【技术实现步骤摘要】
本专利技术涉及一种基于门控循环森林的风电功率超短期预测方法，属于电力系统风电预测，具体用于风电功率的超短期预测。
技术介绍
1、随着煤炭和石油等资源的日益枯竭，全球正在加速可再生能源的探索进程。风能作为新兴的可再生能源之一，因其零排放、分布广等优势而备受全球关注。然而，风能受到自然气象因素的影响，表现出极大的波动性，这一特性带来了许多预期外的结果和挑战。因此如何有效地应对风电波动性、提高其可预测性和可调度性成为当前电力系统运行和规划的重要难题之一。
2、为了提高风电的可预测性，可以开发和应用高效的风电预测模型。这些模型可以基于气象数据、风场特性以及历史风电功率数据等因素进行建模，利用机器学习或深度学习模型进行预测。然而，传统的模型通常需要大量的计算资源，并且在数据稀缺或质量不佳的情况下容易出现过拟合。随机森林是一种基于集成学习思想的模型，通过集成多个决策树模型来提高预测性能，具有降低过拟合风险、提高模型稳健性和泛化能力的优点。
3、基于循环单元的神经网络能够捕捉长时序相关性，在处理风电数据方面表现出色，因此在风电功率预测中具有优越性。门控循环单元设计简单、参数量少，并在计算效率、训练速度、内存消耗和梯度消失等方面有所改进，相比传统的循环神经网络和长短期记忆网络更占上风。
4、目前，常用的电力系统风电功率预测深度学习算法普遍存在忽略气象数据、风场特性以及历史风电功率数据之间的内在联系、模型泛化性较差等问题，导致模型预测效果较差。
技术实现思路
1、
2、为了达到上述目的，本专利技术采用以下技术方案予以实现：
3、为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都是本专利技术保护的范围。
4、本专利技术公开了一种基于门控循环森林的风电功率超短期预测方法，
5、包含以下步骤：步骤1：风电数据异常值检测与剔除；使用四分位法将风电功率数据集分成四个相等的部分，将边界之外的值视为异常数据并予以剔除；
6、步骤2：数据填充。采用三次样条插值算法，对已剔除的数据进行填充处理；
7、步骤3：通过随机森林算法计算风电特征重要性；通过随机森林算法来评估各个风电特征的重要性，并选择重要性最高的特征以及功率本身作为输入变量；
8、步骤4：通过门控循环单元进行确定性预测；将经过特征选择的数据导入到门控循环单元中进行训练，捕捉时间序列数据中的关系，以生成风电功率的确定性预测值；
9、步骤5：对风电功率确定性预测结果进行评估。
10、作为本专利技术公开的一种基于门控循环森林的风电功率超短期预测方法的进一步改进，所述步骤1具体包括如下步骤：
11、步骤1.1、将风电数据集中的功率数值按照从小到大的顺序排列，得到功率序列为p＝(p1,p2,...,pn),p1≤p2≤...≤pn；
12、步骤1.2、确定四分位数q1、q2和q3，计算公式分别为：
13、
14、q2＝median(p1,p2,...,pn) (2)
15、
16、式(1)、(2)、(3)中：median表示中位数运算；
17、步骤1.3、计算四分位法的上界和下界，将数据集中低于下界或高于上界的值归类为异常值，剔除异常值；计算公式分别为：
18、lp＝q1-1.5×(q3-q1) (4)
19、up＝q3+1.5×(q3-q1) (5)
20、式(4)和式(5)中：lp表示四分位法的下界；up表示四分位法的上界。
21、作为本专利技术公开的一种基于门控循环森林的风电功率超短期预测方法的进一步改进，所述步骤2中，三次样条插值函数的定义为：设在区间[a,b]中，共有n+1个采样点，满足a＝x0＜x1＜x2＜...＜xn＝b；若存在函数f(x)使得以下条件成立，则f(x)为三次样条插值函数：
22、(1)满足插值条件，即f(x)＝yi,i＝0,1,2,...,n；
23、(2)f(x)在区间[a,b]上具有连续的二阶导数，即f(x),f′(x),f″(x)均连续；
24、(3)在每个子区间[xi,xi+1]上，f(x)为三次多项式；
25、若满足以上条件，则f(x)为三次样条插值函数；xi处的三次样条插值函数fi(x)通常可表示为：
26、fi(x)＝ai(x-xi)3+b(x-xi)2+c(x-xi)+di,x∈[xi,xi+1] (6)
27、式(6)中：ai，bi，ci，di均表示多项式函数的系数。
28、作为本专利技术公开的一种基于门控循环森林的风电功率超短期预测方法的进一步改进，所述步骤3具体包括如下步骤：
29、步骤3.1、收集原始数据，使用bootstrap自助采样技术，随机选择一定数量的样本来构建b个训练集，表示为{d1,d2,...,db}；
30、步骤3.2、对于每个训练集di，使用决策树算法构建一棵决策树ti。在决策树中，评估每个特征对预测结果的重要性；
31、步骤3.3、重复步骤3.1、3.2，构建多棵决策树{t1,t2,...,tb}；
32、步骤3.4、对于每个特征，将所有决策树中该特征的重要性值进行累加，得到该特征在整个随机森林模型中的总贡献程度；根据结果选择最重要的特征作为预测模型的输入变量。
33、作为本专利技术公开的一种基于门控循环森林的风电功率超短期预测方法的进一步改进，所述步骤4具体包括如下步骤：
34、步骤4.1、重置门rt计算；重置门控制前一隐藏状态对候选状态的影响，计算公式为：
35、rt＝σ(wirxt+whrht-1+br) (7)
36、式中：σ表示激活函数；xt表示当前输入数据；ht-1表示隐藏状态；wir、whr分别表示输入、隐藏状态到重置门的权重；br表示重置门偏置项；
37、步骤4.2、更新门zt计算；更新门控制前一隐藏状态和候选状态之间的权重，决定保留多少之前的信息，计算公式为：
38、zt＝σ(wizxt+whzht-1+bz) (8)
39、式中：wiz、whz分别表示输入、隐藏状态到更新门的权重；bz表示更新门偏置项；
40、步骤4.3、候选隐藏状态计算；它是当前时刻的候选隐藏状态，包含了本文档来自技高网...
【技术保护点】
1.基于门控循环森林的风电功率超短期预测方法，
2.根据权利要求1所述的基于门控循环森林的风电功率超短期预测方法，
3.根据权利要求1所述的基于门控循环森林的风电功率超短期预测方法，
4.根据权利要求1所述的基于门控循环森林的风电功率超短期预测方法，
5.根据权利要求1所述的基于门控循环森林的风电功率超短期预测方法，
6.根据权利要求1所述的基于门控循环森林的风电功率超短期预测方法，
【技术特征摘要】
1.基于门控循环森林的风电功率超短期预测方法，
2.根据权利要求1所述的基于门控循环森林的风电功率超短期预测方法，
3.根据权利要求1所述的基于门控循环森林的风电功率超短期预测方法，
4....
【专利技术属性】
技术研发人员：严岩，钱勇，
申请(专利权)人：国网宁夏电力有限公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。