基于局部集成學習的短期風速預報方法
【技術領域】
[0001] 本發(fā)明屬于風力發(fā)電技術領域，特別是涉及一種基于局部學習的短期風速預報方 法。
【背景技術】
[0002] 由于能源消耗持續(xù)增加、環(huán)境污染日益嚴峻，許多國家大規(guī)模地開展了新能源的 探索工作，其中風能作為一種重要的可再生資源，越來越受到世界各國的重視。隨著風力發(fā) 電技術的成熟，風電并網(wǎng)時要求風電功率供需必須平衡。然而，風電功率具有很強的波動性 和不確定性，這對電網(wǎng)的調(diào)度方式、穩(wěn)性定和高峰調(diào)頻有重大影響。對風電功率的準確預報 有利于電網(wǎng)調(diào)度部門及時掌握風電場輸出功率情況及時調(diào)整調(diào)度計劃。風速是風電功率的 最主要的影響因素，對風速進行準確預報是風功率預報的重要前提。
[0003] 風速預報方法可大致歸納為：物理預報方法、數(shù)據(jù)驅動的方法（如時間序列，神 經(jīng)網(wǎng)絡，Support Vector Regression等）及融合預報方法。物理方法是根據(jù)當?shù)貧庀笮?息，計算物理方程式，得到當?shù)仫L速的數(shù)值預報結果，但是物理預報方法耗資巨大，且預報 范圍相比于風電場要大得多，不適用于風電場范圍的風速預報。數(shù)據(jù)驅動方法以及融合預 報方法都是假設所有訓練樣本是獨立同分布的，對所有預測樣本建立一個統(tǒng)一的風速預報 模型。然而風速的分布是動態(tài)變化的，不同時刻的風速存在著差異且風速變化是復雜多樣 的，采用全局預報方法獲得一個單一的復雜的訓練模型并不能準確地描述風速之間的復雜 關系。后續(xù)提出的還有基于聚類的風速預報方法，首先是通過聚類方法將輸入空間聚成若 干類，然后在每個類上分別建立預報模型以提高風速預報精度，準確知道輸入空間聚為多 少類并不是一件容易的事情。這種方法對于復雜的預報任務并不是很靈活。后續(xù)提出的另 一種有效的學習方法是局部學習，即對每一個測試樣本在歷史樣本中尋找相似樣本，僅用 這些相似樣本建立風速預報模型。這是一種簡單靈活的方法。但是局部學習具有強大的學 習能力，會產(chǎn)生過擬合問題，使得算法泛化能力較差。因此用局部學習算法進行預測，預報 結果不能滿足實際要求。

【發(fā)明內(nèi)容】

[0004] 基于上述現(xiàn)有風速預報方法在技術上的不足，本發(fā)明提出了一種基于局部集成學 習的短期風速預報方法，從局部學習角度出發(fā)，考慮風速變化的復雜性、不確定性，對每一 個被測樣本點單獨建立預報模型。由于局部學習的強大的學習能力，會存在過擬合的問題。 我們提出基于局部集成學習算法的短期風速預報方法，旨在進一步提高目前風速預報的準 確率。
[0005] 本發(fā)明提出了一種基于局部集成學習的短期風速預報方法，該方法包括以下步 驟：
[0006] 步驟一、采用K近鄰算法，對于每一個被測樣本點X，通過歐式距離尋找與X最相似 的K個風速局部樣本點作為X的輸入空間，建立當前風速樣本點的預報模型，完成對被測風 電場未來10分鐘的實際風速預報，該當前風速樣本點的特征表達式為：
[0007] Xi - {x J, Xi-!, Xj-2) Xi-3) Xi-4> Xi-5> Xi-6^ ? Yi - X i+1，
[0008] Xi表示i時刻的風速值，y 1是X i對應的下一時刻風速值；風速樣本點的特征表達 式為
[0009] Dn= {(X !，Y1),. . . , (Xi, Yi),. . . (Xn, yn)}；
[0010] 其中\(zhòng)表示表示i時刻的風速值，y 1是X i對應的下一時刻風速值，（X i，yj構成一 個特征樣本；
[0011] 步驟二、將每一個當前風速樣本點的局部樣本送到若干個獨立的回歸器，得到相 應的風速預測值；
[0012] 步驟三、從步驟二得到的若干風速預測值，采用融合策略將其進行融合，得到當前 風速點的預測值。
[0013] 4Χ) = Σ j=I
[0014] 其中％是第i個回歸器對應的權值，fi(x)是第i基學習器學到的當前風速樣本 的預測值。
[0015] 具體算法包括：對每個風速樣本點，在訓練過程中得到基回歸器的訓練誤差，將訓 練誤差最小的基回歸器對應的預測結果當作當前風速樣本點的最終預測值：
[0016] /(X)= m jrjlterrp .. ., terr^ . . Xerr^,
[0017] 其中，MTi = I Σ k i = 1，2, 3, 4, tern (X)是第 i 個預報模型的 ? m=i 訓練誤差，fi (X)是第i基學習器學到的當前風速樣本的預測值。
[0018] 所述步驟二中，假設回歸器之間是獨立的，得到風速預測值表達式：
【主權項】
1. 一種基于局部集成學習的短期風速預報方法，其特征在于，該方法包括以下步驟： 步驟一、采用K近鄰算法，對于每一個被測樣本點X，通過歐式距離尋找與X最相似的 K個風速局部樣本點作為X的輸入空間，建立當前風速樣本點的預報模型，完成對被測風電 場未來10分鐘的實際風速預報，該當前風速樣本點的特征表達式為： Xi - {xJ,Xj_2, Xj_3, Xj_4, Xj_5, Xj_6},Yj --Xi+1， Xi表示i時刻的風速值，y1是X,對應的下一時刻風速值；風速樣本點的特征表達式為Dn={(X1； , . . . , (Xi；Yi), . . . (Xn,yn)}； 其中11表示表示i時刻的風速值，y1是Xi對應的下一時刻風速值，（Xi，yi)構成一個特 征樣本； 步驟二、將每一個當前風速樣本點的局部樣本送到若干個獨立的回歸器，得到相應的 風速預測值； 步驟三、從步驟二得到的若干風速預測值，采用融合策略將其進行融合，得到當前風速 點的預測值。
其中％是第i個回歸器對應的權值，fi(x)是第i基學習器學到的當前風速樣本的預 測值。 具體算法包括：對每個風速樣本點，在訓練過程中得到基回歸器的訓練誤差，將訓練誤 差最小的基回歸器對應的預測結果當作當前風速樣本點的最終預測值：
其中，
i= 1，2, 3, 4,tern(x)是第i個預報模型的訓練 誤差，fi(x)是第i基學習器學到的當前風速樣本的預測值。
2. 如權利要求1所述的基于局部集成學習的短期風速預報方法，其特征在于，所述步 驟二中，假設回歸器之間是獨立的，得到風速預測值表達式：
其中Bias是相應的偏差，Var是相應的方差，81&士與Vari是相應的第i個基回歸器 對應的偏差與方差。 假設回歸器是無偏估計的，且〇 < 1，
得到風速預測值表達式：
其中E是集成回歸器的泛化誤差，M是基回歸器的個數(shù)，Ei是第i個基回歸器對應的泛 化誤差。集成回歸器的泛化誤差要小于各基回歸器的平均泛化誤差。
3.如權利要求1所述的基于局部集成學習的短期風速預報方法，其特征在于，所述步 驟三中的融合策略具體包括以下處理： 對每個風速樣本點，在訓練過程中得到基回歸器的訓練誤差，將訓練誤差最小的基回 歸器對應的預測結果當作其最終預測值。
【專利摘要】本發(fā)明公開了一種基于局部集成學習的短期風速預報方法，步驟一、采用K近鄰算法，找到與被測風速樣本點最相似的K個風速樣本；步驟二、將每一個風速樣本點的局部樣本得到相應的風速預測值；步驟三、從步驟二得到的若干風速預測值，采用一定的融合策略將其進行融合，得到當前風速點的預測值。本發(fā)明首次提出基于局部集成學習的短期風速預報方法，考慮風速樣本變化的復雜性與多樣性；給出了局部集成學習算法的數(shù)學理論知識；有效獲得了不同風速樣本間的差異性，針對不同的風速樣本點建立不同的風速預報模型，與全局風速預報模型及局部風速預報模型以及全集聚成的風速預報模型相比，預報誤差降低10％以上。
【IPC分類】G06Q10-04
【公開號】CN104778506
【申請?zhí)枴緾N201510147768
【發(fā)明人】胡清華, 于曼
【申請人】天津大學
【公開日】2015年7月15日
【申請日】2015年3月31日