CN114330915A - 一种短期风电功率组合模型预测方法 - Google Patents
一种短期风电功率组合模型预测方法 Download PDFInfo
- Publication number
- CN114330915A CN114330915A CN202111677165.9A CN202111677165A CN114330915A CN 114330915 A CN114330915 A CN 114330915A CN 202111677165 A CN202111677165 A CN 202111677165A CN 114330915 A CN114330915 A CN 114330915A
- Authority
- CN
- China
- Prior art keywords
- wind power
- power value
- model
- xgboost
- training set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Control Of Eletrric Generators (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种短期风电功率组合模型预测方法,包括以下步骤:根据NWP数据和真实历史风电功率数据y构建训练集X1,将训练集X1输入XGBoost预测模型中获取预测风电功率值y1;在训练集X1的基础上,构建时间序列数据结构的训练集X2;将训练集X2输入LSTM预测模型获取预测风电功率值y2;根据y、y1和y2获得特征w1和w2;将y1和y2作为输入,特征w1和w2作为输出,构建并训练LSTM‑XGBoost动态权值组合模型;分析训练集X1中各项特征对于风电功率的影响程度,获取不同高度的风速作为重要特征;将y1、y2和不同高度的风速输入到训练好的LSTM‑XGBoost动态权值组合模型中,获取预测风电功率值Y。本发明提供的LSTM‑XGBoost组合模型相比于单一预测模型预测的风电功率更准。
Description
技术领域
本发明涉及风电功率测量技术领域,具体是一种短期风电功率组合模型预测方法。
背景技术
新能源发展建设中风力发电扮演着重要的角色,尤其在西北部地区风力发电是新能源发电的主力军之一。风资源具有强随机性、波动性和间歇性。风力发电功率受到天气变化的直接影响,其功率波动对电网的稳定运行造成严重影响。风电功率准确预测有利于电网稳定运行。
目前短期风电功率预测模型主要采用两大方法:一是采用物理预测模型;二是采用统计预测模型。物理预测模型现今存在着风场局部风力变化机理不明确,缺乏通用模型等问题。
随着人工智能算法快速发展,基于人工智能算法的统计预测模型成为主流预测方法。其中LSTM(long short term memory network)在解决时间序列问题上有着显著优势。目前有通过建立小波长短期记忆模型进行预测,对历史风电功率数据采用三级小波分解,分解结果作为LSTM输入,最终得到风电功率概率预测区间。而XGBoost(eXtreme gradientboosting)算法在众多预测领域同样有着良好表现,XGBoost算法本身的泛化能力强,能够胜任众多预测领域中突变性较强的预测问题。
单一预测模型面对多变的天气情况,尤其基于数值天气预报(NWP)数据作为输入的预测模型,功率预测精度容易出现较大下滑。其次我国尤其西北地区地形复杂气候类型多样,风力资源波动变化大,使得单一模型在西北地区更加难以准确预测发电功率。
发明内容
本发明考虑到LSTM在周期性预测的优异特性,XGBoost在突变性预测方面也有良好表现,两者具有很好的互补性,两者各自都可单独对短期风电功率进行预测,基于此提出同时利用LSTM、XGBoost建立动态权值组合预测模型,从而提供一种短期风电功率组合模型预测方法,以解决上述背景技术的问题。
本发明的技术方案是:
一种短期风电功率组合模型预测方法,包括以下步骤:
根据NWP数据和真实历史风电功率数据y构建训练集X1;
通过XGBoost预测模型,输入训练集X1获取预测风电功率值y1
在训练集X1的基础上,构建时间序列数据结构的训练集X2;
通过LSTM预测模型,输入训练集X2获取预测风电功率值y2;
根据真实历史风电功率数据y、预测风电功率值y1和预测风电功率值y2获得特征w1和w2;
将预测风电功率值y1和预测风电功率值y2作为输入,特征w1和w2作为输出,构建并训练LSTM-XGBoost动态权值组合模型;
采用Pearson相关系数法分析训练集X1中各项特征对于风电功率的影响程度,获取不同高度的风速作为重要特征;
将预测风电功率值y1、预测风电功率值y2和不同高度的风速输入到训练好的LSTM-XGBoost动态权值组合模型中,获取预测风电功率值Y。
优选地,所述NWP数据包括风速、风向、湿度、气压和温度。
优选地,在训练集X1输入到XGBoost预测模型前,对所述训练集X1进行归一化处理,在数据集X2在输入到LSTM预测模型前,对所述训练集X2进行归一化处理。
优选地,所述获得特征w1和w2的步骤包括:
将XGBoost预测模型中输出的预测风电功率值y1、LSTM预测模型中输出的预测风电功率值y2和真实历史风电功率数据y作为输入特征输入式(1)(2)中,输出特征w1和w2;
优选地,所述获取不同高度的风速作为重要特征包括以下具体步骤:
将训练集X1中的各项特征,输入到Pearson相关系数公式中,得到各项特征与其它特征的相关系数数据;
将相关系数数据通过热力图方式实现可视化分析,通过分析得出不同高度的风速与风电功率是一种强正相关的联系,因此将不同高度的风速作为分析获得的重要特征。
优选地,所述获取预测风电功率值Y包括以下步骤:
将不同高度的风速的作为输入特征之一,同时将XGBoost预测模型中输出的预测风电功率值y1、LSTM预测模型中输出的预测风电功率值y2也作为输入特征之一输入到训练好的LSTM-XGBoost动态权值组合模型中,输出特征w1和w2;
将输出特征w1和w2带入公式(3)中,获取最终预测风电功率值Y;
Y=w1*y1+w2*y2 (3)。
与现有技术相比,本发明的有益效果是:
1、本发明建立的LSTM-XGBoost动态权值组合模型相比于单一预测模型在面对天气突变情况下有着更低误差能量占比,从整体准确度角度分析,LSTM-XGBoost动态权值组合模型的MAPE为0.4562,在所有对比模型中最低,且整体的准确度最高,鲁棒性能更好。
2、本发明通过动态权值组合算法在不同风速情况下赋予不同权值再对其进行加权组合,避免了以往静态权值法在特征寻优上趋于中间化的问题。
附图说明
图1为本发明方法流程示意图;
图2为本发明中LSTM训练集数据结构图;
图3为本发明中风电功率与不同风速之间的散点分布图;
图4为本发明中风电功率与不同风向之间的散点分布图;
图5为本发明中风电功率与不同气压之间的散点分布图;
图6为本发明中风电功率与不同湿度之间的散点分布图;
图7为本发明中风电功率与不同温度之间的散点分布图;
图8为本发明中风电功率与NWP的pearson相关系数热力图;
图9为本发明短期预测结果示意图;
图10为本发明预测结果与实际功率值相对误差示意图。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
实施例
如图1所示,本发明的一种短期风电功率组合模型预测方法,包括以下步骤:
S1、根据NWP数据和真实历史风电功率数据y构建训练集X1。
其中NWP数据包括风速、风向、湿度、气压和温度,并且构建训练集X1前对采集的NWP数据和真实历史风电功率数据y需要进行预处理,预处理后的数据即为训练集X1;
具体地,预处理的过程包括以下步骤:
将采集NWP和历史功率数据过程中的异常数据根据时间维度进行划分;
在数据采集粒度15min情况下,采集数据过程中异常次数范围在[1,4]中的数据划分为短时间异常数据,采集数据过程中异常次数范围在[5,+∞)的数据划分为长时间异常数据;
对于短时间异常数据,根据具体异常情况进行填充,对于长时间异常数据,舍弃当天0~24h内所有数据,保证以天为单位的数据周期性;
在数据采集粒度15min情况下,出现异常的数据项数目范围在[1,4],当出现一项异常时,采用前后一项数据的均值进行填充,当出现两项异常时,采用前后两项数据的均值进行填充;以此类推。
S2、通过XGBoost预测模型,输入训练集X1获取预测风电功率值y1。
S3、在训练集X1的基础上构建时间序列数据结构的训练集X2。
为了体现数据集在时间序列上的周期性,训练集X1以7天为一个单位进行分割,分割次数n的取值范围:训练集X1数据结构如图2所示,图中G1包含了92天的训练数据,G2则包含了85天的训练数据,整个过程以此类推;分割完成后得到的序列G1,G2,G3,…,Gn即为训练集X2。
S4、通过LSTM预测模型,输入训练集X2获取预测风电功率值y2。
本实施例中,在利用LSTM预测模型进行预测时,由于训练数据结构每个输入序列G的长度是逐渐递减的,当输入序列G在很短的情况下,很难得到理想的预测结果,因此在所述LSTM预测模型中对LSTM中特征loss设置权重,且输入序列越短权重越小,权重公式如式所示:
式中Dlen代表实验数据集X2的长度,i∈[1,Dlen],e为常数;
输入维度inputdim=12,该特征大小与输入特征数是一一对应关系;由于模型值只预测风电功率值,因此输出维度outputdim=1;LSTM网络层层数越高拟合效果越好但是训练时容易导致难以收敛的情况,因此网络层数layer=2;隐藏层维度middim=60;网络训练次数traintimes=100;网络训练特征调优方法为Adam算法与设置loss权重。
同时为了实现LSTM预测模型的多点预测,对预测t时刻时,输入序列G中,t时刻的功率值等于0,t-1至t-n时刻为历史功率值;预测t+1时刻时,t时刻的功率值等于t时刻模型预测值,再将t时刻至t-n时刻特征数据代入LSTM预测模型进行预测。
S5、根据真实历史风电功率数据y、预测风电功率值y1和预测风电功率值y2获得特征w1和w2;
具体地,将LSTM预测模型中输出的预测风电功率值y1、XGBoost预测模型中输出的预测风电功率值y2和真实历史风电功率数据y作为输入特征输入式(1)(2)中,输出特征w1和w2;
S6、将预测风电功率值y1和预测风电功率值y2作为输入,特征w1和w2作为输出,构建并训练LSTM-XGBoost动态权值组合模型。
本实施例中,以误差倒数组合法为主的静态权值组合法,以模型对问题的整体预测表现进行权值分配,但静态权值法容易造成预测结果趋于平均化,风电功率突变情况下,预测精度下降明显,因此提出基于XGBoost算法能够对输入特征找到最优选择的特点,构建在重要特征下的动态权值组合算法。
S7、采用Pearson相关系数法分析训练集X1中各项特征对于风电功率的影响程度,获取分析重要特征;
具体地,参照图3到图7所示的风电功率与NWP各属性散点分布图,图3到图7的数据来源于本申请的实验数据,从图3中可以看出不同高度风速(Wind speed)与可用功率(Available Power)之间均大致满足风机捕获的风功率曲线,而从图4到图7中可以看出风向(Wind direction)、空气压力(Air Pressure)、湿度(humidity)和温度(Temperature)属性各自对应的散点图,并从散点图中难以直观看出与可用功率(Available Power)之间的关系,故采用Pearson相关系数分析特征之间的联系,将训练集X1中的各项特征,输入到Pearson相关系数公式中,得到各项特征与其它特征的相关系数数据;
将相关系数数据通过通过热力图的方式显示分析结果,热力图如图8所示,从图8中分析可知风向(Wind direction)和湿度(humidity)与可用功率(Available Power)呈现弱正相关性,温度(Temperature)和空气压力(AirPressure)与可用功率(AvailablePower)几乎没有相关性,因此从分析结果可以看出,不同高度的风速对可用功率(Available Power)是一种强正相关的关系,其余大部分特征对可用功率(AvailablePower)是一种弱正相关关系,因此获取不同高度的风速作为分析重要特征。
S8、将预测风电功率值y1、预测风电功率值y2和不同高度的风速输入到训练好的LSTM-XGBoost动态权值组合模型中,获取预测风电功率值Y;
具体地,将不同高度的风速的作为输入特征之一,同时将XGBoost预测模型中输出的预测风电功率值y1和LSTM预测模型中输出的预测风电功率值y2也作为输入特征之一输入到训练好的LSTM-XGBoost动态权值组合模型中,输出特征w1和w2;
将输出特征w1和w2带入公式(3)中,获取最终预测风电功率值Y;
Y=w1*y1+w2*y2 (3)。
进一步地,为了减少幅度对预测模型收敛速度的影响,平等特征与功率之间的联系,因此在训练集X1输入到XGBoost预测模型前,对所述训练集X1进行归一化处理,在数据集X2在输入到LSTM预测模型前,对所述训练集X2进行归一化处理。
本实施例中的实验数据选取西北某地风电发电厂2017年7月1日-2017年10月7日的历史数据进行分析,采样分辨率为15min,一天共有96个采样点。其中LSTM预测模型和XGBoost预测模型将7月1日至9月30日数据作为训练集,而10月1日至10月7日前4天单一模型预测值和风速数据作为动态权值算法的训练集,后3天作为测试集。
各个预测模型的性能指标评价指标选用MAPE(mean absolute percentageerror),辅助评价指标有平均误差(mean absolute error,MAE)进行评价分析。MAPE、MAE公式如下所示:
实验通过单一预测模型与本发明的组合模型进行对比,单一模型为LSTM预测模型和XGBoost预测模型。各模型与实际功率的对比如图9所示。各模型的相对误差如图10所示。各模型的性能评价指标如表1所示。
表1各模型的预测误差
由图9可知单一模型中XGBoost预测精度较高,但LSTM-XGBoost动态权值组合模型比XGBoost预测模型预测结果更接近真实值。由图10可知,在采样点[50,230]区间,功率变化较大情况下LSTM-XGBoost动态权值组合模型具有更低的误差能量占比,表明组合预测模型相比于单一模型能够更好的应对天气突变情况。从表1可知,从整体误差评价上LSTM-XGBoost动态权值组合模型MAPE、MAE值均低于单一预测模型,相较于LSTM模型MAPE提升11.64%,相较于XGBoost模型MAPE提升37.86%。因此组合模型整体预测精度更高。
本发明与静态权值法预测准确率对比分析:
本发明基于XGBoost构建不同风速下的动态权值组合算法。实验通过与静态权值法中的误差倒数法和步进搜索法进行对比。误差倒数法是以单一预测模型整体误差评价计算出权值。步进搜索法采用步长为0.001,搜索范围在[0,1]区间,通过逐步比较整体误差从而找到最优权值分配方案。动态权值法与静态权值法性能评价如表2所示。
表2不同权值组合方法的预测误差
从表2中主要评价指标MAPE可以看出静态权值法误差均处于LSTM和XGBoost单一预测模型之间。动态权值法相较于误差倒数法MAPE提升11.74%,相较于步进搜索法MAPE提升19.30%。辅助指标MAE中三者指标接近。
表3不同权值组合方法的预测误差区间
通过表3分析三者的误差区间个数可以看出,三者分布情况极为相似,但MAPE指标上的较大差异。原因在于MAPE是通过计算误差与实际功率值的占比再求平均值所得,因此表明LSTM-XGBoost动态权值组合法在功率突变时能够得到更加准确的结果。
以上公开的仅为本发明的较佳地几个具体实施例,但是,本发明实施例并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (6)
1.一种短期风电功率组合模型预测方法,其特征在于,包括以下步骤:
根据NWP数据和真实历史风电功率数据y构建训练集X1;
通过XGBoost预测模型,输入训练集X1获取预测风电功率值y1;
在训练集X1的基础上,构建时间序列数据结构的训练集X2;
通过LSTM预测模型,输入训练集X2获取预测风电功率值y2;
根据真实历史风电功率数据y、预测风电功率值y1和预测风电功率值y2获得特征w1和w2;
将预测风电功率值y1和预测风电功率值y2作为输入,将特征w1和w2作为输出,构建并训练LSTM-XGBoost动态权值组合模型;
采用Pearson相关系数法分析训练集X1中各项特征对于风电功率的影响程度,获取不同高度的风速作为重要特征;
将预测风电功率值y1、预测风电功率值y2和不同高度的风速输入到训练好的LSTM-XGBoost动态权值组合模型中,获取预测风电功率值Y。
2.根据权利要求1所述的一种短期风电功率组合模型预测方法,其特征在于,所述NWP数据包括风速、风向、湿度、气压和温度。
3.根据权利要求1所述的一种短期风电功率组合模型预测方法,其特征在于,在训练集X1输入到XGBoost预测模型前,对所述训练集X1进行归一化处理,在数据集X2在输入到LSTM预测模型前,对所述训练集X2进行归一化处理。
5.根据权利要求1所述的一种短期风电功率组合模型预测方法,其特征在于,所述获取不同高度的风速作为重要特征包括以下具体步骤:
将训练集X1中的各项特征,输入到Pearson相关系数公式中,得到各项特征与其它特征的相关系数数据;
将相关系数数据通过热力图方式实现可视化分析,通过分析得出不同高度的风速与风电功率是一种强正相关的联系,因此将不同高度的风速作为分析获得的重要特征。
6.根据权利要求1所述的一种短期风电功率组合模型预测方法,其特征在于,所述获取预测风电功率值Y包括以下步骤:
将不同高度的风速的作为输入特征之一,同时将LSTM预测模型中输出的预测风电功率值y1和XGBoost预测模型中输出的预测风电功率值y2也作为输入特征之一输入到训练好的LSTM-XGBoost动态权值组合模型中,输出特征w1和w2;
将输出特征w1和w2带入公式(3)中,获取最终预测风电功率值Y;
Y=w1*y1+w2*y2 (3)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111677165.9A CN114330915A (zh) | 2021-12-31 | 2021-12-31 | 一种短期风电功率组合模型预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111677165.9A CN114330915A (zh) | 2021-12-31 | 2021-12-31 | 一种短期风电功率组合模型预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330915A true CN114330915A (zh) | 2022-04-12 |
Family
ID=81023648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111677165.9A Pending CN114330915A (zh) | 2021-12-31 | 2021-12-31 | 一种短期风电功率组合模型预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330915A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115732041A (zh) * | 2022-12-07 | 2023-03-03 | 中国石油大学(北京) | 二氧化碳捕获量预测模型构建方法、智能预测方法及装置 |
CN116565865A (zh) * | 2023-07-11 | 2023-08-08 | 湖南大学 | 一种基于深度误差反馈学习的风电功率预测方法 |
-
2021
- 2021-12-31 CN CN202111677165.9A patent/CN114330915A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115732041A (zh) * | 2022-12-07 | 2023-03-03 | 中国石油大学(北京) | 二氧化碳捕获量预测模型构建方法、智能预测方法及装置 |
CN115732041B (zh) * | 2022-12-07 | 2023-10-13 | 中国石油大学(北京) | 二氧化碳捕获量预测模型构建方法、智能预测方法及装置 |
CN116565865A (zh) * | 2023-07-11 | 2023-08-08 | 湖南大学 | 一种基于深度误差反馈学习的风电功率预测方法 |
CN116565865B (zh) * | 2023-07-11 | 2023-09-26 | 湖南大学 | 一种基于深度误差反馈学习的风电功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114330915A (zh) | 一种短期风电功率组合模型预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN111260116A (zh) | 一种基于boa-svr和模糊聚类的分时段精细化短期负荷预测方法 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
CN107992976A (zh) | 热点话题早期发展趋势预测系统及预测方法 | |
CN111369070A (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN112926265A (zh) | 基于遗传算法优化神经网络的大气多孔探针测量校准方法 | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN108647838B (zh) | 一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法 | |
CN110334847A (zh) | 基于改进K-means聚类与支持向量机的风功率预测方法 | |
CN113379142A (zh) | 一种基于风速修正和融合模型的短期风电功率预测方法 | |
CN110717281B (zh) | 基于犹豫云语言术语集和群决策的仿真模型可信度评估方法 | |
CN114357870A (zh) | 基于局部加权偏最小二乘的计量设备运行性能预测分析方法 | |
Shang et al. | Research on intelligent pest prediction of based on improved artificial neural network | |
CN116562171B (zh) | 一种温湿度在线计量的误差评估方法 | |
CN113359435A (zh) | 用于火电机组动态工况数据的修正方法 | |
CN116525135B (zh) | 基于气象因素的时空模型对疫情发展态势进行预测的方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN116565840A (zh) | 一种用于风电场风功率预测的高精度风速软测量方法 | |
CN115239029B (zh) | 考虑功率时序及气象相依特性的风电功率预测方法及系统 | |
CN116401962A (zh) | 水质模型最优特征方案的推求方法 | |
CN116070458A (zh) | 基于rac-gan的新建风电场场景生成方法 | |
CN116307039A (zh) | 一种计及气象差异性的光伏出力智能预测方法 | |
CN116029419A (zh) | 基于深度学习的长期新能源日均发电功率预测方法及系统 | |
Lian | Wind speed prediction based on CEEMD-SE and multiple echo state network with Gauss–Markov fusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |