一个用于短期风电预测的强大集成学习模型，该模型利用了多高度风速特征

《Scientific Reports》：A robust ensemble learning model for short-term wind power forecasting using multi-height wind features

　　

摘要

精确的15分钟提前风能预测对电网运营和可再生能源整合至关重要。本研究系统地评估了多种高度的气象数据、基于物理信息的变量以及时间变量在短期风能预测中的效果。数据集包含一年中以15分钟为间隔记录的35,040个观测值，包括在10米、30米、50米、70米高度以及风轮机轮毂高度测得的风速，同时还记录了温度、气压、湿度和实际发电量。从这些数据中还计算出了风切变、轮毂高度处的立方风速、三个功率滞后值、四步滚动统计量以及日期变量。研究人员使用了一个三小时的历史窗口来预测15分钟后的发电量。评估了五种模型：Extra Trees、LightGBM、XGBoost、CatBoost以及一种投票集成算法，并采用了80:20的比例进行训练和测试划分。模型性能通过MAE（平均绝对误差）、RMSE（均方根误差）、sMAPE（平均绝对百分比误差）和R2（决定系数）来进行评估，同时还进行了残差分析和非参数统计分析。通过固定配置的LightGBM进行的消融实验表明，与仅使用轮毂高度数据和大气数据相比，多高度测量数据可将MAE降低13.05%；其中时间变量带来的改进最为显著，相对之前的配置可将MAE降低61.36%。基于物理信息的变量虽然也有一定的改进效果，但在统计学上并不显著（p=0.0587）。主成分分析（PCA）将特征维度从228降到了50个，但降低了预测准确性。最佳配置保留了多高度、大气、基于物理信息的时间变量，且未使用PCA处理，其MAE为5.9389 MW，RMSE为10.0148 MW，R2为0.9634。这些发现提供了实证证据，证明多高度和时间信息对短期风能预测有帮助，而降维并不一定能提升预测准确性。