[发明专利]基于EMD分解的EMD-XGBoost中长期风电电量预测方法

权利要求书

1.基于EMD分解的EMD-XGBoost中长期风电电量组合预测方法，其特征在于，主要包括以下具体步骤：

步骤1，将风电电量时间序列经EMD分解为相互独立的IMF序列以及一个res项；

步骤2，构造各IMF序列的特征向量；

步骤3，采用FCM聚类将包含不同波动信息的IMF聚类重构为电量的趋势项、周期性项及随机项；

步骤4，针对不同序列项分别设置最优参数，将预处理后的驯良数据输入参数调整后的XGBoost预测模型中，叠加各序列项预测结果为风电电量预测结果；

步骤5，分析序列分解及不同算法对预测精度的影响。

2.根据权利要求1所述的方法，其特征在于，步骤1构建过程如下：

EMD依据数据自身的时间尺度特征进行分解，无需预先设定任何基函数，适用于非线性非平稳信号的分析。由于中长期风电电量序列具有非线性且非平稳的特征，因此，将EMD分解应用于中长期风电电量时间序列的分析，EMD分解可将复杂的时间序列中真实存在的不同时间尺度的波动或趋势分量通过筛选逐级分解出来，产生有限个反映内部特征且相互独立的分量，各分量保留了非平稳信号在不同时间尺度上的特点。分解后的序列与原始数据序列相比具有更强的规律性。

3.根据权利要求1所述的方法，其特征在于，步骤2构建过程如下：

步骤2.1，基于特征提取构成向量表示IMF及res分量，降低信息维度，减少计算复杂度；

步骤2.2，从宏观及局部的角度考虑提取各分量的特征，构造特征值向量：以样本熵作为全局特征，以均值、方差及斜率作为局部特征，通过间隔特征提取得到各特征值。

D_i＝[Sampen_i，ME_i，ST_i，SL_i]

ME_i＝[me₁，me₂，...，me_N]

ST_i＝[st₁，st₂，...，st_N]

SL_i＝[sl₁，sl₂，...，sl_N]

其中，D_i为分量i对应的特征值向量；Sampen_i为分量i的样本熵；ME_i为分量i的均值矩阵，me_j为间隔特征提取中第j段序列的均值；ST_i为分量i的方差矩阵，st_j为间隔特征提取中第j段序列的方差；SL_i为分量i的斜率矩阵，sl_j为间隔特征提取中第j段序列的斜率。

4.根据权利要求1所述的方法，其特征在于，步骤3构建过程如下：

以分量的特征值向量为基础，基于FCM根据包含信息类别的不同对IMF及res分量进行分类，重构为表征风电电量发展的趋势项，中长期过程中的周期项及风电电量自身不确定性导致的随机项。

5.根据权利要求1所述的方法，其特征在于，步骤4构建过程如下：

步骤4.1，中长期风力发电影响因素降维：

风力发电受季节和天气因素的影响，选取风电场实际运行数据作为输入，当XGBoost特征项存在相关性过高的冗余因素时，模型预测精度会降低。因此，使用spss软件检验所选特征项之间的相关性，筛除冗余项进行特征项降维。

步骤4.2，计算Pearson相关系数，相关系数的绝对值越大，相关性越强；

步骤4.3，XGBoost模型超参寻优：

风电电量趋势项、周期项及随机项的主要影响因素存在差异，且模型训练时，不同序列的模型参数值也不同，因此，采用贝叶斯优化搜索和k折交叉验证分别进行各序列项的超参寻优；

步骤4.4，将预处理后的数据输入各序列项的最优XGBoost模型中进行预测。