[发明专利]一种多数据模型融合的光伏发电功率预测方法和系统

说明书

一种多数据模型融合的光伏发电功率预测方法，包括：步骤1：数据预处理，采用局部离群因子(LOF)算法检测、剔除异常值；采用多层感知机回归算法填补缺失数据；步骤2：特征选择，通过特征选择从多个特征中选出具有代表性的特征，减少不相关的特征信息；步骤3：训练子模型，将数据分为训练集、验证集与测试集，在训练集中训练支持向量机回归、多元线性回归、贝叶斯岭回归模型，并在验证集对训练得到的模型进行验证，分别选出最佳的模型作为子模型；步骤4：多数据模型融合预测，用训练得到的各最佳子模型对测试集中数据进行预测，并用Q‑learning算法融合各子模型的预测结果。本发明还包括实施一种多数据模型融合的光伏发电功率预测方法的系统。

技术领域

本发明应用于光伏发电功率预测，涉及多模型融合的超短期光伏发电功率预测方法和系统。

背景技术

光伏发电作为一种新型清洁能源的发电技术，在推动能源供应的多元化、缓解电源点不足等方面起到了积极的促进作用。随着光伏发电技术的快速发展与大规模应用，其并网产生的问题亟须解决。因为光伏发电功率易受地理环境、太阳辐射以及各种气象因素的影响，具有显著的波动性和间歇性。如果直接进行大规模并网会改变电网的网络结构、潮流分布与运行方式，造成电网功率波动，影响到电网的稳定性以及调度规划。因此，光伏发电的发电功率预测尤其重要。光伏发电功率的精准预测有利于电网调度人员合理调整发电计划、维护电力系统的稳定运行。

目前，为提高模型预测的准确性和可靠性，研究者提出采用多数据模型融合的方法。与单模型方法相比，多数据模型融合方法可以有效弥补各单模型方法的不足之处，使预测的结果更加可靠。传统的多数据模型融合方法为减少预测值出现较大误差的情况，主要采用基于等权重平均法、平均绝对误差法、MAPE-RW法、熵权法以及误差平方和倒数法计算各子模型的权值，进行加权融合方法。这类方法虽然根据各模型总体预测效果改进权值计算方法，使融合预测结果的精度得到提升，但未考虑其计算得到的权值对各模型局部预测值的融合效果。不仅如此，上述方法在融合各模型时，其权值为固定值，无法在预测时动态选择最优权值。总体误差最小的模型，其局部误差可能并非最小，按总体预测效果或平均分配权值，都会导致最终的融合值达不到最优值。这种情况下，可采用强化学习的方法解决这些问题。强化学习作为人工智能中最活跃的研究领域之一，在解决学习和优化问题方面有非常大的优势，其通过与环境的探索交互得到反馈信息，并根据反馈信息调整策略进行学习与优化，经过不断地自我优化逐渐逼近最优解，故采用强化学习方法寻找各子模型最优的权值进行融合，达到提高光伏发电预测功率精度的目的。

发明内容

为克服现有技术的超短期光伏发电功率预测的准确性和可靠性不足的缺点，本发明提出了一种多数据模型融合的光伏发电功率预测方法。该方法采用强化学习的方法，将费希尔信息作为奖励，根据各模型的实时预测结果确定最优权值，对各模型的预测结果进行在线融合。该方法可实时调整各模型的权值，提高预测结果的准确性。

本发明采用的技术方案为：

一种多数据模型融合的光伏发电功率预测方法，通过强化学习方法进行多数据模型融合，实现超短期光伏发电功率预测，并进一步提高其精度，具体包括以下步骤：

步骤1：数据预处理：

步骤1-1：采用局部离群因子(LOF)算法检测、剔除异常值。通过计算每个功率点的离群因子来评估其离群的程度，首先计算每个功率点与其他功率点的欧氏距离，设k∈N+，功率点为x_i，功率点x_i与距离其最近的第k个点之间的距离记作d_k(x_i)，则功率点x_i到与其k距离邻域内所有功率点的可达距离为：

d_r(x_i,x_i^o)＝max{d_k(x_i^o),d(x_i,x_i^o)} (1)