基于核主成分分析和食肉植物算法優(yōu)化隨機(jī)森林的風(fēng)電功率短期預(yù)測

陳曉華，吳杰康，龍泳丞，王志平，蔡錦健

（1.廣東電網(wǎng)有限責(zé)任公司湛江供電局，廣東 湛江 524005；2.廣東工業(yè)大學(xué)自動化學(xué)院，廣東 廣州 510006；3.東莞理工學(xué)院電子工程與智能化學(xué)院，廣東 東莞 523808）

0 引言

風(fēng)力發(fā)電作為低成本、可再生的清潔能源受到了廣泛的重視，越來越多風(fēng)力發(fā)電設(shè)備接入電網(wǎng)中［1］。風(fēng)力發(fā)電能在一定程度上緩解能源危機(jī)，但由于風(fēng)電功率受氣象因素影響較大，所以風(fēng)電功率具有隨機(jī)性和間歇性等特點(diǎn)，進(jìn)而給風(fēng)電功率的準(zhǔn)確預(yù)測帶來技術(shù)上的難度。風(fēng)電功率短期預(yù)測一般指對未來3 天之內(nèi)的風(fēng)電輸出功率進(jìn)行預(yù)測，高精度的短期預(yù)測有助于促進(jìn)風(fēng)電的利用以及電網(wǎng)的安全穩(wěn)定運(yùn)行［2］。

目前對于風(fēng)電功率短期預(yù)測的研究方法主要包括物理方法和基于數(shù)據(jù)驅(qū)動的預(yù)測方法。物理方法主要通過利用數(shù)值天氣預(yù)報(bào)數(shù)據(jù)等信息，建立復(fù)雜的數(shù)學(xué)模型并對其求解得出預(yù)測結(jié)果，但該方法計(jì)算復(fù)雜且精度不高，不適用于風(fēng)電功率短期預(yù)測［3］?；跀?shù)據(jù)驅(qū)動的預(yù)測方法主要通過利用機(jī)器學(xué)習(xí)或深度學(xué)習(xí)方法對風(fēng)速、風(fēng)向、溫度和海拔高度等數(shù)據(jù)進(jìn)行訓(xùn)練和回歸預(yù)測，進(jìn)而實(shí)現(xiàn)風(fēng)電功率的短期預(yù)測。常見的機(jī)器學(xué)習(xí)方法有支持向量機(jī)［4］、梯度提升樹［5］、鄰域KNN 算法［6］和隨機(jī)森林（random forest，RF）［7］等。常見的深度學(xué)習(xí)方法有卷積神經(jīng)網(wǎng)絡(luò)［8］、深度置信網(wǎng)絡(luò)［9］、雙向門控循環(huán)單元網(wǎng)絡(luò)［10］、Elman網(wǎng)絡(luò)［11］、長短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）［12］、門控循環(huán)單元網(wǎng)絡(luò)［13］、生成對抗網(wǎng)絡(luò)［14］和極限學(xué)習(xí)機(jī)［15］等，利用深度學(xué)習(xí)方法可以獲得一定的預(yù)測效果，但需要大量樣本數(shù)據(jù)并且消耗的時(shí)間比較長，不適用于風(fēng)電功率短期預(yù)測。李國全等人利用改進(jìn)烏鴉搜索算法優(yōu)化支持向量機(jī)參數(shù)獲得精度更高的預(yù)測模型［4］，但改進(jìn)的算法會增加運(yùn)算時(shí)間。孫川永等人利用數(shù)值天氣預(yù)報(bào)和梯度提升樹算法相結(jié)合的方法對風(fēng)電功率進(jìn)行短期預(yù)測，獲得滿意的效果［5］，但梯度提升樹需要調(diào)參，人為隨機(jī)設(shè)置的參數(shù)有時(shí)會導(dǎo)致預(yù)測效果不理想。RF 在處理非線性的風(fēng)電功率數(shù)據(jù)方面具有明顯的優(yōu)勢，可以快速獲得較好的預(yù)測效果，然而RF 和支持向量機(jī)一樣，超參數(shù)設(shè)置不同的數(shù)值會影響預(yù)測效果。因此，采用尋優(yōu)精度高、收斂速度快的食肉植物算法（carnivorous plant algorithm，CPA）優(yōu)化RF 建立風(fēng)電功率短期預(yù)測模型可以克服RF 預(yù)測模型預(yù)測精度不夠高的問題。

針對以往研究的不足，提出一種基于核主成分分析和CPA 優(yōu)化RF 的風(fēng)電功率短期預(yù)測方法。利用核主成分分析選出8 個(gè)氣象因素作為預(yù)測模型的輸入，然后，通過CPA 優(yōu)化RF 構(gòu)建CPA-RF 預(yù)測模型克服RF 預(yù)測模型預(yù)測效果比較差的缺點(diǎn)。

1 基于核主成分分析的特征提取

與主成分分析方法相比，核主成分分析利用核函數(shù)把非線性的樣本數(shù)據(jù)映射到高維空間中，并在高維空間對樣本數(shù)據(jù)進(jìn)行線性處理，該方法可以有效解決主成分分析方法只能處理線性數(shù)據(jù)等問題，并且方差貢獻(xiàn)率更加集中，樣本數(shù)據(jù)降維效果更好。由于論文篇幅有限，核主成成分分析的數(shù)學(xué)原理不再贅述，具體推導(dǎo)可參考文獻(xiàn)［16-17］。

核主成分分析算法的具體步驟如下［16-17］：

1）輸入樣本數(shù)據(jù)，并在MATLAB 中調(diào)用zscore函數(shù)對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，消除數(shù)據(jù)不同量綱的影響；

2）設(shè)置徑向基參數(shù)為2.5，并利用徑向基核函數(shù)計(jì)算核矩陣G；

3）對核矩陣G進(jìn)行中心化處理，可得矩陣G′；

4）求出矩陣G′的特征值和特征向量；

5）對矩陣G′的特征值進(jìn)行降序排列，并找出對應(yīng)順序的特征向量；

6）計(jì)算核主成分的數(shù)值、方差貢獻(xiàn)率和累計(jì)貢獻(xiàn)率。

2 CPA-RF風(fēng)電功率短期預(yù)測模型

2.1 CPA

CPA 通過模擬食肉植物的吸引、捕獲、消化以及繁殖的過程來達(dá)到尋優(yōu)的目的［18］。CPA 的數(shù)學(xué)模型如下所示：

1）初始化階段。

按照式（1）對CPA 的種群個(gè)體進(jìn)行初始化。

式中：xi,j為第i個(gè)個(gè)體在第j維度上的位置；i=1,2,…,N，N為Nplant棵食肉植物和Nprey個(gè)獵物個(gè)體的和，即N=Nplant+Nprey；j=1,2,…,d，d為待求解優(yōu)化問題的維數(shù)；μj、分別為第j維變量的下限和上限；ηi,j為第i行第j列上產(chǎn)生的隨機(jī)數(shù)，取值范圍為［0，1］。

對食肉植物算法的種群個(gè)體進(jìn)行初始化后可得種群的初始位置為

對于第i個(gè)個(gè)體，也就是式（2）的第i行所有變量，它代表優(yōu)化問題的一個(gè)可行解。

為了確定可行解是否是最優(yōu)的，需要將第i個(gè)個(gè)體代入適應(yīng)度函數(shù)f(·)中求解適應(yīng)度函數(shù)值來判斷，將結(jié)果存儲到矩陣中，可得

對于最小化問題來說，適應(yīng)度函數(shù)值越小，則該可行解越接近最優(yōu)解。

2）分類與分組階段。

算法的分類過程為：將式（3）計(jì)算得到的適應(yīng)度函數(shù)值從小到大進(jìn)行排序，把前面Nplant個(gè)個(gè)體作為食肉植物，剩下的Nprey個(gè)個(gè)體作為獵物。

算法的分組過程為：把Nplant棵食肉植物和Nprey個(gè)獵物分別從小到大依次排序，并將第1 個(gè)獵物分配給第1 棵食肉植物，將第2 個(gè)獵物分配給第2 棵食肉植物，以此類推，將第Nplant個(gè)獵物分配給第Nplant棵食肉植物。由于算法中獵物的個(gè)數(shù)大于食肉植物的數(shù)量，所以將第Nplant+1 個(gè)獵物分配給第1 棵食肉植物，依次類推，直到第Nprey個(gè)獵物分配給第Nplant棵食肉植物為止，并且滿足關(guān)系式k=Nprey/Nplant≥2。算法的分組過程如圖1 所示。

圖1 CPA分組過程Fig.1 Grouping process of carnivorous plant algorithm

3）生長階段。

由于土壤的營養(yǎng)成分不足，食肉植物會通過吸引、捕獲和消化獵物的方式來獲得營養(yǎng)，從而促進(jìn)自身的生長。食肉植物會散發(fā)香味吸引獵物，但獵物也有可能從逃脫食肉植物的魔爪。因此，在算法中引入吸引率，在圖1 中，每一棵食肉植物都隨機(jī)選取一個(gè)獵物，若吸引率大于隨機(jī)產(chǎn)生的一個(gè)數(shù)字，則食肉植物會被捕到該獵物并且消化它，進(jìn)而促進(jìn)食肉植物的生長。此時(shí)，食肉植物的生長數(shù)學(xué)模型為：

式 中：xi′,j為在第j維度上的第i′ 棵食肉植物，i′=1,2,…,Nplant；為生長率預(yù)設(shè)的數(shù)值；為用隨機(jī)數(shù)更新后的生長率；為在第j維度上對應(yīng)食肉植物的那一組隨機(jī)選擇的第v個(gè)獵物；ηi′,j為第i′行第j列上產(chǎn)生的隨機(jī)數(shù)，取值范圍為［0，1］。

若吸引率小于隨機(jī)產(chǎn)生的一個(gè)數(shù)字，則獵物可以逃脫食肉植物的魔爪并且繼續(xù)生長。此時(shí)，對應(yīng)該行為的數(shù)學(xué)模型為：

食肉植物和獵物的生長過程一直在不斷地重復(fù)，直到達(dá)到預(yù)設(shè)的生長迭代次數(shù)Tgrowth為止。

4）繁殖階段。

食肉植物通過消耗獵物進(jìn)行繁殖，并且算法中只允許第1 棵食肉植物可以繁殖。食肉植物繁殖過程的數(shù)學(xué)模型為：

式中：i′ ≠v′ ≠1；x1,j為算法的最優(yōu)解；為繁殖率；xv′,j為在第j維度上的第v′棵食肉植物；為計(jì)算參數(shù)。

在繁殖的過程中，無論維度如何，都會重新選擇第v′棵食肉植物，并且該過程會重復(fù)Nplant次。

5）更新適應(yīng)度和組合階段。

將新生成的所有食肉植物以及獵物個(gè)體均添加到初始的種群中，并計(jì)算所有個(gè)體的適應(yīng)度函數(shù)值，按從小到大的順序重新排序，把排在前N名的個(gè)體作為進(jìn)入新的初始種群并進(jìn)行下一輪的迭代更新。

6）算法的終止階段。

重復(fù)步驟2）—步驟5），直到滿足最大迭代次數(shù)Tmax為止。

2.2 RF回歸

RF 可以看作是由多棵彼此之間無關(guān)聯(lián)、相互獨(dú)立的決策樹組成的一種算法，該算法首先采用Bootstrap 采樣方法，從原始的樣本數(shù)據(jù)中提取多個(gè)樣本，根據(jù)每一個(gè)Bootstrap 樣本數(shù)據(jù)建立對應(yīng)的決策樹模型，然后對多棵決策樹的預(yù)測結(jié)果進(jìn)行相加并求取平均值，最后可得出RF 的預(yù)測效果［19］。

RF 回歸模型采用均方誤差最小的原則對樣本數(shù)據(jù)進(jìn)行劃分，在抽樣樣本數(shù)據(jù)對應(yīng)的節(jié)點(diǎn)處劃分為兩個(gè)樣本數(shù)據(jù)集并分別計(jì)算它們的均方誤差，將兩個(gè)樣本數(shù)據(jù)集各自均方誤差最小且兩個(gè)樣本數(shù)據(jù)集的均方誤差之和最小的點(diǎn)作為分裂節(jié)點(diǎn)。

在RF 算法中，設(shè)置不同決策樹的數(shù)量ntree和分裂節(jié)點(diǎn)處特征變量的數(shù)量mtry會對預(yù)測結(jié)果產(chǎn)生較大的影響。因此，選擇利用食肉植物算法對RF 算法中的ntree和mtry這兩個(gè)參數(shù)進(jìn)行優(yōu)化，從而獲得預(yù)測性能更好的CPA-RF 預(yù)測模型。

2.3 構(gòu)建CPA-RF的風(fēng)電功率短期預(yù)測模型

構(gòu)建CPA-RF 風(fēng)電功率短期預(yù)測模型步驟如下：

1）對采集到與風(fēng)電功率有關(guān)的多個(gè)影響因子進(jìn)行核主成分分析，將貢獻(xiàn)率較高的幾個(gè)影響因子作為預(yù)測模型的輸入。

2）對貢獻(xiàn)率較高的幾個(gè)影響因子和風(fēng)電功率數(shù)據(jù)的訓(xùn)練集和測試集的比例設(shè)置為7∶3，將貢獻(xiàn)率較高的幾個(gè)影響因子和訓(xùn)練集數(shù)據(jù)歸一化后一起訓(xùn)練CPA-RF 預(yù)測模型，其中歸一化的計(jì)算表達(dá)式為［20-23］

式中：H為原始數(shù)據(jù)；Hmin為原始數(shù)據(jù)最小值；Hmax為原始數(shù)據(jù)最大值。

3）設(shè)置食肉植物算法種群數(shù)量N=40，其中食肉植物的棵數(shù)Nplant=10，獵物個(gè)體的數(shù)量Nprey=30；最大迭代次數(shù)Tmax=20；待求解優(yōu)化問題的維數(shù)d=2；搜索空間變量的下限μ1=μ2=0.1 和上限；生長率；吸引率為0.8；生長迭代次數(shù)Tgrowth=2；繁殖率

4）初始化種群個(gè)體。

5）以平均絕對百分比誤差作為種群個(gè)體的適應(yīng)度函數(shù)，計(jì)算表達(dá)式為

式中：Treal(t) 為t時(shí)刻實(shí)際的風(fēng)力發(fā)電功率；Tpred(t)為t時(shí)刻預(yù)測的風(fēng)力發(fā)電功率；h為訓(xùn)練集樣本數(shù)。

6）將食肉植物和獵物進(jìn)行分類和分組。

7）判斷吸引率是否大于隨機(jī)數(shù)。如果條件成立，食肉植物將會成長；否則，獵物會掙脫并成長。

8）第一棵食肉植物進(jìn)行繁殖。

9）更新適應(yīng)度并組合新種群。

10）判斷算法是否已達(dá)到最大迭代次數(shù)，如果是，那么停止迭代，輸出RF 的最優(yōu)參數(shù)，得到CPARF 預(yù)測模型；否則，返回步驟5），直到滿足終止條件為止。

將貢獻(xiàn)率較高的幾個(gè)影響因子和測試集數(shù)據(jù)歸一化后一起輸入到訓(xùn)練好的CPA-RF 預(yù)測模型中，從而獲得風(fēng)電功率的預(yù)測結(jié)果。

基于核主成分分析和食肉植物算法優(yōu)化RF 的風(fēng)電功率預(yù)測流程如圖2 所示。

圖2 基于核主成分分析和食肉植物算法優(yōu)化RF的風(fēng)電功率預(yù)測流程Fig.2 Wind power prediction flow chart based on random forest optimized by kernel principal component analysis and carnivorous plant algorithm

3 仿真分析

對某地風(fēng)力發(fā)電功率進(jìn)行短期預(yù)測，選取某地區(qū)2019 年1 月1 日—12 日的13 個(gè)氣象因素以及風(fēng)電功率數(shù)據(jù)進(jìn)行研究。這13 個(gè)氣象因素包括測風(fēng)塔10 m 風(fēng)速、測風(fēng)塔30 m 風(fēng)速、測風(fēng)塔50 m 風(fēng)速、測風(fēng)塔70 m 風(fēng)速、輪轂高度風(fēng)速、測風(fēng)塔10 m 風(fēng)向、測風(fēng)塔30 m 風(fēng)向、測風(fēng)塔50 m 風(fēng)向、測風(fēng)塔70 m風(fēng)向、輪轂高度風(fēng)向、溫度、氣壓、濕度。選取1 月前10 天的氣象數(shù)據(jù)和風(fēng)電功率數(shù)據(jù)作為訓(xùn)練集，其中1 月前10 天的風(fēng)力發(fā)電功率歷史數(shù)據(jù)如圖3 所示，所選取的風(fēng)電功率數(shù)據(jù)的每次采樣時(shí)間為15 min，一共采樣960 個(gè)數(shù)據(jù)點(diǎn)。選取1 月11 日和12 日的氣象數(shù)據(jù)和風(fēng)電功率數(shù)據(jù)作為測試集，即選取1 月11 日和12 日作為待預(yù)測日期，其中預(yù)測時(shí)間間隔為15 min，一共輸出192 個(gè)風(fēng)力發(fā)電功率預(yù)測數(shù)據(jù)。

圖3 1月前12天的風(fēng)力發(fā)電功率Fig.3 Wind power in the first 12 days of January

3.1 選出合適的氣象因素

風(fēng)電功率受風(fēng)向、風(fēng)速、溫度、氣壓和濕度等影響。若將所有的氣象因素都輸入到預(yù)測模型中，則會增加預(yù)測模型的訓(xùn)練難度和時(shí)間。由于這13 個(gè)氣象因素和風(fēng)電功率之間呈現(xiàn)非線性關(guān)系，因此，相比較于主成分分析算法，采用核主成分分析算法提取出與風(fēng)電功率有著很強(qiáng)相關(guān)性的氣象因素具有明顯的優(yōu)勢?；诤酥鞒煞址治龅姆讲钬暙I(xiàn)率和累計(jì)貢獻(xiàn)率如圖4 所示。

圖4 基于核主成分分析的方差貢獻(xiàn)率和累計(jì)貢獻(xiàn)率Fig.4 Variance contribution rate and cumulative contribution rate based on kernel principal component analysis

由圖4 可知，前8 個(gè)主成分的累計(jì)貢獻(xiàn)率達(dá)到99.98%，說明這8 個(gè)氣象因素與風(fēng)力發(fā)電功率的輸出有著很大的關(guān)系。因此，選擇這8 個(gè)氣象因素作為預(yù)測模型的輸入變量。

3.2 風(fēng)電功率預(yù)測仿真結(jié)果及其分析

為了突出利用核主成分分析方法提取前8 個(gè)與風(fēng)力發(fā)電功率有關(guān)氣象因素的合理性和有效性，分別選擇前8 個(gè)氣象因素和13 個(gè)氣象因素作為輸入變量，對1 月11 日和12 日的風(fēng)電功率進(jìn)行預(yù)測，基于LSTM 預(yù)測模型、雙向長短期記憶神經(jīng)網(wǎng)絡(luò)（bidirectional long short-term memory，BiLSTM）預(yù)測模型、RF 預(yù)測模型和CPA-RF 預(yù)測模型的仿真結(jié)果如圖5 所示。

圖5 4種預(yù)測模型預(yù)測效果的對比Fig.5 Comparison of prediction effect of four prediction models

從圖5 中可以看出，LSTM 預(yù)測模型和BiLSTM預(yù)測模型的預(yù)測值均會出現(xiàn)負(fù)數(shù)的情況，這顯然不符合實(shí)際情況，而RF 預(yù)測模型和CPA-RF 預(yù)測模型的預(yù)測值都沒有出現(xiàn)負(fù)數(shù)的情況，證明此時(shí)使用RF預(yù)測模型和CPA-RF 預(yù)測模型對風(fēng)電功率進(jìn)行短期預(yù)測的準(zhǔn)確性和合理性。并且從圖中可以看出，當(dāng)輸入8 個(gè)氣象因素時(shí)，基于CPA-RF 預(yù)測模型的預(yù)測值最接近于風(fēng)力發(fā)電功率真實(shí)值，證明利用核主成分分析方法提取8 個(gè)氣象因素作為輸入要比單純直接輸入13 個(gè)氣象因素的效果要好，多余的5 個(gè)氣象因素會影響到預(yù)測模型的預(yù)測精度。

3.3 風(fēng)電功率預(yù)測模型結(jié)果的評價(jià)指標(biāo)

采用均方根誤差TRMSE、平均絕對誤差TMAE以及絕對誤差TAE這3 種誤差指標(biāo)對1 月11 日和12 日的風(fēng)電功率預(yù)測結(jié)果進(jìn)行評價(jià)，計(jì)算表達(dá)式分別為［23-24］：

式中：m為預(yù)測樣本數(shù)據(jù)的數(shù)量。

1）均方根誤差和平均絕對誤差的比較。

分別輸入8 個(gè)氣象因素和13 個(gè)氣象因素時(shí)，基于LSTM 預(yù)測模型、BiLSTM 預(yù)測模型、RF 預(yù)測模型和CPA-RF 預(yù)測模型的均方根誤差和平均絕對誤差的結(jié)果分別如表1 和表2 所示。

表1 輸8個(gè)氣象因素時(shí)不同方法預(yù)測誤差分析Table 1 Prediction error analysis of different methods when inputting 8 meteorological factors 單位：MW

表2 輸入13個(gè)氣象因素時(shí)不同方法預(yù)測誤差分析Table 2 Prediction error analysis of different methods when inputting 13 meteorological factors 單位：MW

從表1 和表2 中可以看出，對于同一種預(yù)測方法，當(dāng)分別輸入8 個(gè)氣象因素和13 個(gè)氣象因素時(shí)，除了BiLSTM 預(yù)測模型的均方根誤差和平均絕對誤差一樣之外，其余的預(yù)測方法都是輸入8 個(gè)氣象因素的預(yù)測效果要比輸入13 個(gè)氣象因素好，證明利用核主成分分析方法提取8 個(gè)氣象因素作為輸入的有效性，比直接輸入13 個(gè)氣象因素更加合理和可靠。另外，當(dāng)輸入8 個(gè)氣象因素時(shí)，基于CPA-RF 預(yù)測模型的均方根誤差和平均絕對誤差是所有預(yù)測方法中最小的，證明把核主成分分析和利用食肉植物算法優(yōu)化RF 這兩種方法相結(jié)合可以提高預(yù)測模型的預(yù)測精度。

2）絕對誤差的比較。

絕對誤差可以描述單個(gè)預(yù)測值與實(shí)際風(fēng)電功率數(shù)值之間差異的大小。分別輸入8 個(gè)氣象因素和13個(gè)氣象因素時(shí)，基于LSTM 預(yù)測模型、BiLSTM 預(yù)測模型、RF 預(yù)測模型和CPA-RF 預(yù)測模型的絕對誤差如圖6 所示。

從圖6 中可以看出，在所有預(yù)測方法中，當(dāng)輸入8 個(gè)氣象因素時(shí)，基于CPA-RF 預(yù)測模型的絕對誤差在大部分樣本數(shù)據(jù)點(diǎn)是最小的，進(jìn)一步證明結(jié)合核主成分分析方法和CPA-RF 預(yù)測模型對風(fēng)力發(fā)電功率進(jìn)行預(yù)測的可靠性和準(zhǔn)確性，其預(yù)測結(jié)果更準(zhǔn)確，有助于解決風(fēng)電功率短期預(yù)測精度不夠高的問題。

3）4 種預(yù)測模型耗時(shí)的比較。

分別輸入8 個(gè)氣象因素和13 個(gè)氣象因素時(shí)，基于LSTM 預(yù)測模型、BiLSTM 預(yù)測模型、RF 預(yù)測模型和CPA-RF 預(yù)測模型的耗時(shí)結(jié)果如表3 所示。

表3 不同預(yù)測方法的耗時(shí)Table 3 Time consuming for different prediction methods 單位：s

從表3 種可以看出，對于同一種預(yù)測方法，輸入13 個(gè)氣象因素的耗時(shí)均比輸入8 個(gè)氣象因素要長，這是因?yàn)檩斎霘庀笠蛩乇容^多從而導(dǎo)致預(yù)測模型耗時(shí)長。另外，當(dāng)輸入8 個(gè)氣象因素時(shí)，LSTM 預(yù)測模型和BiLSTM 預(yù)測模型的耗時(shí)均達(dá)到70 s 以上，而RF 預(yù)測模型的耗時(shí)只有5.893 s，CPA-RF 預(yù)測模型的耗時(shí)為12.811 s，證明使用LSTM 預(yù)測模型和BiLSTM 預(yù)測模型的耗時(shí)遠(yuǎn)遠(yuǎn)多于RF 預(yù)測模型，而CPA-RF 預(yù)測模型的耗時(shí)僅比RF 預(yù)測模型多6.918 s。

綜合預(yù)測精度和耗時(shí)這兩個(gè)方面，CPA-RF 預(yù)測模型是最好的選擇。

4 結(jié)論

針對風(fēng)電功率短期預(yù)測精度不夠高的問題，提出一種基于核主成分分析和CPA-RF 的風(fēng)電功率短期預(yù)測方法，并選取某地區(qū)在2019 年1 月1 日—12日的數(shù)據(jù)進(jìn)行研究，可以得出以下結(jié)論：

1）若選取13 個(gè)氣象因素作為風(fēng)電功率短期預(yù)測的輸入，結(jié)果往往不夠準(zhǔn)確。而利用核主成分分析選出8 個(gè)重要?dú)庀笠蛩刈鳛轭A(yù)測模型的輸入可以很好地解決輸入全部氣象因素所造成的精度不高問題，驗(yàn)證了核主成分分析方法選出主成分的合理性和準(zhǔn)確性。

2）利用食肉植物算法優(yōu)化RF 中決策樹的數(shù)量和分裂節(jié)點(diǎn)處特征變量的數(shù)量可以獲得比RF 預(yù)測精度更高的CPA-RF 預(yù)測模型，證明方法的可行性，為提升風(fēng)電功率短期預(yù)測精度提供思路。

3）LSTM 預(yù)測模型和BiLSTM 預(yù)測模型的耗時(shí)比RF 預(yù)測模型和CPA-RF 預(yù)測模型都要多得多，并且預(yù)測數(shù)值出現(xiàn)了負(fù)數(shù)情況，不符合實(shí)際。而在輸入8 個(gè)氣象因素時(shí)，CPA-RF 預(yù)測模型僅比RF 預(yù)測模型多6.918s，但預(yù)測精度有所提升。因此，在兼顧用時(shí)和預(yù)測精度這兩個(gè)方面，CPA-RF 預(yù)測模型是最優(yōu)的選擇。