基于WD-LA-WRF模型的超短期风功率预测方法技术

本发明专利技术公开了属于超短期风功率预测技术领域的一种基于WD‑LA‑WRF模型的超短期风功率预测方法。本发明专利技术考虑风力发电的波动性和随机性，首先使用小波分解方法将风速序列和风功率序列分解为不同频率的子序列，然后使用狮子算法优化随机森林的参数，以提高预测模型的精度。最后使用构建的模型进行MATLAB仿真，对各子序列进行预测，将预测结果进行重构，得到最终预测结果。本发明专利技术提出的WD‑LA‑WRF模型通过对原始数据的分解与降噪，将原始数据的平稳信号与非平稳信号分离开，使数据更具分析价值。本发明专利技术通过狮子算法的改进，优化了模型的参数，提高了预测精度。该模型与其他单一模型对比，具有强大的泛化能力和鲁棒性。适用于超短期风电功率预测。

Ultra-short-term wind power forecasting method based on WD-LA-WRF model

The invention discloses an ultra-short-term wind power prediction method based on WD LA WRF model, which belongs to the field of ultra-short-term wind power prediction technology. Considering the fluctuation and randomness of wind power generation, the method first decomposes wind speed sequence and wind power sequence into sub-sequences of different frequencies by using wavelet decomposition method, and then optimizes the parameters of random forest by using lion algorithm to improve the accuracy of prediction model. Finally, the model is simulated by MATLAB, and the prediction results are reconstructed to get the final prediction results. The WD LA WRF model proposed by the invention separates the stationary signal from the non-stationary signal of the original data by decomposing and denoising the original data, thus making the data more valuable for analysis. The method optimizes the parameters of the model and improves the prediction accuracy by improving the lion algorithm. Compared with other single models, this model has strong generalization ability and robustness. It is suitable for ultra-short-term wind power forecasting.

【技术实现步骤摘要】
基于WD-LA-WRF模型的超短期风功率预测方法
本专利技术属于超短期风功率预测
，具体涉及一种基于WD-LA-WRF模型的超短期风功率预测方法。
技术介绍
随着全球化石能源的枯竭以及能源消费的不断增长，大力开发新能源成为世界各国应对“能源危机”的一个重要解决手段。风力发电作为一种潜力巨大的新能源发电方式，清洁无污染，能够有效减缓气候变化、提高能源安全、促进低碳经济增长，极具商业化发展前景，目前各国都在加大对风力发电及其相关技术的研究。但是，由于风的波动性及季节和昼夜的差异，风力发电具有明显的间歇性和强劲的波动性，并网之后，严重影响电网电能质量。并且，随着风电并网容量的迅速增加，电网调度计划编制和电网调度运行日益困难,风电受限矛盾更加突出，风力发电对电网的威胁更加严重。提前对风电功率进行准确预测，可以缓解调峰电力系统的压力，有效提高风电并网的能力。因此进行风电功率预测具有重要的意义。按照研究方法划分，风电功率预测方法主要分为物理方法、统计方法和机器学习方法；因为风电输出功率的主要样本数据来自于风速、风向、温度、湿度等物理因素，因此，物理方法的基本思想是将数值天气预报得到的气象信本文档来自技高网...

【技术保护点】
1.一种基于WD‑LA‑WRF模型的超短期风功率预测方法，其特征在于，包括：步骤1对数据采集与预处理，采集风电输出功率的六个样本数据，六个样本数据为：风速、风功率、风向、气压、空气密度、温度和地表粗糙度。然后对样本数据进行归一化处理，非数值型数据进行类别特征编码；步骤2对预处理后的样本数据进行降噪处理，随后与其余的样本数据分别组成各自的样本集进入步骤3；步骤3使用狮子算法优化的加权随机森林模型，进行WD‑LA‑WRF模型训练；步骤4根据训练好的WD‑LA‑WRF模型，以测试样本为数据来源，运用步骤3所得到的WD‑LA‑WRF模型分别进行预测，并对所得结果进行重构，得到最终的预测结果。

【技术特征摘要】
1.一种基于WD-LA-WRF模型的超短期风功率预测方法，其特征在于，包括：步骤1对数据采集与预处理，采集风电输出功率的六个样本数据，六个样本数据为：风速、风功率、风向、气压、空气密度、温度和地表粗糙度。然后对样本数据进行归一化处理，非数值型数据进行类别特征编码；步骤2对预处理后的样本数据进行降噪处理，随后与其余的样本数据分别组成各自的样本集进入步骤3；步骤3使用狮子算法优化的加权随机森林模型，进行WD-LA-WRF模型训练；步骤4根据训练好的WD-LA-WRF模型，以测试样本为数据来源，运用步骤3所得到的WD-LA-WRF模型分别进行预测，并对所得结果进行重构，得到最终的预测结果。2.根据权利要求1所述的一种基于WD-LA-WRF模型的超短期风功率预测方法，其特征在于，所述步骤1中归一化处理先将数据进行无量纲化处理，再将原始数据标准化使其均处于[0,1]之间，标准化公式如下：其中，xi表示某一原始数据，xmax和xmin分别代表原始数据中的最大值和最小值；将原始数据经过标准化后，能够消除数据量纲影响。3.根据权利要求1所述的一种基于WD-LA-WRF模型的超短期风功率预测方法，其特征在于，所述步骤2分为以下步骤：步骤21小波母函数是满足下述条件的一个函数或信号I(t)，I(t)∈L2(R)：式中：是I(t)的傅里叶变换，t是序列中数值的编号；小波母函数经过变化得到连续小波函数，该函数依赖于伸缩因子w和平移参数q，连续小波函数为：其中，w>0，q∈R；定义信号O(t)的连续小波变换为：式中，O(t)∈L2(-∞,+∞)，为I(t)的共轭函数；对信号O(t)的离散小波变换定义为：其中，j表示从0到无穷逐渐递增的一个整数，以实现傅里叶变换以幂级数的形式变化；步骤22对风速的信号O(t)进行离散小波变换后，与风电输出功率样本数据中的其余五个样本集分别组成各自的样本集，其余五个样本集为：风向、气压、空气密度、温度和地表粗糙度。4.根据权利要求1所述的一种基于WD-LA-WRF模型的超短期风功率预测方法，其特征在于，所述步骤3分为：步骤31将模型参数进行随机设定，采用狮子算法对所有的模型参数进行迭代优化，得到较优的模型参数；模型参数为：剪枝阈值ε、决策树棵数L、预测试样本数y和随机特征变量个数m；步骤32构建加权随机森林模型加权随机森林模型的输入为风功率的样本数据：风速、风向、温度、相对湿度、气压和地面粗糙度，输出为风电功率；步骤33使用袋外误差加权随机森林模型对进行误差估计在用袋外数据测试已生成加权随机森林模型的性能时，将L组袋外数据作为输入，代入已生成的加权随机森林模型，得到L组预测值，并按下式计算袋外误差OOBE：其中，Yl代表实际值，代表估计值；当袋外误差OOBE满足条件时，结...

【专利技术属性】
技术研发人员：牛东晓，浦迪，戴舒羽，康辉，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京,11