【技术实现步骤摘要】
本专利技术属于新能源发电，具体涉及一种基于ceemdan-ihba-xgboost模型的风力发电功率预测方法。
技术介绍
1、随着“双碳”目标的提出，我国将构建以新能源为主体的新型电力系统，在新能源中，风电因其具有可再生、清洁、成本低和环境效益好等优点，己成为重要的可再生清洁能源，另一方面，风电出力也具有随机性、波动性和间歇性，大规模风电并网势必会对电网的安全稳定运行产生威胁，同时，随着风电穿透率的增加，风电波动性对电能可靠性、电能质量、经济性与社会福利的影响也而变得越发突出，而高精度的风电功率预测能够有效减轻风力发电不稳定性对电网产生的影响，有效支撑电力供应与需求的精准双向匹配，从而制定风电场生产计划，指导风电并网调度过程，因此，研究高精度且适用性强的风电功率预测技术具有重要的理论价值和实际工程意义。
技术实现思路
1、风电出力具有较强的随机性，现有基于深度学习的预测方法在面对风电功率波动性较大场景下的预测任务时，往往预测精度受限，为进一步提高预测精度，本专利技术涉及一种基于ceemdan-ihba-xgboost模型的风力发电功率方法，包括如下内容：首先，获取某风电场历史发电数据和nwp数据，将其构成原始风力发电功率预测数据集，并对获取的数据进行预处理；然后，采用mic对特征进行相关性分析，并筛选与风电功率相关性较大的特征作为模型训练的输入特征；在此基础上，利用ceemdan将功率序列分解为多个imf；最后，使用xgboost预测模型对各imf序列分别预测后进行模态重构得到最终
2、本专利技术采用的技术方案为：一种基于ceemdan-ihba-xgboost模型的风力发电功率预测方法，包括如下步骤：
3、s1：获取某风电场历史发电数据和nwp数据，将其构成原始风力发电功率预测数据集，并对获取的数据进行预处理；
4、s2：采用mic对特征进行相关性分析，筛选与风电功率相关性较大的特征作为模型训练的输入特征；
5、s3：利用ceemdan将原始功率分解成若干个不同频率的imf；
6、s4：利用xgboost对各imf序列分别预测后进行模态重构得到最终的预测结果，训练和预测过程中使用ihba对xgboost的超参数进行寻优；
7、s5：数据反归一化与模型预测效果评价。
8、具体的，所述步骤s1，获取某风电场历史发电数据和nwp数据，构成原始风力发电功率预测数据集，并对获取的数据进行预处理。通过开源网站或国网公开的数据源获取某风电场历史发电数据、nwp数据后构成原始数据集，考虑到数据采集设备故障或不正常运行导致的数据缺失或异常，为避免对模型预测精度产生的不良影响，剔除缺失数据所在的全天数据，进一步地，采用箱线图法对原始数据进行异常值检测，随后将异常值视作缺失值，并采用支持向量回归算法(svr)对缺失值进行修正。异常数据的处理包括以下子步骤：
9、1)利用箱线图法进行异常值检测。q1、q2、q3分别表示箱线图的上四分位数、中位数、下四分位数，iqr表示四分位间距，即iqr＝q1-q3。判断为异常值的条件为：
10、
11、2)将异常值作为缺失值后，利用svr算法对缺失值进行填充。若原始数据集维度为m×n(n个特征，每个特征序列长度为m)，其中特征i含缺失值，将缺失值所在行的其他特征数据作为回归预测模型的输入数据，缺失值则作为待预测对象，将其余n-1个特征不含缺失值所在行的数据作为训练数据，特征i中未缺失的数据则作为训练集标签，随后对训练训练回归预测模型并利用训练好的模型对缺失值进行回归预测。假设特征x和标签y的集合表示为{(xi,yi)|i＝1,2,…,m}，利用svr建立输入输出之间的映射函数关系：
12、y(x)＝wx+b (2)
13、式中，w、b为回归模型的权重参数和偏置参数，通过数据训练得到。
14、3)为避免各特征量之间的量纲不同对模型训练效果产生不利影响，采用min-max标准化对对修正后的数据进行归一化，计算公式为：
15、
16、式中，xi(k)为特征i的第k个样本的原始值，xi,max、xi,min分别为特征i中最小值和最大值，xi′(k)为归一化值。
17、具体的，所述步骤s2，采用mic对特征进行相关性分析，并筛选与风电功率相关性较大的特征作为模型训练的输入特征。采用mic方法从原始数据集中进行特征筛选，选出与因变量相关性较强的特征，从而实现无关特征的过滤。对于每个特征，使用下式计算mic，计算得到的分值越接近1则相关性越强，反之越接近于0则相关性越弱。风力发电功率p与天气变量w之间的mic的计算过程如下：
18、1)计算p与w的互信息mi：
19、
20、式中，p(p,w)为p和w的联合概率密度；p(p)、p(w)分别为p、w的边缘概率密度。
21、2)给定一对整数(x,y)，定义一个网格g(x,y)，计算在当前网格g当中的p与w的互信息量，并遍历所有的网格，得到对于(x,y)最大的mi*：
22、mi*(d,x,y)＝max[mi(d,x,y)] (5)
23、式中，mi(d,x,y)表示样本有序对集合d＝(p,w)在g(x,y)上的mi；x是指将特征x的值域分成x段，y是指将因变量y的值域分成y段。
24、3)对不同网格中最大的mi进行归一化，然后取所有归一化值的最大值作为p与w的mic：
25、
26、式中，b(n)是网格划分的上限值，一般取值为b(n)＝n0.6，n为样本量。
27、具体的，所述步骤s3，利用ceemdan将原始功率分解为多个imf序列。ceemdan能够将原始数据分解为包含不同频率的imf，每个imf都包含原始数据在不同频率范围内的信息，它为白噪声引入了额外的信噪比，用以控制每次分解过程中的噪声水平。ceemdan具体步骤如下：
28、1)将需要分解的风力发电功率序列p(t)添加k次均值为0的高斯白噪声，构造共k次待分解序列pi(t)(i＝1,2,3…，k)。
29、pi(t)＝p(t)+εδi(t) (7)
30、式中，ε为高斯白噪声权重系数；δi(t)为第i次添加的白噪声序列。
31、2)对pi(t)进行分解，分解得到第一个模态分量(imf1)和残余信号r1(t)。
32、
33、r1(t)＝p(t)-imf1(t) (9)
34、3)将分解后得到的第j阶段的残余信号添加特定噪声后，继续进行分解。
35、
36、rj(t)＝rj-1(t)-imfj(t) (11)
37、4)重复步骤3)，直到本文档来自技高网...
【技术保护点】
1.一种基于CEEMDAN-IHBA-XGBoost模型的风力发电功率预测方法，包括如下步骤：
2.根据权利要求1所述的一种基于CEEMDAN-IHBA-XGBoost模型的风力发电功率预测方法，其特征在于，步骤S1中，获取某风电场历史发电数据和NWP数据，构成原始风力发电功率预测数据集，并对获取的数据进行预处理；
3.根据权利要求1和2所述的一种基于CEEMDAN-IHBA-XGBoost模型的风力发电功率预测方法，其特征在于，进一步地，数据预处理的子步骤为：1)利用箱线图法进行异常值检测；Q1、Q2、Q3分别表示箱线图的上四分位数、中位数、下四分位数，IQR表示四分位间距，即IQR＝Q1-Q3；判断为异常值的条件为：
4.根据权利要求1所述的一种基于CEEMDAN-IHBA-XGBoost模型的风力发电功率预测方法，其特征在于，所述步骤S2中，采用MIC对特征进行相关性分析，并筛选与风电功率相关性较大的特征作为模型训练的输入特征；采用MIC方法从原始数据集中进行特征筛选，选出与因变量相关性较强的特征，从而实现无关特征的过滤；对于每个特征，使
5.根据权利要求1所述的一种基于CEEMDAN-IHBA-XGBoost模型的风力发电功率预测方法，其特征在于，所述步骤S3中，利用CEEMDAN将原始功率分解为多个IMF序列；CEEMDAN能够将原始数据分解为包含不同频率的IMF，每个IMF都包含原始数据在不同频率范围内的信息，它为白噪声引入了额外的信噪比，用以控制每次分解过程中的噪声水平；CEEMDAN具体步骤如下：
6.根据权利要求1所述的一种基于CEEMDAN-IHBA-XGBoost模型的风力发电功率预测方法，其特征在于，所述步骤S4中，利用XGBoost对各IMF序列分别预测后进行模态重构得到最终的预测结果，并对标准HBA算法进行改进，利用IHBA对XGBoost的超参数进行寻优；具体包括以下子步骤：
7.根据权利要求1所述的一种基于CEEMDAN-IHBA-XGBoost模型的风力发电功率预测方法，其特征在于，根据步骤S5，数据反归一化与模型预测效果评价；对预测后的数据进行反归一化，使其具有物理意义，计算公式为：
...【技术特征摘要】
1.一种基于ceemdan-ihba-xgboost模型的风力发电功率预测方法，包括如下步骤：
2.根据权利要求1所述的一种基于ceemdan-ihba-xgboost模型的风力发电功率预测方法，其特征在于，步骤s1中，获取某风电场历史发电数据和nwp数据，构成原始风力发电功率预测数据集，并对获取的数据进行预处理；
3.根据权利要求1和2所述的一种基于ceemdan-ihba-xgboost模型的风力发电功率预测方法，其特征在于，进一步地，数据预处理的子步骤为：1)利用箱线图法进行异常值检测；q1、q2、q3分别表示箱线图的上四分位数、中位数、下四分位数，iqr表示四分位间距，即iqr＝q1-q3；判断为异常值的条件为：
4.根据权利要求1所述的一种基于ceemdan-ihba-xgboost模型的风力发电功率预测方法，其特征在于，所述步骤s2中，采用mic对特征进行相关性分析，并筛选与风电功率相关性较大的特征作为模型训练的输入特征；采用mic方法从原始数据集中进行特征筛选，选出与因变量相关性较强的特征，从而实现无关特征的过滤；对于每个特征，使用下式计算mic，计算得到的分值越接...
【专利技术属性】
技术研发人员：杨东东，贺丽琛，吕绪康，高官龙，薛庆宽，毛仲彬，陈璐，杨静，张闪青，李靖，吴佳哲，
申请(专利权)人：国网河南省电力公司濮阳供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。