[发明专利]基于Adaboost算法的光伏超短期组合预测方法

权利要求书

1.基于Adaboost算法的光伏超短期组合预测方法，其特征在于，所述预测方法，包括：

步骤一，获取预设时间段内的实测功率序列样本，以及每个子预测模型在所述预设时间段内对应时段的预测功率序列；

步骤二，获取每个子预测模型针对实测功率序列样本中每个样本点处的预测准确率；

步骤三，计算单个子预测模型相对于预测准确率达标阈值e的误差率；

步骤四，选择误差率最小的子预测模型作为第t个基本模型，根据误差率计算子预测模型在组合模型中的权重；

步骤五，更新训练样本的权值分布；

步骤六，根据更新后的样本点权重，重新计算每个子预测模型的误差率，迭代计算步骤四，步骤五，当满足预设的迭代终止条件时迭代结束得到包括子预测模型在内最终的组合预测模型；

步骤七，根据最终得到的组合预测模型，结合各子预测模型未来超短期功率预测值，加权得到最终的组合预测结果；

步骤八，将当前时刻的实测功率、各子模型预测功率加入样本，更新样本集，重复步骤二至步骤六，对组合模型进行滚动修正，实现组合模型的实时更新；

其中，迭代终止条件包括最终组合模型误差率为0或者迭代次数达到子模型个数N次。

2.如权利要求1所述的基于Adaboost算法的光伏超短期组合预测方法，其特征在于，所述获取每个子预测模型针对实测功率序列样本中每个样本点处的预测准确率包括：

其中，C_ij表示第i个预测功率序列的第j个样本点的准确率，P_ij表示第i个预测功率序列的第j个样本点的预测功率值，P_0j表示第i个预测功率序列的第j个样本点的实测功率值，Cap表示光伏电站的总装机容量。

3.如权利要求1所述的基于Adaboost算法的光伏超短期组合预测方法，其特征在于，计算单个子预测模型相对于预测准确率达标阈值e的误差率，包括：

其中，W_i表示第i功率序列的误差率，k表示满足C_ij＜e的预测未达标点的个数，w_m表示第m个未达标点对应的权值，初始权值为1/M。

4.如权利要求1所述的基于Adaboost算法的光伏超短期组合预测方法，其特征在于，所述选择误差率最小的子预测模型作为第t个基本模型，根据误差率计算子预测模型在组合模型中的权重，包括：

所述更新训练样本权值分布的方法：

(1)预测达标的样板点权重更新公式如下：

(2)预测不达标的样板点权重更新公式如下：

其中，Dt(m)表示第m个点对应的权值，W_t表示基本模型H_t对应的误差率。

5.如权利要求1所述的基于Adaboost算法的光伏超短期组合预测方法，其特征在于，所述根据更新后的样本点权重，重新计算每个子预测模型的误差率，迭代计算步骤四、步骤五，当满足预设的迭代终止条件时迭代结束得到包括子预测模型在内最终的组合预测模型，包括：

根据更新后的样本点权重，重新计算各子预测模型的误差率，迭代计算步骤4，步骤5，得到最终的组合预测模型：

f(x)＝α₁H₁(x)+α₂H₂(x)+...+α_NH_N(x) 公式六，

所述迭代终止条件包括最终组合模型误差率为0或者迭代次数达到子模型个数N次。

6.如权利要求1所述的基于Adaboost算法的光伏超短期组合预测方法，其特征在于，所述根据最终得到的组合预测模型，结合各子预测模型未来超短期功率预测值，加权得到最终的组合预测结果，包括：

以训练好的组合预测模型为基础，结合各子预测模型未来超短期预测结果H₁,H₂,...,H_N，加权得到最终的组合预测结果。

7.如权利要求1所述的基于Adaboost算法的光伏超短期组合预测方法，其特征在于，所述将当前时刻的实测功率、各子模型预测功率加入样本，更新样本集，重复步骤二至步骤六，对组合模型进行滚动修正，实现组合模型的实时更新，包括：

将最新时刻的实测功率、各子模型预测功率加入样本，更新样本集，重新迭代各子预测模型权重，对组合模型进行滚动修正，实现组合模型的实时更新。