一种基于机器学习的单点风速短临风速外推方法技术

一种基于机器学习的单点风速短临风速外推方法涉及风速预测技术领域，解决了现有预测风速不够准确的问题，包括：获得历史风速样本并分成训练样本集和测试样本集；取训练样本集中的历史风速样本得到多个时间序列，时间序列之间的时间长度不同但样本总量相同；训练载有集成机器学习算法的模型得到初级集成机器学习模型；采用测试样本集测试初级集成机器学习模型得到测试结果；选取最优测试结果对应的初级集成机器学习模型作为集成机器学习模型，最优测试结果对应的时间序列间隔点数作为集成机器学习模型的输入长度；将满足输入长度的历史风速数据作为集成机器学习模型的输入，集成机器学习模型输出预测的短临风速。本发明专利技术预测风速的准确性高。风速的准确性高。风速的准确性高。

【技术实现步骤摘要】
一种基于机器学习的单点风速短临风速外推方法


[0001]本专利技术涉及风速预测
，具体涉及一种基于机器学习的单点风速短临风速外推方法。

技术介绍

[0002]时间序列是指将同一的统计指标的数值按其先后发生的时间顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。常用的时间序列模型有AR模型(Autoregressive model:自回归模型)、MA模型(moving average model:滑动平均模型)、ARMA模型(Auto
‑
Regressive and Moving Average Model:自回归滑动平均模型)和ARIMA模型(Autoregressive Integrated Moving Average Model:自回归积分滑动平均模型)等。随着机器学习的发展，SVM(Support Vector Machine)、DT(Decision Tree)、LSTM(Long short
‑
term memory)等机器学习和深度学习方法也慢慢的应该用到了时间序列外推当中。集成算法的提出，更加提高了准确性更高的机器学习模型，目前RF(Random Forest)、Adaboost(Adaptive boosting)等机器学习算法的提出给基于时间序列外推提供了新的思路。
[0003]目前，随着国家对新能源，风能发电的重视，在包括陆地和海上的不同地区建立了风电场进行发电，如何准确预测风速，对组织风电厂发电策略，功率预测，电力交易都有着一定的指导意义。但是现有的预测方法的准确性均较低。预测风速的准确性直接影响风电厂发电策略，因此亟需一种预测准确性较高的短临风速的外推方法。

技术实现思路

[0004]为了解决现有短临风速预测风速不够准确的问题，本专利技术提供一种基于机器学习的单点风速短临风速外推方法。
[0005]本专利技术为解决技术问题所采用的技术方案如下：
[0006]一种基于机器学习的单点风速短临风速外推方法，包括如下步骤：
[0007]S1、获得历史风速样本，将历史风速样本分成训练样本集和测试样本集；
[0008]S2、取训练样本集中的历史风速样本得到多个时间序列，不同时间序列之间的时间长度不同，不同时间序列中的历史风速样本的样本总量相同；
[0009]S3、训练载有集成机器学习算法的模型得到初级集成机器学习模型，所述模型训练的输入为一个时间序列；
[0010]S4、采用测试样本集测试初级集成机器学习模型得到测试结果；
[0011]S5、待所有初级集成机器学习模型测试完成后，选取最优测试结果对应的初级集成机器学习模型作为集成机器学习模型，最优测试结果对应的时间序列的n作为集成机器学习模型的输入长度，所述n为在历史风速样本的时间分辨率下时间序列实际长度的间隔点数；
[0012]S6、将满足输入长度的历史风速数据作为集成机器学习模型的输入，集成机器学
习模型输出预测的短临风速。
[0013]本专利技术的有益效果是：
[0014]本专利技术的一种基于机器学习的单点风速短临风速外推方法的选取了最优时间序列的集成机器学习短临风速预报模型进行外推，该模型有较强的鲁棒性，并在样本数量不多的情况下也可以表现出相对优异的结果，并且优于传统方法。为陆地，特别是海上风电场的短临预报提供了一种较为泛化的策略，提升了风速预报效果。
附图说明
[0015]图1为传统的单点风速短临风速外推方法的不同预报时刻的平均相对误差图。
[0016]图2为本专利技术的一种基于机器学习的单点风速短临风速外推方法采用80％样本作为训练样本集得到的不同预报时刻的平均相对误差图。
[0017]图3为本专利技术的一种基于机器学习的单点风速短临风速外推方法采用50％样本作为训练样本集得到的不同预报时刻的平均相对误差图。
[0018]图4为本专利技术的一种基于机器学习的单点风速短临风速外推方法采用25％样本作为训练样本集得到的不同预报时刻的平均相对误差图。
具体实施方式
[0019]下面结合附图和实施例对本专利技术做进一步详细说明。
[0020]一种基于机器学习的单点风速短临风速外推方法，包括如下步骤：
[0021]S1、基于测风塔或海上风电场等的历史实况数据获得历史风速样本，将历史风速样本分成训练样本集和测试样本集；将历史风速样本分成训练样本集和测试样本集；
[0022]S2、取训练样本集中的历史风速样本得到多个时间序列，不同时间序列之间的时间长度不同，不同时间序列中的历史风速样本的样本总量相同；
[0023]S3、训练载有集成机器学习算法的模型得到初级集成机器学习模型，所述模型训练的输入为一个时间序列；即以每个时间序列分别作为载有集成机器学习算法的模型的输入进行模型训练，得到多个初级集成机器学习模型；每个时间序列对应一个初级集成机器学习模型；
[0024]S4、采用测试样本集测试初级集成机器学习模型得到测试结果；
[0025]S5、待所有初级集成机器学习模型测试完成后，根据所有的测试结果选取最优测试结果，再选取最优测试结果对应的初级集成机器学习模型作为集成机器学习模型，最优测试结果对应的时间序列的n作为集成机器学习模型的输入长度，n表示在历史风速样本的时间分辨率R
t
下时间序列实际长度的间隔点数；
[0026]S6、将满足输入长度的历史风速数据作为集成机器学习模型的输入，集成机器学习模型输出预测的短临风速。
[0027]上述S2中每个时间序列的n的确定方法为：
[0028]L
i
表示时间序列的实际长度，设初始时间序列实际长度L
i
为L
s
，I小时间隔递增，最长的时间序列实际长度L
i
为L
max
，n＝(60/R
t
)
×
L
s
+(60/R
t
)
×
I
×
j，其中j∈[0，(L
max
‑
L
s
)/I]，且j为整数，R
t
表示历史风速样本的时间分辨率。L
s
为本专利技术欲预测的短临风速的时间长度。不同时间序列之间的时间长度不同具体为：不同时间序列的L
i
不同，不同时间序列的间隔
点数n也不同。
[0029]上述S3中，时间序列的n作为载有集成机器学习算法的模型的训练输入x，本专利技术欲预测的短临风速的时间长度作为载有集成机器学习算法的模型的训练样本模型的训练输入y。
[0030]上述S4中每个初级集成机器学习模型的测试过程为：
[0031]S4.1、利用待测试的初级集成机器学习模型预测测试样本集中所有测试样本对应的预测结果，计算预测结果和与其对应的观测结果(该预测结果对应的测试样本集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的单点风速短临风速外推方法，其特征在于，包括如下步骤：S1、获得历史风速样本，将历史风速样本分成训练样本集和测试样本集；S2、取训练样本集中的历史风速样本得到多个时间序列，不同时间序列之间的时间长度不同，不同时间序列中的历史风速样本的样本总量相同；S3、训练载有集成机器学习算法的模型得到初级集成机器学习模型，所述模型训练的输入为一个时间序列；S4、采用测试样本集测试初级集成机器学习模型得到测试结果；S5、待所有初级集成机器学习模型测试完成后，选取最优测试结果对应的初级集成机器学习模型作为集成机器学习模型，最优测试结果对应的时间序列的n作为集成机器学习模型的输入长度，所述n为在历史风速样本的时间分辨率下时间序列实际长度的间隔点数；S6、将满足输入长度的历史风速数据作为集成机器学习模型的输入，集成机器学习模型输出预测的短临风速。2.如权利要求1所述的一种基于机器学习的单点风速短临风速外推方法，其特征在于，所述S2中每个时间序列的n的确定方法为：设初始时间序列实际长度为L
s
，I小时间隔递增，最长的时间序列实际长度为L
max
，n
i
表示时间序列实际长度L
i
对应的n，n
i
＝(60/R
t
)
×
L
s
+(60/R
t
)
×
I
×
j，其中j∈[0，(L
max
‑
L
s
)/I]，且j为整数。R
t
表示历史风速样本的时间分辨率。3.如权利要求2所述的一种基于机器学习的单点风速短临风速外推方法，其特征在于，所述S6得到的预测的短临风速为未来的L
s
时间的风速。4.如权利要求1所述的一种基于机器学习的单点风速短临风速外推方法，其特征在于，所述S4中每个初级集成机器学习模型的测试过程为：S4.1、利用待测试的初级集成机器学习模型预测测试样本集中所有测试样本对应的预测结果，计算预测结果与该预测结果对应的测试样本之...

【专利技术属性】
技术研发人员：郭禹琛，王博，王雪，孙世军，何晓凤，朱坤双，张永山，韩洪，韩乐琼，李莉，高峰，巩晓静，李嫣然，沈倩，李晓琦，李广，董新，乔荣飞，
申请(专利权)人：国网山东省电力公司应急管理中心北京玖天气象科技有限公司，
类型：发明
国别省市：