针对风电场实际运行中易出现的输出功率缺失问题,在分析了影响风电功率因数的基础上,构建了一个基于随机森林(RF)重要性分析的使用长短期记忆网络补齐缺失功率的模型。首先,基于RF分析得出了各项监测数据与风电功率的两个重要性指标,然后采用加权的重要性指标组成模型的输入向量,最后利用长短期记忆网络建立了风电功率补齐模型。以具体实例研究了不同的输入向量、预测方法和缺失数据类型对于补齐风电功率效果的影响,结果证明了所提方法可在不丢失有用信息的情况下,合理利用有效信息来提高功率预测精度,具有良好的补齐效果和一定的工程实用价值。 时刻的功率预测值。3．4建模流程为避免风电场功率数据的缺失而导致系统混乱难以控制和后续分析估计的障碍，本文提出的基于ＲF重要性分析的LSTM网络风电功率数据补齐流程图如图2所示。4实例验证4．1数据说明与试验设置本文以河北某风电场单台机组的实测数据为例进行分析验证 本文由公司网站网站采  转摘采集转载中国知网整理!  http://www.kuoguanji168.com/。随机森林重要性-数控滚圆机滚弧机张家港弯管机液压滚弧机滚圆机折弯机该机组为UP1500-97双馈式风力发电机组，额定容量为1500kW，采样数据包括风速、风向、转速、偏航角、桨距角1～3，采样时间为2016年1月1～6日，采样间隔为10min，连续采样共计864次。图2LSTM网络风电功率数据补齐流程图为对比说明LSTM网络的预测性能，同时采用LSSVＲ和AＲMA分别基于统计数据和时间序列的预测算法使用同样的加权输入向量进行试验。LSSVＲ的核函数采用高斯径向基函数，模型参数采用网格法和十字交叉验证法进行优化。AＲMA利用最小信息准则来确定模型的阶数。4．2ＲF重要性分析结果本试验在MATLAB平台运行，依次以上述7个连续监测项目为输入量，以风电功率为输出量。由于ＲF的训练集采用的是有放回的取样技术，根据统计发现，训练集约占总样本的2/3时训练效果最好。故取前576次采样数据作为训练集，后288次采样数据作为测试集。小样本数据随着特征个数的增加，训练集误差和袋外数据误差比较接近且随之增加，而大样本泛化误差率都随着随机特征数的增加而略微减少，因此需要进行参数(森林中树的数目ntree和每个节点候选特征个数mtry)优化，使得泛化误差最小。经试验，设置ＲF参数为ntree=1000，mtry=4时能够获得较满意的试验效果。使用ＲF算法进行重要性分析结果如图3所示。由图3可知，表示变量重要性的两个指标MDA和随机森林重要性-数控滚圆机滚弧机张家港弯管机液压滚弧机滚圆机折弯机 本文由公司网站网站采  转摘采集转载中国知网整理!  http://www.kuoguanji168.com/