[发明专利]一种基于改进随机森林的光伏功率超短期预测方法

说明书

本发明的一种基于改进随机森林的光伏功率超短期预测计算方法，其特点是，包括：随机森林模型的初步预测、初步预测结果下午时段的修正、初步预测结果上午时段的修正、仿真计算和误差分析步骤，将光伏功率日周期性分析应用随机森林模型所得到的双时段序列预测中，并且与基础随机森林预测方法对比进行预测，能够反映系统动态特性、跟踪未来功率趋势；改进随机森林超短期预测模型是一种修正预测模型，本模型计算简单、预测性能高、物理意义清晰、预测结果有效、实用性强。

技术领域

本发明涉及光伏功率预测领域，是一种基于改进随机森林的光伏功率超短期预测方法。

背景技术

光伏发电已经成为继风力发电之后的可再生能源发电的新增长点。光伏发电就是利用设备将太阳能资源转化成我们所需要的电能。由于日照具有昼夜周期性，且容易受气候、气象的影响，因此，光伏功率呈现出间歇性、波动性和随机性的特点。光伏功率的准确预测，直接影响电网的安全经济运行。

光伏功率超短期预测是指自预测时刻起未来15分钟至4小时的预测预报，时间分辨率为15分钟。超短期预测的意义在于滚动修正计划曲线，及时调整有功出力。

现有的超短期预测一般建立了历史输入数据与未来功率输出的映射关系，可以直接根据历史数据预测未来的功率值，从而获得较高的预测精度。对于人工智能法，对于处理非线性时间序列有很大优势，但存在着无法反映系统的动态特性、无法跟踪未来功率趋势的缺点。

发明内容

本发明的目的是，克服现有技术的不足，提供一种科学合理，物理意义清晰、快速高效、简单实用、精度更高且能够反映系统动态特性、跟踪未来功率趋势的基于改进随机森林的光伏功率超短期预测方法。

实现本发明目的采用的技术方案是：一种基于改进随机森林的光伏功率超短期预测方法，其特征在于：它包括以下步骤：

1)随机森林模型的初步预测

利用随机森林模型将光伏功率历史功率进行不剪枝分裂，生成CART决策树，CART决策树是一种二分递归分割技术，在除叶节点外的每个节点，将当前样本集分割为两个子集，

CART决策树所采用的属性选择量度是基尼指数，设数据集D包含m个类别，将基尼指数G_D的计算公式定义为式(1)：

式中：p_j为j类元素出现的频率；

基尼指数需要考虑每个属性的二元划分，设属性A的二元划分将数据集D划分成D₁和D₂，

则此次在子节点以某属性A划分样本集D的基尼指数为式(2)：

通过k轮训练,得到一个分类模型序列{h₁(X),h₂(X),…,h_k(X)},再用它们构成一个多分类模型系统,该系统的最终分类结果采用简单多数投票法，

最终的分类决策结果如式(3)：

其中,H(x)表示组合分类模型,hi是单个决策树分类模型,Y表示输出变量或称目标变量,I(·)为示性函数，式(1)说明了使用多数投票决策的方式来确定最终的分类；

2)初步预测结果下午时段的修正

下午下降区域峰值：此时已产生当前最大出力点，采用当前最大出力点进行修正，修正方法如式(4)：