基于特征工程的XGboost风速短期预测

作者：钱宇; 何益丰; 谢斌鑫; 张峰; 伍绍铖^*

来源：武汉大学学报(工学版), 2022, 55(10): 1057-1064.

DOI：10.14188/j.1671-8844.2022-10-011

• 特征工程
• 风速预测
• XGboost算法

为了解决现有风速预测模型精度不足以及数据利用度不高的问题，实现更高精度更快速度的风速短期预测，提出了一种基于特征工程的极限梯度提升算法(eXtreme Gradient boosting, XGboost)风速预测模型。XGboost算法是一种boosting集成学习算法，具有精度高速度快的特点。所提方法通过提取风速序列的5个统计特征，并与原始风速序列进行结合获得新的模型训练输入集，从而实现数据的充分利用，并采用XGboost算法对新输入集进行风速预测，提高了模型的预测精度。以江阴市某风电场实测风速数据进行预测，预测结果表明：基于时间-特征序列的XGboost风速预测模型具有精确的预测结果与快速的训练速度，与长短期记忆网络(long short-term memory,LSTM)、门控循环单元（gated recurrent unit,GRU)、卷积神经网络-长短期记忆网络（convolutional neural networkslong short-term memory,CNN-LSTM)及轻梯度提升机（light gradient boosting machine,LightGBM)等4种算法预测的结果进行对比，结果表明所提方法更具有效性。

• 单位
  自动化学院; 武汉大学