基于变换域分析和XGBoost算法的超短期风电功率预测模型

作     者：王永生 李海龙 关世杰 温彩凤 许志伟 高静 WANG Yongsheng;LI Hailong;GUAN Shijie;WEN Caifeng;XU Zhiwei;GAO Jing

作者机构：内蒙古工业大学数据科学与应用学院呼和浩特010080 内蒙古自治区基于大数据的软件服务工程技术研究中心呼和浩特010080 内蒙古工业大学能源与动力工程学院呼和浩特010080 信创海河实验室天津300450 内蒙古农业大学计算机与信息工程学院呼和浩特010018 

出 版 物：《高电压技术》 (High Voltage Engineering)

年 卷 期：2024年第50卷第9期

页      面：3860-3870页

核心收录：

学科分类：0401[教育学-教育学] 04[教育学] 

基　　金：国家自然科学基金(62366039,51966013) 内蒙古自治区自然科学基金(2021LHMS06001) 内蒙古自治区科技计划(2023YFSH0066) 

主　　题：风电功率预测 傅里叶变换 小波变换 时间滑动窗口 风电功率指标 梯度提升回归树 

摘      要：为应对传统超短期风电功率预测方法在数据潜在关系挖掘和模型收敛速度等方面存在的问题,提出了一种基于变换域分析和极端梯度提升回归树算法(extreme gradient boosting, XGBoost)的超短期风电功率预测方法。首先,通过时间滑动窗口和风电功率指标进行数据构建和低级特征提取。然后,结合快速傅里叶变换(fastFourier transform, FFT)和哈尔小波变换构成的多层次变换域分析方法对风电数据进行分解,充分考虑频域信息在特征学习中的重要性。最后,建立包含FFT、哈尔小波变换和XGBoost算法组合的超短期风电功率预测模型。实验结果表明,采用的多层次变换域分析方法能够充分挖掘原始特征之间的潜在关系,深入捕捉数据的时序关联性,而且XGBoost算法可以有效提升模型的预测性能,与其他预测模型相比,所提方法在不同数据集上均展现出较高的预测精度和较强的特征提取能力。