文献类型：期刊文章

作　　者：钱宇[1] 何益丰[1] 谢斌鑫[1] 张峰[1] 伍绍铖[2]

QIAN Yu;HE Yifeng;XIE Binxin;ZHANG Feng;WU Shaocheng(State Grid Jiangyin Power Supply Company,Jiangyin 214400,China;School of Electrical Engineering and Automation,Wuhan University,Wuhan 430072,China)

机构地区：[1]国网江阴市供电公司,江苏江阴214400 [2]武汉大学电气与自动化学院,湖北武汉430072

出　　处：《武汉大学学报（工学版）》

基　　金：国网江苏省电力有限公司科技项目资助(编号:J2020031)。

年　　份：2022

卷　　号：55

期　　号：10

起止页码：1057-1064

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为了解决现有风速预测模型精度不足以及数据利用度不高的问题,实现更高精度更快速度的风速短期预测,提出了一种基于特征工程的极限梯度提升算法(eXtreme Gradient boosting, XGboost)风速预测模型。XGboost算法是一种boosting集成学习算法,具有精度高速度快的特点。所提方法通过提取风速序列的5个统计特征,并与原始风速序列进行结合获得新的模型训练输入集,从而实现数据的充分利用,并采用XGboost算法对新输入集进行风速预测,提高了模型的预测精度。以江阴市某风电场实测风速数据进行预测,预测结果表明:基于时间-特征序列的XGboost风速预测模型具有精确的预测结果与快速的训练速度,与长短期记忆网络(long short-term memory,LSTM)、门控循环单元(gated recurrent unit,GRU)、卷积神经网络-长短期记忆网络(convolutional neural networkslong short-term memory,CNN-LSTM)及轻梯度提升机(light gradient boosting machine,LightGBM)等4种算法预测的结果进行对比,结果表明所提方法更具有效性。

关 键 词：特征工程  风速预测 XGboost算法  

分 类 号：TM614]