本技术涉及配电网运行分析与控制领域，具体涉及一种基于集成学习的光伏发电数据预测方法、系统及设备。
背景技术：
1、新型电力系统的构建是建设以新能源为主体的新型电力系统的重要环节，新型电力系统中光伏发电所占比重逐年增加，电力系统的稳定运行与光伏发电息息相关。传统的光伏出力预测形式多为单一出力预测，面对光伏电站复杂变化情况的应变处理能力显得较为薄弱，而分布式光伏正处于迅猛发展的阶段，可靠性高、拓展性良好，能够更好地应对光伏电站出力预测的异常情况，因此分布式光伏发电出力预测的研究方兴未艾。
2、传统的光伏发电预测方法通常用天气预报数据和光伏发电物理原理建立数学模型进行求解，极端天气、工作人员误操作等异常情况都会带来数据预测的偏差，导致光伏预测精度较低。当前光伏发电预测更多是与机器学习结合进行求解，将光伏发电功率、天气数据等信息输入训练好的机器学习模型进行数据预测，常见的机器学习模型包括向量机、决策树等。而集成学习作为一种优秀的技术框架，可以将数种机器学习算法和扩展利用的数据预测算法相结合，构建多个“基学习器”，并通过某种策略将各个学习器集成，以达到更好的数据预测效果，目前应用最为广泛的集成学习框架方法包括bagging引导聚集算法、boosting提升方法和stacking堆叠泛化法等。
3、传统的bagging集成框架包括均值法、权重法等，其优点在于基学习器之间互不干扰、契合分布式光伏的应用特性，但采用均值法进行数据集成不能合理利用各基学习器的自身特点，导致最终结果偏向于扁平化。在采用bagging算法进行数据集成预测分析时，不同基学习器的预测数据可能会给最终的预测数据带来不同偏差程度的影响，如果只用投票法去进行数据整合，就有可能排除掉对最终预测数据有利的基学习器影响，使得最终的预测数据偏向于单一准确度高的数据，这意味着可能对最终预测结果有正面影响的基学习器被放弃了，均值法在一定程度上改进了预测的准确性，结合多个基学习器来对最终数据进行预测，使得最终预测数据在一定程度上结合了各个基学习器的优势，降低预测数据方差，进一步排除异常数据干扰。
4、因此，光伏发电预测精度和效率不高、电力系统运行不稳定是目前亟需解决的问题。
技术实现思路
1、为了解决现有技术中光伏发电预测精度和效率不高、电力系统运行不稳定的问题，本技术提出了一种基于集成学习的光伏发电数据预测方法，包括：
2、基于获取的当前时刻的光伏发电数据集结合各基学习器进行计算，得到下一时刻的各基学习器预测数据；
3、基于所述当前时刻的光伏发电数据集利用遗传算法和穷举算法进行计算，得到各基学习器的权重比例；
4、基于所述下一时刻的各基学习器预测数据结合所述各基学习器的权重比例进行数据集成，得到下一时刻的光伏发电预测数据集。
5、优选的，所述基于获取的当前时刻的光伏发电数据集结合各基学习器进行计算，得到下一时刻的各基学习器预测数据，包括：
6、将所述当前时刻的光伏发电数据集划分为若干子数据集；
7、基于所述若干子数据集随机抽取子数据集输入各基学习器进行预测，得到下一时刻的各基学习器预测数据；
8、其中，所述各基学习器是根据光伏发电历史数据集结合各数据预测算法进行训练得到的。
9、优选的，所述基于所述当前时刻的光伏发电原始数据集利用遗传算法和穷举算法进行计算，得到各基学习器的权重比例，包括：
10、基于所述当前时刻的光伏发电数据集利用遗传算法计算得到各基学习器的权重比例的范围；
11、基于所述各基学习器的权重比例的范围利用穷举算法对各权重组合枚举计算适应度函数，得到各权重组合的适应度函数值；
12、基于所述各权重组合的适应度函数值选取适应度函数值最大的权重组合做为各基学习器的权重比例。
13、优选的，所述基于所述当前时刻的光伏发电数据集利用遗传算法计算得到各基学习器的权重比例的范围，包括：
14、基于设置好各项参数和初始权重比例的遗传算法结合所述当前时刻的光伏发电数据集进行选择、交叉和变异操作的迭代计算，并利用适应度函数计算得到适应度函数值；
15、直到迭代次数达到设定值，根据适应度函数值确定各基学习器的权重比例的范围。
16、优选的，所述基于所述下一时刻的各基学习器预测数据结合所述各基学习器的权重比例进行数据集成，得到下一时刻的光伏发电预测数据集，包括：
17、将所述下一时刻的各基学习器预测数据分别与所述各基学习器的权重比例的乘积相加，得到下一时刻的光伏发电预测数据集。
18、优选的，所述当前时刻的光伏发电数据集包括：光伏发电功率数据和站点的天气信息数据中的一个或多个。
19、优选的，所述各项参数包括：每代种群个数、适应度函数、交叉率、变异率、进化代数和进化步长中的一个或多个。
20、基于同一申请构思，本技术还提出了一种基于集成学习的光伏发电数据预测系统，包括：
21、基学习器预测模块，用于基于获取的当前时刻的光伏发电数据集结合各基学习器进行计算，得到下一时刻的各基学习器预测数据；
22、权重比例计算模块，用于基于所述当前时刻的光伏发电数据集利用遗传算法和穷举算法进行计算，得到各基学习器的权重比例；
23、光伏发电预测模块，用于基于所述下一时刻的各基学习器预测数据结合所述各基学习器的权重比例进行数据集成，得到下一时刻的光伏发电预测数据集。
24、优选的，所述基学习器预测模块，具体用于：
25、将所述当前时刻的光伏发电数据集划分为若干子数据集；
26、基于所述若干子数据集随机抽取子数据集输入各基学习器进行预测，得到下一时刻的各基学习器预测数据；
27、其中，所述各基学习器是根据光伏发电历史数据集结合各数据预测算法进行训练得到的。
28、优选的，所述权重比例计算模块，包括：
29、权重比例范围计算子模块，用于基于所述当前时刻的光伏发电数据集利用遗传算法计算得到各基学习器的权重比例的范围；
30、适应度函数计算子模块，用于基于所述各基学习器的权重比例的范围利用穷举算法对各权重组合枚举计算适应度函数，得到各权重组合的适应度函数值；
31、最优权重比例确定子模块，用于基于所述各权重组合的适应度函数值选取适应度函数值最大的权重组合做为各基学习器的权重比例。
32、优选的，所述权重比例范围计算子模块，具体用于：
33、基于设置好各项参数和初始权重比例的遗传算法结合所述当前时刻的光伏发电数据集进行选择、交叉和变异操作的迭代计算，并利用适应度函数计算得到适应度函数值；
34、直到迭代次数达到设定值，根据适应度函数值确定各基学习器的权重比例的范围。
35、优选的，所述光伏发电预测模块，具体用于：
36、将所述下一时刻的各基学习器预测数据分别与所述各基学习器的权重比例的乘积相加，得到下一时刻的光伏发电预测数据集。
37、优选的，所述基学习器预测模块和所述权重比例计算模块中的当前时刻的光伏发电数据集包括：光伏发电功率数据和站点的天气信息数据中的一个或多个。
38、优选的，所述权重比例范围计算子模块中的各项参数包括：每代种群个数、适应度函数、交叉率、变异率、进化代数和进化步长中的一个或多个。
39、再一方面，本技术还提出了一种电子设备，包括：至少一个处理器和存储器；所述存储器和处理器通过总线相连；
40、所述存储器，用于存储一个或多个程序；
41、当所述一个或多个程序被所述至少一个处理器执行时，实现如上述所述的一种基于集成学习的光伏发电数据预测方法。
42、再一方面，本技术还提出了一种可读存储介质，其上存有执行程序，所述执行程序被执行时，实现如上述所述的一种基于集成学习的光伏发电数据预测方法。
43、与现有技术相比，本技术的有益效果为：
44、一种基于集成学习的光伏发电数据预测方法、系统及设备包括：基于获取的当前时刻的光伏发电数据集结合各基学习器进行计算，得到下一时刻的各基学习器预测数据；基于所述当前时刻的光伏发电数据集利用遗传算法和穷举算法进行计算，得到各基学习器的权重比例；基于所述下一时刻的各基学习器预测数据结合所述各基学习器的权重比例进行数据集成，得到下一时刻的光伏发电预测数据集；本技术采用遗传算法和穷举算法结合确定权重比例，降低了权重选择的时间耗费，提高了分布式光伏发电预测的效率和准确性，保证配电网的稳定运行；本技术利用各基学习器的权重比例进行数据集成，减少了过拟合的发生，减少数据方差，进一步提高最终预测数据与真实数据的相似度；
45、本技术通过多个基学习器和权重比例将多种数据预测算法进行集成，利于不同的数据预测算法充分发挥各自的优势，减少泛化误差，还提高了数据预测的稳定性。
1.一种基于集成学习的光伏发电数据预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于获取的当前时刻的光伏发电数据集结合各基学习器进行计算，得到下一时刻的各基学习器预测数据，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述当前时刻的光伏发电原始数据集利用遗传算法和穷举算法进行计算，得到各基学习器的权重比例，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述当前时刻的光伏发电数据集利用遗传算法计算得到各基学习器的权重比例的范围，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述下一时刻的各基学习器预测数据结合所述各基学习器的权重比例进行数据集成，得到下一时刻的光伏发电预测数据集，包括：
6.根据权利要求1所述的方法，其特征在于，所述当前时刻的光伏发电数据集包括：光伏发电功率数据和站点的天气信息数据中的一个或多个。
7.根据权利要求4所述的方法，其特征在于，所述各项参数包括：每代种群个数、适应度函数、交叉率、变异率、进化代数和进化步长中的一个或多个。
8.一种基于集成学习的光伏发电数据预测系统，其特征在于，包括：
9.根据权利要求8所述的系统，其特征在于，所述基学习器预测模块，具体用于：
10.根据权利要求8所述的系统，其特征在于，所述权重比例计算模块，包括：
11.根据权利要求10所述的系统，其特征在于，所述权重比例范围计算子模块，具体用于：
12.根据权利要求8所述的系统，其特征在于，所述光伏发电预测模块，具体用于：
13.根据权利要求8所述的系统，其特征在于，所述基学习器预测模块和所述权重比例计算模块中的当前时刻的光伏发电数据集包括：光伏发电功率数据和站点的天气信息数据中的一个或多个。
14.根据权利要求11所述的系统，其特征在于，所述权重比例范围计算子模块中的各项参数包括：每代种群个数、适应度函数、交叉率、变异率、进化代数和进化步长中的一个或多个。
15.一种电子设备，其特征在于，包括：至少一个处理器和存储器；所述存储器和处理器通过总线相连；
16.一种可读存储介质，其特征在于，其上存有执行程序，所述执行程序被执行时，实现如权利要求1至7中任一项所述的一种基于集成学习的光伏发电数据预测方法。
