[发明专利]一种基于特征工程的XGboost风速短期预测方法

说明书

本发明公开了一种基于特征工程的用于风电机组风速预测的方法，提供了一种能够对风能的属性进行更准确表征的良好模型。该方法的主要步骤包括：一、采集风电机组端风速数据，构建基础的基于时间序列的风速原始数据集；二、对原始数据集进行数据预处理，将风速时间序列包含的数字特征提取出来形成特征序列，与原有时间序列结合成为风速时间‑特征序列，作为预测模型的输入；三、采用XGboost算法对步骤二提取风速时间—特征序列进行训练建模，得到风速预测模型；四、采用风速预测模型对风速时间‑特征序列进行预测，得到风速预测数据。该方法创新性的将特征选择与特征提取结合起来，构建风速时间‑特征序列做为预测模型输入，该模型能够进一步提高风速预测的精度。

技术领域

本发明涉及一种风电场短期风速预测领域，尤其是涉及一种基于特征工程的XGboost(eXtreme Gradient Boosting, XGboost)风速短期预测方法。

背景技术

中国新能源发电装机规模将继续快速扩大。大量风机的接入将给电网带来很大冲击，准确快速的风速预测能够给电网调度提供信息，提前做好调度准备，有效降低风电并网危害。

目前对于风速预测模型方面的研究，可以分为物理模型以及统计模型。物理模型对于超过6小时的风速预测准确度更高，该模型关注天气对风速的影响，使用风速、风向、温度、压力、地形粗糙度、风电场布局和数值天气预报作为整个模型的输入，以此来预测未来的风速数据。但是该模型训练过程中数据获取条件较其它方法苛刻，普适性不强，需要超级计算机系统的支持才能获取精确的预测结果。

统计模型是利用历史时间序列数据进行预测的一种方法，而目前的统计模型相关研究中几乎都只针对序列本身进行研究，数据利用度不高。XGboost是在梯度提升决策树(Gradient Boosting Decision Tree, GBDT)的基础上，在算法上和工程上作出了许多改进，能够多线程实现回归树的并行构建，将计算速度和效率发挥到了极致。本文创新性地提出了一种数据预处理方法，将风速序列包含的数字特征提取出来形成特征序列，与原有时间序列结合成为时间-特征序列，采用XGboost算法对风速时间-特征序列进行预测。

发明内容

本发明的目的在于考虑到风速的非线性及不稳定性，如何进一步提高风速预测模型的准确性。

为了解决上述技术问题，本发明的技术方案是提供了一种风电场短期风速预测方法，其特征在于，包括以下步骤：

步骤一：采集风电机组端风速数据，构建基础的基于时间序列的风速原始数据集；

步骤二：对原始数据集进行数据预处理，采用滑窗的方法，将基于原始数据集的风速时间序列展开形成风速滑窗时间序列；将基于原始数据集的风速时间序列包含的统计数字特征提取出来形成数字特征序列，风速滑窗时间序列与数字特征序列结合成为风速时间-特征序列，作为预测模型的输入；

步骤三：采用XGboost算法对步骤二提取风速时间-特征序列进行训练建模，得到风速预测模型；

步骤四：采用风速预测模型对风速时间-特征序列进行预测，得到风速预测数据。

所述步骤一中，对原始风速数据集进行统计，对部分缺省数据做删除预处理；