[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

说明书

本发明公开了一种基于风速修正和融合模型的短期风电功率预测方法，包括：对风电功率数据进行清洗处理，风电功率数据包括历史预报风速、风向、温度、湿度、气压、空气密度、实际风速、预测点实际功率；将历史预报风速作为风速修正模型的输入，实际风速作为修正目标，输入风速修正模型进行修正，得到修正后的预报风速；将修正后的预报风速输入融合模型，对融合模型进行训练；利用风速修正模型对预测点预报风速进行修正，将其他气象因素组合得到的多维数据、修正后的预测点预报风速输入融合模型进行风电功率预测，得到预测结果。能有效提高使用NWP数据进行风电功率预测的精度，可用于电力系统调度。

技术领域

本发明属于风电功率预测方法技术领域，涉及一种基于风速修正和融合模型的短期风电功率预测方法。

背景技术

短期风电功率利用历史风电数据或者NWP气象数据进行风力发电功率预测，一般使用时序法，人工智能方法。现有预测方法有使用历史实际风速进行预测，但实际预测中，未来的实际风速是未知的，故而这种预测方法实际适用性不佳。使用NWP(数值天气预报)预报数据进行预测更符合实际情况，但是NWP预报数据精度仍有待提高，NWP预报风速与风电场实际风速存在偏差，会导致预测效果欠佳。此外，传统单一的预测模型，预测精度和适用性较差。

发明内容

本发明的目的是提供一种基于风速修正和融合模型的短期风电功率预测方法，解决了现有技术中存在的预测精度较差的问题。

本发明所采用的技术方案是，一种基于风速修正和融合模型的短期风电功率预测方法，包括以下步骤：

步骤1、对风电功率数据进行清洗处理，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。

本发明的特点还在于：

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。

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；