基于改进深度森林的短期风功率预测方法技术

本发明专利技术涉及一种基于改进深度森林的短期风功率预测方法，包括：将数值天气预报数据中的时序数据进行拼接形成多维时序数据，对多维时序数据添加风功率标签形成数据集，将数据集划分训练集和测试集；将训练集输入改进深度森林，进行网络训练，形成数值天气预报数据与风功率预测数据的时序恒等映射；改进深度森林由多粒度扫描层和stacking层相结合并连接级联森林构成；将测试集输入训练好的网络，输出短期风功率预测数据。本发明专利技术通过stacking层结合多粒度扫描层对多维输入数据进行有利于风功率预测的自适应特征提取，能有效提取复杂天气情况下的风功率信息，提高了预测特征提取的有效性，预测准确率高。预测准确率高。预测准确率高。

【技术实现步骤摘要】
基于改进深度森林的短期风功率预测方法


[0001]本专利技术涉及基于深度学习的风电功率预测方法，尤其是一种基于改进深度森林的短期风功率预测方法。

技术介绍

[0002]风具有随机性和波动性因而风力发电也具有较大的波动性，风力发电功率的准确预测存在难点。风电预测的准确性不稳定，间接地造成弃风现象的发生。因此准确预测风力发电功率不仅可以提高风电场的利用效率、减少能源丢失损耗，还可以服务于电力调度部门以确保高比例的风电能源接入后的电网安全、稳定和经济运行。
[0003]目前，国内外学者对风功率预测问题作了大量的研究工作，但是面对复杂天气时，受天气条件和周围环境因素影响，风功率预测具有随机性、不确定性和间歇性的特点，风电功率输出波动较大，采用常规的机器学习算法建模进行风功率预测的准确性较低，这对电网安全运行提出了严峻的挑战。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供一种基于改进深度森林的短期风功率预测方法，目的是克服了现有预测方法在复杂天气条件下对有效特征提取困难而造成预测性能欠佳的问题。
[0005]本专利技术采用的技术方案如下：
[0006]一种基于改进深度森林的短期风功率预测方法，包括：
[0007]获取风电场实际发电功率数据以及对应时间的数值天气预报数据，对数值天气预报数据中的时序数据进行拼接形成多维时序数据，对所述发电功率数据预处理得风功率数据，对所述多维时序数据添加风功率标签形成数据集，将数据集划分训练集和测试集；
[0008]将训练集输入改进深度森林，进行网络训练，形成数值天气预报数据与风功率预测数据的时序恒等映射；
[0009]所述改进深度森林由多粒度扫描层和stacking层相结合并连接级联森林构成，输入数据同步输入所述多粒度扫描层和所述stacking层，通过多粒度扫描层提取的特征向量输入级联森林的第一级进行决策，第一级的决策结果与通过stacking层提取的特征向量拼接然后输入级联森林的第二级，第二级的决策结果再与多粒度扫描层提取的特征向量拼接然后输入级联森林的第三级，第三级的决策结果再与通过stacking层提取的特征向量拼接然后输入级联森林的第四级，依此类推，直至预测精度不再提高输出训练好的网络模型；
[0010]将测试集输入训练好的网络模型，输出短期风功率预测数据。
[0011]进一步技术方案为：
[0012]所述stacking层集成了四个学习器M1，M2，M3，M4进行特征提取，特征提取过程包括：
[0013]S1、将训练集划分为四个样本X1，X2，X3，X4；
[0014]S2、将X1作为验证样本，将X2，X3，X4作为训练样本，对M1进行训练，并记录验证样本对应的预测结果A
11
，然后将X2，X3，X4作为测试样本输入M1，获得预测结果B
11
；
[0015]依次将X2作为验证样本将X1，X3，X4作为训练样本、将X3作为验证样本将X1，X2，X4作为训练样本、将X4作为验证样本将X1，X2，X3作为训练样本，对M1进行训练，记录各验证样本对应的预测结果A
12
，A
13
，A
14
，并记录将各训练样本作为测试样本输入M1所获得的预测结果B
12
，B
13
，B
14
；
[0016]将预测结果A
11
，A
12，
，A
13，
，A
14
拼接获得训练数据A1，将预测结果B
11
，B
12
，B
13
，B
14
取平均值获得测试数据B1；
[0017]S3、重复步骤S2，分别对M2，M3，M4进行训练，将各学习器获得的训练数据、测试数据重新处理获得新的训练数据A和测试数据B：
[0018]A＝Agregate(A1，A
2，
，A
3，
，A4)，B＝Average(B1，B2，B3，B4)；
[0019]A
2，
，A
3，
，A4分别为M2，M3，M4获得的训练数据，Agregate代表数据拼接；B2，B3，B4分别为M2，M3，M4获得的测试数据，Average代表取平均值；
[0020]所述训练数据A用于和级联森林的第一级的决策结果进行拼接，作为级联森林的第二级的输入，进行后续网络训练，所述测试数据B用于对训练的网络进行测试以获得最优模型。
[0021]所述多粒度扫描层采用随机森林提取多维特征，随机森林由多重决策树构成。
[0022]所述级联森林中每一级包含若干随机森林和若干完全随机森林，所述完全随机森林和所述随机森林的参数与所述多粒度扫描层中随机森林的参数一致。
[0023]所述多粒度扫描层通过滑动窗口扫描输入特征，使用的窗口大小为b，对于a维原始特征，通过滑动一个特征的窗口来生成b维特征向量，总共生成(a
‑
b+1)维特征向量，b≤a。
[0024]第三步中，所述多维时序数据包括风速、湿度、温度、风向和气压。
[0025]本专利技术的有益效果如下：
[0026]本专利技术的改进深度森林模型，在构建数值天气预报数据与风功率预测数据的时序恒等映射过程中，通过stacking层结合多粒度扫描层对多维输入数据进行有利于风功率预测的自适应特征提取，能有效提取复杂天气情况下的风功率信息，提高了预测特征提取的有效性，预测准确率高。
[0027]本专利技术具有特征学习效率高的优势，实现了多级预测，对于不同风机的功率预测任务，适用性强，实际应用价值高。
[0028]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。
附图说明
[0029]图1是本专利技术的流程图。
[0030]图2是本专利技术实施例的改进深度森林模型结构图。
[0031]图3是本专利技术实施例的短期风功率预测结果示意图。
具体实施方式
[0032]以下结合附图说明本专利技术的具体实施方式。
[0033]本实施例的一种基于改进深度森林的短期风功率预测方法，参见图1，包括以下流程：
[0034]第一步：采集数据，获取风电场实际发电功率数据以及对应时间的数值天气预报数据，对数值天气预报数据中的时序数据进行拼接形成多维时序数据，对所述发电功率数据预处理得风功率数据，对所述多维时序数据添加风功率标签形成数据集，将数据集划分训练集和测试集；
[0035]多维时序数据包括风速、湿度、温度、风向和气压等。
[0036]第二步：训练网络，将训练集输入改进深度森林，进行网络训练，形成数值天气预报数据与风功率预测数据的时序恒等映射。
[0037]参见图2，所述改进深度森林由多粒度扫描层和stack本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进深度森林的短期风功率预测方法，其特征在于，包括：获取风电场实际发电功率数据以及对应时间的数值天气预报数据，对数值天气预报数据中的时序数据进行拼接形成多维时序数据，对所述发电功率数据预处理得风功率数据，对所述多维时序数据添加风功率标签形成数据集，将数据集划分训练集和测试集；将训练集输入改进深度森林，进行网络训练，形成数值天气预报数据与风功率预测数据的时序恒等映射；所述改进深度森林由多粒度扫描层和stacking层相结合并连接级联森林构成，输入数据同步输入所述多粒度扫描层和所述stacking层，通过多粒度扫描层提取的特征向量输入级联森林的第一级进行决策，第一级的决策结果与通过stacking层提取的特征向量拼接然后输入级联森林的第二级，第二级的决策结果再与多粒度扫描层提取的特征向量拼接然后输入级联森林的第三级，第三级的决策结果再与通过stacking层提取的特征向量拼接然后输入级联森林的第四级，依此类推，直至预测精度不再提高输出训练好的网络模型；将测试集输入训练好的网络模型，输出短期风功率预测数据。2.根据权利要求1所述的基于改进深度森林的短期风功率预测方法，其特征在于，所述stacking层集成了四个学习器M1，M2，M3，M4进行特征提取，特征提取过程包括：S1、将训练集划分为四个样本X1，X2，X3，X4；S2、将X1作为验证样本，将X2，X3，X4作为训练样本，对M1进行训练，并记录验证样本对应的预测结果A
11
，然后将X2，X3，X4作为测试样本输入M1，获得预测结果B
11
；依次将X2作为验证样本将X1，X3，X4作为训练样本、将X3作为验证样本将X1，X2，X4作为训练样本、将X4作为验证样本将X1，X2，X3作为训练样本，对M1进行训练，记录各验证样本对应的预测结果A
12
，A
13
，A
14
，并记录将各训练样本作为测试样本输入M1所获得的预测结果B
12

【专利技术属性】
技术研发人员：邓艾东，许猛，刘东川，史曜炜，
申请(专利权)人：东南大学，
类型：发明
国别省市：