基于自变量交叉验证的海上风电功率组合预测方法及系统技术方案

本公开提供了一种基于自变量交叉验证的海上风电功率组合预测方法及系统，包括：获取待预测风力发电机的状态数据及其对应环境数据，并进行相应预处理；基于预先构建的随机森林回归模型，对所述风力发电机的状态数据及环境数据中的不同变量数据按照重要程度进行排序，获得排序结果；基于十折交叉验证方法，从所述排序结果中选择特定数量的变量数据作为风电功率预测自变量，并使用自变量和功率数据搭建新数据集；使用一维卷积神经网络对新数据集的全部数据进行特征提取，得到一个新序列并将新序列划分为训练集和测试集；使用新序列的训练集训练预测模型，经过多次迭代后，得到训练好的预测模型；基于训练好的预测模型实现海上风电功率预测。风电功率预测。风电功率预测。

【技术实现步骤摘要】
基于自变量交叉验证的海上风电功率组合预测方法及系统


[0001]本公开属于海上风电功率预测
，尤其涉及一种基于自变量交叉验证的海上风电功率组合预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]目前全球气候变暖形势严峻，极端天气、自然灾害增多，对自然生态环境产生重大影响，对人类经济社会发展构成重大威胁。为应对气候变化，在未来几十年内，新能源将逐步替代传统能源，其中，风能是清洁能源，具有分布广、含量丰富等优点，与陆上风能相比，海上风能具备很大的优势，海面比陆地更平滑，因此海上风能可开发性更大，含量更高，离负荷中心更近，利用率更高，是发展更好的全新领域。然而，海上天气和设备情况比陆地更不稳定，受风速、风向、发电机对风角度、发电机内部温度等变量的影响更大，导致现有的海上风电功率预测准确度较低，进而导致在接入电网时对电网造成冲击，导致电网波动，使得海上风电无法进行有效利用。

技术实现思路

[0004]本公开为了解决上述问题，提供了一种基于自变量交叉验证的海上风电功率组合预测方法及系统，所述方案通过随机森林模型与十折交叉验证方法的结合，定向筛选对海上风力发电具有重要影响的变量因素，并根据对应变量提前准确预测风电功率，可以有效的避免因海上风电功率不稳定造成的电网波动，对促进海上可再生能源开发利用意义重大。
[0005]根据本公开实施例的第一个方面，提供了一种基于自变量交叉验证的海上风电功率组合预测方法，包括：
[0006]获取待预测风力发电机的历史数据集，并进行相应预处理；
[0007]使用预处理后的数据对随机森林回归模型进行训练，基于训练好的随机森林回归模型对所述风力发电机的历史数据集中的不同变量数据按照重要程度进行排序，获得排序结果；
[0008]基于十折交叉验证方法，从所述排序结果中选择特定数量的重要程度排序靠前的变量数据作为风电功率预测自变量；
[0009]以风力发电机历史数据集中的风电功率预测自变量数据和其对应的功率数据作为数据集，并将数据集分为训练集和测试集，使用训练集对构建的预测模型进行训练，获得训练好的预测模型；
[0010]通过所述测试集测试所述预测模型的预测精度，保证所述预测模型满足需求的预测精度，进而保证数据间关系的探索，提高预测效率；
[0011]将待预测风力发电机当前对应的风电功率预测自变量数据输入训练好的预测模
型中，获得风电功率预测结果。
[0012]进一步的，所述获取当前风力发电机的历史数据集，所述历史数据集包括风力发电机的状态数据及其对应环境数据，和风力发电机实际输出功率值。
[0013]进一步的，对所述风力发电机的历史数据集中的不同变量数据按照重要程度进行排序，获得排序结果，具体为：基于预先训练的随机森林模型，确定所述风力发电机的状态数据及环境数据中的不同变量的MSE值，基于MSE值对所述不同变量进行排序，获得不同变量的排序结果。
[0014]进一步的，所述基于十折交叉验证方法，从所述排序结果中选择特定数量的重要程度排序靠前的变量数据作为风电功率预测自变量，具体为：
[0015]基于十折交叉验证方法，利用所述风力发电机的历史数据集以及预先训练的随机森林模型进行交叉验证，确定从所述排序结果中需要选择变量的特定数量。
[0016]进一步的,在将所述风电功率预测自变量输入所述预测模型之前，需要预先对所述风电功率预测自变量序列通过一维卷积神经网络进行特征提取。
[0017]进一步的，所述预测模型采用双向长短时记忆神经网络模型。
[0018]进一步的，所述风力发电机的状态数据包括：风力发电机转速、桨叶叶片角度、桨叶对风角度、机舱温度及齿箱油温变量。
[0019]进一步的，所述环境数据包括：环境温度、风速、风向以及电网频率变量。
[0020]根据本公开实施例的第二个方面，提供了一种基于自变量交叉验证的海上风电功率组合预测系统，包括：
[0021]数据获取单元，其用于获取待预测风力发电机的历史数据集，并进行相应预处理；
[0022]变量数据排序单元，其用于使用预处理后的数据对随机森林回归模型进行训练，基于训练好的随机森林回归模型对所述风力发电机的历史数据集中的不同变量数据按照重要程度进行排序，获得排序结果；
[0023]自变量选择单元，其用于基于十折交叉验证方法，从所述排序结果中选择特定数量的重要程度排序靠前的变量数据作为风电功率预测自变量；
[0024]模型训练单元，其用于以风力发电机历史数据集中的风电功率预测自变量数据和其对应的功率数据作为数据集，并将数据集分为训练集和测试集，使用训练集对构建的预测模型进行训练，获得训练好的预测模型；
[0025]验证单元，通过所述测试集测试所述预测模型的预测精度，保证所述预测模型满足需求的预测精度，进而保证数据间关系的探索，提高预测效率；
[0026]预测单元，其用于将待预测风力发电机当前对应的风电功率预测自变量数据输入训练好的预测模型中，获得风电功率预测结果。
[0027]根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种基于自变量交叉验证的海上风电功率组合预测方法。
[0028]根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种基于自变量交叉验证的海上风电功率组合预测方法。
[0029]与现有技术相比，本公开的有益效果是：
[0030](1)本公开提供了一种基于自变量交叉验证的海上风电功率组合预测方法及系统，所述方案通过随机森林模型与十折交叉验证方法的结合，定向筛选对海上风力发电具有重要影响的因素，并根据对应变量提前准确预测风电功率，可以有效的避免因海上风电功率不稳定造成的电网波动，对促进海上可再生能源开发利用意义重大。
[0031](2)本公开所述方案考虑到输入预测模型的自变量个数多，且组成的序列很长，直接使用自变量组成的序列进行模型训练计算代价过大，且效率低下，故采用一维卷积神经网络对自变量序列数据进行有效特征提取，有效提高了模型的训练效率。
[0032](3)本公开使用一维卷积神经网络与双向长短时记忆神经网络相结合的组合神经网络进行功率预测；其中，一维卷积神经网络可以对训练数据进行特征提取，有效的降低序列长度，提高预测速度；双向长短时记忆神经网络能够捕捉到双向数据关系，进一步提高预测精度。
[0033]本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
[0034]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0035]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自变量交叉验证的海上风电功率组合预测方法，其特征在于，包括：获取待预测风力发电机的历史数据集，并进行相应预处理；使用预处理后的数据对随机森林回归模型进行训练，基于训练好的随机森林回归模型对所述风力发电机历史数据集中的不同变量数据按照重要程度进行排序，获得排序结果；基于十折交叉验证方法，从所述排序结果中选择特定数量的重要程度排序靠前的变量数据作为风电功率预测自变量；以风力发电机历史数据集中的风电功率预测自变量数据和其对应的功率数据作为数据集，将数据集分为训练集和测试集，使用训练集对构建的预测模型进行训练，获得训练好的预测模型；通过所述测试集测试所述预测模型的预测精度，保证所述预测模型满足需求的预测精度，进而保证数据间关系的探索，提高预测效率；将待预测风力发电机当前对应的风电功率预测自变量数据输入训练好的预测模型中，获得风电功率预测结果。2.如权利要求1所述的一种基于自变量交叉验证的海上风电功率组合预测方法，其特征在于，对所述风力发电机历史数据集中的不同变量数据按照重要程度进行排序，获得排序结果，具体为：基于预先训练的随机森林模型，确定所述风力发电机的状态数据及环境数据中的不同变量的MSE值，基于MSE值对所述不同变量进行排序，获得不同变量的排序结果。3.如权利要求1所述的一种基于自变量交叉验证的海上风电功率组合预测方法，其特征在于，所述基于十折交叉验证方法，从所述排序结果中选择特定数量的重要程度排序靠前的变量数据作为风电功率预测自变量，具体为：基于十折交叉验证方法，利用所述风力发电机的历史数据集以及预先训练的随机森林模型进行交叉验证，确定从所述排序结果中需要选择变量的特定数量。4.如权利要求1所述的一种基于自变量交叉验证的海上风电功率组合预测方法，其特征在于，在将所述风电功率预测自变量输入所述预测模型之前，需要预先对所述风电功率预测自变量序列通过一维卷积神经网络进行特征提取。5.如权利要求1所述的一种基于自变量交叉验证的海上风电功率组合预测方法，其特征在于，所述预测模型采用双向长短时记忆神经网络模型。6.如权利...

【专利技术属性】
技术研发人员：陈阿莲，王润治，王瑞琪，
申请(专利权)人：国网山东综合能源服务有限公司，
类型：发明
国别省市：