[发明专利]基于深层特征组合的电网新能源消纳能力预测方法

说明书

基于深层特征组合的电网新能源消纳能力预测方法，包括两部分内容，分别为特征选择与特征组合；第一阶段，特征选择；首先从数据中提取特征，作为模型的输入，然后经过方差特征选择去掉方差小的特征，接着使用递归式特征消除进行特征选择；第二个阶段，特征组合；通过XGBoost与LightGBM方法来组合特征，建立了一个混合模型，将由XGBoost和LightGBM算法产生的预测结合起来，进行集成预测，XGBoost与LightGBM模型中的参数是通过网格搜索技术进行优化调整的。本发明在考虑风电消纳能力预测特征的复杂性的基础上，以提升预测精度为目标，该方法采用了不依赖经验的特征组合方法，采用基于不同特征组合的多模型进行预测。

技术领域

本发明涉及风电消纳能力预测技术领域，特别涉及基于深层特征组合的电网新能源消纳能力预测方法。

背景技术

新能源，即可再生能源，特别是风电和光电，已成为政府政策、学术研究和电力行业的主要焦点。在各种新能源中，风电是被认为是最有前途的替代品之一。新能源消纳能力评估主要指依据现有电网结构、电源结构及负荷特性，评估在输电网结构、电源建设、系统运行方式等不需做出调整的前提下，电网能够接纳的新能源发电容量。新能源的消纳能力与新能源的发电能力直接相关。然而，新能源发电具有与生俱来的波动性，这种波动性必然会作用于电网的新能源消纳能力上，消纳能力的降低会影响电力系统的经济和可靠运行。对于风电，随着风电渗透率的不断提高，风电资源的变化和不确定性会影响电力系统的经济可靠运行。为了能够更好的消纳包括风电在内的新能源的发电容量，对风电等新能源发电数据的预测是必须和迫切的。

针对风电消纳能力的预测问题，目前主要存在三类风电预测模型，分别是物理模型、统计模型以及混合模型。直接采用物理模型进行风电预测存在着各种挑战，例如物理过程的精确性、时空分辨率、域和层次重要性，这些因素都制约着风电预测的精确度。统计模型使用历史数据进行训练，通常要优于物理模型。时间序列预测方法和机器学习方法是其中最常用的方法。自回归移动平均(ARMA)方法，Kalman滤波，马尔可夫链模是应用最广泛的时间序列预测方法。然而，影响风电的因素有很多，使用一维的时间序列预测方法只依赖风电的历史值，存在忽略其他影响因素的问题。人工神经网络(ANN)和支持向量机(SVM)是用来预测风电的两种最流行的机器学习方法。近来，基于决策树的风电预测方法也得到了广泛的应用，与其他机器学习模型相比，基于决策树的模型在保证了预测效果的前提下加快了预测速度。

除了物理模型与统计模型，提高风电整体预测精度的方法还有混合模型，即混合多个不同的机器学习算法，也就是集成模型。混合模型在文献中被证明比任何个别预测模型更精确。但在这些研究中，只有两到三种算法线性或非线性加权策略相结合，对各个特征也是一视同仁，通常没有考虑到各个特征对风电预测不同的重要性，也没有考虑到多个特征之间的组合关系。

风电预测通常依赖大量特征，而这些特征并不是每一个都是有用特征，存在的冗余特征不仅会减慢模型预测的速度，对其预测结果也会产生负面影响。另外，特征之间存在相互影响的关系，这些特征之间的组合也极大的影响了风电预测的准确率。

综上所述，风电预测特征的复杂性和预测精度的提升是风电预测领域的难点问题，也是新能源消纳能力预测领域的重点问题。

发明内容

为了解决以上技术问题，本发明的目的在于提供基于深层特征组合的电网新能源消纳能力预测方法，在考虑风电消纳能力预测特征的复杂性的基础上，以提升预测精度为目标，该方法采用了不依赖经验的特征组合方法，采用基于不同特征组合的多模型进行预测。

为了实现上述目的，本发明采用的技术方案是：

基于深层特征组合的电网新能源消纳能力预测方法，包括两部分内容，分别为特征选择与特征组合；

第一阶段，特征选择；