【技术实现步骤摘要】
基于深层特征组合的电网新能源消纳能力预测方法
本专利技术涉及风电消纳能力预测
，特别涉及基于深层特征组合的电网新能源消纳能力预测方法。
技术介绍
新能源，即可再生能源，特别是风电和光电，已成为政府政策、学术研究和电力行业的主要焦点。在各种新能源中，风电是被认为是最有前途的替代品之一。新能源消纳能力评估主要指依据现有电网结构、电源结构及负荷特性，评估在输电网结构、电源建设、系统运行方式等不需做出调整的前提下，电网能够接纳的新能源发电容量。新能源的消纳能力与新能源的发电能力直接相关。然而，新能源发电具有与生俱来的波动性，这种波动性必然会作用于电网的新能源消纳能力上，消纳能力的降低会影响电力系统的经济和可靠运行。对于风电，随着风电渗透率的不断提高，风电资源的变化和不确定性会影响电力系统的经济可靠运行。为了能够更好的消纳包括风电在内的新能源的发电容量，对风电等新能源发电数据的预测是必须和迫切的。针对风电消纳能力的预测问题，目前主要存在三类风电预测模型，分别是物理模型、统计模型以及混合模型。直接采用物理模型进行风电预测存...
【技术保护点】
1.基于深层特征组合的电网新能源消纳能力预测方法，其特征在于，包括两部分内容，分别为特征选择与特征组合；/n第一阶段，特征选择；/n首先从数据中提取特征，作为模型的输入，然后经过方差特征选择去掉方差小的特征，接着使用递归式特征消除进行特征选择；/n第二阶段，特征组合；/n通过XGBoost与LightGBM方法来组合特征，建立了一个混合模型，将由XGBoost和LightGBM算法产生的预测结合起来，进行集成预测，XGBoost与LightGBM模型中的参数是通过网格搜索技术进行优化调整的。/n
【技术特征摘要】
1.基于深层特征组合的电网新能源消纳能力预测方法，其特征在于，包括两部分内容，分别为特征选择与特征组合；
第一阶段，特征选择；
首先从数据中提取特征，作为模型的输入，然后经过方差特征选择去掉方差小的特征，接着使用递归式特征消除进行特征选择；
第二阶段，特征组合；
通过XGBoost与LightGBM方法来组合特征，建立了一个混合模型，将由XGBoost和LightGBM算法产生的预测结合起来，进行集成预测，XGBoost与LightGBM模型中的参数是通过网格搜索技术进行优化调整的。
2.根据权利要求1所述的基于深层特征组合的电网新能源消纳能力预测方法，其特征在于，所述的特征选择分别包含低方差特征过滤和递归式特性消除；
低方差特征过滤：计算样本中每一个特征值所对应的方差，如果低于事先设定的阈值，则进行过滤，通常情况下会剔除所有零方差特征，方差为0表示样本的特征取值没发生变化；
递归式特征消除：
递归式特征消除使用一个机器学习模型来进行多轮训练，每轮训练结束后，消除若干权值系数对应的特征，再基于新的特征集进行下一轮训练，通常的递归式特征消除方法通过学习器返回的系数或者特征重要度来获得每个特征的重要程度，然后，从当前的特征集合中移除最不重要的特征，在特征集合上不断的重复递归这个步骤，直到最终达到所需要的特征数量为止；
所述的特征组合，在上述特征集合上训练XGBoost模型和LightGBM模型，通过XGBoost树模型和LightGBM树模型构造新的特征组合，并且在其中加入PCA降维，最后建立一个混合模型，将XGBoost和LightGBM算法产生的预测结合起来，进行集成预测。
3.根据权利要求2所述的基于深层特征组合的电网新能源消纳能力预测方法，其特征在于，所述的XGBoost在目标函数里加入了正则项，用于控制模型的复杂度，正则项里包含了树的叶子节点个数和每棵树叶子节点上面输出分数的模平方，XGBoost则对目标函数进行了二阶泰勒展开；
所述的XGBoost的目标函数为：
对给定的数据集D有n个样本和m个特征，D＝{(xi，yi)}(|D|＝n，集...
【专利技术属性】
技术研发人员：李寒，刘晨，杨中国，黄越辉，李驰，王跃峰，雷震，郝雨辰，金鑫，
申请(专利权)人：北方工业大学，中国电力科学研究院有限公司，国网江苏省电力有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。