长期风电功率预测方法及装置制造方法及图纸

本申请提供了一种长期风电功率预测方法及装置，其中，所述方法包括：首先获取历史风电功率数据，所述历史风电功率数据包括历史平均风电功率数据；对所述历史风电数据集进行处理，获得历史风电功率数据集；将所述历史风电功率数据集划分为训练数据集和测试数据集；利用训练数据集中的历史时间维度的特征信息，训练预先构建的随机森林模型，确定训练随机森林模型的最优参数；根据所述最优参参数，构建长期风电功率预测模型；使用测试数据集长期风电功率预测模型，获得长期风电功率预测结果。采用前述的方案，预测模型需要调整的参数少、训练效率高、预测长期风电功率的准确率更高，从而实现对风电场精确调度运行。而实现对风电场精确调度运行。而实现对风电场精确调度运行。

【技术实现步骤摘要】
长期风电功率预测方法及装置


[0001]本申请涉及风电预测
，尤其涉及一种长期风电功率预测方法及装置。

技术介绍

[0002]国民经济可持续发展要求国家进一步深化能源结构改革，不断扩大风力发电(风电)规模。风力发电固有的间歇性、随机性和波动性等特点给大规模风电并网的安全调度和平稳运营带来挑战。准确的长期风电功率预测技术预测风电场的发电规模，能够为控制人员保障电网平稳运行提供有效依据，且有助于降低风力发电成本，为提高风电并网规模创造条件。
[0003]此外，随着越来越多的可再生能源接入电网，对电网带来了新的挑战。风电是一种具有间歇性和波动性的可再生能源，这种特性对其并网、调度等带来一定不利影响，风力发电的预测技术成为缓解这种影响的一种有效方式，它可以根据风力发电的预测数据进行日前或实时的调度，因此，提升风电功率预测的精度具有重要的意义。
[0004]随着人工智能技术的发展，基于机器学习的风电预测逐渐推广应用。由于风电数据是一种时间序列信号，风电的各种模式必须在时间上相互关联。传统的BP神经网络和支持向量机由于其参数选择依赖于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种长期风电功率预测方法，其特征在于，包括：获取历史风电功率数据，所述历史风电功率数据包括历史平均风电功率数据；对所述历史风电数据集进行处理，获得历史风电功率数据集；将所述历史风电功率数据集划分为训练数据集和测试数据集；构建随机森林网络模型；利用训练数据集中的历史时间维度的特征信息，训练随机森林模型，确定训练随机森林模型的最优参数；根据所述最优参参数，构建长期风电功率预测模型；使用测试数据集长期风电功率预测模型，获得长期风电功率预测结果。2.根据权利要求1所述的长期风电功率预测方法，其特征在于，对所述历史风电数据集进行处理，包括对所述历史风电功率数据进行归一化处理，归一化的计算采用如下公式：其中，y
*
表示归一化后的数据，y表示归一化前的数据；y
max
表示某序列归一化前的最大值，y
min
表示某序列归一化前的最小值。3.根据权利要求1所述的长期风电功率预测方法，其特征在于，利用训练数据集中的历史时间维度的特征信息，训练随机森林模型，包括：采用Bootstrap抽样方法，从训练数据集中抽取N个训练样本子集，形成训练集S
i
{i＝1,2,
…
,N}；针对上述每一训练集，生成对应的子树，包含：若训练集有M维，则从M个属性中随机抽F个特征向量作为当前节点的分裂属性集；以F个特征向量对该节点进行分裂，子树完整生长而不剪枝。4.根据权利要求3所述的长期风电功率预测方法，其特征在于，以F个特征向量对该节点进行分裂，包括：随机选择F(F≤M)个特征向量进行分裂，获得特征子集容量，按照以下公式确定分裂特征子集容量：F＝1+log
2 d；其中，d为原始输入特征数。5.根据权利要求1所述的长期风电功率预测方法，其特征在于，使用测试数据集长期风电功率预测模型，获得长期风电功率预测结果，包括：将所述测试数据集输入长期风电功率预测模型，得到子树输出的多个预测值；对多个预测值取平均值，获得最终的平均预测值，并将所有子树输出的平均预测值反归一化作为最终长期风电功率预测结果。6.根据权利要求1所述的长期风电功率预测方法，其特征在于，在获得长期风电功率预测结果之后，还包括：采用平均相对百分误差和最大相对百分误差两个指标对...

【专利技术属性】
技术研发人员：田小航，王荣泰，
申请(专利权)人：云南电力技术有限责任公司，
类型：发明
国别省市：