一种基于机器学习的时空数据修复与功率预测方法与流程

本发明属于预测，具体涉及基于机器学习的时空数据修复与功率预测方法。

背景技术：

1、当前，我国能源消费结构性问题仍较突出，碳减排任务仍然艰巨。面对能源转型新目标和能源发展新趋势，需要在电源侧大规模开发清洁能源、增加低碳能源的供给，同时在需求侧大力实施电能替代，提升社会能效。发展清洁能源，对降低碳排放起着积极作用。我国正在加快构建清洁低碳、安全高效的能源体系，全国可再生能源开发利用规模快速扩大，水电、风电、光伏发电累计装机容量均居世界首位。能源绿色发展对碳排放强度下降起到重要作用。

2、清洁能源作为可再生的环保能源，包括太阳能、风能、地热能、波浪能、潮汐能、洋流能等。相对于常规能源石油、煤炭等能源，绿色能源更加清洁、来源更为广泛、发电成本更加低廉生产效率更高的特点被大力推广到电力生产活动中。

3、由于清洁能源依赖于气象水文等多重影响因素，清洁能源的发电并不如常规能源稳定可控，因此，对清洁能源发电量的测算需要结合多时空数据。

4、多时空数据由于其所在空间的空间实体和空间现象在时间、空间和属性三个方面的固有特性，呈现出多维、语义、时空动态关联的复杂性。时空数据往往呈现出数据噪音大，异常和缺失数据相对较多的特点，这对开展清洁能源发电功率预测提出了严峻考验。

5、随着清洁能源逐步发展应用，清洁能源发电厂的建立使清洁能源时空数据监测面临挑战。由于无法获取准确的时空数据，使得清洁能源发电功率仍然存在预测精度低的问题。

技术实现思路

1、为了克服现有技术的不足，本发明提供基于机器学习的清洁能源时空数据修复与功率预测方法，以解决现有技术中预测精度低的问题。

2、本发明其中一个实施例提供了一种基于机器学习的时空数据修复与功率预测方法，包括以下步骤：

3、获取多时空的清洁能源数据，得到原始时空数据和相应的数据特征；其中，所述数据特征包括时间、地点和发电功率；

4、使用机器学习对所述原始时空数据进行修复；

5、将修复后的时空数据输入至预设模型中，输出对应的预测功率值，其中，所述预设模型包括第一模型和第二模型；

6、分别根据所述第一模型和所述第二模型对应的预测功率和权重值，计算最优预测结果。

7、本发明提供的基于机器学习的时空数据修复与功率预测方法具有如下技术效果：通过获取多时空的清洁能源数据，运用机器学习对所述原始时空数据进行修复，将修复后的时空数据输入至预设模型中，从而得到准确的待测数据，并分别根据所述第一模型和所述第二模型对应的预测功率和权重值，从而计算得到最优预测结果，实现精确预测未来一定时间清洁能源发电状况，节约发电成本，提高预测精度。

8、可选地，所述使用机器学习对所述原始时空数据进行修复，包括：

9、使用异常检测算法对所述原始时空数据进行分析，确定所述原始时空数据中的异常点；

10、利用插值方法根据预设范围内的数据对所述异常点进行修复。

11、通过周期性地更新数据和进行异常检测与修复的操作，以保持数据的准确性、完整性和可靠性；从而提高预测精度。

12、可选地，使用异常检测算法对所述原始时空数据进行分析，包括：

13、使用dbscan算法对原始时空数据进行聚类分析，以判断原始时空数据中的核心点、边界点和/或噪声点；

14、输出分析结果，将被分类为噪声点的数据点视为所述原始时空数据中的异常点。

15、可选地，使用dbscan算法对原始时空数据进行聚类分析，包括：

16、确定dbscan算法的参数，包括邻域半径和最小样本数；

17、根据所述原始时空数据的数据特征，计算样本间的间距或相似度矩阵；

18、使用dbscan算法对距离矩阵中的样本进行聚类，将样本分为核心点、边界点和噪声点。

19、可选地，使用dbscan算法对距离矩阵中的样本进行聚类，包括：

20、将所有样本标记为未分类状态；

21、对于每个样本，检查其是否已被分类；若是，则转到下一个样本；

22、若否，则执行以下步骤：

23、计算当前样本的邻域，包括距离在邻域半径内的其他样本；

24、如果当前样本的邻域内至少有最小样本数数量的样本，则将当前样本标记为核心点，并创建一个新的簇；其中，所述最小样本数数量的样本中包括所述当前样本本身；

25、如果当前样本不是核心点但在某个核心点的邻域内，将当前样本标记为边界点，并将其分配给相应的核心点所属的簇；

26、如果当前样本既不是核心点也不位于任何核心点的邻域内，则将当前样本标记为噪声点。

27、可选地，将修复后的时空数据输入至预设模型中，包括：

28、基于历史标准数据分别对svr模型和gbdt模型进行训练，得到所述第一模型和所述第二模型；其中，所述历史标准数据包括时空数据和对应的发电功率。

29、可选地，基于历史标准数据分别对svr模型和gbdt模型进行训练，包括：

30、初始化svr模型和gbdt模型的权重为0.5；

31、实时获取时空数据中，并将其传输给所述第一模型和所述第二模型进行预测；

32、根据预测结果和实际发电功率的差异，对所述第一模型和所述第二模型的权重进行修正。

33、可选地，对所述第一模型和所述第二模型的权重进行修正，包括：

34、使用预留的验证数据集或交叉验证方法，对所述第一模型和所述第二模型进行评估，计算所述第一模型和所述第二模型的准确度和可信度指标；

35、将所述第一模型和所述第二模型的准确度和可信度指标进行归一化处理；

36、根据归一化的准确度和可信度指标，为所述第一模型和所述第二模型重新分配权重。

37、通过根据归一化的准确度和可信度指标，为第一模型和第二模型分配权重。较准确和可信的模型将被赋予更高的权重，以提高其在融合结果中的影响力，从而提高最优预测结果的准确度。

38、可选地，根据所述第一模型和所述第二模型对应的预测功率和权重值，输出最优预测结果，包括：

39、根据所述第一模型的权重计算第一模型的预测结果的加权平均值；

40、根据所述第二模型的权重计算第二模型的预测结果的加权平均值；

41、对所述第一模型的预测结果的加权平均值和所述第二模型的预测结果的加权平均值进行融合，得到最优预测结果。

42、本发明其中一个实施例还提供了一种基于机器学习的时空数据修复与功率预测系统，包括：

43、获取模块，用于获取多时空的清洁能源数据，以得到原始时空数据和相应的数据特征；其中，所述数据特征包括时间、地点和发电功率；

44、修复模块，用于使用机器学习对所述原始时空数据进行修复；

45、预测模块，用于将修复后的时空数据输入至预设模型中，输出对应的预测功率值，其中，所述预设模型包括第一模型和第二模型；

46、计算模块，用于分别根据所述第一模型和所述第二模型对应的预测功率和权重值，计算最优预测结果。

47、通过获取模块获取多时空的清洁能源数据，运用修复模块使用机器学习对所述原始时空数据进行修复，通过预测模块将修复后的时空数据输入至预设模型中，从而得到准确的待测数据，并使用计算模块分别根据所述第一模型和所述第二模型对应的预测功率和权重值计算得到最优预测结果，从而实现精确预测未来一定时间清洁能源发电状况，节约发电成本，提高预测精度。