的第j个IMF分量；Ej-1为对序列进行EMD分解后的第j-1个IMF分量，εj-1为CEEMDAN对第j-1阶段残余分量加入噪声系数。
式(5)中，rj(t)为第j阶段的残余分量。
4.重复前面的步骤，直到残余分量极化点的数量达到一定的阈值，此时分解完成。原始信号在此时被分解为几个IMF分量和一个残余分量，分解过程中白噪声次数设置为100次，白噪声标准差设置为0.25。
在S103中，通过CEEMDAN将原始电负荷序列x(t)分解成多个分量后，需要区分高频含噪较多的分量和低频含噪较少的分量；引入排列熵来衡量各个分量的含噪程度，样本熵值即排列熵PE的计算过程如下：
1.对时间序列{x(i),i＝1,2,...,N}重构相空间后获得矩阵公式如下所示：
式(6)中，m为嵌入维度，τ为延迟时间，矩阵中每行都是一个重构分量，共有K个重构分量，K＝N-(m-1)t。
2.对于重构矩阵的每一行向量，均可得到一组符号序列T(g)：
T(g)＝(j1,j2…,jm) (7)
3.计算每种序列出现的概率P1,P2,…,PS，其中
4.定义将时间序列的样本熵值Hp(m)为：
其中，m为嵌入维度，τ为延迟时间，矩阵中每行都是一个重构分量，共有K个重构分量，K＝N-(m-1)t。j1,j2…jm为矩阵对应的列数，g＝1,2,…,S，且有S≤m！。
5.标准化处理样本熵值：
排列熵Hp(m)归一化到(0,1)上，并且满足时，Hp(m)的最大值为：
S104中，采用贝叶斯优化算法对QRF预测模型超参数进行优化；
如图2所示，求解流程，具体可描述为：
步骤1输入待优化超参数决策树数量、树的最大深度、节点最小尺寸；
步骤2为高斯回归过程，贝叶斯优化超参数最优解为x*为最优超参数组合，χ为决策空间，f(x)为目标函数，高斯回归流程如下：
1.由均值函数和协方差函数生成的随机变量的一个集合：
f(x)～gp(m(x),k(x,x′)) (10)
式(10)中：m(x)为均值函数，m(x)＝E[f(x)]，k(x,x′)为协方差函数，k(x,x′)＝E[(f(x)-m(x))(f(x′)-m(x′))]。
2.由均值函数和协方差函数生成的随机变量的一个集合：在QRF超参数优化过程中，建立超参数的样本数据集D＝(X,y)，其中X＝(x1,x2,x3…,xt)为训练集,{f(x1),f(x2)…,f(xt)}为连续函数f(x)的集合。则存在高斯分布可表示如下:
3.若加入新的样本xt+1并更新协方差矩阵，记为K，则联合高斯分布可表示为:
其中，k＝[k(xt+1,x1)k(xt+1,x2)…k(xt+1,xt)]。
4.进一步可得到ft+1的后验概率分布：
P(ft+1|D1:t,xt+1)～N(u,σ2) (13)
步骤3根据采集函数采集下一个采样点，常见的主要有三种：PI即probability ofimprovement、EI即expected improvement、UCB即upper confidence bound。本方法使用PI，表达式为：
式(14)中，φ(·)为正态分布积累密度函数；u(x)、σ(x)基于高斯过程所得，分别是目标函数值的均值和方差；f(x+)为当前最佳目标函数值；ξ为参数。
步骤4对各子分量建立BO-QRF预测模型，QRF预测模型一种非参数机器学习方法，对每一个自变量X＝[x1,x2…,xk]，可以得到原始M个观察值的一个权重集合wi(M)(i＝1,2,…,M)。RF本质上是利用所有因变量观测值的加权和作为因变量Y条件均值E(Y|X)的估计。通过观测到的因变量加权估计得到条件分布，其中每个观测值的权重与RF算法权重相同。QRF定义E(1{Y≤y}|X)的估计为观测值Y≤y的加权平均:
具体步骤为：
1.生成KT棵决策树T(θt)(t＝1,2,…,KT)，考察每棵决策树每个叶节点的所有观测值。
2.给定X,遍历所有决策树，计算每颗决策树的权重wi(X,θt)(i＝1,2,…,M；t＝1,2,…,KT)。通过对决策树权重wi(X,θt)取平均得到每个观测值的权重wi(X)。
3.对于所有y∈R，利用步骤2得出的权重，结合式(15)计算分布函数的估计。
RF回归只保留了观察值的平均值，而忽略了每个决策树中每个节点的其他信息，而QRF则保留了节点中的所有观察值，并根据这些观察值计算出条件分布。
步骤5重复贝叶斯优化流程，直至满足算法终止条件；
步骤6输出最优超参数并应用于预测模型。
在S105中，最终光伏功率区间预测结果为三个子预测模型结果相加。
在使用时，本申请提案总体思路是首先收集、整理光伏发电相关历史数据，包括气象数据、发电系统参数、光伏出力数据作为输入数据。
如图1所示，具体流程，基于CEEMDAN降低原始序列波动性，采用PE重构分解序列，提高了预测计算效率。最后基于CEEMDAN-PE-BO-QRF的短期光伏功率区间预测，贝叶斯算法对QRF超参数进行优化。
本申请内部运行一段时间后，现场技术人员反馈的有益之处在于：
基于自适应噪声完全集成经验模态分解的算法分解原始光伏功率序列获得模态分量和趋势分量；基于排列熵的算法分别计算获得每一分量的排列熵值，以排列熵值大小构建获得每一频段的子序列；基于分位数随机森林的算法分别建立获得子预测模型；基于贝叶斯优化的算法分别优化每一子预测模型；基于优化后的子预测模型分别获得相应的光伏功率区间的预测结果，叠加所有的光伏功率区间的预测结果，获得最终的光伏功率区间预测结果；将模态分解和贝叶斯优化的算法用于光伏功率区间预测，提高了光伏功率区间预测的精度。
目前，本发明的技术方案已经进行了中试，即产品在大规模量产前的较小规模试验；中试完成后，在小范围内开展了用户使用调研，调研结果表明用户满意度较高；现在已开始着手准备产品正式投产进行产业化(包括知识产权风险预警调研)。
Claims (10)
1.一种基于集成学习预测短期光伏功率区间的装置，其特征在于：包括预测模块，预测模块，用于获得原始光伏功率序列，基于自适应噪声完全集成经验模态分解CEEMDAN的算法分解原始光伏功率序列获得模态分量和趋势分量；基于排列熵PE的算法分别计算获得模态分量和趋势分量的排列熵值，以每一分量排列熵值大小构建获得每一频段的子序列；基于每一频段的子序列和分位数随机森林QRF的算法分别建立获得光伏功率区间的子预测模型；基于贝叶斯优化BO的算法分别优化每一子预测模型，获得优化后的子预测模型；基于每一优化后的子预测模型分别获得相应的光伏功率区间的预测结果，将所有的光伏功率区间的预测结果叠加，获得最终的光伏功率区间预测结果。
2.根据权利要求1所述的一种基于集成学习预测短期光伏功率区间的装置，其特征在于：在预测模块中，频段包括高频、中频和低频。
3.根据权利要求1所述的一种基于集成学习预测短期光伏功率区间的装置，其特征在于：在预测模块中，分量包括高频分量、中频分量和低频分量。
4.根据权利要求1所述的一种基于集成学习预测短期光伏功率区间的装置，其特征在于：在预测模块中，子预测模型包括高频子预测模型、中频子预测模型和低频子预测模型。
5.根据权利要求1所述的一种基于集成学习预测短期光伏功率区间的装置，其特征在于：预测模块，还用于自适应噪声完全集成经验模态分解CEEMDAN的算法，分解取0.01～0.5倍标准差和150～300次范围内的白噪声。
6.根据权利要求1所述的一种基于集成学习预测短期光伏功率区间的装置，其特征在于：预测模块，还用于贝叶斯优化BO的算法，待优化超参数包括分位数随机森林QRF的决策树数量、树的最大深度和节点最小尺寸。
7.一种基于集成学习预测短期光伏功率区间的方法，其特征在于：包括预测的步骤，预测步骤包括获得原始光伏功率序列，基于自适应噪声完全集成经验模态分解CEEMDAN的算法分解原始光伏功率序列获得模态分量和趋势分量；基于排列熵PE的算法分别计算获得模态分量和趋势分量的排列熵值，以每一分量排列熵值大小构建获得每一频段的子序列；基于每一频段的子序列和分位数随机森林QRF的算法分别建立获得光伏功率区间的子预测模型；基于贝叶斯优化BO的算法分别优化每一子预测模型，获得优化后的子预测模型；基于每一优化后的子预测模型分别获得相应的光伏功率区间的预测结果，将所有的光伏功率区间的预测结果叠加，获得最终的光伏功率区间预测结果。
8.根据权利要求7所述的一种基于集成学习预测短期光伏功率区间的方法，其特征在于：在预测步骤中，频段包括高频、中频和低频，分量包括高频分量、中频分量和低频分量，子预测模型包括高频子预测模型、中频子预测模型和低频子预测模型；自适应噪声完全集成经验模态分解CEEMDAN的算法，分解取0.01～0.5倍标准差和150～300次范围内的白噪声；贝叶斯优化BO的算法，待优化超参数包括分位数随机森林QRF的决策树数量、树的最大深度和节点最小尺寸。
9.一种基于集成学习预测短期光伏功率区间的装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其特征在于：所述处理器执行计算机程序时实现权利要求5至8任意一项方法中相应的步骤。
10.一种基于集成学习预测短期光伏功率区间的装置包括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程序，其特征在于：所述计算机程序被处理器执行时实现权利要求5至8任意一项方法中相应的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311137665.2A CN117200198A (zh) | 2023-09-05 | 2023-09-05 | 一种基于集成学习预测短期光伏功率区间的装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311137665.2A CN117200198A (zh) | 2023-09-05 | 2023-09-05 | 一种基于集成学习预测短期光伏功率区间的装置及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117200198A true CN117200198A (zh) | 2023-12-08 |
Family
ID=89004643
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311137665.2A Pending CN117200198A (zh) | 2023-09-05 | 2023-09-05 | 一种基于集成学习预测短期光伏功率区间的装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117200198A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119853029A (zh) * | 2025-03-20 | 2025-04-18 | 国网山西省电力公司太原供电公司 | 一种基于机器学习的分布式光伏功率预测方法及系统 |
-
2023
- 2023-09-05 CN CN202311137665.2A patent/CN117200198A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119853029A (zh) * | 2025-03-20 | 2025-04-18 | 国网山西省电力公司太原供电公司 | 一种基于机器学习的分布式光伏功率预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiang et al. | A novel wind speed prediction method: Hybrid of correlation-aided DWT, LSSVM and GARCH | |
| CN112651290A (zh) | 一种水电机组振动趋势预测方法和系统 | |
| CN114676645B (zh) | 一种非平稳时间序列预测方法及系统 | |
| CN119667484B (zh) | 基于大数据的蓄电池组性能评估方法及系统 | |
| Zhang et al. | Short-term PV output power forecasting based on CEEMDAN-AE-GRU | |
| CN118199054B (zh) | 一种电力负荷预测方法、装置及介质 | |
| CN115689008A (zh) | 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统 | |
| CN112163710A (zh) | 基于集合经验模态的短期无功负荷预测方法及装置 | |
| Zou et al. | A hybrid model based on multi-stage principal component extraction, GRU network and KELM for multi-step short-term wind speed forecasting | |
| CN116629451A (zh) | 一种燃料电池剩余寿命预测方法、系统、介质及终端 | |
| CN120873557B (zh) | 基于时序分解与多模型融合的风电功率预测方法及系统 | |
| Ai et al. | Chaotic time series wind power prediction method based on OVMD-PE and improved multi-objective state transition algorithm | |
| CN117200198A (zh) | 一种基于集成学习预测短期光伏功率区间的装置及方法 | |
| CN118052330A (zh) | 一种基于iceemdan-lstm的短期电力负荷预测方法及系统 | |
| Yin et al. | A hybrid model based on complementary ensemble empirical mode decomposition, sample entropy and long short-term memory neural network for the prediction of time series signals in NPPs | |
| Wang et al. | A wind speed prediction method based on improved empirical mode decomposition and support vector machine | |
| CN114862044A (zh) | 一种风速区间预测方法、模型和系统 | |
| Sun et al. | A multistep wind power prediction model based on sample entropy clustering decomposition and inverted Transformer | |
| CN119337069A (zh) | 基于特征加权局部异常因子的光伏异常数据重构方法及系统 | |
| Safari et al. | A spatiotemporal wind power prediction based on wavelet decomposition, feature selection, and localized prediction | |
| Wei et al. | State of health estimation based on PSO-SA-LSTM for fast-charge lithium-ion batteries | |
| Yassin et al. | Comparison between NARX parameter estimation methods with Binary Particle Swarm Optimization-based structure selection method | |
| Liu et al. | Design of a power flow convergence discriminator based on physical information model | |
| Jin et al. | Short-Term power load forecasting based on HFEMD and GALSTM | |
| Shan et al. | Multi-step vibration trend prediction model based on multi-objective optimization for hydropower generator unit |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |