基于XGBoost扩展金融因子的风电功率预测方法
2023-05-16王永生关世杰刘利民高静许志伟刘广文
浙江大学学报(工学版) 2023年5期
王永生,关世杰,刘利民,高静,许志伟,刘广文
(1.内蒙古工业大学 数据科学与应用学院,内蒙古自治区 呼和浩特 010080;2.内蒙古自治区基于大数据的软件服务工程技术研究中心,内蒙古自治区 呼和浩特 010080;3.内蒙古农业大学 计算机与信息学院,内蒙古自治区 呼和浩特 010018)
随着世界经济的飞速发展,对于能源的需求也大幅提升,传统化石能源面临着枯竭的威胁.由于传统化石能源的大规模消耗而引起的气候变暖以及日益严重的环境污染问题,生态系统、社会经济以及人类健康均受到严重威胁[1],大力发展风力发电、水力发电等可再生能源成为社会关注的重点.截至2021年底,我国风电并网装机容量突破3亿kW大关,相比于2016年底实现翻番,已经连续12年稳居全球第一.风力发电量占全社会用电量比例约7.5%,相比于2020年底提升1.3个%,风力发电对全国电力供应的贡献不断提升[2].由于风力、风向等自然气象条件的不确定性,使得风力发电具有较强的随机性与波动性,导致风力发电功率的预测工作受到影响.目前大多数预测方法依赖气象数据和专家经验,主要分为物理分析法、统计分析法以及二者相结合的方法[3].
物理分析法主要受数值天气预报(numerical weather prediction,NWP)及专家经验的影响.基于该方法的风力发电功率预测需要使用较多参数,如风速、风向、气压数据、地理地貌信息等,再依据风机功率特性曲线,计算输出功率.该方法具有不依赖历史数据的特点,但是模型复杂、计算量……
登录APP查看全文