[发明专利]基于自变量交叉验证的海上风电功率组合预测方法及系统

权利要求书

1.一种基于自变量交叉验证的海上风电功率组合预测方法，其特征在于，包括：

获取待预测风力发电机的历史数据集，并进行相应预处理；

使用预处理后的数据对随机森林回归模型进行训练，基于训练好的随机森林回归模型对所述风力发电机历史数据集中的不同变量数据按照重要程度进行排序，获得排序结果；

基于十折交叉验证方法，从所述排序结果中选择特定数量的重要程度排序靠前的变量数据作为风电功率预测自变量；

以风力发电机历史数据集中的风电功率预测自变量数据和其对应的功率数据作为数据集，将数据集分为训练集和测试集，使用训练集对构建的预测模型进行训练，获得训练好的预测模型；

通过所述测试集测试所述预测模型的预测精度，保证所述预测模型满足需求的预测精度，进而保证数据间关系的探索，提高预测效率；

将待预测风力发电机当前对应的风电功率预测自变量数据输入训练好的预测模型中，获得风电功率预测结果。

2.如权利要求1所述的一种基于自变量交叉验证的海上风电功率组合预测方法，其特征在于，对所述风力发电机历史数据集中的不同变量数据按照重要程度进行排序，获得排序结果，具体为：基于预先训练的随机森林模型，确定所述风力发电机的状态数据及环境数据中的不同变量的MSE值，基于MSE值对所述不同变量进行排序，获得不同变量的排序结果。

3.如权利要求1所述的一种基于自变量交叉验证的海上风电功率组合预测方法，其特征在于，所述基于十折交叉验证方法，从所述排序结果中选择特定数量的重要程度排序靠前的变量数据作为风电功率预测自变量，具体为：

基于十折交叉验证方法，利用所述风力发电机的历史数据集以及预先训练的随机森林模型进行交叉验证，确定从所述排序结果中需要选择变量的特定数量。

4.如权利要求1所述的一种基于自变量交叉验证的海上风电功率组合预测方法，其特征在于，在将所述风电功率预测自变量输入所述预测模型之前，需要预先对所述风电功率预测自变量序列通过一维卷积神经网络进行特征提取。

5.如权利要求1所述的一种基于自变量交叉验证的海上风电功率组合预测方法，其特征在于，所述预测模型采用双向长短时记忆神经网络模型。

6.如权利要求1所述的一种基于自变量交叉验证的海上风电功率组合预测方法，其特征在于，所述获取当前风力发电机的历史数据集，所述历史数据集包括风力发电机的状态数据及其对应环境数据，和风力发电机实际输出功率值。

7.如权利要求6所述的一种基于自变量交叉验证的海上风电功率组合预测方法，其特征在于，所述风力发电机的状态数据包括：风力发电机转速、桨叶叶片角度、桨叶对风角度、机舱温度及齿箱油温变量；所述环境数据包括：环境温度、风速、风向以及电网频率变量。

8.一种基于自变量交叉验证的海上风电功率组合预测系统，其特征在于，包括：

数据获取单元，其用于获取待预测风力发电机的历史数据集，并进行相应预处理；

变量数据排序单元，其用于使用预处理后的数据对随机森林回归模型进行训练，基于训练好的随机森林回归模型对所述风力发电机历史数据集中的不同变量数据按照重要程度进行排序，获得排序结果；

自变量选择单元，其用于基于十折交叉验证方法，从所述排序结果中选择特定数量的重要程度排序靠前的变量数据作为风电功率预测自变量；

模型训练单元，其用于以风力发电机历史数据集中的风电功率预测自变量数据和其对应的功率数据作为数据集，将数据集分为训练集和测试集，使用训练集对构建的预测模型进行训练，获得训练好的预测模型；

验证单元，其用于通过所述测试集测试所述预测模型的预测精度，保证所述预测模型满足需求的预测精度，进而保证数据间关系的探索，提高预测效率；

预测单元，其用于将待预测风力发电机当前对应的风电功率预测自变量数据输入训练好的预测模型中，获得风电功率预测结果。