面向新能源高精度预测的机器学习特征选择方法技术

本申请涉及一种面向新能源高精度预测的机器学习特征选择方法

【技术实现步骤摘要】
面向新能源高精度预测的机器学习特征选择方法


[0001]本申请涉及新能源
，特别是涉及一种面向新能源高精度预测的机器学习特征选择方法
、
装置
、
计算机设备
、
存储介质和计算机程序产品
。

技术介绍

[0002]新能源一般是指在新技术基础上加以开发利用的可再生能源
。
随着常规能源的有限性以及环境问题的日益突出，以环保和可再生为特质的新能源越来越得到重视
。
新能源出力受气象因素影响，具有较强的随机性
、
波动性
。
大规模的新能源并网对电力系统安全稳定运行带来挑战，功率预测是解决新能源并网的关键措施之一
。
[0003]在传统的功率预测过程中，主要通过选取气象特征进行功率预测
。
然而，由于影响新能源出力的气象特征因素繁多，对于不同气候条件下的新能源发电系统影响出力的气象特征不同
。
因此无法提取到准确的影响发电功率的特征
。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够得到准确影响新能源发电功率的面向新能源高精度预测的机器学习特征选择方法
、
装置
、
计算机设备
、
计算机可读存储介质和计算机程序产品
。
[0005]第一方面，本申请提供了一种面向新能源高精度预测的机器学习特征选择方法
。
该方法包括：/>[0006]获取新能源发电系统中影响发电功率的初始气象特征，得到初始气象特征集合；
[0007]采取随机森林算法，筛选初始气象特征集合中的气象特征，得到第一气象特征集合；
[0008]基于气象特征与发电功率之间的相关性分析，对第一气象特征集合进行气象特征筛选，得到第二气象特征集合；
[0009]采取递归特征消除法，筛选第二气象特征集合中的气象特征，得到目标气象特征集合；
[0010]初始气象特征集合
、
第一气象特征集合
、
第二气象特征集合以及目标气象特征集合中的平均每个气象特征对发电功率的影响程度逐级增大
。
[0011]在其中一个实施例中，采取随机森林算法，筛选初始气象特征集合中的气象特征，得到第一气象特征集合包括：获取新能源发电系统的发电样本数据；根据发电样本数据，采用随机森林算法，对初始气象特征集合中的气象特征进行评分，得到特征评分；根据特征评分，从初始气象特征集合中剔除特征评分低于预设评分阈值的特征，得到第一气象特征集合
。
[0012]在其中一个实施例中，根据发电样本数据，采用随机森林算法，对初始气象特征集合中的气象特征进行评分，得到特征评分包括：对发电样本数据进行随机抽样，得到训练样本数据；根据未被抽样的发电样本数据，得到测试样本数据；根据训练样本数据，构建决策
树；根据决策树以及测试样本数据，计算初始气象特征集合中气象特征的重要程度，得到特征评分
。
[0013]在其中一个实施例中，根据决策树以及测试样本数据，计算初始气象特征集合中气象特征的重要程度，得到特征评分包括：根据测试样本数据，计算决策树的预测错误率；随机对测试样本数据的单个气象特征加入噪声，计算决策树的噪声预测错误率；根据预测错误率以及噪声预测错误率，确定气象特征集合中气象特征的重要程度，得到特征评分
。
[0014]在其中一个实施例中，基于气象特征与发电功率之间的相关性分析，对第一气象特征集合进行气象特征筛选，得到第二气象特征集合包括：计算第一气象特征集合中各气象特征与发电功率之间的相关性；根据各气象特征与发电功率之间的相关性对第一气象特征集合进行气象特征筛选，得到第二气象特征集合
。
[0015]在其中一个实施例中，采取递归特征消除法，筛选第二气象特征集合中的气象特征，得到目标气象特征集合包括：采用递归特征消除法，对第二气象特征进行气象特征提取；对提取的气象特征进行交叉验证，得到目标气象特征集合
。
[0016]第二方面，本申请还提供了一种面向新能源高精度预测的机器学习特征选择装置
。
该装置包括：
[0017]获取模块，用于获取新能源发电系统中影响发电功率的初始气象特征，得到初始气象特征集合；
[0018]第一提取模块，用于采取随机森林算法，筛选初始气象特征集合中的气象特征，得到第一气象特征集合；
[0019]第二提取模块，用于基于气象特征与发电功率之间的相关性分析，对第一气象特征集合进行气象特征筛选，得到第二气象特征集合；
[0020]第三提取模块，用于采取递归特征消除法，筛选第二气象特征集合中的气象特征，得到目标气象特征集合；
[0021]初始气象特征集合
、
第一气象特征集合
、
第二气象特征集合以及目标气象特征集合中的平均每个气象特征对发电功率的影响程度逐级增大
。
[0022]在其中一个实施例中，第一提取模块还用于获取新能源发电系统的发电样本数据；根据发电样本数据，采用随机森林算法，对初始气象特征集合中的气象特征进行评分，得到特征评分；根据特征评分，从初始气象特征集合中剔除特征评分低于预设评分阈值的特征，得到第一气象特征集合
。
[0023]在其中一个实施例中，第一提取模块还用于对发电样本数据进行随机抽样，得到训练样本数据；根据未被抽样的发电样本数据，得到测试样本数据；根据训练样本数据，构建决策树；根据决策树以及测试样本数据，计算初始气象特征集合中气象特征的重要程度，得到特征评分
。
[0024]在其中一个实施例中，第一提取模块还用于根据测试样本数据，计算决策树的预测错误率；随机对测试样本数据的单个气象特征加入噪声，计算决策树的噪声预测错误率；根据预测错误率以及噪声预测错误率，确定气象特征集合中气象特征的重要程度，得到特征评分
。
[0025]在其中一个实施例中，第二提取模块还用于计算第一气象特征集合中各气象特征与发电功率之间的相关性；根据各气象特征与发电功率之间的相关性对第一气象特征集合
进行气象特征筛选，得到第二气象特征集合
。
[0026]在其中一个实施例中，第三提取模块还用于采用递归特征消除法，对第二气象特征进行气象特征提取；对提取的气象特征进行交叉验证，得到目标气象特征集合
。
[0027]第三方面，本申请还提供了一种计算机设备
。
该计算机设备包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以下步骤：
[0028]获取新能源发电系统中影响发电功率的初始气象特征，得到初始气象特征集合；
[0029]采取随机森林算法，筛选初始气象特征集合中的气象特征，得到第一气象特征集合；
[0030]基于气象特征与发电功率之本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种面向新能源高精度预测的机器学习特征选择方法，其特征在于，所述方法包括：获取新能源发电系统中影响发电功率的初始气象特征，得到初始气象特征集合；采取随机森林算法，筛选所述初始气象特征集合中的气象特征，得到第一气象特征集合；基于气象特征与发电功率之间的相关性分析，对所述第一气象特征集合进行气象特征筛选，得到第二气象特征集合；采取递归特征消除法，筛选所述第二气象特征集合中的气象特征，得到目标气象特征集合；所述初始气象特征集合
、
所述第一气象特征集合
、
所述第二气象特征集合以及所述目标气象特征集合中的平均每个气象特征对发电功率的影响程度逐级增大
。2.
根据权利要求1所述的方法，其特征在于，所述采取随机森林算法，筛选所述初始气象特征集合中的气象特征，得到第一气象特征集合包括：获取新能源发电系统的发电样本数据；根据所述发电样本数据，采用随机森林算法，对所述初始气象特征集合中的气象特征进行评分，得到特征评分；根据所述特征评分，从所述初始气象特征集合中剔除所述特征评分低于预设评分阈值的特征，得到第一气象特征集合
。3.
根据权利要求2所述的方法，其特征在于，所述根据所述发电样本数据，采用随机森林算法，对所述初始气象特征集合中的气象特征进行评分，得到特征评分包括：对所述发电样本数据进行随机抽样，得到训练样本数据；根据未被抽样的发电样本数据，得到测试样本数据；根据所述训练样本数据，构建决策树；根据所述决策树以及测试样本数据，计算所述初始气象特征集合中气象特征的重要程度，得到特征评分
。4.
根据权利要求3所述的方法，其特征在于，所述根据所述决策树以及测试样本数据，计算所述初始气象特征集合中气象特征的重要程度，得到特征评分包括：根据所述测试样本数据，计算所述决策树的预测错误率；随机对所述测试样本数据的单个气象特征加入噪声，计算所述决策树的噪声预测错误率；根据所述预测错误率以及所述噪声预测错误率，确定所述气象特征集合中气象特征的重要程度，得到特征评分
。5.<...

【专利技术属性】
技术研发人员：周悦，马溪原，陈元峰，陈炎森，程凯，张子昊，周长城，李卓环，包涛，姚森敬，李鹏，
申请(专利权)人：南方电网数字电网研究院有限公司，
类型：发明
国别省市：