基于改良蚁群算法结合MACD的超短期风电功率预测方法技术

基于改良蚁群算法结合MACD的超短期风电功率预测方法，将原始风电数据和风电场所在地区的气象数据合并构成原始风电时序数据；利用原始风电时序数据中的功率构建时间窗口，并绘制风电功率K线，将原始风电时序数据、金融技术指标MACD、风电功率K线三类数据添加到新的列表中，生成带有K线的数据集；使用基于改良蚁群算法的参数自适应优化算法，动态优化和调整MACD的最优计算参数，计算出优化调整后的MACD，加入至带有K线的数据集中，并删除风电功率K线和原有金融技术指标MACD，形成最终数据集，将最终数据集传入XGBoost模型中，预测未来风电功率，本发明专利技术具有较高准确率和性能。本发明专利技术具有较高准确率和性能。本发明专利技术具有较高准确率和性能。

【技术实现步骤摘要】
基于改良蚁群算法结合MACD的超短期风电功率预测方法


[0001]本专利技术属于风力发电的模型构建及
，也属于时间序列数据分析与数据挖掘技术的领域，同时属于大数据分析与应用
，特别涉及一种基于改良蚁群算法结合MACD的超短期风电功率预测方法。

技术介绍

[0002]现有风电功率预测模型可大致分为统计模型与人工智能模型。统计模型具有一定局限性，它仅适用于静态数据分析。人工智能模型相较于统计模型具有较高的预测精度，但其数据规模具有一定的要求，容易出现过拟合现象，超短期风电功率预测的任务时效性容易受到模型复杂度的影响。对于风电功率预测研究，其模型的输入特征多为历史数据与气象数据。单一的模型的输入特征特征难以把握数据间的潜在关系，冗余的气象数据增加了模型的计算负担，降低了模型的预测速度。同时，获取高精气象数据给电场带来了一定经济负担。

技术实现思路

[0003]为了克服上所述现有模型和技术的缺点，本专利技术提供了一种基于改良蚁群算法结合MACD的超短期风电功率预测方法，结合时间窗口、K线数据等构建带有金融数据的时间序列数据集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改良蚁群算法结合MACD的超短期风电功率预测方法，其特征在于，包括如下步骤：步骤1，将原始风电数据和风电场所在地区的气象数据合并，构成原始风电时序数据；步骤2，利用原始风电时序数据中的当前时刻功率P和前一时刻功率P
’
，构建时间窗口；步骤3，以P为开始功率，f分钟后的功率为结束功率，结合f分钟内最大功率和f分钟内最小功率，用原始风电时序数据中的数据绘制风电功率K线，并计算异同移动平均线，即金融技术指标MACD；步骤4，将原始风电时序数据、金融技术指标MACD、风电功率K线三类数据添加到新的列表中，生成带有K线的数据集；步骤5，使用基于改良蚁群算法的参数自适应优化算法，根据近f分钟风电功率数据动态优化和调整MACD的最优计算参数；步骤6，使用所述最优计算参数和带有K线的数据集计算出优化调整后的MACD，将优化调整后的MACD加入至步骤4生成的带有K线的数据集中，并删除风电功率K线和原有金融技术指标MACD，形成最终数据集，最终数据集由原始风电时序数据和优化调整后的MACD组成；步骤7，将最终数据集传入XGBoost模型中，预测未来风电功率。2.根据权利要求1所述风电功率预测方法，其特征在于，所述步骤2，构建时间窗口的方法如下：若t+1时刻的风电功率P
i+1
为需要预测的数据值，取当前时刻即t时刻的风电功率为P
i
、t
‑
1时刻的风电功率为P
i
‑1、t时刻与t
‑
1时刻的风电功率之差(P
i
‑1‑
P
i
)构成时间窗口，将时间窗口与t时刻的其余协变量组成新的时间序列数据B，转换算法如下所示：其中，n表示时序数据序数，所述其余协变量即风速a
t
、风向b
t
和空气压强c
t
。3.根据权利要求1所述风电功率预测方法，其特征在于，所述步骤3，绘制风电功率K线的方法如下：第一步，数据的采样频率设定为d分钟/次，将g个相邻采样点的数据合并为一条数据；第二步，将每条数据的最大值视为最高价，最小值视为最低价，这条数据中的第一个采样...

【专利技术属性】
技术研发人员：王永生，关世杰，张玉婷，
申请(专利权)人：内蒙古工业大学，
类型：发明
国别省市：