一种短期风电功率组合模型预测方法技术

本发明专利技术公开了一种短期风电功率组合模型预测方法，包括以下步骤：根据NWP数据和真实历史风电功率数据y构建训练集X1，将训练集X1输入XGBoost预测模型中获取预测风电功率值y1；在训练集X1的基础上，构建时间序列数据结构的训练集X2；将训练集X2输入LSTM预测模型获取预测风电功率值y2；根据y、y1和y2获得特征w1和w2；将y1和y2作为输入，特征w1和w2作为输出，构建并训练LSTM

【技术实现步骤摘要】
一种短期风电功率组合模型预测方法


[0001]本专利技术涉及风电功率测量
，具体是一种短期风电功率组合模型预测方法。

技术介绍

[0002]新能源发展建设中风力发电扮演着重要的角色，尤其在西北部地区风力发电是新能源发电的主力军之一。风资源具有强随机性、波动性和间歇性。风力发电功率受到天气变化的直接影响，其功率波动对电网的稳定运行造成严重影响。风电功率准确预测有利于电网稳定运行。
[0003]目前短期风电功率预测模型主要采用两大方法：一是采用物理预测模型；二是采用统计预测模型。物理预测模型现今存在着风场局部风力变化机理不明确，缺乏通用模型等问题。
[0004]随着人工智能算法快速发展，基于人工智能算法的统计预测模型成为主流预测方法。其中LSTM(long short term memory network)在解决时间序列问题上有着显著优势。目前有通过建立小波长短期记忆模型进行预测，对历史风电功率数据采用三级小波分解，分解结果作为LSTM输入，最终得到风电功率概率预测区间。而XGBoost(eXtreme gradient boosting)算法在众多预测领域同样有着良好表现，XGBoost算法本身的泛化能力强，能够胜任众多预测领域中突变性较强的预测问题。
[0005]单一预测模型面对多变的天气情况，尤其基于数值天气预报(NWP)数据作为输入的预测模型，功率预测精度容易出现较大下滑。其次我国尤其西北地区地形复杂气候类型多样，风力资源波动变化大，使得单一模型在西北地区更加难以准确预测发电功率。

技术实现思路

[0006]本专利技术考虑到LSTM在周期性预测的优异特性，XGBoost在突变性预测方面也有良好表现，两者具有很好的互补性，两者各自都可单独对短期风电功率进行预测，基于此提出同时利用LSTM、XGBoost建立动态权值组合预测模型，从而提供一种短期风电功率组合模型预测方法，以解决上述
技术介绍
的问题。
[0007]本专利技术的技术方案是：
[0008]一种短期风电功率组合模型预测方法，包括以下步骤：
[0009]根据NWP数据和真实历史风电功率数据y构建训练集X1；
[0010]通过XGBoost预测模型，输入训练集X1获取预测风电功率值y1[0011]在训练集X1的基础上，构建时间序列数据结构的训练集X2；
[0012]通过LSTM预测模型，输入训练集X2获取预测风电功率值y2；
[0013]根据真实历史风电功率数据y、预测风电功率值y1和预测风电功率值y2获得特征w1和w2；
[0014]将预测风电功率值y1和预测风电功率值y2作为输入，特征w1和w2作为输出，构建并
训练LSTM
‑
XGBoost动态权值组合模型；
[0015]采用Pearson相关系数法分析训练集X1中各项特征对于风电功率的影响程度，获取不同高度的风速作为重要特征；
[0016]将预测风电功率值y1、预测风电功率值y2和不同高度的风速输入到训练好的LSTM
‑
XGBoost动态权值组合模型中，获取预测风电功率值Y。
[0017]优选地，所述NWP数据包括风速、风向、湿度、气压和温度。
[0018]优选地，在训练集X1输入到XGBoost预测模型前，对所述训练集X1进行归一化处理，在数据集X2在输入到LSTM预测模型前，对所述训练集X2进行归一化处理。
[0019]优选地，所述获得特征w1和w2的步骤包括：
[0020]将XGBoost预测模型中输出的预测风电功率值y1、LSTM预测模型中输出的预测风电功率值y2和真实历史风电功率数据y作为输入特征输入式(1)(2)中，输出特征w1和w2；
[0021][0022]。
[0023]优选地，所述获取不同高度的风速作为重要特征包括以下具体步骤：
[0024]将训练集X1中的各项特征，输入到Pearson相关系数公式中，得到各项特征与其它特征的相关系数数据；
[0025]将相关系数数据通过热力图方式实现可视化分析，通过分析得出不同高度的风速与风电功率是一种强正相关的联系，因此将不同高度的风速作为分析获得的重要特征。
[0026]优选地，所述获取预测风电功率值Y包括以下步骤：
[0027]将不同高度的风速的作为输入特征之一，同时将XGBoost预测模型中输出的预测风电功率值y1、LSTM预测模型中输出的预测风电功率值y2也作为输入特征之一输入到训练好的LSTM
‑
XGBoost动态权值组合模型中，输出特征w1和w2；
[0028]将输出特征w1和w2带入公式(3)中，获取最终预测风电功率值Y；
[0029]Y＝w1*y1+w2*y2ꢀꢀꢀꢀꢀ
(3)。
[0030]与现有技术相比，本专利技术的有益效果是：
[0031]1、本专利技术建立的LSTM
‑
XGBoost动态权值组合模型相比于单一预测模型在面对天气突变情况下有着更低误差能量占比，从整体准确度角度分析，LSTM
‑
XGBoost动态权值组合模型的MAPE为0.4562，在所有对比模型中最低，且整体的准确度最高，鲁棒性能更好。
[0032]2、本专利技术通过动态权值组合算法在不同风速情况下赋予不同权值再对其进行加权组合，避免了以往静态权值法在特征寻优上趋于中间化的问题。
附图说明
[0033]图1为本专利技术方法流程示意图；
[0034]图2为本专利技术中LSTM训练集数据结构图；
[0035]图3为本专利技术中风电功率与不同风速之间的散点分布图；
[0036]图4为本专利技术中风电功率与不同风向之间的散点分布图；
[0037]图5为本专利技术中风电功率与不同气压之间的散点分布图；
[0038]图6为本专利技术中风电功率与不同湿度之间的散点分布图；
[0039]图7为本专利技术中风电功率与不同温度之间的散点分布图；
[0040]图8为本专利技术中风电功率与NWP的pearson相关系数热力图；
[0041]图9为本专利技术短期预测结果示意图；
[0042]图10为本专利技术预测结果与实际功率值相对误差示意图。
具体实施方式
[0043]下面结合附图，对本专利技术的具体实施方式进行详细描述，但应当理解本专利技术的保护范围并不受具体实施方式的限制。
[0044]实施例
[0045]如图1所示，本专利技术的一种短期风电功率组合模型预测方法，包括以下步骤：
[0046]S1、根据NWP数据和真实历史风电功率数据y构建训练集X1。
[0047]其中NWP数据包括风速、风向、湿度、气压和温度，并且构建训练集X1前对采集的NWP数据和真实历史风电功率数据y需要进行预处理，预处理后的数据即为训练集X1；
[0048]具体地，预处理的过程包括以下步骤：
[0049]将采集NWP和历史功率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种短期风电功率组合模型预测方法，其特征在于，包括以下步骤：根据NWP数据和真实历史风电功率数据y构建训练集X1；通过XGBoost预测模型，输入训练集X1获取预测风电功率值y1；在训练集X1的基础上，构建时间序列数据结构的训练集X2；通过LSTM预测模型，输入训练集X2获取预测风电功率值y2；根据真实历史风电功率数据y、预测风电功率值y1和预测风电功率值y2获得特征w1和w2；将预测风电功率值y1和预测风电功率值y2作为输入，将特征w1和w2作为输出，构建并训练LSTM
‑
XGBoost动态权值组合模型；采用Pearson相关系数法分析训练集X1中各项特征对于风电功率的影响程度，获取不同高度的风速作为重要特征；将预测风电功率值y1、预测风电功率值y2和不同高度的风速输入到训练好的LSTM
‑
XGBoost动态权值组合模型中，获取预测风电功率值Y。2.根据权利要求1所述的一种短期风电功率组合模型预测方法，其特征在于，所述NWP数据包括风速、风向、湿度、气压和温度。3.根据权利要求1所述的一种短期风电功率组合模型预测方法，其特征在于，在训练集X1输入到XGBoost预测模型前，对所述训练集X1进行归一化处理，在数据集X2在输入到LSTM预测模型前，对所述训练集X2进行归一化处理。4.根据权...

【专利技术属性】
技术研发人员：陈来军，薛小代，马恒瑞，任博文，
申请(专利权)人：青海大学，
类型：发明
国别省市：