CN114493004A - 一种基于机器学习的单点风速短临风速外推方法 - Google Patents
一种基于机器学习的单点风速短临风速外推方法 Download PDFInfo
- Publication number
- CN114493004A CN114493004A CN202210097236.6A CN202210097236A CN114493004A CN 114493004 A CN114493004 A CN 114493004A CN 202210097236 A CN202210097236 A CN 202210097236A CN 114493004 A CN114493004 A CN 114493004A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- machine learning
- integrated machine
- sample set
- samples
- 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.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013213 extrapolation Methods 0.000 title claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 2
- 238000013277 forecasting method Methods 0.000 abstract 1
- 101000935149 Conus striatus Kappa-conotoxin-like SIVB Proteins 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于机器学习的单点风速短临风速外推方法涉及风速预测技术领域,解决了现有预测风速不够准确的问题,包括:获得历史风速样本并分成训练样本集和测试样本集;取训练样本集中的历史风速样本得到多个时间序列,时间序列之间的时间长度不同但样本总量相同;训练载有集成机器学习算法的模型得到初级集成机器学习模型;采用测试样本集测试初级集成机器学习模型得到测试结果;选取最优测试结果对应的初级集成机器学习模型作为集成机器学习模型,最优测试结果对应的时间序列间隔点数作为集成机器学习模型的输入长度;将满足输入长度的历史风速数据作为集成机器学习模型的输入,集成机器学习模型输出预测的短临风速。本发明预测风速的准确性高。
Description
技术领域
本发明涉及风速预测技术领域,具体涉及一种基于机器学习的单点风速短临风速外推方法。
背景技术
时间序列是指将同一的统计指标的数值按其先后发生的时间顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。常用的时间序列模型有AR模型(Autoregressive model:自回归模型)、MA模型(moving average model:滑动平均模型)、ARMA模型(Auto-Regressive and Moving Average Model:自回归滑动平均模型)和ARIMA模型(Autoregressive Integrated Moving Average Model:自回归积分滑动平均模型)等。随着机器学习的发展,SVM(Support Vector Machine)、DT(Decision Tree)、LSTM(Long short-term memory)等机器学习和深度学习方法也慢慢的应该用到了时间序列外推当中。集成算法的提出,更加提高了准确性更高的机器学习模型,目前RF(RandomForest)、Adaboost(Adaptive boosting)等机器学习算法的提出给基于时间序列外推提供了新的思路。
目前,随着国家对新能源,风能发电的重视,在包括陆地和海上的不同地区建立了风电场进行发电,如何准确预测风速,对组织风电厂发电策略,功率预测,电力交易都有着一定的指导意义。但是现有的预测方法的准确性均较低。预测风速的准确性直接影响风电厂发电策略,因此亟需一种预测准确性较高的短临风速的外推方法。
发明内容
为了解决现有短临风速预测风速不够准确的问题,本发明提供一种基于机器学习的单点风速短临风速外推方法。
本发明为解决技术问题所采用的技术方案如下:
一种基于机器学习的单点风速短临风速外推方法,包括如下步骤:
S1、获得历史风速样本,将历史风速样本分成训练样本集和测试样本集;
S2、取训练样本集中的历史风速样本得到多个时间序列,不同时间序列之间的时间长度不同,不同时间序列中的历史风速样本的样本总量相同;
S3、训练载有集成机器学习算法的模型得到初级集成机器学习模型,所述模型训练的输入为一个时间序列;
S4、采用测试样本集测试初级集成机器学习模型得到测试结果;
S5、待所有初级集成机器学习模型测试完成后,选取最优测试结果对应的初级集成机器学习模型作为集成机器学习模型,最优测试结果对应的时间序列的n作为集成机器学习模型的输入长度,所述n为在历史风速样本的时间分辨率下时间序列实际长度的间隔点数;
S6、将满足输入长度的历史风速数据作为集成机器学习模型的输入,集成机器学习模型输出预测的短临风速。
本发明的有益效果是:
本发明的一种基于机器学习的单点风速短临风速外推方法的选取了最优时间序列的集成机器学习短临风速预报模型进行外推,该模型有较强的鲁棒性,并在样本数量不多的情况下也可以表现出相对优异的结果,并且优于传统方法。为陆地,特别是海上风电场的短临预报提供了一种较为泛化的策略,提升了风速预报效果。
附图说明
图1为传统的单点风速短临风速外推方法的不同预报时刻的平均相对误差图。
图2为本发明的一种基于机器学习的单点风速短临风速外推方法采用80%样本作为训练样本集得到的不同预报时刻的平均相对误差图。
图3为本发明的一种基于机器学习的单点风速短临风速外推方法采用50%样本作为训练样本集得到的不同预报时刻的平均相对误差图。
图4为本发明的一种基于机器学习的单点风速短临风速外推方法采用25%样本作为训练样本集得到的不同预报时刻的平均相对误差图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
一种基于机器学习的单点风速短临风速外推方法,包括如下步骤:
S1、基于测风塔或海上风电场等的历史实况数据获得历史风速样本,将历史风速样本分成训练样本集和测试样本集;将历史风速样本分成训练样本集和测试样本集;
S2、取训练样本集中的历史风速样本得到多个时间序列,不同时间序列之间的时间长度不同,不同时间序列中的历史风速样本的样本总量相同;
S3、训练载有集成机器学习算法的模型得到初级集成机器学习模型,所述模型训练的输入为一个时间序列;即以每个时间序列分别作为载有集成机器学习算法的模型的输入进行模型训练,得到多个初级集成机器学习模型;每个时间序列对应一个初级集成机器学习模型;
S4、采用测试样本集测试初级集成机器学习模型得到测试结果;
S5、待所有初级集成机器学习模型测试完成后,根据所有的测试结果选取最优测试结果,再选取最优测试结果对应的初级集成机器学习模型作为集成机器学习模型,最优测试结果对应的时间序列的n作为集成机器学习模型的输入长度,n表示在历史风速样本的时间分辨率Rt下时间序列实际长度的间隔点数;
S6、将满足输入长度的历史风速数据作为集成机器学习模型的输入,集成机器学习模型输出预测的短临风速。
上述S2中每个时间序列的n的确定方法为:
Li表示时间序列的实际长度,设初始时间序列实际长度Li为Ls,I小时间隔递增,最长的时间序列实际长度Li为Lmax,n=(60/Rt)×Ls+(60/Rt)×I×j,其中j∈[0,(Lmax-Ls)/I],且j为整数,Rt表示历史风速样本的时间分辨率。Ls为本发明欲预测的短临风速的时间长度。不同时间序列之间的时间长度不同具体为:不同时间序列的Li不同,不同时间序列的间隔点数n也不同。
上述S3中,时间序列的n作为载有集成机器学习算法的模型的训练输入x,本发明欲预测的短临风速的时间长度作为载有集成机器学习算法的模型的训练样本模型的训练输入y。
上述S4中每个初级集成机器学习模型的测试过程为:
S4.1、利用待测试的初级集成机器学习模型预测测试样本集中所有测试样本对应的预测结果,计算预测结果和与其对应的观测结果(该预测结果对应的测试样本集中测试样本)之间的平均误差ME、均方根误差RMSE、平均绝对误差MAE、平均相对误差MRE和相关系数CO。
S4.2、根据S4.1得到的ME、RMSE、MAE和MRE,计算步骤S2得到所有时间序列中的某一个时间序列对应的median(MAE)得到MAEmp,计算np对应的median(RMAE)得到RMAEmp,计算np对应的median(MRE)得到MREmp,计算np对应的median(abs(ME))得到abs(ME)mp,median()表示中位数函数,abs()表示绝对值函数;以作为S4.3的比较基准。
S4.3、对于除外S4.2的时间序列外每个时间序列,根据其在S4.1中得到的MAE、计算其MAE小于MAEmp的测试样本的数量占测试样本集的百分比得到第一百分比;对于除外S4.2的时间序列外每个时间序列,根据其在S4.1中得到的RMAE、计算其RMAE小于RMAEmp的测试样本的数量占测试样本集的百分比得到第二百分比;对于除外S4.2的时间序列外每个时间序列,根据其在S4.1中得到的MRE、计算其MRE小于MREmp的测试样本的数量占测试样本集的百分比得到第三百分比;对于除外S4.2的时间序列外每个时间序列,根据其在S4.1中得到的ME、计算其ME绝对值小于abs(ME)mp的测试样本的数量占测试样本集的百分比得到第四百分比;对于除外S4.2的时间序列外每个时间序列,根据其在S4.1中得到的CO、计算其CO大于Y的测试样本的数量占测试样本集的百分比得到第五百分比,Y表示常数且0<Y<1,Y为预设值,例如Y=0.5。计算除外np外每个n的第一百分比、第二百分比、第三百分比、第四百分比和第五百分比的总和criteria,总和作为测试结果,也就是作为测试评价准则。
S5中最优测试结果为除S4.2中时间序列外的每个时间序列对应的测试结果中的最大值。
下面举例具体阐述本发明的外推方法。基于测风塔或海上风电场等的实况数据的时间分辨率Rt,通过下述多指标命中频率法(即S4.1~S4.3)来计算选取最优的样本长度,通过集成机器学习模型的方法来预报为来4小时的风速,得到与实况时间分辨率间隔相同的风速值。
选取集成机器学习算法(boost系列)包括不限于Xgboost(极端梯度提升eXtremeGradient Boosting)、Catboost(Gradient Boosting+Categorical Features基于梯度提升决策树的机器学习方法)、LightGBM(Light Gradient Boosting Machine)、Adaboost,本实施方式中选取Adaboost作为模型用来进行短临风速预报。
将历史风速样本随机分割成80%和20%,80%部分作为训练样本集,20%部分作为测试样本集。选取不同的时间长度的时间序列n作为训练样本模型的x,4小时时间序列的实际长度作为训练样本y,用载有集成机器学习算法的模型将上述训练样本集的样本切成不同时间序列实际长度放入模型进行建模,根据建模结果,计算测试样本集中样本的预测结果与观测结果之间的平均误差(ME),均方根误差(RMSE),平均相对误差(MRE),平均相对误差(MAE),相关系数(CO)。
时间长度的选取策略为以4小时长度为初始实际长度,2小时间隔递增,72小时为最长时间序列,即以时间间隔10分钟为例,n=[24,36,48,60,72,84,96,108,120,132,144,156,168,180,192,204,216,228,240,252,264,276,288,300,312,324,336,348,360,372,384,396,408,420,432],对于不同时间序列来说,样本数总量应该保证相同。时间序列n为(60/时间分辨率)×4+(60/时间分辨率)×2×j,j∈[0,34]。
对于不同时间序列模型来说,均计算得到有ME(即MEn)、MAE(即MAEn)、RMSE(即RMSEn)、CO(即COn)、MRE(即MREn)有五个评价指标,为了对模型进行一个综合评价,需要计算一个综合指标。当n=24的时候(即S4.2中选择了n为24的时间序列),对所有测试样本计算预测结果与观测结果之间的MAE、RMSE、MRE和abs(ME),并计算上述评价指标的中位数,用n=[36,48,60,72,84,96,108,120,132,144,156,168,180,192,204,216,228,240,252,264,276,288,300,312,324,336,348,360,372,384,396,408,420,432]的评价指标与n=24的MAEmp、RMAEmp、MREmp、abs(ME)mp进行比较,计算n为除了24以外的不同值时其MAE、RMSE、MRE、abs(ME)小于n=24的MAE(即MAE24)的中位数、RMSE(即RMSE24)的中位数、MRE(即MRE24)的中位数、abs(ME)(即abs(ME24))的中位数的样本占所有测试样本的百分比;计算所有CO大于0.5的占总样本的百分比;即:Percent(RMSEi<median(RMSE24)),Percent(MAEi<median(MAE24)),Percent(MREi<median(MRE24)),Percent(abs(MEi)<median(abs(ME24)))和Percent(COi>0.5)),计算criteriai={Percent(RMSEi<median(RMSE24))+Percent(MAEi<median(MAE24))+Percent(MREi<median(MRE24))+Percent(abs(MEi)<median(abs(ME24)))+Percent(COi>0.5))},i∈[36,48,60,72,84,96,108,120,132,144,156,168,180,192,204,216,228,240,252,264,276,288,300,312,324,336,348,360,372,384,396,408,420,432]。
寻找criteriai最大值所对应的n,即为最优长度,即用时间序列的n作为最终的外推模型输入长度,以criteriai最大值所对应的初级集成机器学习模型作为集成机器学习模型。将满足输入时间长度的历史风速数据作为集成机器学习模型的输入,集成机器学习模型输出预测的短临风速,即未来4小时的风速。
下面以实际应用的例子进行详述选取如东海上风电场的2018年全年激光测风雷达39m高度的平均风速作为历史风速样本;数据集时间间隔为10min,时间长度为一年,6*24*365=52560,最终筛选了36194有效样本。并将这36194个样本分成:训练样本集和测试样本集合(80%比20%),即:
训练样本集:x_train(29275:n)y_train(29275:24)
测试样本集:x_test(7319:n)y_test(7319:24)
针对不同地时间长度的时间序列进行建模,并计算criteria,最终得到n=192时,criteria最大。选取n=192的时间序列所训练的模型作为最终模型,并通过交叉验证优化超参数进而得到优化后的最终模型。为了检验模型的准确能力和鲁棒性,以及考虑到在实际的应用条件下,针对单点风电场历史数据量统计较少,可能无法满足数据提供年级别的数据,本研究对数据进行了不同训练样本量的实验,分别用了一年的25%、50%和80%进行对比,为保证实验的可比性,需要保证测试赝样本均为相同的20%,即测试样本集的样本完全相同,而25%,50%和80%均从80%训练样本集中提取。选取了n=[96,108,120,132,144,156,168,180,192]的时间序列的结果进行训练,结果用平均相对误差MRE进行比较,并与传统方法进行比较。图1为传统方法预测单点短临风速的平均相对误差图,图2为本发明的方法采用80%历史样本数据作为训练样本集的预测单点短临风速的平均相对误差图,图3为本发明的方法采用50%历史样本数据作为训练样本集的预测单点短临风速的平均相对误差图,图4为本发明的方法采用25%历史样本数据作为训练样本集的预测单点短临风速的平均相对误差图。针对短临预报未来4小时,传统的做法(时间分辨率为15分钟)相对误差在10%~30%(甚至50%),本发明(时间分辨率为10分钟)的相对误差大概6%~12%。即使是训练样本在25%的条件下,本发明预测的相对误差大概在7.5%~20%,也优于传统统计方法。
因此,本发明的一种基于机器学习的单点风速短临风速外推方法的选取了最优时间序列的集成机器学习短临风速预报模型进行外推,该模型有较强的鲁棒性,并在样本数量不多的情况下也可以表现出相对优异的结果,并且优于传统方法。为陆地,特别是海上风电场的短临预报提供了一种较为泛化的策略,提升了风速预报效果。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于机器学习的单点风速短临风速外推方法,其特征在于,包括如下步骤:
S1、获得历史风速样本,将历史风速样本分成训练样本集和测试样本集;
S2、取训练样本集中的历史风速样本得到多个时间序列,不同时间序列之间的时间长度不同,不同时间序列中的历史风速样本的样本总量相同;
S3、训练载有集成机器学习算法的模型得到初级集成机器学习模型,所述模型训练的输入为一个时间序列;
S4、采用测试样本集测试初级集成机器学习模型得到测试结果;
S5、待所有初级集成机器学习模型测试完成后,选取最优测试结果对应的初级集成机器学习模型作为集成机器学习模型,最优测试结果对应的时间序列的n作为集成机器学习模型的输入长度,所述n为在历史风速样本的时间分辨率下时间序列实际长度的间隔点数;
S6、将满足输入长度的历史风速数据作为集成机器学习模型的输入,集成机器学习模型输出预测的短临风速。
2.如权利要求1所述的一种基于机器学习的单点风速短临风速外推方法,其特征在于,所述S2中每个时间序列的n的确定方法为:
设初始时间序列实际长度为Ls,I小时间隔递增,最长的时间序列实际长度为Lmax,ni表示时间序列实际长度Li对应的n,ni=(60/Rt)×Ls+(60/Rt)×I×j,其中j∈[0,(Lmax-Ls)/I],且j为整数。Rt表示历史风速样本的时间分辨率。
3.如权利要求2所述的一种基于机器学习的单点风速短临风速外推方法,其特征在于,所述S6得到的预测的短临风速为未来的Ls时间的风速。
4.如权利要求1所述的一种基于机器学习的单点风速短临风速外推方法,其特征在于,所述S4中每个初级集成机器学习模型的测试过程为:
S4.1、利用待测试的初级集成机器学习模型预测测试样本集中所有测试样本对应的预测结果,计算预测结果与该预测结果对应的测试样本之间的平均误差ME、均方根误差RMSE、平均绝对误差MAE、平均相对误差MRE和相关系数CO;
S4.2、根据S4.1得到的ME、RMSE、MAE和MRE,计算步骤S2得到所有时间序列中的某一个时间序列对应的median(MAE)得到MAEmp,计算np对应的median(RMAE)得到RMAEmp,计算np对应的median(MRE)得到MREmp,计算np对应的median(abs(ME))得到abs(ME)mp,median()表示中位数函数,abs()表示绝对值函数;
S4.3、对于除外S4.2的时间序列外每个时间序列,计算其MAE小于MAEmp的测试样本的数量占测试样本集的百分比得到第一百分比、计算其RMAE小于RMAEmp的测试样本的数量占测试样本集的百分比得到第二百分比、计算其MRE小于MREmp的测试样本的数量占测试样本集的百分比得到第三百分比、计算其ME绝对值小于abs(ME)mp的测试样本的数量占测试样本集的百分比得到第四百分比、计算其CO大于Y的测试样本的数量占测试样本集的百分比得到第五百分比,Y表示常数且0<Y<1,计算除外np外每个n的第一百分比、第二百分比、第三百分比、第四百分比和第五百分比的总和criteria,criteria作为测试结果。
5.如权利要求4所述的一种基于机器学习的单点风速短临风速外推方法,其特征在于,所述S5中最优测试结果为S4.3得到的criteria的最大值。
6.如权利要求1所述的一种基于机器学习的单点风速短临风速外推方法,其特征在于,所述训练样本集的训练样本通过历史风速样本随机分配得到,所述测试样本集的测试样本通过历史风速样本随机分配得到。
7.如权利要求1所述的一种基于机器学习的单点风速短临风速外推方法,其特征在于,所述集成机器学习算法采用Xgboost、Catboost、LightGBM或Adaboost。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210097236.6A CN114493004B (zh) | 2022-01-27 | 2022-01-27 | 一种基于机器学习的单点风速短临风速外推方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210097236.6A CN114493004B (zh) | 2022-01-27 | 2022-01-27 | 一种基于机器学习的单点风速短临风速外推方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114493004A true CN114493004A (zh) | 2022-05-13 |
CN114493004B CN114493004B (zh) | 2024-01-12 |
Family
ID=81476241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210097236.6A Active CN114493004B (zh) | 2022-01-27 | 2022-01-27 | 一种基于机器学习的单点风速短临风速外推方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114493004B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203827A (zh) * | 2017-06-21 | 2017-09-26 | 南京信息工程大学 | 一种基于多尺度分析的风电机风速预测优化方法 |
CN107292447A (zh) * | 2017-07-11 | 2017-10-24 | 国电联合动力技术有限公司 | 一种基于小数据量法的短期风速预测方法及系统 |
CN107688863A (zh) * | 2017-07-13 | 2018-02-13 | 天津大学 | 自适应迭代加强的短期风速高精度组合预测方法 |
CN109242204A (zh) * | 2018-09-30 | 2019-01-18 | 淮阴工学院 | 基于最优vmd与同步优化的超短期风速预测方法 |
CN111178616A (zh) * | 2019-12-24 | 2020-05-19 | 淮阴工学院 | 基于负相关学习和正则化极限学习机集成的风速预测方法 |
CN113869604A (zh) * | 2021-10-25 | 2021-12-31 | 山东大学 | 基于wrf风速预测的风电功率预测方法及系统 |
CN114021830A (zh) * | 2021-11-12 | 2022-02-08 | 天津大学 | 一种基于cnn-lstm的多时间范围风速预测方法 |
-
2022
- 2022-01-27 CN CN202210097236.6A patent/CN114493004B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107203827A (zh) * | 2017-06-21 | 2017-09-26 | 南京信息工程大学 | 一种基于多尺度分析的风电机风速预测优化方法 |
CN107292447A (zh) * | 2017-07-11 | 2017-10-24 | 国电联合动力技术有限公司 | 一种基于小数据量法的短期风速预测方法及系统 |
CN107688863A (zh) * | 2017-07-13 | 2018-02-13 | 天津大学 | 自适应迭代加强的短期风速高精度组合预测方法 |
CN109242204A (zh) * | 2018-09-30 | 2019-01-18 | 淮阴工学院 | 基于最优vmd与同步优化的超短期风速预测方法 |
CN111178616A (zh) * | 2019-12-24 | 2020-05-19 | 淮阴工学院 | 基于负相关学习和正则化极限学习机集成的风速预测方法 |
CN113869604A (zh) * | 2021-10-25 | 2021-12-31 | 山东大学 | 基于wrf风速预测的风电功率预测方法及系统 |
CN114021830A (zh) * | 2021-11-12 | 2022-02-08 | 天津大学 | 一种基于cnn-lstm的多时间范围风速预测方法 |
Non-Patent Citations (2)
Title |
---|
张雪松;朱想;赵波;魏海坤;邵海见;: "基于流形算法与RBF网络的超短期风速预测", 计算机工程, no. 11 * |
袁翀: "基于历史气象数据的风电场风速和风功率预测研究", 《中国优秀硕士学位论文全文数据库·工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114493004B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022135265A1 (zh) | 气候变化影响下水库调度规则的失效预警分析方法 | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
CN107194495B (zh) | 一种基于历史数据挖掘的光伏功率纵向预测方法 | |
CN108876021B (zh) | 一种中长期径流预报方法及系统 | |
CN111753893A (zh) | 一种基于聚类和深度学习的风电机组功率集群预测方法 | |
Hu et al. | Rainfall–runoff modeling using principal component analysis and neural network | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN115270965A (zh) | 一种配电网线路故障预测方法和装置 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN113505927B (zh) | 太阳能驱鸟设备电池容量选型方法、装置、设备和介质 | |
CN116128141B (zh) | 风暴潮预测方法、装置、存储介质及电子设备 | |
CN111639803A (zh) | 一种应用于气候变化情景下区域未来植被指数的预估方法 | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN111292124A (zh) | 一种基于优化组合神经网络的需水预测方法 | |
CN115759445A (zh) | 一种基于机器学习和云模型的分类洪水随机预报方法 | |
CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
CN115310648A (zh) | 一种基于多气象变量模型识别的中长期风电功率组合预测方法 | |
CN112070320B (zh) | 一种基于动态谐波回归的超短期风电功率预测方法及系统 | |
CN114493004B (zh) | 一种基于机器学习的单点风速短临风速外推方法 | |
Hammer et al. | Comparing the value of seasonal climate forecasting systems in managing cropping systems | |
CN116070458A (zh) | 基于rac-gan的新建风电场场景生成方法 | |
CN115296298A (zh) | 一种风电场功率预测方法 | |
CN115496264A (zh) | 一种风电机组发电功率的预测方法 | |
Zhang | Short-term load forecasting of power model based on CS-Catboost algorithm |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |