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;
构建所述预测误差估计模型时包括:
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;
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,所述初步预测模型包括输入层、两个LSTM层、全连接层、输出层,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 ,计算历史的预测误差 ,如下式:(1)
7)将6)中得到的 进行归一化,得到 ;
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 和 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;
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;
构建所述风电功率二次预测模型时包括:
S21,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,所述风电功率二次预测模型包括两个输入层、两个LSTM层、全连接层、输出层;
S22,设定风电功率二次预测模型的初始参数,利用 、 、 对风电功率二次预测模型进行训练,训练时, 经过两个LSTM层得到向量 ,将 与 形成组合向量 后输入到全连接层中,输出 ;
S23,基于网格搜索不断优化风电功率二次预测模型的参数,直至该模型收敛;
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:所述步骤S3,包括:S31,采集预测目标风电场当前的天气预报数据 ;
S32,将 进行归一化,得到 ;
S33,将 送入训练好的预测误差估计模型中,得到未来的预测误差 ;
S34,将 、 送入训练好的风电功率二次预测模型中,得到预测结果 ;
S35,将 进行反归一化,得到最终的风电功率预测值 。
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:所述天气预报数据包括风速、风向、气温、气压。