[发明专利]一种基于随机森林的风电发电量预测方法及设备

说明书

本发明公开了一种基于随机森林的风电发电量预测方法及设备，属于风电发电技术领域，用于解决现有的风电发电量预测模型的准确性低的技术问题。方法包括：采集风电发电厂的历史相关数据并进行预处理；基于预处理后的历史相关数据，拟合随机森林回归模型；根据随机森林回归模型，选取用于预测风电发电量的自变量；根据选取的自变量以及对应的风电发电量，得到训练集以及测试集；通过训练集，训练长短期记忆网络LSTM模型；将训练好的LSTM模型在测试集上进行验证，并根据验证结果，对LSTM模型进行优化；采集风电发电厂的实时相关数据，并输入到LSTM模型中，得到实时预测风电发电量；根据实时预测风电发电量，判断是否需要调配其他电力，以满足用电需求。

技术领域

本申请涉及风电发电技术领域，尤其涉及一种基于随机森林的风电发电量预测方法及设备。

背景技术

在实际风电发电量预测中，发电量可能与多个因素有关，如气温、风速、海拔等因素，这些因素与发电量之间的关系可能不是简单的线性关系，而是复杂的非线性关系，且各个变量对预测发电量的贡献不尽相同，可能存在大量的无关变量。在训练模型以及进行预测时，如选择变量太少预测效果不理想，将所有变量传入模型，又会极大的拖慢模型的运行速度并影响模型预测结果的准确性。

发明内容

本申请实施例提供了一种基于随机森林的风电发电量预测方法及设备，用于解决如下技术问题：现有的风电发电量预测模型的准确性低。

本申请实施例采用下述技术方案：

一方面，本申请实施例提供了一种基于随机森林的风电发电量预测方法，方法包括：采集风电发电厂的历史相关数据并进行预处理；基于预处理后的所述历史相关数据，拟合随机森林回归模型；根据所述随机森林回归模型，选取用于预测风电发电量的自变量；根据选取的所述自变量以及对应的风电发电量，得到训练集以及测试集；通过所述训练集，训练长短期记忆网络LSTM模型；将训练好的LSTM模型在所述测试集上进行验证，并根据验证结果，对所述LSTM模型进行优化；采集所述风电发电厂的实时相关数据，并输入到所述LSTM模型中，得到实时预测风电发电量；根据所述实时预测风电发电量，判断是否需要调配其他电力，以满足用电需求。

本申请实施例通过将随机森林回归模型与长短期记忆网络模型相结合，筛选出对预测发电量贡献较大的变量对当期风电发电量进行预测，进而可以给决策者提供信息支持，在电力不足时及时调配其他电力，以满足用电需求。

在一种可行的实施方式中，采集风电发电厂的历史相关数据并进行预处理，具体包括：在数据库中获取所述风电发电厂每个时期的历史相关数据；其中，所述历史相关数据至少包括每个时期对应的气温、气压、风速、海拔以及风电发电量；对所述历史相关数据进行缺失值检测，并删除缺失值，得到预处理后的历史相关数据。

本申请实施例通过收集尽可能多的可能影响风电发电量的变量来做预测，并对收集的数据进行删除缺失值的处理，使用于训练长短期记忆网络模型的数据更加有代表性，且完整性更高，从而提高长短期记忆网络模型的训练准确率。

在一种可行的实施方式中，基于预处理后的所述历史相关数据，拟合随机森林回归模型，具体包括：将预处理后的所述历史相关数据中的风电发电量作为因变量，将其他数据作为自变量，拟合随机森林回归模型。

在一种可行的实施方式中，根据所述随机森林回归模型，选取用于预测风电发电量的自变量，具体包括：通过所述随机森林回归模型，对每个自变量进行打分，并按照分数对每个自变量进行排序，得到每个自变量对预测风电发电量的重要性排序；在所述重要性排序中，从前向后选取预设数量的自变量，作为所述用于预测风电发电量的自变量。

在一种可行的实施方式中，根据选取的所述自变量以及对应的风电发电量，得到训练集以及测试集，具体包括：在所述历史相关数据中，将选取的所述自变量以及对应的风电发电量取出，并按照3:1的比例，划分为训练集和测试集。