【风电功率数据及功率预测模型对比探究概述3000字】

风电功率数据及功率预测模型对比研究概述 1 1 11.1.2特征变量的选择 21.1.3数据预处理 31.1.4训练集和测试集构造 4 4 4 51.2.3LSTM实现与参数设计 61.3结果对比分析 71.1.1数据集来源数据集是由内蒙古自治区三个风电场提供，分别是东电茂霖(经棚)碧柳河风电场、(中科天道)黄岗梁风电场、(蒙东协和)扎旗阿日昆都楞风电场。这些原始数据是从2019年1月1日至2019年5月22日的天气预报信息报表和功率报表，数据都为每15min一条，一共有13632条数据，符合短期风电功度等。图8展示了部分数据样例。图1原始数据1.1.2特征变量的选择尔逊相关系数来进行判定，计算相关系数的公式如式25。减小，Y减小，两个变量同增同减，则两个变量为正相关，相关系数在0.00与相关系数的绝对值越大，越接近1或者-1,两变量之间的相关性越强；相关系数越接近0,两变量的相关度越弱。Table.1Pearsoncorrelationcoeff风向温度空气密度实际功率1.1.3数据预处理在进行数据预测时，数据预处理尤为重要，因为数据预处理的情况会很大程度的影响后续数据预测的准确率。因此数据集的预处理要尽可能细致。数据的预处理是指在现有的数据中，对记录不准确或者不符合要求的数据进行删除、修改。情况会有很多比如：数据类型不一致、数据精度不够，有异常值、缺失数据，包括数据量过小等。为了使后面对数据预测的结果具有更高的可信度，对原始的数据集进行数据预处理。下面数据的预处理主要是针对三个电厂的数据信息。(1)缺失数据补全数据集中经常由于记录不及时，会有大量的空白数据，也就是缺失值数据，我们需要找到后对其进行补充。在本次实验数据中包括了一些数据在记录中缺失功率信息。通过缺失数据的插值来将数据补充完整。本文选择了均值补全方法，使用for循环遍历数据集，判断每列是否有空值，如果有空值则用这一列的均值对其进行填充。(2)归一化处理为了方便数据处理和模型的训练，将风功率数据按特征分别做归一化的处理，将数据按列进行处理，删除平均值和缩放到单位方差来标准化特征。得到的结果是将每列数据都聚集在0附近，使得新的X数据集方差为1,均值为0。把有量纲表达式变成无量纲表达式，这样处理之后，不同量级的数据进行对比的时候更加的直观和方便。且是针对每一个特征维度来做的，而不是针对样本。通过公式(26)对处理后的数据集做归一化处理，公式如下：μ代表样本数据得到的均值，σ代表样本数据对应的标准差。如图9是数据归一化处理后的数据集：风速(m/s)风向(°)湿度(RH)温度(℃)气压(KPa)空气密度(kg/m³)2-0.0842900.603487-0.0557591.027973-1.333308(-0.2414320.589846-0.0064410.933873-1.333308Fig.9normalizeddata以东电茂霖(经棚)碧柳河风电场2019年1月1日至2019年5月22日的train_test_split的参数test_size为0.2,80%为训练集，20%为测试集。各项参数组合后，返回一个最优的参数组合值。设置c网格搜索的范围(10²,10,10-1,10),最终确定最优参数为c=10,gamma为默认的auto。基于支持向量机模型的短期风功率预测结果如图10所示。图3SVM预测结果文选择100棵树来寻找最合适的特征，随机森林预测结果如图11所示。随机森林选择的特征重要程度如图12所示。Fig.11randomforestprVariableImportancesFig.12importanceofrandomforestcharacte1.2.3LSTM实现与参数设计(1)数据处理：数据中有风速、风向、气压、温度、湿度、空气密度、实(2)训练建模：LSTM网络进行建模，将风速、温度、湿度、风向作为输入，风功率作为输出。初始化LSTM模型参数，利用优化算法不断优化调整以(3)风功率预测：对风电场风功率进行预测，得出最后的结果。列的意义，此处将前11000条作为训练集，剩余数据作为训练集输入神经元为32个，激活函数为relu函数，,隐藏层为16个神经元，隐藏层dropout设置为0.2。训练时优化函数为Nadam,训练30个epoch,输出神经元为1,输出功率预测值。模型预测结果情况如图13。Fig.13LSTMpredictionr1.1.1误差分析计对比分析。其中RMSE反映出来的是误差的统计学特性，是用来衡量观测i个实际值；Y;为第i个预测值。MAE作为一个线性分数，在平均值上，它的个体权重是一致的，它表示预