基于GBDT回归的光伏电站出力人工智能预测算法研究

来源 :电力大数据 | 被引量 : 0次 | 上传用户:lwjjet
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
为解决气象因素对于光伏出力预测的影响,明确不同类型气象条件与光伏电站出力之间的相关性.本文通过基于GBDT回归的光伏电站出力人工智能预测算法对于光伏电站的出力进行预测,通过特征工程中的相关系数分析方法筛选出和光伏电站出力相关性最强的特征,针对这些特征采用模型训练及预测的方式横向预测光伏电站的实时出力.本文采用某光伏电站的气象和出力实测数据,数据采样周期为5分钟,按比例将数据集拆分为训练数据集、交叉验证数据集和测试数据集,获取出力预测结果后,本文采用均方误差和R方值结合可视化方法对于预测结果进行准确性验证.验证结果表明,采用基于GBDT回归的光伏电站出力人工智能预测算法对于横向预测光伏电站出力能够得出较为准确的出力结果.
其他文献
测定中为了防止碳化物颗粒出现重复和漏测,在图片上划上方格并给以编号,如图126表示.为了简化,这里以洛阳轴承研究所的JB/T 1255-2014照片版本金相图谱的球化退火2级组织图片作为代表画出.对球化退火2级组织图片中的碳化物颗粒直径测量数值在全部测量完成后按步绪(6)进行导出和保存数据列表,本文中为排版节省篇幅,对金相图谱的球化退火4级组织图片的测定数值将按读者需要给以提供.因为测量是在放大条件下进行,粒子边缘各取在边界显示的中间位置,一般不会产生较大偏差.这时产生的偏差为测量边界显示的中间位置的相充
期刊
为解决断路器的误动或拒动以及遥信因通道退出而产生的信息缺失以及短时间上传的含有畸变信息的筛选等问题,本文采取了人工智能处理畸变信息的方法,利用BP神经网络人工智能技术处理非线性问题及容错性强的能力,对电网故后上传的初始信息进行处理,过滤畸变或缺失信息,进而快速准确地定位故障元件,以辅助调控运行人员正确决策.本文以BP神经网络理论为基础,设计了故障定位流程,通过将电网拓扑结构转换为故障决策表作为训练样本,搭建BP神经网络故障元件定位模型,同时结合故障定位算法,得出一套完整的电网故障定位方法,并构造不存在于训
针对现有变电站视频监控系统人工巡视模式效率低下的问题,本文基于AI边缘计算技术建立变电站视频深度学习识别模型,构建了适用于变电站现场的电力专用视频智能识别计算单元,采用卷积神经网络算法实现了“烟火”“安全帽”“异物”“画面质量”四大电力定制场景的融合识别,形成“现场视频分析装置+主站云分析平台”的“云-边”协同视频智能分析系统.在云端构服务器实现对现场上传识别结果的二次深度分析,并通过主站样本库积累及反向传输机制使装置具备持续学习的能力.试运行阶段的实际数据表明,四大场景平均识别准确达到90%以上,系统实