一种基于深度误差反馈学习的风电功率预测方法技术

本发明专利技术提供了一种基于深度误差反馈学习的风电功率预测方法，该方法包括步骤S1，构建基于XGBoost的以天气预报数据为输入、预测误差为输出的预测误差估计模型；步骤S2，构建基于双层LSTM的以天气预报数据为主输入、预测误差为反馈输入、风电功率预测值为输出的风电功率二次预测模型；步骤S3，将当前的天气预报数据送入预测误差估计模型中，得到未来的预测误差，再将当前的天气预报数据和未来的预测误差一起送入所述风电功率二次预测模型中，得到最终的风电功率预测值。本发明专利技术可以有效提高风电场预测精度，减小风电场出力不确定性，利于风资源利用效率的提高。资源利用效率的提高。资源利用效率的提高。

【技术实现步骤摘要】
一种基于深度误差反馈学习的风电功率预测方法


[0001]本专利技术涉及风电功率预测
，尤其指一种基于深度误差反馈学习的风电功率预测方法。

技术介绍

[0002]风能具有分布范围广、清洁、可再生等优势。然而，由于风力发电存在突出的间歇性、波动性和不确定性，其大规模并网给电力系统的安全可靠运行带来严峻挑战。若能对风电功率实施高效、可靠的预测，将有效降低其出力的不确定性，为大规模风电接入后系统的安全稳定运行提供重要支撑和保障。
[0003]现有预测方法难以精确描述风电场气象数据与场站输出功率的关系，因此风电功率的预测结果中不可避免地存在预测误差，若能充分挖掘和学习误差中潜藏的有用信息，将有望进一步提高风电功率预测精度。然而，现有方法均试图通过直接改进预测模型本身来提高预测精度，而未挖掘预测误差对于改善预测性能的潜在价值，其预测结果面临无法进一步提升的瓶颈。

技术实现思路

[0004]本专利技术所要解决的技术问题是提供一种基于深度误差反馈学习的风电功率预测方法，以提高风电功率的预测精度。
[0005]为了解决上述技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度误差反馈学习的风电功率预测方法，其特征在于，包括：步骤S1，构建基于XGBoost的以天气预报数据为输入、预测误差为输出的预测误差估计模型；步骤S2，构建基于双层LSTM的以天气预报数据为主输入、预测误差为反馈输入、风电功率预测值为输出的风电功率二次预测模型；步骤S3，将当前的天气预报数据送入所述预测误差估计模型中，得到未来的预测误差，再将当前的天气预报数据和未来的预测误差一起送入所述风电功率二次预测模型中，得到最终的风电功率预测值。2.根据权利要求1所述的基于深度误差反馈学习的风电功率预测方法，其特征在于：构建所述预测误差估计模型时包括如下步骤：S11，采集预测目标风电场历史的天气预报数据和风电功率，计算历史的预测误差；S12，构建基于XGBoost的以天气预报数据为输入、预测误差为输出的预测误差估计模型；S13，设定预测误差估计模型的初始参数，利用历史的天气预报数据和历史的预测误差对预测误差估计模型进行训练，并基于网格搜索不断优化该模型参数，直至该模型收敛。3.根据权利要求2所述的基于深度误差反馈学习的风电功率预测方法，其特征在于：步骤S11中计算历史的预测误差的过程如下：1) 采集预测目标风电场历史的天气预报数据和风电功率；2）将、进行归一化，得到、；3）构建基于双层LSTM的以天气预报数据为输入、风电功率数据为输出的初步预测模型，设定好初步预测模型的初始参数，利用、数据对初步预测模型进行训练，并基于网格搜索不断优化该模型参数，直至该模型收敛；4）将送入训练好的初步预测模型中，得到风电场历史的风电功率预测值；5）将4）中获取的进行反归一化，得到；6）基于5）中得到的与1）中采集的，计算历史的预...

【专利技术属性】
技术研发人员：胡宇晗，朱利鹏，李佳勇，帅智康，曾杨，郑李梦千，
申请(专利权)人：湖南大学，
类型：发明
国别省市：