摘要
本发明涉及基于时序分解与共形分位数回归的光伏功率区间预测方法,采集光伏电站的历史功率数据、太阳辐照度数据、温度数据、相对湿度数据以及风速数据,对光伏功率数据中的缺失值采用线性插值法进行补充,再利用Z‑Score标准法对所有数据进行归一化处理,将处理后的数据划分为训练集、校准集和测试集,构建基于NeuralProphet框架的时序分解模型,得到的确定性预测模型,采用分位数回归方法,分别训练两个条件分位数模型,以确定符合预设置信水平的功率区间上限与下限预测模型,再将模型部署到校准集中,计算得到经验分位数,将测试数据输入到构建好的模型中,确定最终的预测区间,实现对超短期光伏功率的区间预测。
技术关键词
分段线性模型
序列
历史功率数据
回归方法
时序
线性插值法
周期性
校准
太阳
光伏电站
数据缺失值
神经网络结构
相对湿度
前馈神经网络
样本
系统为您推荐了相关专利信息
连续手语识别方法
多模态信息
三次样条插值
识别模型训练
数据
电机运行故障
故障预测模型
长短期记忆网络
时间序列特征
频域特征
纠错模式
手指识别方法
识别纠错方法
触控电容屏
序列
配对方法
蓝牙设备
配对策略
多场景
生成时间序列数据
预训练模型
数据扩增方法
识别模型训练
微调技术
特征提取器