[发明专利]一种基于风速修正和融合模型的短期风电功率预测方法

权利要求书

1.一种基于风速修正和融合模型的短期风电功率预测方法，其特征在于，包括以下步骤：

步骤1、对风电功率数据进行清洗处理，所述风电功率数据包括历史NWP预报风速、风向、温度、湿度、气压、空气密度、实际风速、预测点实际功率；

步骤2、将历史NWP预报风速作为Attention-GRU风速修正模型的输入，实际风速作为修正目标，输入Attention-GRU风速修正模型进行修正，得到修正后的NWP预报风速；

步骤3、将其他气象因素组合得到的多维数据、修正后的NWP预报风速输入Stacking融合模型，对Stacking融合模型进行训练；

步骤4、利用Attention-GRU风速修正模型对预测点NWP预报风速进行修正，将修正后的预测点NWP预报风速、其他气象因素组合得到的多维数据输入Stacking融合模型进行风电功率预测，得到预测结果；

步骤2具体包括以下步骤：

步骤2.1、获取历史NWP预报风速、历史实际风速，将历史NWP预报风速向量作为输入，实际风速作为修正目标，输入Attention-GRU风速修正模型对历史NWP预报风速进行修正；

步骤2.2、历史NWP预报风速向量依次经过输入层、两层GRU隐藏层，得到GRU特征学习结果；

步骤2.3、将所述GRU特征学习结果依次输入Attention层、全连接层得到修正后的NWP预报风速；

步骤3具体包括以下步骤：

步骤3.1、将其他气象因素组合得到的多维数据、修正后的NWP预报风速输入Stacking融合模型；

步骤3.2、利用网格搜索对Stacking中单模型XGboost、LSTM、SVR、Lasso进行参数调优，得到最优参数基学习器；

步骤3.3、将对所述修正后的NWP历史数据分为五份，分别使用初级学习器XGBoost、LSTM、SVR、Lasso进行的训练，每次将其中一份作为验证集，其余4份作为训练集，得到不同的验证集和测试集预测结果；

步骤3.4、创建第二层次级学习器XGBoost，将每个初级学习器对应的验证集预测结果拼接作为次级学习器的训练集，将测试集预测结果作为XGBoost的测试集，对第二层次级学习器XGBoost进行训练，得到训练后的Stacking融合模型。

2.根据权利要求1所述的一种基于风速修正和融合模型的短期风电功率预测方法，其特征在于，还包括，

步骤5、使用均方根误差、平均绝对误差对步骤4的预测结果进行预测指标评价。

3.根据权利要求1所述的一种基于风速修正和融合模型的短期风电功率预测方法，其特征在于，步骤3、4中所述其他气象因素包括风向、湿度、温度、气压及空气密度。