17、现代混合电力系统中机器学习预测与优化案例研究

现代混合电力系统中机器学习预测与优化案例研究

1. 机器学习预测基础

在现代混合电力系统（MHPS）中，太阳能辐照度的准确预测对于优化电力生产和分配至关重要。当现场条件发生变化时，需要重复进行训练，并使用安装在加工厂的云软件更新相应的模型。在获得基于模型和无模型回归模型对全球水平辐照度（GHI）的预测后，可根据以下标准为每种方法选择最佳选项：
1. 均方根误差（RMSE）、均方误差（MSE）和平均绝对误差（MAE）的值较小；
2. 决定系数（R - squared）值更接近 1.0；
3. 模型简单且响应速度快。

2. 基于模型的回归方法预测太阳能辐照度

2.1 模型选择

使用在工厂位置收集的一个月数据进行基于模型的回归方法研究，并对各种回归模型进行了模拟，结果如下表所示：
| 模型 | 参数 | RMSE | R - squared | MSE | MAE | 训练时间 (s) | 备注 |
| — | — | — | — | — | — | — | — |
| 线性回归 - 线性 | | 131.31 | 0.76 | 17,243 | 95.37 | 0.97 | 最佳 |
| 线性回归 - 交互 | | 127.72 | 0.77 | 16,312 | 96.82 | 5.15 | - |
| 线性回归 - 稳健 | | 139.24 | 0.73 | 19,387 | 91.24 | 4.84 | - |
| 线性回归 - 逐步 | | 128.34 | 0.77 | 16,470 | 92.10 | 12.01 | - |
| 树 - 精细