摘要
本申请提供了一种适用于小气候环境的风电超短期功率的预测方法，将风电场分区，使用贝叶斯算法优化双向长短期记忆网络的参数群，采用双向长短期记忆网络深入挖掘每个区历史实测风速数据和历史实测功率数据的深层特征，得到准确的第一预测功率，其中历史实测风速数据使用测风塔数据与气象站实测数据融合，以提高实测风速的准确性；使用深度神经网络模型基于历史数值天气预报数据得到理论预测功率；其中历史数值天气预报数据首先使用多源数值天气预报数据融合，然后将融合后的数值天气预报通过统计降尺度法，生成较高分辨率的风电场风速、温度、风向、湿度和气压数值天气预报，通过迭代优化的方式，实时确定出预测结果中每个时间尺度在当前时刻对应的第一权重以及第二权重，进而结合两种预测功率，确定一个分区最终的功率预测结果，然后再相加得到整个风电场的功率预测结果。这样，可以明显提高小气候环境下各个时间尺度，尤其是大时间尺度时的超短期功率预测精度。
