[發明專利]一種基于XGBoost-LightGBM的機組功率預測方法

在審

• 申請號: 202010135920.X
• 申請日: 2020-03-02
• 公開（公告）號: CN111414717A
• 公開（公告）日: 2020-07-14
• 發明（設計）人: 陳棋;楊秦敏;陳積明;王琳;孫優賢;孫勇
• 申請（專利權）人: 浙江大學;浙江運達風電股份有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06Q10/04;G06Q50/06
• 代理公司: 杭州杭誠專利事務所有限公司 33109
• 代理人: 尉偉敏

本發明公開了基于XGBoost?LightGBM的機組功率預測方法，包括以下步驟：離線建模；收集訓練樣本集；對于訓練集數據采用XGBoost做特征提取；劃分訓練集和測試集；學習出LightGBM模型；在線預測。上述技術方案采用極端梯度增強算法用于對特征的選擇，篩選出對輸出功率的預測更為有效和敏感的特征，將篩選出的有效特征變量代入到Light Gradient Boosting Machine模型，建立功率預測模型，該技術方案充分考慮了采集到的變量對機組功率預測的有效性，對于風力發電機組功率預測具有更高的準確性。

技術領域

本發明涉及風力發電領域，尤其涉及一種基于XGBoost-LightGBM的機組功率預測方法。

背景技術

由于社會經濟快速發展,世界各國對能源資源的需求出現井噴式增長,導致常規化石能源的開采及消耗大幅度攀升,并由此帶來常規化石能源的枯竭及環境污染等問題。為了應對出現的能源危機,世界各國已經從兩個方面來解決這些問題:一方面通過采取相應的措施來控制化石能源的開采,通過優化工業產業結構來實現節能減排；另一方面積極探索新能源技術,大力開發經濟環保的可持續能源。風力發電就是在能源出現危機的環境下快速發展起來的,它不像煤、石油等常規化石能源在使用的過程中會對自然環境造成污染,再加上風能的獲取范圍廣泛且可以循環利用等優點,使得風力發電技術在可持續能源研發和利用領域具有重要意義。

有資料顯示，以風力發電為代表的裝備是目前最有發展前景的新能源高端裝備，大力發展以風力發電為代表的新能源裝備已成為我國的戰略選擇。但風電機組結構復雜，多變的邊界條件和運行工況更是加劇了機組能效的不確定性，使得傳統的基于機組信息的功率預測方法難以適用，帶來了高成本、低效率、低精度、機組差異性大等問題。

風機功率預測通常分為物理方法和統計方法。運用物理方法進行風機功率預測，需要涉及的建模對象很多，例如，需要風機所在地周圍的障礙物、溫度以及等高線等信息作為參考進行分析。由于數值氣象預報模型的數據更新速度不夠快，所以物理方法適用于中期預測。利用統計方法來建立預測模型，實質是建立系統輸入與風電功率之間的映射關系，可以直接利用氣象數據對發電功率進行預測。主要方法有神經網絡、粒子群算法、灰色理論算法和支持向量機等。針對預測模型普遍存在的延時問題，有些學者先通過離散小波變換將信號分解為高低頻段的信號，再用遺傳算法優化的BP神經網絡分別進行建模，最后求和各層預測信號。有些學者利用小波變換將原始風速信號分解為高頻部分和低頻部分，針對高頻信號相鄰的兩個數據之間相似度較低，波動較大的特點，采用滑動平均法進行預測，而低頻信號仍然采用持續法預測，最后通過小波重構以及風電功率特性曲線轉換得到風電功率預測值。還有采用人工蜂群算法優化得到神經網絡的權值和閾值，構建ABC-BP神經網絡風電功率預測模型。但是，以上方法都有其自己的適用范圍和局限性，使得有時預測效果不佳。

中國專利文獻CN104636823A公開了一種“風電功率預測方法”。包括以下步驟：收集樣本數據并進行處理；利用處理后的樣本數據建立BP神經網絡模型，對BP神經網絡模型進行訓練，得到最終的權值、閾值以及預測值相對于樣本值的相對誤差序列；根據訓練完畢的權值、閾值求得輸出功率的初始預測值；根據相對誤差的序列，利用馬爾科夫鏈誤差修正模型計算輸出功率的初始預測值對應的計算相對誤差狀態；將輸出功率的初始預測值與與其對應的計算相對誤差狀態結合，計算得到修正功率。上述技術方案存在局限性，適用范圍有限，不適用于中期預測。

發明內容

本發明主要解決原有的技術問題，提供一種基于XGBoost-LightGBM的機組功率預測方法，采用極端梯度增強算法用于對特征的選擇，篩選出對輸出功率的預測更為有效和敏感的特征，將篩選出的有效特征變量代入到Light Gradient Boosting Machine模型，建立功率預測模型，該技術方案充分考慮了采集到的變量對機組功率預測的有效性，對于風力發電機組功率預測具有更高的準確性。

本發明的上述技術問題主要是通過下述技術方案得以解決的：本發明包括以下步驟：