申请/专利权人：电子科技大学

申请日：2022-05-17

公开（公告）日：2024-04-09

公开（公告）号：CN114997475B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q10/0637;G06Q50/06;G06F18/23213;G06F18/25

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.09.20#实质审查的生效;2022.09.02#公开

摘要：该发明公开了一种基于Kmeans的融合模型光伏发电短期预测方法，属于数据处理领域。具体包括：光伏数据的预处理；特征分析；对历史数据进行聚类划分；由经聚类后的光伏数据及其特征集合分别构建XGBoost、LightGBM、MultilayerPerceptron模型并得到各自的预测结果；将XGBoost、LightGBM、MultilayerPerceptron模型进行融合，得到预测模型，输出预测结果。本发明通过充分的数据预处理，结合基于集成思想的GBDT模型，通过深度学习的方式融合三种机器学习算法，相比单一的模型，在不同的气候条件下提高了预测精度和有效性。

主权项：1.一种基于Kmeans的融合模型光伏发电短期预测方法，具体包括以下步骤：步骤1：获取原始数据及数据对应的发电功率数据，并进行数据预处理；步骤1.1：设置辐照度阈值，该辐照度阈值用于区分白天和夜晚，选取高于辐照度阈值对应的数据；步骤1.2：对于辐照度达到额定发电功率而没有功率输出的数据和没有天气标识的数据进行删除；步骤1.3：将步骤1.2得到的数据划分为晴天数据和阴雨天数据；对步骤2得到的数据中温度、湿度、压强、风速、风向和辐照度属性的日均值、最大最小值和极差以及发电功率的波峰波谷间距作为输入特征；并对时间、发电功率、温度、湿度、压强、风速、风向和辐照度进行线性组合得到的特征也作为输入特征；对应的发电功率为输出特征；步骤2：对步骤1得到的输入特征进行数据标准化，并利用Kmeans算法对标准化后的特征进行聚类划分；据标准化的方法如下式所示： 其中，x表示标准化前的数据，x*表示标准化后的数据，μ表示各特征属性下的数据均值，σ表示各特征属性下的数据标准差；步骤3：采用如下方法分别训练晴天模型和阴雨天模型，进行预测；步骤3.1：采用步骤2的得到的数据分别对XGBoost模型、LightGBM模型、MultilayerPerceptron模型进行训练；步骤3.2：基于深度学习的思想，构建融合模型，将上述三种模型得到的结果作为融合模型的输入，设置具有三层全连接层的融合模型，各层神经元数目依次为40，80，20，所述融合模型采用Relu激活函数和adam优化器；步骤3.3：将三种模型的输出预测结果作为融合模型的输入，训练一个融合模型；步骤4：实际预测时，首先根据预测数据为晴天数据还是阴雨天数据，选择步骤3得到的晴天模型或阴雨天模型进行预测；然后将预处理后的数据分别输入训练好的XGBoost、LightGBM、MultilayerPerceptron模型，在将XGBoost、LightGBM、MultilayerPerceptron模型的输出结构输入给融合模型，融合模型的输出结果为最终的预测结果；其特征在于，所述步骤3中XGBoost模型、LightGBM模型、MultilayerPerceptron模型都基于决策树构建，其中每个模型中包括多个决策树，每个决策树采用下式进行构建： 其中，Ginit表示在样本集合中一个随机选中的样本被分错的概率，ai表示类别，k为决策树的个数，pai|t为t条件下样本属于第i个类别的概率；个模型中，最小化决策树的全局损失函数设置为下式： 其中，CaT为决策树整体损失函数值，表征决策树的泛化能力，T为这颗决策树的节点，|T|为节点总数，HtT为第t个分支下样本的信息熵，Nt是该分支的训练样本数量，α为惩罚项系数；各模型基于决策树结果的预测设置为下式： 其中，为对应模型最终的预测结果，K表示预测模型中包含的树的棵数，fk为各个决策树得到的预测结果，对多个决策树的预测结果相加得到最终的预测结果。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于Kmeans的融合模型光伏发电短期预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD