[发明专利]基于预测算法池的风电功率预测方法和系统

权利要求书

1.一种基于预测算法池的风电功率预测方法，其特征在于，包括：

步骤1：获取风电数据并进行预处理；

步骤2：对预处理后的数据进行维度扩充、降维处理和特征标准化；

步骤3：基于特征处理后的数据，采用多种不同的算法模型对风电功率进行预测，并剔除所有预测结果中预测偏差超出预设阈值的预测数据；

步骤4：采用数据回归算法或深度学习算法，对风电功率预测结果进行优化，得到风电功率最终预测结果。

2.根据权利要求1所述的基于预测算法池的风电功率预测方法，其特征在于，所述步骤1包括：

数据清洗：将数据中的离群值、不符合预设条件的数值进行剔除，并按预设频率对数据进行采样；

数据补齐：采用临近值线性插值或者均值对数据空值进行补齐；

对于预设小范围连续时间段的数据缺失，采用三次样条时序插值；

对于预设大范围连续时间段数据缺失，将当日数据剔除，再进行时序插值操作。

3.根据权利要求1所述的基于预测算法池的风电功率预测方法，其特征在于，所述步骤2包括：

根据时间戳数据、时序值和时序值的属性变量进行维度扩充；

采用主成分分析和线性判别分析，从多维数据中剔除与预测结果相关性不符合预设条件的数据；

采用标准差进行特征标准化。

4.根据权利要求1所述的基于预测算法池的风电功率预测方法，其特征在于，所述步骤3包括：采用的风电功率预测算法模型包括XGBoost、随机森林、梯度下降树和长短期记忆模型，对每个算法模型采用k-折交叉验证算法，以选择每个算法的最优参数设置，包括：

步骤3.1：对同一种算法模型设置m组不同的参数组；

步骤3.2：将训练数据均分为5份，以其中4份为训练集，1份为验证集，进行k＝5折交叉验证；

步骤3.3：算法的m组参数分别使用训练集和验证集进行训练和验证，并且计算这m组参数的模型损失；

步骤3.4：循环5次，得到一个5×m的损失矩阵；

步骤3.5：求取m组模型参数的损失平均值，从中找出损失最小的一组参数，作为该算法模型的最优参数。

5.根据权利要求1所述的基于预测算法池的风电功率预测方法，其特征在于，所述步骤4包括：采用支持向量机回归算法SVR或者长短期记忆人工神经网络算法LSTM进行二阶预测；

对不同的算法和算法组合，训练不同的回归模型训练。

6.一种基于预测算法池的风电功率预测系统，其特征在于，包括：

模块M1：获取风电数据并进行预处理；

模块M2：对预处理后的数据进行维度扩充、降维处理和特征标准化；

模块M3：基于特征处理后的数据，采用多种不同的算法模型对风电功率进行预测，并剔除所有预测结果中预测偏差超出预设阈值的预测数据；

模块M4：采用数据回归算法或深度学习算法，对风电功率预测结果进行优化，得到风电功率最终预测结果。

7.根据权利要求6所述的基于预测算法池的风电功率预测系统，其特征在于，所述模块M1包括：

数据清洗：将数据中的离群值、不符合预设条件的数值进行剔除，并按预设频率对数据进行采样；

数据补齐：采用临近值线性插值或者均值对数据空值进行补齐；

对于预设小范围连续时间段的数据缺失，采用三次样条时序插值；

对于预设大范围连续时间段数据缺失，将当日数据剔除，再进行时序插值操作。

8.根据权利要求6所述的基于预测算法池的风电功率预测系统，其特征在于，所述模块M2包括：

根据时间戳数据、时序值和时序值的属性变量进行维度扩充；

采用主成分分析和线性判别分析，从多维数据中剔除与预测结果相关性不符合预设条件的数据；

采用标准差进行特征标准化。