本發(fā)明涉及光伏發(fā)電，具體涉及一種基于優(yōu)化隨機森林的光伏發(fā)電量短期預(yù)測方法。

背景技術(shù)：

1、由于光伏發(fā)電受日照強度、氣候等因素影響，具有較強的波動性、隨機性、不可控性，尤其是在并網(wǎng)后會直接影響電網(wǎng)的穩(wěn)定性和安全性，對光伏發(fā)電量進行精確預(yù)測是實現(xiàn)光伏電站順利并網(wǎng)的關(guān)鍵。

2、光伏發(fā)電量的短期預(yù)測是指自預(yù)測時刻起未來1h～7d的預(yù)測預(yù)報。目前光伏發(fā)電量的預(yù)測方法主要包括物理方法、深統(tǒng)計方法、人工智能算法和組合方法等，人工智能算法包括機器學(xué)習(xí)和深度學(xué)習(xí)等。但現(xiàn)有的物理方法、深統(tǒng)計方法的工作量大，且預(yù)測精度低；人工智能預(yù)測方法往往考慮的氣象因子等影響因素較少，部分參數(shù)需要人工設(shè)定，容易出現(xiàn)運行速度慢、預(yù)測精度低等問題。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供一種基于優(yōu)化隨機森林的光伏發(fā)電量短期預(yù)測方法，其通過影響因子篩選和貝葉斯優(yōu)化對隨機森林算法進行優(yōu)化，使光伏發(fā)電量預(yù)測模型的運算時間縮短、預(yù)測精度提高。

2、本發(fā)明公開了一種基于優(yōu)化隨機森林的光伏發(fā)電量短期預(yù)測方法，包括：

3、步驟1、確定預(yù)測步長，獲取原始數(shù)據(jù)集，并對原始數(shù)據(jù)集進行預(yù)處理后得到預(yù)處理數(shù)據(jù)集；

4、步驟2、對預(yù)處理數(shù)據(jù)集中的影響因子進行篩選，去除不重要的影響因子，生成特征數(shù)據(jù)集；

5、步驟3、建立基于超參數(shù)尋優(yōu)-隨機森林算法的預(yù)測模型；

6、步驟4、將特征數(shù)據(jù)集劃分訓(xùn)練集和測試集，使用訓(xùn)練集對預(yù)測模型進行訓(xùn)練；

7、步驟5、基于訓(xùn)練好的預(yù)測模型對測試集進行回歸分析，比較輸出結(jié)果與真實數(shù)據(jù)的差異并評價，評價通過后得到最優(yōu)預(yù)測模型；

8、步驟6、采集包括氣象數(shù)據(jù)的未來數(shù)據(jù)，并將其輸入到最優(yōu)預(yù)測模型中，得到預(yù)測光伏發(fā)電量。

9、作為本發(fā)明的進一步改進，在所述步驟1中，以自然日或小時為預(yù)測步長，所述原始數(shù)據(jù)集至少包括歷史發(fā)電量數(shù)據(jù)和氣象數(shù)據(jù)，所述氣象數(shù)據(jù)至少包括天氣、光照強度、降水量、氣溫、濕度、風(fēng)向、風(fēng)速和云量。

10、作為本發(fā)明的進一步改進，在所述步驟1中，對原始數(shù)據(jù)集進行預(yù)處理的具體操作為：異常值剔除，變?yōu)槿笔е?；缺失值補全；連續(xù)型變量標(biāo)準(zhǔn)化處理。

11、作為本發(fā)明的進一步改進，在所述步驟2中，篩選影響因子的方法為：使用方差分析捕捉影響因子與發(fā)電量之間的線性關(guān)系，根據(jù)f值和p值去除不重要的影響因子，生成特征數(shù)據(jù)集。

12、作為本發(fā)明的進一步改進，某一影響因子的f值越小，p值越大，越傾向于去除該影響因子。

13、作為本發(fā)明的進一步改進，在所述步驟3中，超參數(shù)尋優(yōu)方法為貝葉斯優(yōu)化。

14、作為本發(fā)明的進一步改進，貝葉斯優(yōu)化的尋優(yōu)目標(biāo)為隨機森林決策樹的數(shù)目和決策樹選取的特征個數(shù)。

15、作為本發(fā)明的進一步改進，在所述步驟4中，訓(xùn)練集和測試集的劃分比例為8:2，訓(xùn)練時模型的輸入包括氣象數(shù)據(jù)，模型的輸入為發(fā)電量數(shù)據(jù)。

16、作為本發(fā)明的進一步改進，在所述步驟5中，所述評價的評價指標(biāo)包括：

17、(1)均方誤差mse：

18、

19、(2)均方根誤差rmse：

20、

21、(3)平均絕對誤差mae：

22、

23、(4)決定系數(shù)r2：

24、

25、式中，yi為真實值，為預(yù)測值，為平均值。

26、作為本發(fā)明的進一步改進，當(dāng)mse、rmse、mae小于各自的預(yù)設(shè)閾值，且r2大于預(yù)設(shè)閾值且小于1時，表征訓(xùn)練好的預(yù)測模型評價通過，并將其作為最優(yōu)預(yù)測模型；其中，mse、rmse、mae越小，r2越接近1，說明模型的誤差越低，穩(wěn)定性越高，擬合程度越好。

27、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

28、本發(fā)明考慮了氣象因子和時序性等多種因素的影響，通過影響因子降維，降低了計算復(fù)雜度，提高了計算運行速度，避免了人為指定算法參數(shù)可能帶來的誤差，預(yù)測準(zhǔn)確度高、實用性強，有利于提前做好光伏發(fā)電系統(tǒng)的調(diào)度規(guī)劃。

技術(shù)特征：

1.一種基于優(yōu)化隨機森林的光伏發(fā)電量短期預(yù)測方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于優(yōu)化隨機森林的光伏發(fā)電量短期預(yù)測方法，其特征在于，在所述步驟1中，以自然日或小時為預(yù)測步長，所述原始數(shù)據(jù)集至少包括歷史發(fā)電量數(shù)據(jù)和氣象數(shù)據(jù)，所述氣象數(shù)據(jù)至少包括天氣、光照強度、降水量、氣溫、濕度、風(fēng)向、風(fēng)速和云量。

3.根據(jù)權(quán)利要求1所述的基于優(yōu)化隨機森林的光伏發(fā)電量短期預(yù)測方法，其特征在于，在所述步驟1中，對原始數(shù)據(jù)集進行預(yù)處理的具體操作為：異常值剔除，變?yōu)槿笔е?；缺失值補全；連續(xù)型變量標(biāo)準(zhǔn)化處理。

4.根據(jù)權(quán)利要求1所述的基于優(yōu)化隨機森林的光伏發(fā)電量短期預(yù)測方法，其特征在于，在所述步驟2中，篩選影響因子的方法為：使用方差分析捕捉影響因子與發(fā)電量之間的線性關(guān)系，根據(jù)f值和p值去除不重要的影響因子，生成特征數(shù)據(jù)集。

5.根據(jù)權(quán)利要求4所述的基于優(yōu)化隨機森林的光伏發(fā)電量短期預(yù)測方法，其特征在于，某一影響因子的f值越小，p值越大，越傾向于去除該影響因子。

6.根據(jù)權(quán)利要求1所述的基于優(yōu)化隨機森林的光伏發(fā)電量短期預(yù)測方法，其特征在于，在所述步驟3中，超參數(shù)尋優(yōu)方法為貝葉斯優(yōu)化。

7.根據(jù)權(quán)利要求6所述的基于優(yōu)化隨機森林的光伏發(fā)電量短期預(yù)測方法，其特征在于，貝葉斯優(yōu)化的尋優(yōu)目標(biāo)為隨機森林決策樹的數(shù)目和決策樹選取的特征個數(shù)。

8.根據(jù)權(quán)利要求1所述的基于優(yōu)化隨機森林的光伏發(fā)電量短期預(yù)測方法，其特征在于，在所述步驟4中，訓(xùn)練集和測試集的劃分比例為8:2，訓(xùn)練時模型的輸入包括氣象數(shù)據(jù)，模型的輸入為發(fā)電量數(shù)據(jù)。

9.根據(jù)權(quán)利要求1所述的基于優(yōu)化隨機森林的光伏發(fā)電量短期預(yù)測方法，其特征在于，在所述步驟5中，所述評價的評價指標(biāo)包括：

10.根據(jù)權(quán)利要求9所述的基于優(yōu)化隨機森林的光伏發(fā)電量短期預(yù)測方法，其特征在于，當(dāng)mse、rmse、mae小于各自的預(yù)設(shè)閾值，且r2大于預(yù)設(shè)閾值且小于1時，表征訓(xùn)練好的預(yù)測模型評價通過，并將其作為最優(yōu)預(yù)測模型；其中，mse、rmse、mae越小，r2越接近1，說明模型的誤差越低，穩(wěn)定性越高，擬合程度越好。

技術(shù)總結(jié)
本發(fā)明公開了一種基于優(yōu)化隨機森林的光伏發(fā)電量短期預(yù)測方法，包括：獲取原始數(shù)據(jù)集，并進行預(yù)處理；對預(yù)處理數(shù)據(jù)集中的影響因子進行篩選，去除不重要的影響因子，生成特征數(shù)據(jù)集；將特征數(shù)據(jù)集劃分訓(xùn)練集和測試集，使用訓(xùn)練集對基于超參數(shù)尋優(yōu)?隨機森林算法的預(yù)測模型進行訓(xùn)練；基于訓(xùn)練好的預(yù)測模型對測試集進行回歸分析，比較輸出結(jié)果與真實數(shù)據(jù)的差異并評價，評價通過后得到最優(yōu)預(yù)測模型；采集包括氣象數(shù)據(jù)的未來數(shù)據(jù)，并將其輸入到最優(yōu)預(yù)測模型中，得到預(yù)測光伏發(fā)電量。本發(fā)明考慮了氣象因子和時序性等多種因素的影響，通過影響因子降維，降低了計算復(fù)雜度，提高了計算運行速度，避免了人為指定算法參數(shù)可能帶來的誤差，預(yù)測準(zhǔn)確度高。

技術(shù)研發(fā)人員：劉夢丹,楊帆,黨彩霞,陳麗,李小剛,張振波,何吉成
受保護的技術(shù)使用者：陜西省交通環(huán)境監(jiān)測中心站有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/10