基于机器学习与气象相似时刻的新能源发电预测方法与流程

1.本发明涉及新能源发电预测应用领域，尤其涉及基于机器学习与气象相似时刻的新能源发电预测方法。


背景技术：

2.当前新能源与化石能源对比，具有高效化、清洁化、可持续发展化的优势，同时发电维护成本较低。新能源发电站数量在我国不断增长，但当前新能源电站发电功率预测方法尚未完善，由于风速、气温、降水等气象因素的变化导致发电功率波动性较大，极大程度影响电力系统的平稳运行，新能源发电并不稳定可控，呈现出间歇性和随机性的特点。因此，对新能源发电的准确预测可以保证其接入微电网的安全经济运行，对新能源发电具有重大意义。目前，许多学者对发电功率预测进行了研究，其方法可分为2大类：1)直接预测法，基于统计数据直接预测新能源发电系统输出功率；2)间接预测法，根据预测的气象因素与新能源发电效率关系得到最终的输出功率。但两类方法均具有不同的缺点：统计数据对样本具有依赖性，采样样本的质量直接影响发电预测效果；单一考虑气象因素与发电效率关系缺乏学习能力和自适应推理能力，需要人工干涉修，缺乏一个标准的处理方法。
3.目前有人申请，申请号为：cn202111116015.0，申请名称为：一种基于多气象源的本地化智能发电功率预测系统，其包括预测云平台、实时测风塔和风电场，预测云平台发射端信号连接天气预报数值模块接收端。该基于多气象源的本地化智能发电功率预测系统，采用多种神经网络、机器学习、时序法、向量法等多种预测算法，以电站端实时采集的有功功率数据、发电设备历史数据，历史测风测光数据气象数据以及未来0-72h数值天气预报数据等作为输入，通过多种预测算法计算出多种短期预测功率数据，再通过智能统计分析算法对多种短期预测数据进行准确率精度计算和分析对比，选择预测精度更高的结果，及时切换功率预测数据源，从而达到不断提升预测精度效果。
4.但是其偏向对于发电功率预测系统硬件、软件组成的陈述，包括信号发射、信号接收、计算服务器等硬件以及web服务器、防火墙等软件，对于发电功率预测的数学理论方法没有具体的阐述。本技术描述的系统中，仅对预测方法方法进行详细地描述，首先基于气象匹配系数构建历史相似时刻数据集，再通过基于向量机回归的机器学习算法进行时刻的发电功率预测。


技术实现要素：

5.本发明提出一种基于气象相似时刻与机器学习相结合的新能源发电预测方法，同时考虑发电功率统计数据特征与气象因素对发电效率的影响，既克服了统计特征中的异常值干扰，又可以消除基于历史相似预测的主观性，消除单一考虑因素的弊端，实现对新能源发电的准确预测。
6.为解决上述技术问题，本发明提出的技术方案为：
7.基于机器学习与气象相似时刻的新能源发电预测方法，步骤包括：
8.步骤一：对气象数据进行网格插值，构建历史气象数据；
9.所述步骤根据新能源发电站经纬度，对历史气象数据进行反距离权重插值，获取气象格点数据，构建电站历史数据集；
10.步骤二：对气象要素于发电功率相关性分析，选取高相关性的气象要素；
11.基于皮尔逊系数计算气象要素与发电功率相关度；
12.步骤三：对高相关性气象要素主成分分析；
13.对高相关性气象要素进行主成分分析，剔除冗余要素；
14.步骤四：建立气象因子匹配系数与气象相似时刻数据集；
15.气象因子匹配系数是表示预测时刻与历史时刻在气象上的相似程度，选取对发电功率高影响的气象要素，构成气象因素特征向量，用灰色关联分析来计算得出气象因子匹配系数；
16.步骤五：构建机器学习架构；
17.构建支持向量回归svr的机器学习模型；
18.步骤六：基于机器学习，对相似时刻数据集进行发电功率预测；
19.将气象相似时刻数据集整合，将预测时刻作为验证集，相似时刻作为训练集，将气象因子特征值矩阵作为模型输入，发电功率作为模型输出，带入svr机器学习模型，通过机器学习得到预测发电功率。
20.作为本发明进一步改进，步骤一构建电站历史数据集的气象格点数据插值计算过程为：
21.计算插值点m到所有网格点n的距离dn
[0022][0023]
计算每个网格点的权重，距离的倒数
[0024][0025]
计算格点值zm
[0026][0027]
作为本发明进一步改进，步骤二气象要素与发电功率相关度，具体步骤如下：
[0028]
设两个一维随机变量x＝(x1,x2,
…
,xn)和y＝(y1,y2,
…
,yn)，则二者相关系数的计算公式为：
[0029][0030]
作为本发明进一步改进，步骤三：对高相关性气象要素主成分分析过程如下：
[0031]
设高相关性气象要素历史数据集为
[0032][0033]
1.将原始数据标准化；
[0034]
2.建立气象要素的相关系数阵:
[0035][0036]
其中，
[0037][0038]
3.求r的特征根及相应的单位特征向量λi[0039]
4.计算主成分贡献率p及累计贡献率w
[0040][0041]
5.主成分选取
[0042]
取累计贡献率达85％～95％的特征值λ1,λ2,
…
,λm所对应的第1、第2、
…
、第m，m≤p个主成分。
[0043]
作为本发明进一步改进，步骤四气象因子匹配系数计算过程为：
[0044]
设x、xi分别为预测时刻与历史时刻的气象要素构成的向量，预测时刻气象要素向量为x＝(x1,x2,...,xn)，n为气象要素个数，第i个历史时刻向量表示为x＝(x
i1
,x
i2
,...,x
in
)，则预测时刻与第i个历史时刻第k个气象要素差异为
[0045]
δi(k)＝|x
k-x
ik
|
ꢀꢀꢀ
(6)
[0046]
对差异进行归一化处理，得到δ’i
(k)
[0047][0048]
则预测时刻与第i个历史时刻第k个气象要素的的关联系数ξi(k)为：
[0049][0050]
式中，minkδi′
(k)为第一级最小差，表示在第i个历史时刻中，找与预测时刻差异最小的值；miniminkδ
′i(k)为第二级最小差，表示所有历史时刻中差异最小的值；max
i maxkδi′
(k)为第二级最大差，表示所有历史时刻中差异最大的值；ρ取0.5；
[0051]
根据关联系数，最终求的预测时刻与第i个历史时刻的关联度：
[0052][0053]
即关联系数越大，差异越小，历史时刻与预测时刻的相似度越高，基于关联系数，选取与预测时刻相似度最高的10个时刻及气象要素值，构建气象相似时刻数据集，作为机器学习模型训练样本。
[0054]
作为本发明进一步改进，构建svr机器学习模型的过程如下：
[0055]
1.设发电功率预测值f(x)与各气象要素特征值x满足线性关系：
[0056]
f(x)＝n+ω1x1+...+ωnxnꢀꢀꢀ
(10)
[0057]
将气象因子变量表示为矩阵x＝[x1，...，xn]，权重系数矩阵ω＝[ω1，...，ωn]，偏置项为b，则发电功率预测值f(x)写为：
[0058]
f(x)＝xω
t
+b
ꢀꢀꢀ
(11)
[0059]
则得到发电功率真实值y与发电功率预测值的损失函数为：
[0060][0061]
对ω求偏导得并代入公式(11)得：
[0062][0063]
解得：
[0064][0065]
向量化得：
[0066]
ω＝(x
t
x)-1
x
tyꢀꢀꢀ
(15)
[0067]
使得f(x)与y在损失为∈不敏感损失下尽可能接近
[0068]
2.定义∈不敏感损失为：
[0069][0070]
上式∈＞0的意义：在离回归线上下∈都不计入损失，其回归线可以看成回归线上下∈区域边界组成的回归带，落在在回归带上的点x损失为0，于是svr问题可以形式化为：
[0071][0072]
其中c正则化常数，是1
ε-不敏感损失ε-insensitive loss函数：
[0073][0074]
引入松弛变量ξi和间隔两侧的松弛程度有可能不同，将式(17)重写为：
[0075][0076]
3.通过引入μi≥0，αi≥0，有拉格朗日乘子得到式c3的拉格朗日函数：
[0077][0078]
将f(xi)＝ωtx+b带入上式，并令对对的偏导为零，得到：
[0079]
[0080][0081]
将式(21)带入式(20)得到svr的对偶问题：
[0082][0083]
4.上述过程满足的kkt条件为：
[0084][0085]
当且仅当f(xi)-y
i-∈-ξi＝0时，αi能取非零值，当且仅当，时能取非零值，仅当样本(xi，yi)不落入e-间隔带中，相应的αi和才能取非零值，此外，约束f(xi)-y
i-∈-ξi＝0与不能同时成立，因此αi和中至少有一个为零；
[0086]
将式(21)第一项带入决策函数，得最终的决策函数为：
[0087][0088]
因此，若求解式(24)得到αi后，理论上说可以任意选取满足0《αi《c的样本，通过式(25)求得b。在实践中采用一种更鲁棒的办法：选择多个或所有满足条件0《αi《c的样本求解b后去平均值；
[0089]
核函数的形式最终的决策函数为：
[0090][0091]
其中κ(xi，xj)＝φ(xi)
t
φ(xj)为核函数。
[0092]
与现有技术相比，本发明的优点在于：
[0093]
本发明基于机器学习与气象相似时刻的新能源发电预测方法，具体步骤如下：步骤一：对气象数据进行网格插值，构建历史气象数据；步骤二：对气象要素于发电功率相关性分析，选取高相关性的气象要素；步骤三：对高相关性气象要素主成分分析；步骤四：建立气象因子匹配系数与气象相似时刻数据集；步骤五：构建机器学习架构；步骤六：基于机器学习，对相似时刻数据集进行发电功率预测。本发明提出一种基于气象相似时刻和机器学习的新能源发电预测，综合考虑气象因素对新能源发电影响与发电功率的历史统计特征，以实现对新能源发电功率的准确预测。
附图说明
[0094]
图1：技术架构和执行流程图；
[0095]
图2；气象要素相关性柱状图；
[0096]
图3；气象要素主成分分析图；
[0097]
图4；预测功率验证图。
具体实施方式
[0098]
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
[0099]
下面结合附图与具体实施方式对本发明做进一步详细描述。本发明工作流程图如图1所示，具体为：
[0100]
第一步：根据新能源发电站经纬度，对历史气象数据进行反距离权重插值，获取气象格点数据，构建电站历史数据集，气象格点数据插值计算过程为：
[0101]
1.计算插值点m到所有网格点n的距离dn[0102][0103]
2.计算每个网格点的权重(距离的倒数)
[0104][0105]
3.计算格点值zm[0106][0107]
第二步：基于皮尔逊系数计算气象要素与发电功率相关度。设两个一维随机变量x＝(x1，x2，
…
，xn)和y＝(y1，y2，
…
，yn)，则二者相关系数的计算公式为：
[0108][0109]
第三步：对高相关性气象要素进行主成分分析，剔除冗余要素。主成分分析过程如下：
[0110]
设高相关性气象要素历史数据集为
[0111][0112]
1.将原始数据标准化；
[0113]
2.建立气象要素的相关系数阵：
[0114][0115]
其中，
[0116][0117]
3.求r的特征根及相应的单位特征向量λi[0118]
4.计算主成分贡献率p及累计贡献率w
[0119][0120]
5.主成分选取
[0121]
取累计贡献率达85％～95％的特征值λ1，λ2，
…
，λm所对应的第1、第2、
…
、第m(m≤p)个主成分。
[0122]
第四步：气象因子匹配系数是表示预测时刻与历史时刻在气象上的相似程度，选取对发电功率高影响的气象要素，构成气象因素特征向量，用灰色关联分析来计算得出气象因子匹配系数。气象因子匹配系数计算过程为：
[0123]
设x、xi分别为预测时刻与历史时刻的气象要素构成的向量，预测时刻气象要素向量为x＝(x1，x2，...，xn)，n为气象要素个数，第i个历史时刻向量表示为x＝(x
i1
，x
i2
，...，x
in
)，则预测时刻与第i个历史时刻第k个气象要素差异为
[0124]
δi(k)＝|x
k-x
ik
|
ꢀꢀꢀ
(6)
[0125]
对差异进行归一化处理，得到δ
i’(k)
[0126][0127]
则预测时刻与第i个历史时刻第k个气象要素的的关联系数ξi(k)为：
[0128][0129]
式中，minkδi′
(k)为第一级最小差，表示在第i个历史时刻中，找与预测时刻差异最小的值；miniminkδi′
(k)为第二级最小差，表示所有历史时刻中差异最小的值；maximaxkδi′
(k)为第二级最大差，表示所有历史时刻中差异最大的值；ρ取0.5。
[0130]
根据关联系数，最终求的预测时刻与第i个历史时刻的关联度：
[0131][0132]
即关联系数越大，差异越小，历史时刻与预测时刻的相似度越高。基于关联系数，选取与预测时刻相似度最高的10个时刻及气象要素值，构建气象相似时刻数据集，作为机器学习模型训练样本。
[0133]
第五步：构建支持向量回归(svr)的机器学习模型，支持向量机算法优点在于可以解决小样本情况下的机器学习问题，简化了回归问题。由于采用核函数方法克服了维数灾难和非线性可分的问题，所以向高维空间映射时没有增加计算的复杂性。同时，支持向量机算法利用松弛变量可以允许一些点到分类平面的距离不满足原先要求，从而避免这些点对模型学习的影响。
[0134]
构建svr机器学习模型的过程如下：
[0135]
1.设发电功率预测值f(x)与各气象要素特征值x满足线性关系：
[0136]
f(x)＝b+ω1x1+...+ωnxnꢀꢀꢀ
(10)
[0137]
将气象因子变量表示为矩阵x＝[x1，...，xn]，权重系数矩阵ω＝[ω1，...，ωn]，偏置项为b，则发电功率预测值f(x)可写为：
[0138]
f(x)＝xω
t
+b
ꢀꢀꢀ
(11)
[0139]
则得到发电功率真实值y与发电功率预测值的损失函数为：
[0140][0141]
对ω求偏导得并代入公式(11)得：
[0142][0143]
解得：
[0144][0145]
向量化得：
[0146]
ω＝(x
t
x)-1
x
tyꢀꢀꢀ
(10)
[0147]
使得f(x)与y在损失为∈不敏感损失下尽可能接近
[0148]
2.定义∈不敏感损失为：
[0149][0150]
上式∈＞0的意义：在离回归线上下∈都不计入损失，其回归线可以看成回归线上下∈区域边界组成的回归带，落在在回归带上的点x损失为0，于是svr问题可以形式化为：
[0151][0152]
其中c正则化常数，是1
ε-不敏感损失(ε-insensitive loss)函数：
[0153][0154]
引入松弛变量ξi和(间隔两侧的松弛程度有可能不同)，可以将式(17)重写为：
[0155][0156]
3.通过引入μi≥0，αi≥0，有拉格朗日乘子可以得到式(c3)的拉格朗日函数：
[0157][0158]
将f(xi)＝ωtx+b带入上式，并令对对的偏导为零，得到：
[0159][0160][0161]
将式(21)带入式(20)可以得到svr的对偶问题：
[0162][0163]
4.上述过程满足的kkt条件为：
[0164][0165]
可以看出，当且仅当f(xi)-y
i-∈-ξi＝0时，αi能取非零值，当且仅当，yi时能取非零值。换言之，仅当样本(xi，yi)不落入e-间隔带中，相应的αi和才能取非零值。此外，约束f(xi)-y
i-∈-ξi＝0与不能同时成立，因此αi和中至少有一个为零。
[0166]
将式(21)第一项带入决策函数，可得最终的决策函数为：
[0167][0168]
因此，若求解式(c2)得到αi后，理论上说可以任意选取满足0＜αi＜c的样本，通过式(25)求得b。在实践中采用一种更鲁棒的办法：选择多个(或所有)满足条件0＜αi＜c的样本求解b后去平均值。
[0169]
核函数的形式最终的决策函数为：
[0170][0171]
其中κ(xi，xi)＝φ(xi)
t
φ(xj)为核函数。
[0172]
第六步：将气象相似时刻数据集整合，将预测时刻作为验证集，相似时刻作为训练集，将气象因子特征值矩阵作为模型输入，发电功率作为模型输出，带入svr机器学习模型，通过机器学习得到预测发电功率。
[0173]
具体实施例
[0174]
本发明以中国江苏省为研究区域，新能源风力发电功率预测为目的，对2022年7月5日共24时刻发电功率进行预测与验证。
[0175]
第一步：下载era52022年气象数据，包括风速、温度、露点温度、总云量、降水、降雪等气象要素，根据式(1)构建发电站历史数据集；
[0176]
第二步：基于式(2)选取相关性》0.2的高相关性气象要素-风速、温度、总云量、露点温度、降水，相关性柱状图如图2所示；
[0177]
第三步：对风速、温度、总云量、露点温度气象数据集进行主成分分析，其贡献率与累计贡献率如图3所示，其中风速、温度累计贡献率》0.8，风速、温度、总云量累计贡献率》0.9，故选择风速、温度以及总云量作为相似时刻数据集要素，以及模型输入变量。
[0178]
第四步：以2022年7月5日14时为例，基于式(6)-(9)选取气象相似时刻，基于关联
度最高的10个时刻，作为气象相似时刻数据集，如表1所示。
[0179]
表1 2022年7月5日16时气象相似时刻数据集
[0180][0181][0182]
第五步：基于公式(10)-(25)分别计算各时刻对应的相似时刻训练集
[0183]
第六步：将相似时刻数据集带入模型训练，对7月5日整日24时刻进行发电功率预测，并使用皮尔逊系数、平均绝对百分误差与真值进行比对验证，各评价指标计算公式如下：
[0184][0185][0186]
散点验证图如图4所示。基于历史相似日与支持向量回归机器学习的预测发电功率与真值相关系数较高(r2＝0.86)，且具有较低的mape与rmse(mape＝8.1％，rmse＝6.95mw)，说明该技术准确度较高，具有较高的可行性。
[0187]
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

技术特征：
1.基于机器学习与气象相似时刻的新能源发电预测方法，其特征在于，步骤包括：步骤一：对气象数据进行网格插值，构建历史气象数据；所述步骤根据新能源发电站经纬度，对历史气象数据进行反距离权重插值，获取气象格点数据，构建电站历史数据集；步骤二：对气象要素于发电功率相关性分析，选取高相关性的气象要素；基于皮尔逊系数计算气象要素与发电功率相关度；步骤三：对高相关性气象要素主成分分析；对高相关性气象要素进行主成分分析，剔除冗余要素；步骤四：建立气象因子匹配系数与气象相似时刻数据集；气象因子匹配系数是表示预测时刻与历史时刻在气象上的相似程度，选取对发电功率高影响的气象要素，构成气象因素特征向量，用灰色关联分析来计算得出气象因子匹配系数；步骤五：构建机器学习架构；构建支持向量回归svr的机器学习模型；步骤六：基于机器学习，对相似时刻数据集进行发电功率预测；将气象相似时刻数据集整合，将预测时刻作为验证集，相似时刻作为训练集，将气象因子特征值矩阵作为模型输入，发电功率作为模型输出，带入svr机器学习模型，通过机器学习得到预测发电功率。2.根据权利要求1所述的基于机器学习与气象相似时刻的新能源发电预测方法，其特征在于：步骤一构建电站历史数据集的气象格点数据插值计算过程为：计算插值点m到所有网格点n的距离dn计算每个网格点的权重，距离的倒数计算格点值zm3.根据权利要求2所述的基于机器学习与气象相似时刻的新能源发电预测方法，其特征在于：步骤二气象要素与发电功率相关度，具体步骤如下：设两个一维随机变量x＝(x1,x2,
…
,x
n
)和y＝(y1,y2,
…
,y
n
)，则二者相关系数的计算公式为：4.根据权利要求3所述的基于机器学习与气象相似时刻的新能源发电预测方法，其特征在于：步骤三：对高相关性气象要素主成分分析过程如下：设高相关性气象要素历史数据集为
将原始数据标准化；建立气象要素的相关系数阵:其中，求r的特征根及相应的单位特征向量λ
i
计算主成分贡献率p及累计贡献率w主成分选取取累计贡献率达85％～95％的特征值λ1,λ2,
…
,λm所对应的第1、第2、
…
、第m，m≤p个主成分。5.根据权利要求4所述的基于机器学习与气象相似时刻的新能源发电预测方法，其特征在于：步骤四气象因子匹配系数计算过程为：设x、x
i
分别为预测时刻与历史时刻的气象要素构成的向量，预测时刻气象要素向量为x＝(x1,x2,...,x
n
)，n为气象要素个数，第i个历史时刻向量表示为x＝(x
i1
,x
i2
,...,x
in
)，则预测时刻与第i个历史时刻第k个气象要素差异为δ
i
(k)＝|x
k-x
ik
|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)对差异进行归一化处理，得到δ
i’(k)则预测时刻与第i个历史时刻第k个气象要素的的关联系数ξ
i
(k)为：式中，min
k
δ
i
′
(k)为第一级最小差，表示在第i个历史时刻中，找与预测时刻差异最小的值；min
i
min
k
δ
i
′
(k)为第二级最小差，表示所有历史时刻中差异最小的值；max
i
max
k
δ
i
′
(k)为第二级最大差，表示所有历史时刻中差异最大的值；ρ取0.5；根据关联系数，最终求的预测时刻与第i个历史时刻的关联度：即关联系数越大，差异越小，历史时刻与预测时刻的相似度越高，基于关联系数，选取与预测时刻相似度最高的10个时刻及气象要素值，构建气象相似时刻数据集，作为机器学
习模型训练样本。6.根据权力要求5所述的基于机器学习与气象相似时刻的新能源发电预测方法，其特征在于：构建svr机器学习模型的过程如下：设发电功率预测值f(x)与各气象要素特征值x满足线性关系：f(x)＝b+ω1x1+...ω
n
x
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)将气象因子变量表示为矩阵x＝[x1,...,x
n
]，权重系数矩阵ω＝[ω1,...,ω
n
]，偏置项为b，则发电功率预测值f(x)写为：f(x)＝xω
t
+b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)则得到发电功率真实值y与发电功率预测值的损失函数为：对ω求偏导得并代入公式(11)得：解得：向量化得：ω＝(x
t
x)-1
x
t
y
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)使得f(x)与y在损失为∈不敏感损失下尽可能接近定义∈不敏感损失为：上式∈>0的意义：在离回归线上下∈都不计入损失，其回归线可以看成回归线上下∈区域边界组成的回归带，落在在回归带上的点x损失为0，于是svr问题可以形式化为：其中c正则化常数，是l
ε-不敏感损失ε-insensitive loss函数：引入松弛变量ξ
i
和间隔两侧的松弛程度有可能不同，将式(17)重写为：通过引入μ
i
≥0，α
i
≥0，有拉格朗日乘子得到式c3的拉格朗日函数：
将f(xi)＝ωtx+b带入上式，并令对对的偏导为零，得到：将式(21)带入式(20)得到svr的对偶问题：上述过程满足的kkt条件为：当且仅当f(x
i
)-y
i-∈-ξ
i
＝0时，α
i
能取非零值，当且仅当，时能取非零值，仅当样本(x
i
,y
i
)不落入ε-间隔带中，相应的α
i
和才能取非零值，此外，约束f(x
i
)-y
i-∈-ξ
i
＝0与不能同时成立，因此α
i
和中至少有一个为零；将式(21)第一项带入决策函数，得最终的决策函数为：因此，若求解式(24)得到α
i
后，任意选取满足0<α
i
<c的样本，通过式(25)求得b。在实践中采用一种更鲁棒的办法：选择多个或所有满足条件0<α
i
<c的样本求解b后去平均值；核函数的形式最终的决策函数为：其中x(x
i
，x
j
)＝φ(x
i
)
t
φ(x
j
)为核函数。

技术总结
本发明基于机器学习与气象相似时刻的新能源发电预测方法，具体步骤如下：步骤一：对气象数据进行网格插值，构建历史气象数据；步骤二：对气象要素于发电功率相关性分析，选取高相关性的气象要素；步骤三：对高相关性气象要素主成分分析；步骤四：建立气象因子匹配系数与气象相似时刻数据集；步骤五：构建机器学习架构；步骤六：基于机器学习，对相似时刻数据集进行发电功率预测。本发明提出一种基于气象相似时刻和机器学习的新能源发电预测，综合考虑气象因素对新能源发电影响与发电功率的历史统计特征，以实现对新能源发电功率的准确预测。测。测。


技术研发人员：郝雨辰 霍雪松 苏大威 刘华伟 梅雪峰 戴强晟 孙勇 祝永晋 柴赟 管国兵 杨勤胜 曹卫青
受保护的技术使用者：国网江苏省电力有限公司盐城供电分公司 江苏方天电力技术有限公司
技术研发日：2022.12.06
技术公布日：2023/8/9