[发明专利]一种基于变分模态分解和集成学习的光伏发电量预测方法及装置

说明书

本发明公开了一种基于变分模态分解和集成学习的光伏发电量预测方法及装置，包括使用Embedded特征选择去除光伏数据集中不相关或冗余的特征，提高模型的预测精度，加快模型的训练速度；再使用变分模态分解把光伏发电量数据分解成几个简单的模态分量，减少噪声对发电量预测结果的影响，以及采用贪心算法改进变分模态分解，选择模态分量组成模态分量子集，减少模态分量预测模型的个数，提高最终发电量预测的准确度；最后通过Stacking集成学习方法构建并组合多个个体学习器来完成光伏发电量预测任务。本发明的光伏发电量预测表现更好，它的预测准确率高，且均方误差小。

技术领域

本发明属于人工智能与光伏发电技术领域，涉及到基于变分模态分解和集成学习的光伏发电量预测方法及装置，可以根据历史发电量数据和光伏特征数据，预测未来的光伏发电量。

背景技术

目前有关光伏发电量的预测，基于变分模态分解的光伏发电量预测方法虽然能在一定程度上提高模型的预测准确率，但仍存在较大的改进空间；目前大多是使用单一模型直接预测发电量，单一模型受模型自身结构的限制，预测准确率提升空间有限。

具体现有产品存在的缺点有：现有产品使用基于原始变分模态分解的单一模型实现光伏发电量的预测，在光伏发电量预测任务上，变分模态分解方法存在较大的改进空间，变分模态分解和使用集成学习方法构造模型的组合方法在光伏发电量预测方面发展还不充分，性能仍有较大的提升空间。

发明内容

本发明的目的在于基于贪心算法选择模态分量子集改进变分模态分解，结合Embedded特征选择、改进变分模态分解和Stacking集成学习提出一种光伏发电量预测的方法及装置。

本发明采取的技术方案如下：

一种基于变分模态分解和集成学习的光伏发电量预测方法，其包括Embedded特征选择、基于模态分量子集选择改进变分模态分解和Stacking集成学习三部分，具体为：使用Embedded特征选择去除光伏数据集中不相关或冗余的特征，提高模型的预测精度，加快模型的训练速度；再使用变分模态分解把光伏发电量数据分解成几个简单的模态分量，减少噪声对发电量预测结果的影响，以及采用贪心算法改进变分模态分解，选择模态分量组成模态分量子集，减少模态分量预测模型的个数，提高最终发电量预测的准确度；最后通过Stacking集成学习方法构建并组合多个个体学习器来完成光伏发电量预测任务。

进一步的，使用Embedded方法进行特征选择，选取极端随机树作为模型评估器；极端随机树选择光伏特征子集的步骤是：先选出多个有m个特征的光伏特征子集，再从各个光伏特征子集中选择袋外数据误差最小的作为最终光伏特征子集。

更进一步的，极端随机树从光伏特征数据集中选择一个有m个特征的光伏特征子集的过程为：首先计算每个光伏特征的重要性，然后筛选符合特征重要性要求的特征，重复以上过程，直到选出m个特征。

进一步的，在变分模态分解中，首先使用粒子群搜索算法搜索参数分解模态个数K和带宽限制α，然后按参数K和α对光伏发电量数据进行变分模态分解得到多个发电量模态分量，再采用贪心算法进行模态分量选择获得发电量模态分量子集。

更进一步的，采用粒子群搜索算法搜索分解模态个数K和带宽限制α的最佳参数组合，首先初始化粒子群大小N，初始位置[K，α]和初始速度v；然后按参数分解模态个数K和带宽限制α对光伏发电量序列S进行变分模态分解得到多个模态分量，计算每个模态分量的包络熵，包络熵的计算公式如下式(1)：

式中，a(j)表示由变分模态分解的K个模态分类经希尔伯特解调后的包络信号，n表示采样点数，p(j)表示a(j)的归一化概率分布序列，E_p表示p(j)的熵值即包络熵；

再找到各个粒子的历史最小包络熵，进而找到整个粒子群的全局最小包络熵，用当前全局最小包络熵对应的参数K和α更新各个粒子的位置[K，α]和速度v；