(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111677165.9 (22)申请日 2021.12.31 (71)申请人 青海大学 地址 810016 青海省西宁市宁大路251号 (72)发明人 陈来军　薛小代　马恒瑞　任博文　 (74)专利代理 机构 西安铭泽知识产权代理事务 所(普通合伙) 61223 代理人 谢欢 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06K 9/62(2022.01) (54)发明名称 一种短期风电功率组合模型 预测方法 (57)摘要 本发明公开了一种短期风电功率组合模型 预测方法， 包括以下步骤： 根据NWP数据和真实历 史风电功率数据y构建训练集X1， 将训练集X1输 入XGBoost预测模型中获取预测风电功率值y1； 在训练集X1的基础上， 构 建时间序列数据结构的 训练集X2； 将训练集X2输入LSTM预测模型获取预 测风电功率值y2； 根据y、 y1和y2获得特征w1和w2； 将y1和y2作为输入， 特征w1和w2作为输出， 构建并 训练LSTM‑XGBoost动态权值组合模型； 分析训练 集X1中各项特征对于风电功率的影响程度， 获取 不同高度的风速作为重要特征； 将y1、 y2和不同 高度的风速输入到训练好的LSTM ‑XGBoost动态 权值组合模型中， 获取预测风电功率值Y。 本发明 提供的LSTM ‑XGBoost组合模型相比于单一预测 模型预测的风电功率更准。 权利要求书1页 说明书6页 附图5页 CN 114330915 A 2022.04.12 CN 114330915 A 1.一种短期风电功率组合模型 预测方法， 其特 征在于， 包括以下步骤： 根据NWP数据和真实历史风电功率数据y构建训练集X1； 通过XGBoost预测模型， 输入训练集X1获取预测风电功率 值y1； 在训练集X1的基础上， 构建时间序列数据结构的训练集X2； 通过LSTM预测模型， 输入训练集X2获取预测风电功率 值y2； 根据真实历史风电功率数据y、 预测风电功率 值y1和预测风电功率 值y2获得特征w1和w2； 将预测风电功率值y1和预测风电功率值y2作为输入， 将特征w1和w2作为输出， 构建并训 练LSTM‑XGBoost动态权值组合模型； 采用Pearson相关系数法分析训练集X1中各项特征对于风电功率的影响程度， 获取不同 高度的风速作为重要特 征； 将预测风电功率值y1、 预测风电功率值y2和不同高度的风速输入到训练好的LSTM ‑ XGBoost动态权值组合模型中， 获取 预测风电功率 值Y。 2.根据权利要求1所述的一种短期风电功率组合模型预测方法， 其特征在于， 所述NWP 数据包括 风速、 风向、 湿度、 气压和温度。 3.根据权利要求1所述的一种短期风电功率组合模型预测方法， 其特征在于， 在训练集 X1输入到XGBoost预测模型前， 对所述训练集X1进行归一化处理， 在数据集X2在输入到LSTM 预测模型 前， 对所述训练集X2进行归一 化处理。 4.根据权利要求1所述的一种短期风电功率组合模型预测方法， 其特征在于， 所述获得 特征w1和w2的步骤包括： 将XGBoost预测模型中输出的预测风电功率值 y1、 LSTM预测模型中输出的预测风电功率 值y2和真实历史风电功率数据y作为输入特 征输入式(1)(2)中， 输出 特征w1和w2； 。 5.根据权利要求1所述的一种短期风电功率组合模型预测方法， 其特征在于， 所述获取 不同高度的风速作为重要特 征包括以下 具体步骤： 将训练集X1中的各项特征， 输入到Pearson相关系数公式中， 得到各项特征与其它特征 的相关系数 数据； 将相关系数数据通过热力图方式实现可视化分析， 通过分析得出不同高度的风速与风 电功率是一种强正相关的联系， 因此将不同高度的风速作为分析获得的重要特 征。 6.根据权利要求1所述的一种短期风电功率组合模型预测方法， 其特征在于， 所述获取 预测风电功率 值Y包括以下步骤： 将不同高度的风速的作为输入特征之一， 同时将LSTM预测模型中输出的预测风电功率 值y1和XGBoost预测模型中输出的预测风电功率值y2也作为输入特征之一输入到训练好的 LSTM‑XGBoost动态权值组合模型中， 输出 特征w1和w2； 将输出特征w1和w2带入公式(3)中， 获取最终预测风电功率 值Y； Y＝w1*y1+w2*y2               (3)。权　利　要　求　书 1/1 页 2 CN 114330915 A 2一种短期风电功率组合模型预测方 法 技术领域 [0001]本发明涉及风电功率测量技术领域， 具体是一种短期风电功率组合模型预测方 法。 背景技术 [0002]新能源发展建设中风力发电扮演着重要的角色， 尤其在西北部地区风力发电是新 能源发电的主力军之一。 风资源 具有强随机性、 波动性和间歇性。 风力发电功 率受到天气变 化的直接影响， 其功率波动对电网的稳定运行造成严重影响。 风电功率准确预测有利于电 网稳定运行。 [0003]目前短期风电功率预测模型主要采用两大方法： 一是采用物理预测模型； 二是采 用统计预测模型。 物理预测模型现今存在着风场局部风力变化机理不明确， 缺乏通用模型 等问题。 [0004]随着人工智能算法快速发展， 基于人工智能算法的统计预测模型成为主流预测方 法。 其中LSTM(long  short term memory network)在解决时间序列问题上有着显著优势。 目前有通过建立小波长短期记忆模型进行预测， 对历史风电功率数据采用三级小波分解， 分解结果作为LSTM输入， 最终得到风电功率概率预测区间。 而XGBoost(eXtreme  gradient   boosting)算法在众多预测领域同样有着良好表现， XGBoost算法本身的泛化能力强， 能够 胜任众多预测领域中突变性较强的预测问题。 [0005]单一预测模型面对多变的天气情况， 尤其基于数值天气预报(NWP)数据作为输入 的预测模型， 功率预测精度容易出现较大下滑。 其次我国尤其西北地区地形复杂气候类型 多样， 风力资源波动变化大， 使得 单一模型在西北地区更加难以准确预测发电功率。 发明内容 [0006]本发明考虑到LSTM在周期性预测的优异特性， XGBoost在突变性预测方面也有良 好表现， 两者具有很好的互补性， 两者各自都可单独对短期风电功 率进行预测， 基于此提出 同时利用LSTM、 XGBoost建立动态权值组合预测模 型， 从而提供一种短期风电功率组合模 型 预测方法， 以解决上述背景技 术的问题。 [0007]本发明的技 术方案是： [0008]一种短期风电功率组合模型 预测方法， 包括以下步骤： [0009]根据NWP数据和真实历史风电功率数据y构建训练集X1； [0010]通过XGBoost预测模型， 输入训练集X1获取预测风电功率 值y1 [0011]在训练集X1的基础上， 构建时间序列数据结构的训练集X2； [0012]通过LSTM预测模型， 输入训练集X2获取预测风电功率 值y2； [0013]根据真实历史风电功率数据y、 预测风电功率值y1和预测风电功率值y2获得特征w1 和w2； [0014]将预测风电功率值y1和预测风电功率值y2作为输入， 特征w1和w2作为输出， 构 建并说　明　书 1/6 页 3 CN 114330915 A 3