[發(fā)明專利]基于Adaboost算法的光伏超短期組合預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201811301574.7
• 申請日: 2018-11-02
• 公開（公告）號: CN109685242B
• 公開（公告）日: 2022-11-08
• 發(fā)明（設(shè)計）人: 龔向陽;李豐偉;王偉;王威;王波;賀旭;王晴;虞殷樹;張志雄;華建良;周華;竺佳一;朱炳銓;陸春良;吳華華;張俊;黃遠(yuǎn)平;吳驥;朱想;周海
• 申請（專利權(quán)）人: 國網(wǎng)浙江省電力有限公司寧波供電公司;中國電力科學(xué)研究院有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62
• 代理公司: 杭州華鼎知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 33217
• 代理人: 項軍

本申請?zhí)峁┝嘶贏daboost算法的光伏超短期組合預(yù)測方法，屬于光伏功率計算領(lǐng)域，包括獲取每個子預(yù)測模型針對每個樣本點處的預(yù)測準(zhǔn)確率，根據(jù)誤差率計算子預(yù)測模型在組合模型中的權(quán)重；更新訓(xùn)練樣本的權(quán)值分布；根據(jù)更新后的樣本點權(quán)重，重新計算每個子預(yù)測模型的誤差率當(dāng)滿足預(yù)設(shè)的迭代終止條件時迭代結(jié)束得到包括子預(yù)測模型在內(nèi)最終的組合預(yù)測模型；根據(jù)最終得到的組合預(yù)測模型。通過針對同一訓(xùn)練集訓(xùn)練不同的弱學(xué)習(xí)器，然后將這些弱學(xué)習(xí)器集合起來，構(gòu)成一個更強(qiáng)的組合預(yù)測模型。借助引入預(yù)測達(dá)標(biāo)率概念，以預(yù)測達(dá)標(biāo)為目標(biāo)，結(jié)合Adboost算法思想，實現(xiàn)多個弱學(xué)習(xí)算法的組合優(yōu)化，能夠規(guī)避單一預(yù)測方法的預(yù)測風(fēng)險，提升預(yù)測精度，增強(qiáng)預(yù)測模型的穩(wěn)定性。

技術(shù)領(lǐng)域

本申請屬于光伏功率計算領(lǐng)域，特別涉及基于Adaboost算法的光伏超短期組合預(yù)測方法。

背景技術(shù)

近年來，光伏功率預(yù)測技術(shù)逐步發(fā)展成熟，光伏功率預(yù)測系統(tǒng)也已得到實際應(yīng)用，在制定日前發(fā)電計劃、促進(jìn)新能源消納、保障電網(wǎng)經(jīng)濟(jì)安全運(yùn)行等方面發(fā)揮著重要作用。光伏功率預(yù)測按時間尺度可分為超短期、短期、中長期預(yù)測。在超短期光伏功率預(yù)測領(lǐng)域，目前已形成多種類型的預(yù)測方法，主要包括基于云圖處理的物理預(yù)測方法，基于NWP或地面觀測站實時數(shù)據(jù)修正的預(yù)測方法，還有采用自回歸滑動平均(ARMA)的時序預(yù)測方法，采用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)的人工智能預(yù)測方法等。無論是哪一種預(yù)測方法，均有預(yù)測失效的風(fēng)險，如何提高預(yù)測模型的穩(wěn)定性是影響光伏功率預(yù)測系統(tǒng)應(yīng)用效果的一個重要問題。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)中存在的缺點和不足，本申請?zhí)峁┝擞糜谠鰪?qiáng)預(yù)測模型的穩(wěn)定性的基于Adaboost算法的光伏超短期組合預(yù)測方法。

為了達(dá)到上述技術(shù)目的，本申請?zhí)峁┝嘶贏daboost算法的光伏超短期組合預(yù)測方法，所述預(yù)測方法，包括：

步驟一，獲取預(yù)設(shè)時間段內(nèi)的實測功率序列樣本，以及每個子預(yù)測模型在所述預(yù)設(shè)時間段內(nèi)對應(yīng)時段的預(yù)測功率序列；

步驟二，獲取每個子預(yù)測模型針對實測功率序列樣本中每個樣本點處的預(yù)測準(zhǔn)確率；

步驟三，計算單個子預(yù)測模型相對于預(yù)測準(zhǔn)確率達(dá)標(biāo)閾值e的誤差率；

步驟四，選擇誤差率最小的子預(yù)測模型作為第t個基本模型，根據(jù)誤差率計算子預(yù)測模型在組合模型中的權(quán)重；

步驟五，更新訓(xùn)練樣本的權(quán)值分布；

步驟六，根據(jù)更新后的樣本點權(quán)重，重新計算每個子預(yù)測模型的誤差率，迭代計算步驟四，步驟五，當(dāng)滿足預(yù)設(shè)的迭代終止條件時迭代結(jié)束得到包括子預(yù)測模型在內(nèi)最終的組合預(yù)測模型；

步驟七，根據(jù)最終得到的組合預(yù)測模型，結(jié)合各子預(yù)測模型未來超短期功率預(yù)測值，加權(quán)得到最終的組合預(yù)測結(jié)果；

步驟八，將當(dāng)前時刻的實測功率、各子模型預(yù)測功率加入樣本，更新樣本集，重復(fù)步驟二至步驟六，對組合模型進(jìn)行滾動修正，實現(xiàn)組合模型的實時更新；

其中，迭代終止條件包括最終組合模型誤差率為0或者迭代次數(shù)達(dá)到子模型個數(shù)N次。

可選的，所述獲取每個子預(yù)測模型針對實測功率序列樣本中每個樣本點處的預(yù)測準(zhǔn)確率包括：

其中，C_ij表示第i個預(yù)測功率序列的第j個樣本點的準(zhǔn)確率，P_ij表示第i個預(yù)測功率序列的第j個樣本點的預(yù)測功率值，P_0j表示第i個預(yù)測功率序列的第j個樣本點的實測功率值，Cap表示光伏電站的總裝機(jī)容量。

可選的，計算單個子預(yù)測模型相對于預(yù)測準(zhǔn)確率達(dá)標(biāo)閾值e的誤差率，包括：