[發(fā)明專利]一種數(shù)據(jù)驅(qū)動的光伏發(fā)電功率預(yù)測方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110992911.7
• 申請日: 2021-08-27
• 公開（公告）號: CN113705887A
• 公開（公告）日: 2021-11-26
• 發(fā)明（設(shè)計）人: 劉毅;馬正陽;劉凱新;鄭明凱
• 申請（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06Q50/06;H02J3/00
• 代理公司: 杭州天正專利事務(wù)所有限公司 33201
• 代理人: 王兵

1.一種數(shù)據(jù)驅(qū)動的光伏發(fā)電功率預(yù)測方法，其特征在于，包括如下步驟：

1)獲取數(shù)據(jù)：通過傳感器等進行多維天氣特征數(shù)據(jù)的采集；

2)重構(gòu)特征：采用主成分分析算法對所采集的多維特征進行分析計算，將最相關(guān)的若干特征進行融合重構(gòu)，獲得新的較少維度的特征數(shù)據(jù)；

3)建立模型：構(gòu)建線性回歸算法模型，針對主成分分析算法重構(gòu)得到的天氣特征數(shù)據(jù)，將其與光伏設(shè)備的發(fā)電功率建立映射關(guān)系，使模型能夠較好地對數(shù)據(jù)進行擬合；

4)訓(xùn)練并預(yù)測：將所獲取的多維天氣特征數(shù)據(jù)通過主成分分析算法進行重構(gòu)，并將重構(gòu)后的特征數(shù)據(jù)送入線性回歸模型中，使其進行充分地學(xué)習(xí)擬合，并將擬合數(shù)據(jù)后的模型用于光伏設(shè)備發(fā)電功率的預(yù)測。

2.根據(jù)權(quán)利要求1所述的一種數(shù)據(jù)驅(qū)動的光伏發(fā)電功率預(yù)測方法，其特征在：所述步驟1)具體包括：通過傳感器等設(shè)備檢測并獲取當?shù)貧鉁?攝氏度)、相對濕度、風(fēng)速、光照度、總輻射度(瓦/平方米)的特征數(shù)據(jù)，并將其作為組合模型的原始輸入數(shù)據(jù)D＝{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)}，N表示樣本總數(shù)。

3.根據(jù)權(quán)利要求1所述的一種數(shù)據(jù)驅(qū)動的光伏發(fā)電功率預(yù)測方法，其特征在于：所述步驟2)具體包括：使用主成分分析算法對所獲取的多維天氣特征數(shù)據(jù)進行融合重構(gòu)；主成分分析算法對特征的融合重構(gòu)可基于最大投影方差來計算，即認為重要的特征的方差較大，越不重要(包含噪聲越多)的特征其方差越小；首先需要對特征數(shù)據(jù)進行中心化處理，如下式所示：

在完成特征數(shù)據(jù)的中心化處理后，需要對樣本的協(xié)方差矩陣XX^T進行計算，并對協(xié)方差矩陣進行特征值分解；然后根據(jù)數(shù)據(jù)特點確定重構(gòu)后的融合特征的個數(shù)M，即決定所選擇的較大特征值所對應(yīng)的特征向量的個數(shù)；將所選擇的特征向量進行標準化后組成特征向量矩陣W；則對于每一個原始的特征數(shù)據(jù)x_i，將其轉(zhuǎn)化為新的融合特征數(shù)據(jù)z_i的計算方法如下所示：

z_i＝W^Tx_i (2)

由此可得到新的重構(gòu)特征數(shù)據(jù)并將重構(gòu)后的融合特征數(shù)據(jù)作為組合模型中線性回歸算法的輸入特征數(shù)據(jù)。

4.根據(jù)權(quán)利要求1所述的一種數(shù)據(jù)驅(qū)動的光伏發(fā)電功率預(yù)測方法，其特征在于：所述步驟3)具體包括：使用線性回歸算法建立預(yù)測模型；線性回歸模型通常建立如下映射關(guān)系f：

f(z)＝wz+b (3)

其中，w表示模型對不同特征數(shù)據(jù)賦予的權(quán)重，b表示常數(shù)項；

對于每個樣本特征數(shù)據(jù)z⁽ⁱ⁾，線性回歸算法會根據(jù)映射關(guān)系計算其預(yù)測值，并采用歐氏距離對模型的映射預(yù)測值與樣本數(shù)據(jù)的真實標簽值進行對比計算，模型的損失函數(shù)L如下式所示：

其中，y⁽ⁱ⁾表示每一個特征數(shù)據(jù)z⁽ⁱ⁾所對應(yīng)的標簽值；

通過對損失函數(shù)L進行求最小化操作，線性回歸算法可以獲得與樣本特征數(shù)據(jù)的標簽值最接近的映射預(yù)測值，即可完成建模過程。

5.根據(jù)權(quán)利要求1所述的一種數(shù)據(jù)驅(qū)動的光伏發(fā)電功率預(yù)測方法，其特征在于：所述步驟4)具體包括：首先使用主成分分析算法對原始特征數(shù)據(jù)進行特征的融合重構(gòu)，生成新的效果更好的特征并將其輸入線性回歸算法中作為樣本數(shù)據(jù)；然后使用線性回歸算法對重構(gòu)的融合特征進行映射建模；最后使用訓(xùn)練后的線性回歸模型對光伏發(fā)電功率進行預(yù)測；采用擬合優(yōu)度(R2)對模型的預(yù)測結(jié)果進行評估，公式如下：

其中，y_i表示真實數(shù)據(jù)標簽，表示模型的預(yù)測值，表示真實數(shù)據(jù)標簽的平均值。

6.實施如權(quán)利要求1所述的一種數(shù)據(jù)驅(qū)動的光伏發(fā)電功率預(yù)測方法的系統(tǒng)，其特征在于：包括依次連接的數(shù)據(jù)獲取模塊、特征重構(gòu)模塊、模型建立模塊、訓(xùn)練并預(yù)測模塊，其中，

數(shù)據(jù)獲取模塊通過傳感器等進行多維天氣特征數(shù)據(jù)的采集；

特征重構(gòu)模塊采用主成分分析算法對所采集的多維特征進行分析計算，將最相關(guān)的若干特征進行融合重構(gòu)，獲得新的較少維度的特征數(shù)據(jù)；

模型建立模塊構(gòu)建線性回歸算法模型，針對主成分分析算法重構(gòu)得到的天氣特征數(shù)據(jù)，將其與光伏設(shè)備的發(fā)電功率建立映射關(guān)系，使模型能夠較好地對數(shù)據(jù)進行擬合；

訓(xùn)練并預(yù)測模塊將所獲取的多維天氣特征數(shù)據(jù)通過主成分分析算法進行重構(gòu)，并將重構(gòu)后的特征數(shù)據(jù)送入線性回歸模型中，使其進行充分地學(xué)習(xí)擬合，并將擬合數(shù)據(jù)后的模型用于光伏設(shè)備發(fā)電功率的預(yù)測。