[发明专利]一种基于主元分析和机器学习的风电功率超短期预测方法

摘要

本发明提供一种基于主元分析和机器学习的风电功率超短期预测方法，涉及电力系统技术领域。该方法首先采集n组风电数据样本集，并对缺失值采用插值方式处理；然后将n组样本历史数据中对影响风电功率大小的影响因子矩阵进行主元分析，根据累计贡献率来确定变换后的主成分数据；然后将主成分数据和截止到t‑1时刻的n组风电功率结合，作为机器学习神经网络模型的输入，再将t时刻的风电功率序列作为其目标输出，对该模型进行调参训练，保存训练后的最佳模型；最后对此模型输入预测样本即可得到风电功率的预测序列。本发明提供的基于主元分析和机器学习的风电功率超短期预测方法，大大提高了风电场发电功率超短期预测模型的计算效率和预测精度。

主权项

1.一种基于主元分析和机器学习的风电功率超短期预测方法，其特征在于：包括以下步骤：步骤1、在风电场数据的采样频率为t*下，构成n组数据的风电数据样本集合，并对缺失值采用插值方式进行处理；所述风电数据样本集合包括截止到t‑1时刻的n个风电功率数据(W)＝(W_t‑n，W_t‑(n‑1)，…，W_t‑1)，其中，W_t‑1为t‑1时刻的风电功率，W_t‑n为t‑n时刻的风电功率，以及影响风电功率大小的影响因子矩阵其中，X_i1，X_i2，…，X_im分别表示风电功率各类影响因子的数据，i＝1，2，…，n和m分别代表样本集中的第i个样本以及第m类影响因子；所述影响风电功率大小的影响因子包括风速、风向正弦值、风向余弦值、气温、气压以及湿度这些气象特征数据；步骤2、将步骤1所得的影响因子矩阵X进行主元分析(Principal Component Analysis，即PCA)，根据累计贡献率的大小来确定变换后的主成分数据；步骤3、将确定下来的风电功率影响因子的主成分数据和截止到t‑1时刻的n组原始历史数据中的风电功率W结合，作为机器学习神经网络模型的输入，再将t时刻的风电功率序列作为神经网络模型的输出对数据进行训练，保存训练最佳模型；在该模型下输入经过主元分析得到降维后的测试样本数据，最后得到风电功率的预测序列。