Page 102 - 电力与能源2024年第二期
P. 102
242 李洪涛：基于 MI-CEEMDAN-RF-LGBM 的风功率预测分析
裂次数下，能够降低更多的误差，从而提高预测精 得到的模态分量进行时域特征提取，再次为了减
度。在确保高效性的同时为防止过拟合，LGBM 少数据的冗余采用 RF 算法对 66 个特征变量进行
算 法 在 Leaf-wise 的 基 础 上 引 入 了 最 大 深 度 的 特征选择；最后通过 LGBM，DBN，ELM 这 3 种建
限制。 模算法对比得出，本研究所提出的风功率预测模
为了验证模型的有效性，本文采用桂林市某 型的建模精度更优，更有利于现场预测未来的风
风电场 53 747 组、每组间隔为 10 min 的风机参数 场信息。
数据进行建模，将前 37 623 组数据作为训练集，后 参考文献：
16 124 组数据作为测试集，还采用了深度信念网 ［1］ 李金龙，王义民，畅建霞 . 基于并行机器学习的风功率超短
［8-10］
络（DBN） 以及极限学习机（ELM） 分别进 期预测［J］ 水力发电学报，2023，42（1）：40-51.
［10-13］
.
［2］ 王 颖，朱南阳，谢浩川，等 . 基于对比学习辅助训练的超
行风功率预测建模，并采用评价指标 R 、均方误差
2
短 期 风 功 率 预 测 方 法［J］ 仪 器 仪 表 学 报 ，2023，44（3）：
.
（MSE）、平均绝对误差（MAE）对模型的建模精度 89-97.
进行评估。最终，得到的建模结果如表 1 和图 5 ［3］ 武新章 ，梁祥宇 ，朱虹谕 . 基 于 CEEMDAN-GRA-PCC-
.
所示。 ATCN 的 短 期 风 电 功 率 预 测［J］ 山 东 大 学 学 报 （工 学
版），2022，52（6）：146-156.
表 1 不同风功率建模精度评价指标对比结果
［4］ 黄文聪，潘 风，杨子潇，等 . 基于改进核极限学习机的风
建模算法 MAE MSE R 2 电 功 率 短 期 预 测［J］ 重 庆 理 工 大 学 学 报 （自 然 科 学），
.
LGBM 5.366 9.071 0.973 2023，37（2）：241-250.
ELM 8.554 18.370 0.946 ［5］ 赏 益，高志球，韩 威 . 基于 RF 和 GRU 组合算法的超短
DBN 11.120 30.740 0.910 期 风 电 功 率 预 测［J］ 中 国 科 技 论 文 ，2020，15（9）：
.
987-992.
［6］ 帅一民，周亚峰，伍卫华，等 . 迁移学习在风机桨叶缺陷检
测中的应用［J］ 新型工业化，2020，10（7）：56-58.
.
［7］ MASSAOUDI M，REFAAT S S，CHIHI I，et al. A
novel stacked generalization ensemble-based hybrid LGBM-
XGB-MLP model for Short-Term Load Forecasting［J］.
图 5 不同风功率建模所得到的预测结果 Energy，2021，214：118874.
由表 1 和图 5 可知，采用 LGBM 算法建模得 ［8］ 曹博源，王 爽，丁 骎 . 计及虚拟惯性的风电场接入双机
系 统 暂 态 稳 定 性 研 究［J］ 电 力 与 能 源 ，2023，44（5）：
.
到的建模精度相较于次好的 ELM 风功率建模精
490-495.
度 在 R 上 提 高 了 2.77%，在 MSE 上 减 少 了 ［9］ 杨 茂，许传宇，王凯旋 . 基于切换输出机制的超短期风电
2
50.62%，在 MAE 上减少了 37.27%。因此，验证 功率预测［J］ 高电压技术，2022，48（2）：420-430.
.
［10］ 唐新姿，顾能伟，黄 轩 . 风电功率短期预测技术研究进展
了本研究采用 LGBM 算法建立风功率预测模型
［J］ 机械工程学报，2022，58（12）：213-236.
.
的有效性。 ［11］ 苏智超 . 基于深度学习的风电机组风向预测方法研究［J］ .
电力与能源，2023，44（3）：239-246.
6 结语
［12］ 赵睿智，丁云飞 . 基于粒子群优化极限学习机的风功率预
测［J］ 上海电机学院学报，2019，22（4）：187-192.
.
在建立风功率预测模型的过程中，首先通过
［13］ 梅 睿，吕志勇，顾 文 . 基于主成分分析和谱聚类的短
MI 特征选择的方式选择出与风功率强相关的风 期风功率预测［J］ 现代电力，2023，40（1）：35-41.
.
机参数数据；其次为了去除风功率序列中的高噪 收稿日期：2023-12-17
声采用 CEEMDAN 算法进行特征分解，并对分解 (本文编辑：赵艳粉）
