基于云計(jì)算和機(jī)器學(xué)習(xí)的短期風(fēng)電功率預(yù)測研究.pdf

1、隨著我國能源結(jié)構(gòu)的調(diào)整，風(fēng)電裝機(jī)容量快速增長，及時(shí)準(zhǔn)確地預(yù)測風(fēng)電功率可為電網(wǎng)合理調(diào)度提供重要依據(jù)，減少棄風(fēng)，有效地提高風(fēng)電利用率。同時(shí)，隨著風(fēng)電場智能化水平的提高，風(fēng)電監(jiān)測數(shù)據(jù)規(guī)模不斷增長，對(duì)傳統(tǒng)風(fēng)電功率預(yù)測模型的計(jì)算性能提出了新的挑戰(zhàn)。
　　近年來，以機(jī)器學(xué)習(xí)理論為基礎(chǔ)的人工神經(jīng)網(wǎng)絡(luò)法和支持向量機(jī)法及其改進(jìn)算法在短期風(fēng)電功率預(yù)測中得到廣泛應(yīng)用，機(jī)器學(xué)習(xí)算法中存在較多迭代計(jì)算場景，云計(jì)算技術(shù)中的Spark分布式內(nèi)存計(jì)算框架，可高效

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

3、的輸出且預(yù)測值無法超出訓(xùn)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(diǎn)上構(gòu)造多元線性回歸模型，有效提高了元決策樹的預(yù)測精度。
　?。?）針對(duì)隨機(jī)森林中存在部分預(yù)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(jìn)的差分進(jìn)化算法，并將其應(yīng)用到隨機(jī)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(gòu)成新的隨機(jī)森林，進(jìn)行加權(quán)計(jì)算得到最終預(yù)測結(jié)果。
　　（3）針對(duì)隨機(jī)森林算法計(jì)算復(fù)雜度較高的問題

4、，分析了隨機(jī)森林算法和差分進(jìn)化算法的并行性，研究了云計(jì)算體系架構(gòu)，采用云計(jì)算技術(shù)中的Spark分布式內(nèi)存計(jì)算框架，對(duì)上述預(yù)測算法進(jìn)行并行化改進(jìn)，有效提高了算法的執(zhí)行性能。
　　（4）以內(nèi)蒙古某地區(qū)風(fēng)電監(jiān)測數(shù)據(jù)作為實(shí)際算例，將本文方法與現(xiàn)有短期風(fēng)電功率預(yù)測算法和傳統(tǒng)的隨機(jī)森林回歸算法進(jìn)行對(duì)比；同時(shí)在實(shí)驗(yàn)室服務(wù)器上采用 Cloudera公司的發(fā)行版 CDH5版本搭建云計(jì)算平臺(tái)，對(duì)提出的算法進(jìn)行并行化性能測試。實(shí)驗(yàn)結(jié)果表明本文提出的方法