[发明专利]基于时域特征与XGBoost的超短期风电功率预测方法

权利要求书

1.一种基于时域特征与XGBoost的超短期风电功率预测方法，其特征在于，步骤如下：

第一步：原始数据预处理

根据风场环境中的影响因素，通过机器学习的方法对特征进行分类、标记，并进行归一化和向量化表示，使其在风环境空间中具有领域特征信息；

第二步：数据分析和特征挖掘

利用机器学习算法对表示后的特征进行模型训练，找出对风电功率影响最大的风环境特征集合及其对风电功率的影响系数；

不同类型的数据具有不同的特征，对于数据特征的识别和提取需要依据数据代表的具体信息进行特征识别和提取，之后利用机器学习的算法实现特征的自动化分类；最终形成，历史气象数据、风机状态数据、历史功率数据、风场环境数据、地理环境数据五个维度，并从时序性、变化性、内部交互性和外部交互性四个方向拓展的特征挖掘，将原始数据进行特征化表示，形成分类型的特征表示矩阵；

第三步：风电功率预测模型构建

利用集成学习的方法将各特征融入进模型对风电的超短期功率进行预测，根据k折交叉验证方法找出使得预测结果的均方根误差及平均绝对误差最小的模型；

影响风电功率的因素众多，如何识别和筛选出对风电功率影响最大的因素是构建风电功率预测模型的关键；此步骤是对模型中主特征的筛选及确定，主要内容包括：

(1)对第二步中确定的特征计算特征之间的相关系数，从而得到各特征之间的皮尔逊相关系数矩阵。通过皮尔逊相关系数分析输入特征间的相关性，确定是否存在冗余特征；相关系数的大小表示2个变量C₁，C₂之间的线性相关程度，计算公式为：

式中：分别为C₁，C₂的标准偏差；r∈[-1，1]，r越接近1，则2个输入特征间的相关性越强，r越接近0，则2个输入特征间的相关性越弱；

(2)从五个维度计算出各特征对风电功率的影响系数，筛选出对风电功率影响最大的维度，并得出各维度下各特征的影响系数分布；

(3)通过不同风场的数据比较，得出最终五个维度的特征，构建出风电功率预测模型；

第四步：风电功率预测模型训练

此部分是确定模型中个主要特征的权重；采用基于集成学习方法开发的XGBoost算法进行预测模型的参数训练，并采用K折交叉验证的方法对训练集和测试集进行分割，通过计算使得RMSE和MAE最小的参数模型来筛选出目标参数，从而构建出本发明的风电功率预测算法：TS_XGB；

XGBoost算法在GBDT基础上进行优化改进，对目标函数进行正则化及二阶泰勒展开；XGBoost的数学模型可看作由K棵分类与回归树(classification and regression tree，CART)组成的加法模型；

式中：K为树的棵数；F为所有可能的CART；f_k为一棵具体的CART；在回归过程中，参数θ＝{f₁，f₂，…，f_k}，则XGBoost的目标函数变为：

式中：第一部分为损失函数；第二部分为正则项，由K棵树的正则化项相加得到；对于决策树的正则化项，通过向量映射对每棵决策树进行改进，得到XGBoost的正则化项为：

式中：γ，λ为模型的惩罚系数；T为树叶的节点个数；ω为树叶的分数；分步骤逐步逼近优化目标函数，在第t步时，在现有的t-1棵树基础上添加1棵最优化的CART即f_t，则目标函数变为：

将式(6)进行泰勒二级展开得：

式中：gi为损失函数的一阶导数；hi为损失函数的二阶导数；

第五步：风电功率预测模型对比测试

经过前四步的数据准备、特征挖掘与模型构建，得到了基于XGBoot开发的TS_XGBoost算法，本步骤通过使用不同风场的数据，进一步验证算法的准确度，并和同类型的算法，在同一数据集上进行对比测试，验证本算法的有效性。

2.根据权利要求1所述的一种基于时域特征与XGBoost的超短期风电功率预测方法，其特征在于：第一步中，风场环境中的影响因素包括但不限于：风速、风速变化率、风向、气压、温度、湿度。