基于朴素贝叶斯分类的新能源预测误差建模方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115965135A(43)申请公布日2023.04.14(21)申请号202211628344.8G06Q50/06(2012.01)(22)申请日2022.12.17G06F18/2415(2023.01)G06F18/2431(2023.01)(71)申请人国家电网有限公司西北分部G06F18/2321(2023.01)地址710048陕西省西安市碑林区环城东路中段50号西北电网公司办公楼申请人西安交通大学(72)发明人段乃欣张小奇葛鹏江陈宇轩吕金历张耀李欣张小东江国琪向异(74)专利代理机构西安通大专利代理有限责任公司61200专利代理师贺小停(51)Int.Cl.G06Q10/04(2023.01)G06Q10/0639(2023.01)权利要求书5页说明书14页附图4页(54)发明名称基于朴素贝叶斯分类的新能源预测误差建模方法及系统(57)摘要本发明公开了一种基于朴素贝叶斯分类的新能源预测误差建模方法及系统，包括：获取新能源实际出力数据、新能源预测数据，得到新能源预测误差数据；基于核密度估计法，进行概率密度分布拟合，得到三种数据的概率密度分布曲线；利用自组织映射神经网络SOM对三类新能源数据离散化处理；基于交叉验证的模型训练方法，使用朴素贝叶斯分类器模型，利用经过离散处理的新能源实际出力数据、新能源预测数据和新能源预测误差数据构建新能源预测误差分类模型；构建误差评估的映射关系；结合新能源数据清洗及基于朴素贝叶斯的误差分类模型展开算例分析及概率评估。本发明的建模方法以提高新能源预测可信度，可作为电力系统调度决策的依据。CN115965135ACN115965135A权利要求书1/5页1.基于朴素贝叶斯分类的新能源预测误差建模方法，其特征在于，包括：获取新能源实际出力数据、新能源预测数据，对新能源实际出力数据、新能源预测数据进行数据清洗，去除异常值，得到新能源预测误差数据；基于核密度估计法，对新能源实际出力数据、新能源预测数据以及新能源预测误差数据进行概率密度分布拟合，得到三种数据的概率密度分布曲线；利用自组织映射神经网络SOM对三类新能源数据离散化处理，以新能源实际出力数据、新能源预测数据以及新能源预测误差数据作为输入，通过竞争神经元训练，得到三类数据的聚类数目和分类边界，再对数据离散化处理；基于交叉验证的模型训练方法，使用朴素贝叶斯分类器模型，利用经过离散处理的新能源实际出力数据、新能源预测数据和新能源预测误差数据构建新能源预测误差分类模型；构建日前新能源实际出力数据、新能源预测数据和发电量数据到新能源预测误差评估的映射关系；根据新能源实际出力数据、新能源预测数据，结合新能源数据清洗及基于朴素贝叶斯的误差分类模型展开算例分析，并在新的测试集上对新能源预测误差进行概率评估。2.根据权利要求1所述的基于朴素贝叶斯分类的新能源预测误差建模方法，其特征在于，所述获取新能源实际出力数据、新能源预测数据，对新能源实际出力数据、新能源预测数据进行数据清洗，去除异常值，得到新能源预测误差数据；包括：获取新能源全年实际出力数据和新能源预测数据；去除新能源发电功率数据中的异常值，异常值是指大小偏离数据正常波动范围较远的数据样本；对于类似负荷数据的数据样本，采用时间序列的STL分解将其分解为趋势项、季节项和残差项；STL分解公式如下所示：Y＝T+S+R式中，Y代表原序列，T代表趋势项，S代表季节项，R代表残差项；利用预测模型S‑ARIMA自回归拟合，对残差项进行分析，ARIMA自回归拟合的表达式如下：yt＝c+φ1yt‑1+...+φpyt‑p+εt+θ1εt‑1+...+θqεt‑q式中，p是自回归阶数，q是移动平均阶数，d代表差分阶数；采用基于Bagging集成学习框架的混合异常识别模型，混合异常识别模型使用基本模型孤立森林作为基分类器，对基本的基分类器模型多次训练，每次训练样本由随机抽取产生，最后取各学习器结果平均值为最终结果作为新能源预测误差数据。3.根据权利要求2所述的基于朴素贝叶斯分类的新能源预测误差建模方法，其特征在于，所述基于Bagging集成学习框架的混合异常识别模型中，Bagging集成模型的表达式如下：其中，N为构建的基模型数量，g(x,α)为单个分类模型，α为模型参数；构建孤立森林模型为基分类器，孤立森林的基本思想类似于多维度的超平面分割，初2CN115965135A权利要求书2/5页始拥有样本集S，选取一个随机超平面对数据集进行切割，生成两个子空间，再随机选取超平面对两个子空间切割，重复直到每一个子空间中只含有一个样本点；至此每一个样本点都将对应一个分割次数。4.根据权利要求3所述的基于朴素贝叶斯分类的新能源预测误差建模方法，其特征在于，所述孤立森