[发明专利]风电功率多步预测模型建立方法

摘要

本发明涉及一种风电功率多步预测模型建立方法，首先，利用LSTM网络对气象序列进行预测，然后利用相似离度作为相似性判据，提出一种分层搜索的相似时间序列匹配方法，从原始数据中选取相似的气象序列和功率数据。最后，将相似的数据输入LightGBM进行建模、训练和预测。该方法能够有效预测未来6小时的风电，实现多步高精度功率预测，以引导系统运营商降低风险。

主权项

1.一种风电功率多步预测模型建立方法，其特征在于，具体包括如下步骤：1)数据预处理：采集现有的风力发电功率数据，以及对应时刻的测风塔实时测量的多种气象数据，利用距离分析法中的皮尔逊相似度来近似风力发电场发电功率数据与多种气象数据之间的相关性，选择对风力发电功率影响最大的风速、风向、气温和气压四种气象因素作为预测模型的特征向量，对选择出的四种气象因素和功率值数据进行归一化处理；2)基于长短期记忆LSTM气象序列预测：将步骤1)选择出的四种气象因素和对应的风电功率的测风塔纪录值经过归一化处理数据作为数据集，一个LSTM网络对应一个气象因素，每个LSTM网络的输入是训练数据集中的历史气象数据，输出的是基于当前时间节点的同一气象因素后六个小时气象数据，根据训练好的LSTM模型得到给定这一时刻的接下来6小时的预测天气值；3)相似时间序列匹配：将步骤1)选择出的四种气象因素和对应的风电功率的测风塔纪录值经过归一化处理数据作为数据集，送入步骤2)训练后的每个LSTM网络，得到预测的天气值，然后利用有记录的大量历史数据集中进行搜索匹配，采用分层搜索方法对相似时间序列进行搜索，首先匹配相似的风速和风向序列，然后搜索温度和气压序列，使用相似离度作为标准来选择相似时间序列，最终挑选出满足相似离度某一阈值的历史气象序列，称为预测气象序列的相似气象时间序列；4)将步骤3)中选择出的相似气象序列和在该天气数据下对应的历史功率代入提升机器算法模型中训练，训练过程中调节参数，并通过交叉验证检验模型是否存在过拟合问题，将模型效果训练到最佳，得到最终的预测模型；所得预测模型的输入是当前时刻前的四种气象因素天气数据，输出是对应天气预测下的预测风力发电功率值。