(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 202111473226.X (22)申请日 2021.12.02 (71)申请人 上海华讯网络系统有限公司 地址 201203 上海市浦东 新区碧波路45 6号 A109-1室 (72)发明人 王晓龙　张晏玮　幸健　李进　 安国成　 (74)专利代理 机构 上海段和段律师事务所 31334 代理人 牛山 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于预测算法池的风电功率预测方法和系 统 (57)摘要 本发明提供了一种基于预测算法池的风电 功率预测方法和系统， 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。 本发明 采用多种算法组成算法池， 对风电场功率进行预 测， 将不同算法的预测结果作为输入， 对其进行 相应算法网络训练， 实现功率的第二次预测， 保 证了输入数据的完整性、 正确性。 权利要求书2页 说明书6页 附图1页 CN 114118611 A 2022.03.01 CN 114118611 A 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， 并剔权　利　要　求　书 1/2 页 2 CN 114118611 A 2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。 9.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 M3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： 模块M3.1： 对同一种算法模型设置m组不同的参数组； 模块M3.2： 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； 模块M3.3： 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； 模块M3.4： 循环5次， 得到一个5 ×m的损失矩阵； 模块M3.5： 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。 10.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M4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。权　利　要　求　书 2/2 页 3 CN 114118611 A 3