一种基于经验模式分解和随机森林的风速超短期预测算法制造技术

本发明专利技术涉及一种基于经验模式分解和随机森林的风速超短期预测算法。通过对历史真实风速数据分解得到不同时间尺度的分量用以训练预测模型，在进行风速预测时，能够根据当前及之前若干时刻风速数据对下一时刻的风速进行预测，得到下一时刻风速的预测结果。本发明专利技术具有不易发生过拟合，泛化误差小，对异常数据不敏感的优点，能够适应实际生产需要。

【技术实现步骤摘要】
一种基于经验模式分解和随机森林的风速超短期预测算法
本专利技术属于电力系统领域，具体涉及一种基于经验模式分解和随机森林的风速超短期预测算法。
技术介绍
近年来，风电作为清洁能源得到了长足的发展，有些省份，风力发电的装机容量已经占比15％以上。风力发电具有间歇性，随机性，不稳定性等特性，给风电并网后电力系统的安全运行带来极大挑战，也限制了风电能源的进一步发展。提高风速或者风电厂输出功率预测的准确性，能够更好实现风电与传统能源的协调调度，降低备用容量的配比，提高风电的上网比率。然而，传统的风速预测方法存在预测精度不高，容易发生过拟合，对不良数据敏感，建模数据难以获取等问题。这些问题的存在，使得传统算法难以满足实际生产需要。
技术实现思路
本专利技术的目的在于提供一种基于经验模式分解和随机森林的风速超短期预测算法，该算法使用历史真实风速数据分解得到不同时间尺度的分量用以训练预测模型，在进行风速预测时，能够根据当前及之前若干时刻风速数据对下一时刻的风速进行预测。为实现上述目的，本专利技术的技术方案是：一种基于经验模式分解和随机森林的风速超短期预测算法，通过对历史真实风速数据分解得到不同时间尺度的分量用以训练预测模型，在进行风速预测时，能够根据当前及之前若干时刻风速数据对下一时刻的风速进行预测，得到下一时刻风速的预测结果。在本专利技术一实施例中，该方法具体实现步骤如下：步骤S1：获取风电厂的风速历史数据，风速采样频率为每10分钟采样一次，形成风速时间序列；步骤S2：采用法则筛选风速历史数据中的不良数据并将其剔除，采用公式如下：式中，Xb为第b个风速采样值；为全体风速样本的均值；|Vb|为第b个风速值的剩余误差；σ为全体风速样本的标准差；若某风速采样值满足上式，则视为不良数据，并将其剔除；步骤S3：使用经验模式分解将风速数据自适应地分解为不同时间尺度的IMF分量和一个剩余分量，分解后的分量与原始风速序列的关系为：式中x(t)为原始风速序列，ci(t)为第i个IMF分量，rn(t)为剩余分量；步骤S4：构建训练数据集，对每个分量取每一个采样点及其前15个风速采样点构成一组数据；其中前15个采样点视为相关变量，这一采样点视为结果变量；则每个分量都构成了训练数据集；步骤S5：从每个分量的训练数据集中，使用Bagging法等量有放回地抽取若干组子训练集，每组子训练集分别训练一棵CART决策回归树，构建每个分量的随机森林预测模型；步骤S6：输入时序上每个分量最近的15个时刻采样值给分别给对应的训练后随机森林预测模型，即可得到下一时刻该分量预测结果；对每个分量的预测结果叠加，得到下一时刻风速的预测结果。相较于现有技术，本专利技术具有以下有益效果：1、本专利技术提供的算法不容易发生过拟合问题，泛化能力强；2、本专利技术提供的算法对异常数据不敏感，预测结果不易受极端值影响。附图说明图1为本专利技术的算法流程图。图2为本专利技术的预测效果示例。具体实施方式下面结合附图，对本专利技术的技术方案进行具体说明。本专利技术的一种基于经验模式分解和随机森林的风速超短期预测算法，通过对历史真实风速数据分解得到不同时间尺度的分量用以训练预测模型，在进行风速预测时，能够根据当前及之前若干时刻风速数据对下一时刻的风速进行预测，得到下一时刻风速的预测结果；该方法具体实现步骤如下：步骤S1：获取风电厂的风速历史数据，风速采样频率为每10分钟采样一次，形成风速时间序列；步骤S2：采用法则筛选风速历史数据中的不良数据并将其剔除，采用公式如下：式中，Xb为第b个风速采样值；为全体风速样本的均值；|Vb|为第b个风速值的剩余误差；σ为全体风速样本的标准差；若某风速采样值满足上式，则视为不良数据，并将其剔除；步骤S3：使用经验模式分解将风速数据自适应地分解为不同时间尺度的IMF分量和一个剩余分量，分解后的分量与原始风速序列的关系为：式中x(t)为原始风速序列，ci(t)为第i个IMF分量，rn(t)为剩余分量；步骤S4：构建训练数据集，对每个分量取每一个采样点及其前15个风速采样点构成一组数据；其中前15个采样点视为相关变量，这一采样点视为结果变量；则每个分量都构成了训练数据集；步骤S5：从每个分量的训练数据集中，使用Bagging法等量有放回地抽取若干组子训练集，每组子训练集分别训练一棵CART决策回归树，构建每个分量的随机森林预测模型；步骤S6：输入时序上每个分量最近的15个时刻采样值给分别给对应的训练后随机森林预测模型，即可得到下一时刻该分量预测结果；对每个分量的预测结果叠加，得到下一时刻风速的预测结果。基于实际数据的预测结果如图2所示。该实例的预测误差指标如表1所示：表1归一化均方根误差归一化平均绝对误差1.05％1.49％以上是本专利技术的较佳实施例，凡依本专利技术技术方案所作的改变，所产生的功能作用未超出本专利技术技术方案的范围时，均属于本专利技术的保护范围。本文档来自技高网...

【技术保护点】
1.一种基于经验模式分解和随机森林的风速超短期预测算法，其特征在于，通过对历史真实风速数据分解得到不同时间尺度的分量用以训练预测模型，在进行风速预测时，能够根据当前及之前若干时刻风速数据对下一时刻的风速进行预测，得到下一时刻风速的预测结果。

【技术特征摘要】
1.一种基于经验模式分解和随机森林的风速超短期预测算法，其特征在于，通过对历史真实风速数据分解得到不同时间尺度的分量用以训练预测模型，在进行风速预测时，能够根据当前及之前若干时刻风速数据对下一时刻的风速进行预测，得到下一时刻风速的预测结果。2.根据权利要求1所述的一种基于经验模式分解和随机森林的风速超短期预测算法，其特征在于，该方法具体实现步骤如下：步骤S1：获取风电厂的风速历史数据，风速采样频率为每10分钟采样一次，形成风速时间序列；步骤S2：采用法则筛选风速历史数据中的不良数据并将其剔除，采用公式如下：式中，Xb为第b个风速采样值；为全体风速样本的均值；|Vb|为第b个风速值的剩余误差；σ为全体风速样本的标准差；若某风速采样值满足上式，则视为不良数据，并将其剔除；步骤S3：使用经验模...

【专利技术属性】
技术研发人员：叶荣，胡臻达，林章岁，吴威，王怀远，江岳文，温步瀛，
申请(专利权)人：国网福建省电力有限公司，国网福建省电力有限公司经济技术研究院，
类型：发明
国别省市：福建,35