基于成本导向梯度上升回归树的风力发电预测方法及产品技术

本发明专利技术提供一种基于成本导向梯度上升回归树的风力发电预测方法及产品，该方法，包括：获取待预测地的风力历史数据、预测误差损失函数模型；求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值，作为残差估计值；利用所述残差估计值训练梯度上升回归树模型，得到成本导向梯度上升回归树模型；利用所述成本导向梯度上升回归树模型，预测风力发电量。本发明专利技术采用了一种梯度上升回归树方法，该方法能够有效地处理成本导向型损失函数，并使用回归树和梯度提升两种手段将预测误差产生的实际成本纳入到模型构建和预测过程中，梯度上升回归树方法来执行最优点预测，使其能够有效地处理成本导向的损失函数，能够降低高、低估预测带来的成本差异。

【技术实现步骤摘要】
基于成本导向梯度上升回归树的风力发电预测方法及产品
本专利技术涉及新能源发电预测领域，特别涉及基于成本导向梯度上升回归树的风力发电预测方法及产品。
技术介绍
可再生能源，如风能和太阳能，是传统发电方式的重要替代能源。在许多国家，可再生能源占总能源供应的比例显著。然而，可再生能源发电的不确定性为其在电力系统中的规模化应用带来了巨大挑战。可再生能源发电预测被认为是最具成本效益的解决方案之一。准确的预测为电网运行和电网安全评估提供了有力支撑，并在电力市场，经济调度等应用中发挥着关键作用。大量研究的重点是尽可能准确地预测可再生能源发电，通过使用更复杂的技术，使得无偏预测具有更高的准确性。虽然传统的无偏点预测在某些应用中引起了很多关注，但在这些应用中，由于预测误差是不可避免的，低估可再生能源发电量(预测值小于实际值)和高估可再生能源发电量(预测值大于实际值)对成本的影响是完全不同的。因此，如何提出了一种风力发电预测方案，降低高、低估预测带来的成本差异，是本领域技术人员亟待解决的技术问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供基于成本导向梯度上升回归树的风力发电预测方法及产品，降低高、低估预测带来的成本差异。其具体方案如下：第一方面，本专利技术提供一种基于成本导向梯度上升回归树的风力发电预测方法，包括：获取待预测地的风力历史数据、预测误差损失函数模型；求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值，作为残差估计值；利用所述残差估计值训练梯度上升回归树模型，得到成本导向梯度上升回归树模型；利用所述成本导向梯度上升回归树模型，预测风力发电量。优选地，在所述获取待预测地的风力历史数据、预测误差损失函数模型之后；在所述求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值，作为残差估计值之前，还包括：采用min-max标准化方法将所述风力历史数据进行归一化处理。优选地，所述采用min-max标准化方法将所述风力历史数据进行归一化处理，包括：利用公式式x*＝(x-xmin)/(xmax-xmin)对所述风力历史数据进行线性变换，以使结果值映射到[0,1]之间；其中，x*为归一化结果；x为原始数据；xmin为所述风力历史数据的最小值；xmax为所述风力历史数据的最大值。优选地，所述预测误差损失函数模型，包括：其中：y为风力发电真实值；为风力发电预测值；为第i段预测误差补偿成本函数表达式；δ为分段点。优选地，所述残差估计值的计算公式如下：其中：i＝1,…,N.，N为风力历史数据的总个数。优选地，所述利用所述残差估计值训练梯度上升回归树模型，得到成本导向梯度上升回归树模型，包括：A1：初始化梯度上升回归树模型以及需要迭代生成的梯度上升回归树模型总个数；A2：利用所述残差估计值计算当前梯度上升回归树模型每一个叶节点的输出值；A3：利用该输出值更新当前梯度上升回归树模型；A4：判断当前迭代次数是否达到所述梯度上升回归树模型总个数，如果否，则返回步骤A2；如果是，则确认当前梯度上升回归树模型为成本导向梯度上升回归树模型。第二方面，本专利技术提供一种基于成本导向梯度上升回归树的风力发电预测系统，包括：数据模型获取模块，用于获取待预测地的风力历史数据、预测误差损失函数模型；残差估计求取模块，用于求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值，作为残差估计值；模型训练模块，用于利用所述残差估计值训练梯度上升回归树模型，得到成本导向梯度上升回归树模型；发电预测模块，用于利用所述成本导向梯度上升回归树模型，预测风力发电量。优选地，所述模型训练模块，包括：模型初始化单元，用于实现步骤A1：初始化梯度上升回归树模型以及需要迭代生成的梯度上升回归树模型总个数；残差计算单元，用于实现步骤A2：利用所述残差估计值计算当前梯度上升回归树模型每一个叶节点的输出值；模型更新单元，用于实现步骤A3：利用该输出值更新当前梯度上升回归树模型；迭代判定单元，用于实现步骤A4：判断当前迭代次数是否达到所述梯度上升回归树模型总个数，如果否，则返回步骤A2；如果是，则确认当前梯度上升回归树模型为成本导向梯度上升回归树模型。第三方面，本专利技术提供一种基于成本导向梯度上升回归树的风力发电预测计算机设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上述第一方面任一种所述基于成本导向梯度上升回归树的风力发电预测方法的步骤。第四方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一种所述基于成本导向梯度上升回归树的风力发电预测方法的步骤。本专利技术提供一种基于成本导向梯度上升回归树的风力发电预测方法，包括：获取待预测地的风力历史数据、预测误差损失函数模型；求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值，作为残差估计值；利用所述残差估计值训练梯度上升回归树模型，得到成本导向梯度上升回归树模型；利用所述成本导向梯度上升回归树模型，预测风力发电量。本专利技术采用了一种梯度上升回归树方法，该方法能够有效地处理成本导向型损失函数，并使用回归树和梯度提升两种手段将预测误差产生的实际成本纳入到模型构建和预测过程中，使用成本导向的梯度上升回归树方法来执行最优点预测，使其能够有效地处理成本导向的损失函数。从而能够降低高、低估预测带来的成本差异。本专利技术提供的基于成本导向梯度上升回归树的风力发电预测系统、计算机设备、计算机可读存储介质，也具有上述的有益效果，在此不再赘述。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本专利技术一种具体实施方式所提供的一种基于成本导向梯度上升回归树的风力发电预测方法的流程图；图2为本专利技术有一种具体实施方式所提供的残差估计值训练回归树模型的流程图；图3为本专利技术一种具体实施方式所提供的一种成本导向型梯度上升回归树的风力发电预测方法的流程图；图4为本专利技术一种具体实施方式所提供的一种基于成本导向梯度上升回归树的风力发电预测系统的组成结构示意图；图5为本专利技术一种具体实施方式所提供的一种基于成本导向梯度上升回归树的风力发电预测系统的模型训练模块组成结构示意图；图6为本专利技术又一种具体实施方式所提供的计算机设备的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参考图1，图1为本专利技术一种具体实施方式所提供的一种基于成本导向梯度上升回归树的风力发电预测方法的流程图。在本专利技术一种更具体实施方式中，该专利技术实施例提供一种基于成本导向梯度上升回归树的风力发电预测方法，包括：步骤S11：获取待预测地的风力历史数据、预测误差损失函数模型；具体地，在获取到待测地的风力历史数据后，为了便于管理和计算可以对风力历史数据进行归本文档来自技高网...

【技术保护点】
1.一种基于成本导向梯度上升回归树的风力发电预测方法，其特征在于，包括：获取待预测地的风力历史数据、预测误差损失函数模型；求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值，作为残差估计值；利用所述残差估计值训练梯度上升回归树模型，得到成本导向梯度上升回归树模型；利用所述成本导向梯度上升回归树模型，预测风力发电量。

【技术特征摘要】
1.一种基于成本导向梯度上升回归树的风力发电预测方法，其特征在于，包括：获取待预测地的风力历史数据、预测误差损失函数模型；求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值，作为残差估计值；利用所述残差估计值训练梯度上升回归树模型，得到成本导向梯度上升回归树模型；利用所述成本导向梯度上升回归树模型，预测风力发电量。2.根据权利要求1所述的基于成本导向梯度上升回归树的风力发电预测方法，其特征在于，在所述获取待预测地的风力历史数据、预测误差损失函数模型之后；在所述求取所述风力历史数据关于所述预测误差损失函数模型的负梯度值，作为残差估计值之前，还包括：采用min-max标准化方法将所述风力历史数据进行归一化处理。3.根据权利要求2所述的基于成本导向梯度上升回归树的风力发电预测方法，其特征在于，所述采用min-max标准化方法将所述风力历史数据进行归一化处理，包括：利用公式式x*＝(x-xmin)/(xmax-xmin)对所述风力历史数据进行线性变换，以使结果值映射到[0,1]之间；其中，x*为归一化结果；x为原始数据；xmin为所述风力历史数据的最小值；xmax为所述风力历史数据的最大值。4.根据权利要求1所述的基于成本导向梯度上升回归树的风力发电预测方法，其特征在于，所述预测误差损失函数模型，包括：其中：y为风力发电真实值；为风力发电预测值；为第i段预测误差补偿成本函数表达式；δ为分段点。5.根据权利要求4所述的基于成本导向梯度上升回归树的风力发电预测方法，其特征在于，所述残差估计值的计算公式如下：其中：i＝1,…,N.，N为风力历史数据的总个数。6.根据权利要求1至5任一项所述的基于成本导向梯度上升回归树的风力发电预测方法，其特征在于，所述利用所述残差估计值训练梯度上升回归树模型，得到成本导向梯度上升回归树模型，包括：A1：初始化梯度上升回归树模型以及需要迭代生成的梯度上升回归树模型总个数；A2：利...

【专利技术属性】
技术研发人员：袁智勇，叶琳浩，雷金勇，陈旭，马溪原，樊扬，周长城，喻磊，郭祚刚，于海洋，
申请(专利权)人：南方电网科学研究院有限责任公司，中国南方电网有限责任公司，
类型：发明
国别省市：广东,44