基于XGBoost-GRNN算法的分段式风功率预测

来源：计算机集成制造系统杂志2025年第10期北京时间：

作者：李进友, 李媛, 黄露秋, 王海鑫, 李超然

单位：1.广西民族师范学院数理与电子信息工程学院2.沈阳工业大学理学院3.沈阳工业大学电气工程学院4.国家电投集团内蒙古新能源有限公司

摘要：针对风电大数据背景下风电机组功率预测准确性、预测功率曲线契合率低等问题,提出一种基于XGBoost-GRNN的风功率预测算法,建立考虑分段式风电数据的风电机组功率预测模型。首先,提出基于风电机组运行状态特征、风速分布模型的SCADA数据分段划分方法,并基于数据多维度分析构建功率关联指标架构。其次,提出一种基于改进极端梯度提升(XGBoost)变量的广义神经网络(GRNN)联合风电机组分段式功率预测算法,以获取准确性较高、误差较小的功率预测值。进一步,基于预测偏差、曲线契合率等指标评估所提预测模型的预测性能。最后,以内蒙古塞罕坝风电场20台风电机组为例进行实验分析,结果表明:与传统预测方法相比,所提方法R2均值至少提高了0.010 1;与全段数据预测相比,分段式预测R2提高了0.008 4。所提模型预测曲线契合率为0.918 4,相比其余4种模型预测曲线契合率至少提高了0.036。针对风电大数据背景下风电机组功率预测准确性、预测功率曲线契合率低等问题,提出一种基于XGBoost-GRNN的风功率预测算法,建立考虑分段式风电数据的风电机组功率预测模型。首先,提出基于风电机组运行状态特征、风速分布模型的SCADA数据分段划分方法,并基于数据多维度分析构建功率关联指标架构。其次,提出一种基于改进极端梯度提升(XGBoost)变量的广义神经网络(GRNN)联合风电机组分段式功率预测算法,以获取准确性较高、误差较小的功率预测值。进一步,基于预测偏差、曲线契合率等指标评估所提预测模型的预测性能。最后,以内蒙古塞罕坝风电场20台风电机组为例进行实验分析,结果表明:与传统预测方法相比,所提方法R2均值至少提高了0.010 1;与全段数据预测相比,分段式预测R2提高了0.008 4。所提模型预测曲线契合率为0.918 4,相比其余4种模型预测曲线契合率至少提高了0.036。

关键词：风电大数据,风电机组,极端梯度提升,广义神经网络,分段式功率预测算法

基金资助：广西高校中青年教师科研基础能力提升资助项目(2023KY0792);广西民族师范学院科研项目资助项目(2024YB123)。