【风电功率数据及功率预测模型对比探究概述3000字】.docxVIP

风电功率数据及功率预测模型对比研究概述

目录

风电功率数据及功率预测模型对比研究概述 1

1.1风功率数据 1

1.1.1数据集来源 1

1.1.2特征变量的选择 2

1.1.3数据预处理 3

1.1.4训练集和测试集构造 4

1.2模型实验 4

1.2.1SVM模型 4

1.2.2随机森林模型 5

1.2.3LSTM实现与参数设计 6

1.3结果对比分析 7

1.1风功率数据

1.1.1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，符合短期风电功率预测的数据集特点。数据包含层高、风向、风速、温度、湿度、气压和空气密度等。图8展示了部分数据样例。

风速(m/s)风向(°)湿度(RH)温度(℃)气压(KPa)空气密度(kg/m3)实际功率(MW)

3.3

317.0

67.0

-19.0

87.68

1.203

5.658200

3.6

322.0

67.0

-19.0

87.68

1.203

7.279267

3.8

326.0

67.0

-19.0

87.68

1.203

8.511533

4.0

329.0

67.0

-19.0

87.68

1.203

8.516857

4.3

331.0

67.0

-20.0

87.68

1.208

7.112933

4.6

334.0

67.0

-20.0

87.68

1.208

6.161333

4.9

335.0

67.0

-20.0

87.68

1.208

7.625533

5.1

337.0

68.0

-20.0

87.68

1.208

8.477286

5.5

338.0

68.0

-20.0

87.68

1.208

10.939467

5.7338.069.0-20.087.681.20811.758600

图1原始数据

Fig.8rawdata

1.1.2特征变量的选择

根据第二章的技术介绍及查阅风功率影响因素的相关论文，再综合实际数据，对预测模型的特征变量进行选择。

(25)

根据前期搜集到的数据，进行特征变量的筛选，特征变量的筛选选择使用皮尔逊相关系数来进行判定，计算相关系数的公式如式25。

利用皮尔森相关系数，分别计算层高、风向、风速、温度、湿度、气压、空气密度与实际功率之间的相关系数。

假设两个变量为X、Y,最终计算出的相关系数的含义可以有如下理解：(1)当相关系数为0时，X和Y两变量无关系。(2)当X的值增大，Y值增大；X值减小，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1.00之间。(3)、当X的值增大，Y值减小；X的值减小，Y的值增大，则两个变量为负相关，相关系数在-1.00与0.00之间。

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。

相关系数值与相关强度对应关系：相关系数：0.8-1.0极强相关0.6-0.8强相关

0.4-0.6中等程度相关0.2-0.4弱相关0.0-0.2极弱相关或无相关

表1皮尔森相关系数值

Table.1Pearsoncorrelationcoefficient

特征

相关系数

风速

0.49

风向

0.36

温度

0.26

湿度

0.28

空气密度

0.09

气压

0.07

层高

0.1

实际功率

1.0

如表所示，根据皮尔森相关系数值的大小，剔除掉层高、气压、空气密度，这些变量的与功率的相关性较小，而且存在比较大的误差，会很大程度影响模型预测的效果。最终确定特征变量为风速，风向，湿度，温度。

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