基於相似日算法及集成學習的短期光伏預測模型檢視原始碼討論檢視歷史

來自 搜狐網 的圖片

基於相似日算法及集成學習的短期光伏預測模型隨着分布式發電系統的日益增多，光伏發電預測也逐漸成為影響電力系統運行及調度的關鍵。本項目提出了一種基於改進相似日算法和集成學習的短期光伏發電混合預測模型。應用改進的相似日算法在歷史數據中找到相似日，將相似日數據和氣候因素等作為bagging集成學習的輸入變量，對其進行建模訓練。通過公開的光伏數據集進行驗證，並與傳統的神經網絡模型和支持向量機進行對比。結果表明，該模型具有較高的預測精度。

一、案例簡介

隨着分布式發電系統的日益增多，光伏發電預測也逐漸成為影響電力系統運行及調度的關鍵。本項目提出了一種基於改進相似日算法和集成學習的短期光伏發電混合預測模型。應用改進的相似日算法在歷史數據中找到相似日，將相似日數據和氣候因素等作為bagging集成學習的輸入變量，對其進行建模訓練。通過公開的光伏數據集進行驗證，並與傳統的神經網絡模型和支持向量機進行對比。結果表明，該模型具有較高的預測精度。

二、技術要點

為提高光伏發電預測模型的預測精度和泛化能力，本項目將改進傳統的相似日算法搜索歷史數據，將得到的相似日數據結合氣候和歷史負荷時序特性等因素作為決策變量輸入到決策樹學習器中，使用Bagging集成學習進行模型訓練，通過與反向傳播神經網絡（BPNN）及支持向量機（SVM）對比實驗結果，表明本項目提出的光伏發電混合預測模型具有較高的預測精度。

三、應用場景

光伏發電

四、應用成效

本項目基於決策樹學習，將改進的相似日算法和Bagging集成學習應用到短期光伏發電預測上，提出了一種混合預測模型。首先對影響光伏出力的不同因素進行貢獻度分析，初步簡化輸入特徵向量，其次，通過改進的相似日算法搜索歷史數據，將相似日的氣候因素、光伏出力及預測日的氣候因素，時序特徵和日類型組成輸入向量，在Bagging集成學習框架下進行模型訓練。該模型提取有效的歷史數據，將相似日的光伏出力和氣候因素加入輸入特徵向量，提高了預測的精度，另一方面，採用集成學習的方式，避免了單一模型陷入局部最優的缺點。與BPNN，SVM進行對比的實驗結果表明，該模型具有較高的預測精度，可用於實際的短期光伏電站發電預測及調度。