买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江苏昆仑互联科技有限公司

摘要：本发明提供一种预测超短期光伏发电出力的混合模型建立方法，本发明基于LightGBM、XGBoost和CatBoost的混合模型，以实现更高的预测精度和更强的泛化能力；用于预测超短期光伏发电出力；这三种模型都是基于梯度提升框架的机器学习算法，它们通过构建和组合多个弱学习器来提高预测性能。本发明的混合模型不仅能够提高预测的准确性，还能够通过模型融合技术减少过拟合的风险，提高模型在不同条件下的泛化能力。此外，通过优化模型的训练过程和参数选择，本发明还能够提高预测的计算效率，满足超短期光伏发电出力预测的实际需求。

主权项：1.一种预测超短期光伏发电出力的混合模型建立方法，其特征在于：所述混合模型建立方法步骤如下：S1：数据集采集原始数据：所述原始数据包括：光伏发电用户基本信息、气象变量数据以及实际功率数据；所述光伏发电用户基本信息包括9个光伏发电用户的位置和装机容量的信息，即用户f1-f9；所述气象变量数据为9个光伏发电用户从2022年1月到2024年1月份，每间隔15分钟的气象数据，包括光照强度、温度、湿度、风速；所述实际功率数据是9个光伏发电用户从2022年1月到2024年1月份，每间隔15分钟的发电出力数据；S2：数据预处理：对步骤S1中收集的原始数据进行数据预处理；数据预处理包括合并数据集；划分训练集、验证集和测试集；对实际功率数据进行索引的重置；通过上述数据预处理，原始数据被转换为适合预测模型使用的格式，并包含了必要的特征和目标变量；S3：特征工程处理；对原始数据进行了深入的特征工程处理；包括：气象特征处理、历史值特征提取、异常值处理、光照与当天最强光照的比值特征提取、当天的平均光照特征提取以及温度与当天最高温最低温的差值特征提取；通过这些特征工程处理步骤，原始数据被转换为包含丰富信息且适合预测模型使用的格式，为光伏发电出力预测模型的构建和训练提供了数据基础；S4：构建预测超短期光伏发电出力的混合模型：通过结合了LightGBM、XGBoost和CatBoost三种先进的梯度提升算法，以实现光伏发电出力的准确预测；S41：模型参数配置：为LightGBM、XGBoost和CatBoost算法分别配置了参数，包括学习率、树的数量、树的深度；S42：训练-交叉验证：使用五折交叉验证方法将数据集分为5个折叠，每个折叠包含一部分训练数据和验证数据；针对每个折叠，使用训练数据集对LightGBM、XGBoost和CatBoost三种算法进行模型训练；在每个折叠的验证数据集上评估模型性能；计算每个折叠的均方根误差RMSE作为性能评估指标，最终评估结果是多个折叠的RMSE平均值；S43：模型融合：采用了模型融合技术将三个模型的预测结果进行平均；S5：模型性能评估：步骤S4中的混合模型构建后，对混合模型进行评估：均方根误差Ermse由公式1可以得到： 准确率CR由公式2可以得到：CR＝1-Ermse公式2；合格率QR由公式3、公式4可以得到： S6：模型特征重要性分析：在模型构建和性能评估的过程中，还进行特征重要性分析，以确定对光伏发电出力预测影响最大的特征。

全文数据：

权利要求：

百度查询： 江苏昆仑互联科技有限公司 一种预测超短期光伏发电出力的混合模型建立方法