专利交易市场

一种多数据模型融合的光伏发电功率预测方法，包括：步骤1：数据预处理，采用局部离群因子(LOF)算法检测、剔除异常值；采用多层感知机回归算法填补缺失数据；步骤2：特征选择，通过特征选择从多个特征中选出具有代表性的特征，减少不相关的特征信息；步骤3：训练子模型，将数据分为训练集、验证集与测试集，在训练集中训练支持向量机回归、多元线性回归、贝叶斯岭回归模型，并在验证集对训练得到的模型进行验证，分别选出最佳的模型作为子模型；步骤4：多数据模型融合预测，用训练得到的各最佳子模型对测试集中数据进行预测，并用Q‑learning算法融合各子模型的预测结果。本发明还包括实施一种多数据模型融合的光伏发电功率预测方法的系统。

本发明公开了一种基于机理‑数据驱动混合集成的光伏发电功率预测方法，采用时空分离卷积网络预测模型SSTCN结合维度可分离卷积网络DSAT和全连接预测输出层构建可分离时空卷积网络模型DSATCN的数据驱动模型，采用基于贝叶斯优化BO和多项式混沌展开PCE代理模型优化可分离时空卷积网络预测模型的超参数，采用参数相对容易获取的ASHRAE模型作为计算情况辐照度的基础，建立计算晴空辐照度与实际光伏电站晴天出力之间的映射模型，构建基于机理的晴空功率模型，使用Blending集成学习通过充分利用各模型预测原理的差异性，达到不同模型间的互补，对数据驱动和晴空功率机理模型得到光伏发电功率预测结果进行集成学习，得到最终的光伏发电功率的预测，提高整体模型的预测精度。