【技術實現步驟摘要】
本專利技術涉及數據融合與預測，尤其是涉及一種多源預測數據時空融合與修正方法。
技術介紹
1、隨著風能在全球能源結構中的比例逐年上升，提高風電功率預測的準確性對于電網調度、風電場運營管理以及能源市場交易均具有重要意義。然而，風電功率的輸出具有較大的不確定性和變化性，其受多種因素影響，如風速、風向、氣溫等，在高精度預測方面具有一定的挑戰性。
2、傳統的風電功率預測方法主要包括時序外推方法和人工智能方法。這些方法在一定程度上提高了預測的準確性，但由于缺乏對多源數據的綜合利用和時空變化的動態調整能力，其預測結果仍然存在較大的預測誤差。
3、近年來，隨著大數據技術和人工智能技術的快速發展，利用機器學習和深度學習技術對多源數據進行融合和分析，成為提高預測準確性的有效途徑。通過綜合考慮來自人工智能模型的預報數據、氣象局的預報數據、實地測量的氣象數據以及風電場的地理位置信息，可以更準確地捕捉到影響風電功率的關鍵因素。
4、但是仍存在一些缺陷：
5、缺乏全局誤差修正機制。在實際應用中，由于數據的不一致性、時空分布的復雜性以及模型本身的局限性，融合模型無法自適應地調整其預測策略來應對系統性偏差或未被模型捕捉到的新變化，從而限制了預測精度的進一步提高；
6、泛化能力較弱。現有融合模型技術可能在特定數據集或特定條件下表現良好，但當應用到新的地理位置或面對數據源變化時，其泛化能力和可擴展性較弱，限制了模型在不同風電場中的實用性。
7、因此，有必要提供一種多源預測數據時空融合與修正方法
技術實現思路
1、本專利技術的目的是提供一種多源預測數據時空融合與修正方法，一方面，通過對樣本數據進行bootstrap抽樣形成多個樣本集，并針對不同樣本集分別訓練融合模型。在預測階段，將多源數據輸入到所有融合模型中，并對這些模型的預測結果進行集成，能有效降低模型對特定數據分布的依賴，從而在不同的地理位置和數據源條件下都能保持較高的預測準確性。
2、另一方面，引入全局誤差修正機制，能夠在預測結果集成之后對全局誤差進行修正，從而有效應對系統性偏差，進一步提高風電功率預測的精度。
3、為實現上述目的，本專利技術提供了一種多源預測數據時空融合與修正方法，包括以下步驟：
4、s1：獲取需要預測區域的多源數據和對應時間節點的風電實際功率數據，多源數據和風電實際功率數據共同組成樣本數據集，多源數據包括人工智能模型預報數據、氣象局預報數據、實測氣象數據和地理位置數據；
5、s2：對樣本數據集執行bootstrap抽樣，獲取訓練子集zi；
6、s3：針對通過bootstrap抽樣得到的訓練子集zi，分別訓練融合預測模型；
7、s4：在預測階段，將待預測的多源數據同時輸入到所有訓練好的m個融合預測模型中，得到m組預測結果；
8、s5：將m組融合模型的預測結果輸入到集成函數中，對所有結果進行整合，輸出集成預測結果如下式所示：
9、
10、式中，f為集成函數；
11、s6：將步驟s5中得到的集成預測結果輸入到全局誤差修正函數中，對預測結果進行修正，輸出修正后的預測結果如下式所示：
12、
13、式中：g為全局誤差修正函數。
14、優選的，在步驟s1中，多源數據共有n類數據，每類數據的時間長度均為t，多源數據表示為風電實際功率數據表示為：{y1,y2,...,yt}；樣本數據集，表示為：
15、
16、優選的，在步驟s2中，對樣本數據集{[x1,y1],[x2,y2],...,[xt,yt]}通過有放回的抽樣方式，創建m個訓練子集，表示為{z1,z2,...,zm}＝{zi|i＝1,2,...,m}；
17、其中，zi為第i個訓練子集，通過從樣本數據集{[x1,y1],[x2,y2],...,[xt,yt]}中隨機抽樣數據樣本得到，zi表示為zi＝{[xj,yj]|j∈ii}，其中ii為第i個訓練子集中樣本的時間節點集合。
18、優選的，在步驟s3中，構建的融合模型為卷積神經網絡模型，卷積神經網絡的基本結構包括卷積層、池化層和全連接層，具體包括以下步驟：
19、s31：將訓練子集zi中的多源數據作為第i個融合預測模型的輸入，卷積層的計算公式為：
20、
21、式中：為第l個卷積特征序列；r為非線性激活函數；為第l個卷積核的權重矩陣；x為輸入特征向量；為偏置項；
22、s32：將特征輸入池化層，采用最大池化方法進行池化操作，最大池化方法基于池化步長k遍歷特征序列，并取遍歷操作中的最大值，最大池化方法的數學表達式為：
23、
24、式中：為第l個池化面的矩陣向量；max為取最大值函數；
25、s33：將特征向量輸入全連接層，輸出風電功率的預測結果。全連接層的數學表達式為：
26、
27、式中：為全連接層的輸出，為第i個融合模型的預測結果；wfc為全連接層的權重；bfc為偏置項。
28、優選的，在步驟s5中，集成函數為平均值函數：
29、
30、式中：為預測結果。
31、優選的，在步驟s6中，全局誤差修正函數為線性函數，如下式所示：
32、
33、式中：為修正后的預測結果，β0為基于歷史誤差數據分析得到的誤差調整量。
34、因此，本專利技術采用上述一種多源預測數據時空融合與修正方法，具備以下有益效果：
35、(1)本專利技術通過bootstrap抽樣方法和多源數據融合技術，結合全局誤差修正機制，顯著提高了風電功率預測的準確性。利用多個融合模型對不同樣本集進行訓練并集成預測結果，可以有效降低對單一數據分布的依賴。同時，全局誤差修正進一步減少系統性偏差和隨機誤差，確保了預測結果的高準確性。
36、(2)本專利技術中對樣本數據進行bootstrap抽樣并形成多個樣本集，增加了模型訓練的多樣性。當數據源發生變化或存在噪聲時，模型依然能夠保持良好的預測性能。
37、(3)本專利技術中全局誤差修正機制能夠基于實際預測誤差自動調整模型輸出，使得預測結果能夠及時反映出數據變化趨勢，增強了模型對于時間和空間變化的適應性。
38、下面通過附圖和實施例，對本專利技術的技術方案做進一步的詳細描述。
本文檔來自技高網...【技術保護點】
1.一種多源預測數據時空融合與修正方法，其特征在于：包括以下步驟：
2.根據權利要求1中所述的一種多源預測數據時空融合與修正方法，其特征在于：在步驟S1中，多源數據共有N類數據，每類數據的時間長度均為T，多源數據表示為風電實際功率數據表示為：{y1,y2,...,yT}；樣本數據集，表示為：
3.根據權利要求1中所述的一種多源預測數據時空融合與修正方法，其特征在于：在步驟S2中，對樣本數據集{[x1,y1],[x2,y2],...,[xT,yT]}通過有放回的抽樣方式，創建M個訓練子集，表示為{Z1,Z2,...,ZM}＝{Zi|i＝1,2,...,M}；
4.根據權利要求1中所述的一種多源預測數據時空融合與修正方法，其特征在于：在步驟S3中，構建的融合模型為卷積神經網絡模型，卷積神經網絡的基本結構包括卷積層、池化層和全連接層，具體包括以下步驟：
5.根據權利要求1中所述的一種多源預測數據時空融合與修正方法，其特征在于：在步驟S5中，集成函數為平均值函數：
6.根據權利要求1中所述的一種多源預測數據時空融合與修正方法，其
...【技術特征摘要】
1.一種多源預測數據時空融合與修正方法，其特征在于：包括以下步驟：
2.根據權利要求1中所述的一種多源預測數據時空融合與修正方法，其特征在于：在步驟s1中，多源數據共有n類數據，每類數據的時間長度均為t，多源數據表示為風電實際功率數據表示為：{y1,y2,...,yt}；樣本數據集，表示為：
3.根據權利要求1中所述的一種多源預測數據時空融合與修正方法，其特征在于：在步驟s2中，對樣本數據集{[x1,y1],[x2,y2],...,[xt,yt]}通過有放回的抽樣方式，創建m個訓練子集，表示為{z1,...
【專利技術屬性】
技術研發人員：閆軍，郭琦，張昊，郝乾鵬，孟凡成，韓東，楊志豪，張一帆，李然，閆馨月，張海鵬，
申請(專利權)人：內蒙古電力集團有限責任公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。