(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 202111404646.2 (22)申请日 2021.11.24 (71)申请人 山东大学 地址 250061 山东省济南市历下区经十路 17923号 (72)发明人 张黎　刘星斗　孙优良　劳焕景　 邹亮　张慧　王亚莉　王冠　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 代理人 董雪 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) H02J 3/38(2006.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于IS-ARIMA -LSTM预测模型的风电功率预 测方法及系统 (57)摘要 本发明公开了一种基于IS ‑ARIMA‑LSTM预测 模型的风电功率预测方法及系统， 包括： 基于历 史风速数据与当日的数值天气预报进行风速预 测， 得到预测风速数据； 采用孤立森林算法剔除 所述历史风速数据和历史风电功率数据中的离 群点， 使用差分自回归移动平均算法进行填补修 正， 得到修正后的历史风速数据和历史风电功率 数据； 将修正后的历史风速数据、 修正后的历史 风电功率和预测风速数据作为输入 特征量， 利用 加入LSTM层的深度神经网络模型进行风电功率 预测， 得到风电功率预测结果。 本发明利用孤立 森林算法对历史风速数据和历史风电功率数据 进行修正， 使用差分自回归移动平均算法修正离 群点空缺， 可以明显提升预测准确率。 权利要求书2页 说明书5页 附图3页 CN 114077929 A 2022.02.22 CN 114077929 A 1.一种基于IS ‑ARIMA‑LSTM预测模型的风电功率预测方法， 其特 征在于， 包括： 获取历史风速数据和历史风电功率， 基于所述历史风速数据与当日的数值天气预报进 行风速预测， 得到预测风速数据； 采用孤立森林算法剔除所述历史风速数据和历史风电功率数据中的离群点， 然后使用 差分自回归移动平均算法进行填补修正， 得到修正后的历史风速数据和历史风电功率数 据； 将修正后的历史风速数据、 修正后的历史风电功率和预测风速数据作为输入特征量， 利用加入LSTM层的深度神经网络模型进行风电功率预测， 得到风电功率预测结果。 2.如权利 要求1所述的一种基于IS ‑ARIMA‑LSTM预测模型的风电功率预测方法， 其特征 在于， 基于所述历史风速数据进行风速预测， 得到预测风速数据， 具体包括： 使用WRF模式获取预测风速， 将获取的预测风速与真实记录风速根据绝对值误差与均 方根误差对比， 多次修 正物理参数组合， 直至获取最佳参数组合； 确定最佳参数组合后， 每日运行WRF模式， 为目标风场提供未来设定时间内的数值天气 预报。 3.如权利 要求1所述的一种基于IS ‑ARIMA‑LSTM预测模型的风电功率预测方法， 其特征 在于， 采用孤立森林算法剔除所述历史风速数据和历史风电功率数据中的离群点， 具体包 括： 基于搭建的离群点检测与修正模型， 识别所述历史风速数据和历史风电功率数据中的 离群点； 其中， 所述离群点检测与修 正模型基于pytho n库中的孤立随机森林模块进行 搭建。 4.如权利 要求1所述的一种基于IS ‑ARIMA‑LSTM预测模型的风电功率预测方法， 其特征 在于， 所述历史风速数据与历史风电功率均通过风场的数据采集与监视系统获得。 5.如权利 要求1所述的一种基于IS ‑ARIMA‑LSTM预测模型的风电功率预测方法， 其特征 在于， 对于加入LSTM层的深度神经网络模型的训练过程具体为： 将修正后的历史风速数据、 修正后的历史风电功率和预测风速数据按照时间序列组成 训练与预测数据集； 将训练数据集输入至所述深度神经网络模型， 每轮训练与测试后统计绝对值误差和均 方根误差， 利用网格调参法， 对学习率与最大层数进行调参； 利用预测数据集对训练好的深度神经网络模型进行预测， 验证所述深度神经网络模型 的预测准确性。 6.一种基于IS ‑ARIMA‑LSTM预测模型的风电功率预测系统， 其特 征在于， 包括： 数据获取模块， 用于获取历史风速数据和历史风电功率， 基于所述历史风速数据与当 日的数值天气预报进行风速预测， 得到预测风速数据； 历史数据修正模块， 用于采用孤立森林算法剔除所述历史风速数据和历史风电功率数 据中的离群点， 然后使用差分自回归移动平均算法进行填补修正， 得到修正后的历史风速 数据和历史风电功率数据； 风电功率预测模块， 用于将修正后的历史风速数据、 修正后的历史风电功率和预测风 速数据作为输入特征量， 利用 加入LSTM层的深度神经网络模型进行风电功率预测， 得到风 电功率预测结果。 7.一种终端设备， 其包括处理器和存储器， 处理器用于实现各指令； 存储器用于存储多权　利　要　求　书 1/2 页 2 CN 114077929 A 2条指令， 其特征在于， 所述指 令适于由处理器加载并执行权利要求 1‑5任一项所述的一种基 于IS‑ARIMA‑LSTM预测模型的风电功率预测方法。 8.一种计算机可读存储介质， 其中存储有多条指令， 其特征在于， 所述指令适于由终端 设备的处理器加载并执行权利要求1 ‑5任一项所述的一种 基于IS‑ARIMA‑LSTM预测 模型的 风电功率预测方法。权　利　要　求　书 2/2 页 3 CN 114077929 A 3