一种动态风速预测模型建立方法技术

本发明专利技术公开了一种动态风速预测模型建立方法，包括步骤：获取目标区域的实测风速数据，并进行预处理；利用多种预测算法对预处理后的实测风速数据进行训练和预测，得到多种风速预测模型，构成Q学习模型集；在Q学习模型集中添加风速波动情况和属性因素，通过Q强化学习算法选出每时段的最佳风速预测模型，得到初步的风速预测数据，并计算出风速预测误差；基于风速预测误差构建误差Q学习模型库，通过Q强化学习算法在误差Q学习模型库中选出最佳风速预测误差模型以修正初步的风速预测值，得到最终的风速预测数据。本发明专利技术提供的方法，采用两次Q强化学习算法构建了动态风速预测模型，具有泛化能力强、鲁棒性好、预测精度高的特点。预测精度高的特点。预测精度高的特点。

【技术实现步骤摘要】
一种动态风速预测模型建立方法


[0001]本专利技术涉及风速预测
，特别是涉及一种动态风速预测模型建立方法。

技术介绍

[0002]近年来，能源结构朝低碳式方向不断发展，以风电为代表的可再生能源电网渗透率逐年攀升。随着以风力发电为代表的可再生能源大规模并网，电网调度经济性逐渐提高，但由于风速具有波动性、间接性及低能量密度等特点，因而严重降低了电力系统运行的可靠性。因此，为了更好地利用风力发电，同时兼顾电力系统的稳定性，需要对风速进行短期精准预测，但是应建立怎样的预测模型，以及如何对预测模型进行优化来提高预测精度和泛化能力，目前还尚未给出明确定义。

技术实现思路

[0003]本专利技术的目的是提供一种动态风速预测模型建立方法，采用两次Q强化学习算法构建了动态风速预测模型，具有泛化能力强、鲁棒性好、预测精度高的特点。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种动态风速预测模型建立方法，包括以下步骤：
[0006]S1)获取目标区域的实测风速数据，并对实测风速数据进行预处理；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动态风速预测模型建立方法，其特征在于，包括以下步骤：S1)获取目标区域的实测风速数据，并对实测风速数据进行预处理；S2)将预处理后的实测风速数据分为风速训练集、风速测试集和风速检验集，利用多种预测算法对风速训练集进行训练，并对风速测试集进行预测，得到多种风速预测模型，构成Q学习模型集；S3)在Q学习模型集中添加风速波动情况和属性因素，通过Q强化学习算法选出每时段的最佳风速预测模型，得到初步的风速预测数据，并根据初步的风速预测数据以及对应的实测风速数据计算出风速预测误差；S4)基于风速预测误差构建误差Q学习模型库，通过Q强化学习算法在误差Q学习模型库中选出最佳风速预测误差模型以修正初步的风速预测值，得到最终的风速预测数据。2.根据权利要求1所述的动态风速预测模型建立方法，其特征在于，步骤S1)中所述对实测风速数据进行预处理是指采用相邻数据互补法替换实测风速数据中缺失及异常的数值。3.根据权利要求1所述的动态风速预测模型建立方法，其特征在于，所述方法在步骤S4)之后还包括：S5)利用所述风速检验集验证所述最佳风速预测误差模型的有效性。4.根据权利要求3所述的动态风速预测模型建立方法，其特征在于，验证所述最佳风速预测误差模型的有效性选取了均方误差ε1、相对误差ε2和决定系数R2三种评价指标对最终的风速预测数据进行评价，计算公式分别如下：的风速预测数据进行评价，计算公式分别如下：的风速预测数据进行评价，计算公式分别如下：其中：x
t
、y
t
、分别为t时刻的实测风速值、最终的预测风速值、实测风速平均值、最终的预测风速平均值。5.根据权利要求1所述的动态风速预测模型建立方法，其特征在于，步骤S2)中所述Q学习模型集中采用的多种预测算法为5种，包括LSTM、XGBoost、SVR、BP神经网络和KRR的学习算法。6.根据权利要求1所述的动态风速预测模型建立...

【专利技术属性】
技术研发人员：李永刚，王月，吴滨源，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：