【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及功率預(yù)測(cè)的模型特征提取，尤其涉及一種用于功率預(yù)測(cè)的氣象特征提取方法、裝置、終端設(shè)備和存儲(chǔ)介質(zhì)。
技術(shù)介紹
1、在大規(guī)模集中式光伏電站和分布式光伏系統(tǒng)并網(wǎng)時(shí)，準(zhǔn)確的光伏功率預(yù)測(cè)能夠減少電網(wǎng)的波動(dòng)和沖擊，提高電網(wǎng)的穩(wěn)定性和安全性。而在使用機(jī)器學(xué)習(xí)模型對(duì)新能源功率預(yù)測(cè)，其中最重要環(huán)節(jié)就是利用收集到的歷史數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，從而模型可以實(shí)現(xiàn)對(duì)功率的預(yù)測(cè)。但是，原始的訓(xùn)練數(shù)據(jù)中往往包含多重冗余信息，則在模型訓(xùn)練之前需要進(jìn)行特征構(gòu)建，如對(duì)影響光伏輸出的氣象等各種因素進(jìn)行特征選擇。而特征選擇是指在機(jī)器學(xué)習(xí)模型的構(gòu)建過程中，從原始特征集合中選擇出對(duì)模型預(yù)測(cè)性能影響最大、最有用的特征子集的過程，其目的主要有兩個(gè)：一是減少模型的復(fù)雜度和計(jì)算成本，二是提高模型的預(yù)測(cè)準(zhǔn)確性和泛化能力。
2、但是現(xiàn)有技術(shù)在對(duì)影響光伏輸出的氣象因素進(jìn)行特征選擇時(shí)，常使用單一的相關(guān)性篩選方法(如pearson相關(guān)系數(shù))來得出與功率預(yù)測(cè)相關(guān)的氣象因素，如光伏出力、風(fēng)速、風(fēng)向、濕度以及溫度等，但是并沒有評(píng)估各個(gè)特征之間的依賴關(guān)系，則無法考慮各個(gè)氣象特征之間的冗余度，導(dǎo)致選擇的氣象特征集合中可能包含多個(gè)高度相關(guān)的特征，使得過多的冗余信息會(huì)在模型訓(xùn)練過程中會(huì)互相干擾，導(dǎo)致模型的預(yù)測(cè)性能較低，無法得出精準(zhǔn)的光伏功率預(yù)測(cè)結(jié)果，則不能保證電網(wǎng)的穩(wěn)定性。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)實(shí)施例提供了一種用于功率預(yù)測(cè)的氣象特征提取方法、裝置、終端設(shè)備和存儲(chǔ)介質(zhì)，能夠全面地評(píng)估每個(gè)氣象特征對(duì)光伏出力的影響程度及其與其他特征的
2、本專利技術(shù)一實(shí)施例提供了一種用于功率預(yù)測(cè)的氣象特征提取方法，包括：
3、根據(jù)一光伏出力序列對(duì)應(yīng)的第一氣象因素集，生成用于表征各氣象特征之間的相關(guān)性的協(xié)方差矩陣；其中，所述第一氣象因素集包含有若干不同的第一氣象特征；
4、基于所述協(xié)方差矩陣中各個(gè)氣象特征的方差值，按照從大到小的順序從協(xié)方差矩陣中篩選出若干個(gè)第二氣象特征；
5、獲取每個(gè)第一氣象特征與光伏出力序列之間的互信息值，以及用于表征任意兩個(gè)第一氣象特征之間的冗余性的冗余度，并通過互信息值最大化且冗余度最小化的篩選規(guī)則，從第一氣象因素集中提取出若干個(gè)第三氣象特征；其中，第二氣象特征的總個(gè)數(shù)以及第三氣象特征的總個(gè)數(shù)均小于第一氣象特征的總個(gè)數(shù)；
6、判斷在各個(gè)第二氣象特征以及各個(gè)第三氣象特征中是否均存在相同的氣象特征；若是，則將相同的氣象特征作為目標(biāo)氣象特征；若否，則將待選氣象特征作為目標(biāo)氣象特征；
7、根據(jù)各個(gè)目標(biāo)氣象特征，生成用于光伏出力預(yù)測(cè)的預(yù)測(cè)模型的輸入特征。
8、優(yōu)選地，所述根據(jù)一光伏出力序列對(duì)應(yīng)的第一氣象因素集，生成用于表征各氣象特征之間的相關(guān)性的協(xié)方差矩陣，包括：
9、獲取每個(gè)第一氣象特征與光伏出力序列的線性相關(guān)程度；
10、基于每個(gè)線性相關(guān)程度，按照從大到小的順序從第一氣象因素集中篩選出第一預(yù)設(shè)個(gè)數(shù)對(duì)應(yīng)的第四氣象特征；其中，所述第一預(yù)設(shè)個(gè)數(shù)小于第一氣象特征的總個(gè)數(shù)；
11、根據(jù)各個(gè)第四氣象特征，生成用于表征各氣象特征之間的相關(guān)性的協(xié)方差矩陣。
12、優(yōu)選地，所述基于所述協(xié)方差矩陣中各個(gè)氣象特征的方差值，按照從大到小的順序從協(xié)方差矩陣中篩選出若干個(gè)第二氣象特征，包括：
13、根據(jù)所述協(xié)方差矩陣中的對(duì)角元素，確定出各個(gè)第四氣象特征之間對(duì)應(yīng)的方差值；
14、基于各個(gè)方差值，按照從大到小的順序從各個(gè)第四氣象特征中篩選出第二預(yù)設(shè)個(gè)數(shù)對(duì)應(yīng)的第二氣象特征；其中，所述第二預(yù)設(shè)個(gè)數(shù)小于第一預(yù)設(shè)個(gè)數(shù)。
15、優(yōu)選地，所述通過互信息值最大化且冗余度最小化的篩選規(guī)則，從第一氣象因素集中提取出若干個(gè)第三氣象特征，包括：
16、根據(jù)每個(gè)第一氣象特征對(duì)應(yīng)的互信息值以及冗余度，構(gòu)建以互信息值最大且冗余度最小為目標(biāo)的評(píng)分函數(shù)；
17、基于mrmr算法對(duì)所述評(píng)分函數(shù)進(jìn)行求解，輸出若干個(gè)第三氣象特征。
18、優(yōu)選地，所述基于mrmr算法對(duì)所述評(píng)分函數(shù)進(jìn)行求解，輸出若干個(gè)第三氣象特征，包括：
19、以互信息值最大且冗余度最小為目標(biāo)，基于mrmr算法對(duì)所述評(píng)分函數(shù)進(jìn)行求解，生成每個(gè)第一氣象特征對(duì)應(yīng)的用于表征相關(guān)性與冗余度之間平衡性的平衡值；
20、基于各個(gè)平衡值，按照從大到小的順序從各個(gè)第一氣象特征中篩選出第二預(yù)設(shè)個(gè)數(shù)對(duì)應(yīng)的第三氣象特征。
21、優(yōu)選地，根據(jù)如下公式計(jì)算得到每個(gè)第一氣象特征與光伏出力序列之間的互信息值：
22、
23、其中，i(xi,y)為第一氣象特征與光伏出力序列之間的互信息值，p(xi,y)為第一氣象特征與光伏出力序列的聯(lián)合概率分布，p(xi)為第一氣象特征的邊緣概率分布，p(y)為光伏出力序列的邊緣概率分布，xi為第一氣象因素集中第i個(gè)第一氣象特征，y為光伏出力序列。
24、優(yōu)選地，在判斷在各個(gè)待選氣象特征中是否均存在相同的氣象特征之前，還包括：
25、基于用于評(píng)估特征對(duì)模型的預(yù)測(cè)性能影響程度的排列重要性分析方法，對(duì)第一氣象因素集中各個(gè)第一氣象因素按照預(yù)測(cè)性能影響程度從大到小的順序進(jìn)行排序，繼而按照從大到小的順序篩選出第二預(yù)設(shè)個(gè)數(shù)對(duì)應(yīng)的第五氣象特征；
26、將所述第一氣象因素集以及各個(gè)第五氣象特征分別輸入到已經(jīng)訓(xùn)練好的用于光伏出力預(yù)測(cè)的預(yù)測(cè)模型中，以使所述預(yù)測(cè)模型分別輸出第一氣象因素集對(duì)應(yīng)的第一均方誤差，以及每個(gè)第五氣象特征對(duì)應(yīng)的第二均方誤差；
27、將每個(gè)第二均方誤差分別與第一均方誤差的差值，作為每個(gè)第五氣象特征對(duì)應(yīng)的模型準(zhǔn)確率衰減程度值；
28、將模型準(zhǔn)確率衰減程度值大于預(yù)設(shè)衰減程度閾值的第五氣象特征，作為待選氣象特征。
29、在上述的方法實(shí)施例的基礎(chǔ)上，本專利技術(shù)對(duì)應(yīng)提供了裝置項(xiàng)實(shí)施例。
30、本專利技術(shù)一實(shí)施例提供了一種用于功率預(yù)測(cè)的氣象特征提取裝置，包括：協(xié)方差矩陣生成模塊、氣象特征篩選第一模塊、氣象特征篩選第二模塊、氣象特征確定模塊以及模型輸入特征生成模塊；
31、所述協(xié)方差矩陣生成模塊，用于根據(jù)一光伏出力序列對(duì)應(yīng)的第一氣象因素集，生成用于表征各氣象特征之間的相關(guān)性的協(xié)方差矩陣；其中，所述第一氣象因素集包含有若干不同的第一氣象特征；
32、所述氣象特征篩選第一模塊，用于基于所述協(xié)方差矩陣中各個(gè)氣象特征的方差值，按照從大到小的順序從協(xié)方差矩陣中篩選出若干個(gè)第二氣象特征；
33、所述氣象特征篩選第二模塊，用于獲取每個(gè)第一氣象特征與光伏出力序列之間的互信息值，以及用于表征任意兩個(gè)第一氣象特征之間的冗余性的冗余度，并通過互信息值最大化且冗余度最小化的篩選規(guī)則，本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種用于功率預(yù)測(cè)的氣象特征提取方法，其特征在于，包括：
2.如權(quán)利要求1所述的一種用于功率預(yù)測(cè)的氣象特征提取方法，其特征在于，所述根據(jù)一光伏出力序列對(duì)應(yīng)的第一氣象因素集，生成用于表征各氣象特征之間的相關(guān)性的協(xié)方差矩陣，包括：
3.如權(quán)利要求2所述的一種用于功率預(yù)測(cè)的氣象特征提取方法，其特征在于，所述基于所述協(xié)方差矩陣中各個(gè)氣象特征的方差值，按照從大到小的順序從協(xié)方差矩陣中篩選出若干個(gè)第二氣象特征，包括：
4.如權(quán)利要求3所述的一種用于功率預(yù)測(cè)的氣象特征提取方法，其特征在于，所述通過互信息值最大化且冗余度最小化的篩選規(guī)則，從第一氣象因素集中提取出若干個(gè)第三氣象特征，包括：
5.如權(quán)利要求4所述的一種用于功率預(yù)測(cè)的氣象特征提取方法，其特征在于，所述基于mRMR算法對(duì)所述評(píng)分函數(shù)進(jìn)行求解，輸出若干個(gè)第三氣象特征，包括：
6.如權(quán)利要求4所述的一種用于功率預(yù)測(cè)的氣象特征提取方法，其特征在于，根據(jù)如下公式計(jì)算得到每個(gè)第一氣象特征與光伏出力序列之間的互信息值：
7.如權(quán)利要求1所述的一種用于功率預(yù)測(cè)的氣象特征提取方法
8.一種用于功率預(yù)測(cè)的氣象特征提取裝置，其特征在于，包括：協(xié)方差矩陣生成模塊、氣象特征篩選第一模塊、氣象特征篩選第二模塊、氣象特征確定模塊以及模型輸入特征生成模塊；
9.一種終端設(shè)備，其特征在于，包括處理器、存儲(chǔ)器以及存儲(chǔ)在所述存儲(chǔ)器中且被配置為由所述處理器執(zhí)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如權(quán)利要求1至7中任意一項(xiàng)所述的一種用于功率預(yù)測(cè)的氣象特征提取方法。
10.一種存儲(chǔ)介質(zhì)，其特征在于，所述存儲(chǔ)介質(zhì)包括存儲(chǔ)的計(jì)算機(jī)程序，其中，在所述計(jì)算機(jī)程序運(yùn)行時(shí)控制所述存儲(chǔ)介質(zhì)所在設(shè)備執(zhí)行如權(quán)利要求1至7中任意一項(xiàng)所述的一種用于功率預(yù)測(cè)的氣象特征提取方法。
...【技術(shù)特征摘要】
1.一種用于功率預(yù)測(cè)的氣象特征提取方法，其特征在于，包括：
2.如權(quán)利要求1所述的一種用于功率預(yù)測(cè)的氣象特征提取方法，其特征在于，所述根據(jù)一光伏出力序列對(duì)應(yīng)的第一氣象因素集，生成用于表征各氣象特征之間的相關(guān)性的協(xié)方差矩陣，包括：
3.如權(quán)利要求2所述的一種用于功率預(yù)測(cè)的氣象特征提取方法，其特征在于，所述基于所述協(xié)方差矩陣中各個(gè)氣象特征的方差值，按照從大到小的順序從協(xié)方差矩陣中篩選出若干個(gè)第二氣象特征，包括：
4.如權(quán)利要求3所述的一種用于功率預(yù)測(cè)的氣象特征提取方法，其特征在于，所述通過互信息值最大化且冗余度最小化的篩選規(guī)則，從第一氣象因素集中提取出若干個(gè)第三氣象特征，包括：
5.如權(quán)利要求4所述的一種用于功率預(yù)測(cè)的氣象特征提取方法，其特征在于，所述基于mrmr算法對(duì)所述評(píng)分函數(shù)進(jìn)行求解，輸出若干個(gè)第三氣象特征，包括：
6.如權(quán)利要求4所述的一種用于功率預(yù)測(cè)的氣象特征提取...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：林英明，劉洋，陸秋瑜，華威，曾凱悅，林旭，
申請(qǐng)(專利權(quán))人：廣東電網(wǎng)有限責(zé)任公司，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。