基于云計算和機器學習的短期風電功率預測研究.pdf

1、隨著我國能源結構的調(diào)整，風電裝機容量快速增長，及時準確地預測風電功率可為電網(wǎng)合理調(diào)度提供重要依據(jù)，減少棄風，有效地提高風電利用率。同時，隨著風電場智能化水平的提高，風電監(jiān)測數(shù)據(jù)規(guī)模不斷增長，對傳統(tǒng)風電功率預測模型的計算性能提出了新的挑戰(zhàn)。
　　近年來，以機器學習理論為基礎的人工神經(jīng)網(wǎng)絡法和支持向量機法及其改進算法在短期風電功率預測中得到廣泛應用，機器學習算法中存在較多迭代計算場景，云計算技術中的Spark分布式內(nèi)存計算框架，可高效

2、進行迭代式數(shù)據(jù)處理，有效提高算法的執(zhí)行性能。針對現(xiàn)有短期風電功率預測模型存在泛化性較弱、模型結構和參數(shù)確定困難、可解釋性差等問題，本文綜合隨機森林回歸算法、M5P模型樹、差分進化算法、選擇性集成方法，提出了一種基于改進隨機森林回歸算法的短期風電功率預測方法，并采用Spark云計算平臺實現(xiàn)算法并行化，主要開展了以下幾個方面的研究工作：
　?。?）傳統(tǒng)隨機森林回歸算法以分類回歸樹為元決策樹，針對分類回歸樹預測精度較低、不能給出一個連續(xù)

3、的輸出且預測值無法超出訓練集數(shù)據(jù)范圍等問題，本文采用 M5P模型樹作為元決策樹，在葉節(jié)點上構造多元線性回歸模型，有效提高了元決策樹的預測精度。
　?。?）針對隨機森林中存在部分預測性能較差且多樣性較低的元決策樹，本文提出了一種改進的差分進化算法，并將其應用到隨機森林元決策樹的選擇性集成中，在所有元決策樹中選擇部分最優(yōu)的元決策樹子集構成新的隨機森林，進行加權計算得到最終預測結果。
　?。?）針對隨機森林算法計算復雜度較高的問題

4、，分析了隨機森林算法和差分進化算法的并行性，研究了云計算體系架構，采用云計算技術中的Spark分布式內(nèi)存計算框架，對上述預測算法進行并行化改進，有效提高了算法的執(zhí)行性能。
　?。?）以內(nèi)蒙古某地區(qū)風電監(jiān)測數(shù)據(jù)作為實際算例，將本文方法與現(xiàn)有短期風電功率預測算法和傳統(tǒng)的隨機森林回歸算法進行對比；同時在實驗室服務器上采用 Cloudera公司的發(fā)行版 CDH5版本搭建云計算平臺，對提出的算法進行并行化性能測試。實驗結果表明本文提出的方法