[发明专利]一种基于多模型组合优化的风力电站输出功率预测方法

权利要求书

1.一种基于多模型组合优化的风力电站输出功率预测方法，其特征在于，包括以下步骤：

步骤1，获取目标风力电站的气象影响因子数据、风电功率数据，依次将气象影响因子数据、风电功率数据通过数据缺失值补齐、数据归一化方法得到预处理后气象影响因子数据、预处理后风电功率数据，将预处理后气象影响因子数据作为比较数列，预处理后风电功率数据作为参考数列，通过灰色关联度分析法得到各气象影响因子与风电功率的关联度；

步骤2，对各气象影响因子关联度进行从大到小的排序，将关联度大于预设阈值的气象影响因子作为特征选择后气象影响因子，将特征选择后气象影响因子作为训练集，进一步建立支持向量机预测模型；

步骤3，通过灰狼群优化算法对支持向量机的惩罚参数和支持向量机的核函数参数分别进行优化，得到优化后支持向量机的惩罚参数、优化后支持向量机的核函数参数；

步骤4，将特征选择后气象影响因子按照一定比例划分为训练集、测试集，将优化后支持向量机模型作为弱回归器，初始化样本权重，并得到多个弱回归器，计算训练集中每个样本的相对误差，结合相对误差计算多个弱回归器的误差率，进一步计算弱回归器的权重系数以更新样本权重，通过建立AdaBoost集成模型构建强回归器，并通过网格搜索方法对弱回归器的数量、学习率、损失函数模型进行寻优，利用强回归器对训练集中每个样本进行预测，获得训练集风电功率预测值序列，进一步计算误差序列；

步骤5，构建门控循环单元网络，通过门控循环单元网络对误差序列E进行预测，将特征选择后的气象因子作为误差修正时门控循环单元网络的输入数据，根据门控循环单元网络的损失函数模型进行门控循环单元网络的参数寻优，得到优化后门控循环单元网络；

步骤6，将修正后的预测误差值与AdaBoost集成预测模型的预测结果进行叠加，获得最终预测结果。

2.根据权利要求1所述的基于多模型组合优化的风力电站输出功率预测方法，其特征在于：

步骤1所述预处理后气象影响因子数据为：

X_i(k)，i∈[1，n]，k∈[1，m]

其中，X_i(k)表示第i种预处理后气象影响因子中第k个点数据，n为气象影响因子的类型数量，m为每种气象因子中数据点的数量；

步骤1所述预处理后风电功率数据为：

X_o(k)，k∈[1，m]

其中，X_o(k)表示各预处理后气象影响因子数据均选择第k个点数据时预处理后风电功率数据，m为每种气象因子中数据点的数量；

所述各预处理后气象影响因子数据选择第k个点数据为：

{X₁(k)，X₂(k)，...，X_n(k)}

步骤1所述通过灰色关联度分析法得到各气象影响因子的关联度，具体为：

计算灰色关联系数：

i∈[1，n]，k∈[1，m]

其中，X_i(k)表示第i种预处理后气象影响因子中第k个点数据，θ_i(k)表示第i种预处理后气象影响因子中第k个点灰色关联系数，X_o(k)表示各预处理后气象影响因子数据均选择第k个点数据时预处理后风电功率数据，n为气象影响因子的类型数量，m为每种气象因子中数据点的数量，ρ为分辨系数，表示风电功率与第i种气象影响因子的两级最小差，表示风电功率与第i种气象影响因子的两级最大差；

步骤1所述各气象影响因子关联度为：

γ_i∈[0，1]

其中，γ_i第i种气象影响因子与风电功率的关联度，γ_i与1之间误差越小表示第i种气象影响因子与风电功率的相关程度越高。