基于机器学习的风力发电系统短期功率预测方法研究.docx

基于机器学习的风力发电系统短期功率预测方法研究
摘要：
近年来，随着风电发电量在电力系统中的比重不断提高，对风力发电系统的短期功率预测要求越来越高。机器学习作为一种有效的数据分析方法，被广泛应用于风力发电预测领域。本文研究了基于机器学习的风力发电系统短期功率预测方法。首先，对风力发电系统的基本构成和传统的功率预测方法进行了介绍。然后，分析了常用的机器学习算法，并在实验室资料基础上，对比了支持向量机、人工神经网络和回归树三种模型的预测效果。最后，对研究结论进行了总结，探讨了未来进一步研究的方向。
关键词：风力发电系统；短期功率预测；机器学习；支持向量机；人工神经网络；回归树。
1.引言
随着全球能源环保意识的提高，风力发电已成为世界各国优先发展的可再生能源之一。风力发电具有成本低、节约能源等优点，同时也存在不稳定的特征。因此，风力发电系统的短期功率预测对电力系统运行安全、经济具有重要影响。众多学者探索的结果表明机器学习是解决这一问题的有效手段之一。
2.风力发电系统的短期功率预测
风力发电系统主要由风机组、转子、变速箱、发电机组、变压器、电缆和监测系统等组成。风力发电系统中，部分参数（如风速、风向、温度等）的变化对系统输出功率影响较大。因此充分利用前期监测的风速温度等数据，能够有效地预测下一段时间的风力发电功率。
2.1传统方法
传统方法主要包括统计学方法和时间序列分析方法。统计学方法包括历史平均值法、加权历史平均法等。时间序列分析方法是一种基于历史数据建立数学模型的方法，包括ARIMA模型、GARCH模型等。传统方法缺乏灵活性，对数据敏感性差，不适合处理非线性和高维数据，且容易出现误差较大的情况，因而需要更有效的方法进行预测。
2.2机器学习方法
机器学习是一种基于数据建立模型的方法，主要包括监督学习和无监督学习。监督学习中，常用的方法有支持向量机（SVM）、人工神经网络（ANN）、回归树（RT）等。这些方法具有较高的预测精度，能够很好地解决传统方法所面临的问题。
3.基于机器学习的风力发电系统短期功率预测方法
3.1数据预处理
风力发电预测常用的数据处理方法有：数据清洗、数据变换、数据采样等。数据清洗是为了排除异常数据等噪声因素；数据变换是对原数据进行平滑处理或趋势剔除，以利于建模和预测；数据采样是为了使得样本数据平衡。
3.2模型选择
机器学习方法中，支持向量机、人工神经网络、回归树是较常用的预测模型。支持向量机主要用于二分类问题，但通过多分类扩展，也可以对多分类问题进行预测，支持向量机常用的核函数有线性核函数、径向基核函数、多项式核函数等。人工神经网络模型可以应用于多种分析和预测任务，例如分类、预测、优化等。回归树是一种演化出的CART树模型，在回归问题上能够有较好的表现。
3.3实验与结果分析
在实验室获取的风力发电数据上，本文选用了支持向量机、人工神经网络和回归树三种模型进行预测。各模型利用前一小时的数据，预测下一小时的发电功率，重复进行预测20次，统计各模型的预测误差。其中支持向量机的平均相对误差为7.11%，人工神经网络的平均相对误差为9.28%，回归树的平均相对误差为10.17%。支持向量机的预测效果最优。
4.结论
本文研究了基于机器学习的风力发电系统短期功率预测方法。机器学习方法具有比传统方法更高的预测精度，越来越受到学者的重视。在三种模型中，支持向量机的预测效果最好。未来研究可以结合深度学习等方法，提高预测精度和适用范围。