本发明属于风电功率预测，具体涉及一种增加前序气象数据的风电场发电功率预测方法。
背景技术：
1、当大规模的风电接入电力系统时，可能对电能质量及电网的安全、稳定运行产生不利影响。因此，准确的风电功率预测对电力系统的经济调度和风电并网有着重大的意义。风电预测的通用手段是获取天气预报信息，根据预报信息中的风速、风向、温度、湿度等因素，按照一定的预测模型进行预期的发电功率预测。由于不同的风电场的地理位置、气候规律等因素影响，同一模型对不同风电场的适应性效果存在差异。
2、长期以来，国内外在风电功率预测上开展了广泛和深入的研究，并取得了显著成果。已有方法主要划分为物理法和统计方法2大类：物理方法和统计方法；还有基于风速和功率的预测以及组合预测和区域预测。这些方法各有优劣。
3、最初在风电功率预测中使用ols算法，针对单风机进行发电功率预测，但由于风电场所处的地形对不同风向的风资源发电效率有很大的影响，因此ols算法的偏差较大。之后开始采用bp算法、lstm、svm等算法，虽然需要根据场站的实际数据作为模型的训练依据，但准确率方面有了较大提升。
4、随着新能源在发电领域的占比不断提高，电网对风电场的预测准确率也在不断提高，因此需要寻找更为准确的预测算法。
技术实现思路
1、本发明的目的在于克服现有技术的不足，提供一种增加前序气象数据的风电场发电功率预测方法。本发明通过借鉴长短期记忆(lstm)网络的多数据深度预测思路，在原有单时段的气象数据基础上，结合前序气象数据算法(apmda，adding previousmeteorological dataalgorithm)，通过增加数据深度再通过误差逆向传播算法训练的方法得到风电场发电功率预测模型，，即本发明通过历史数据的训练，实现自适应的模型训练，从而实现对传统bp算法的改进，且本发明实现较高水平的风电功率预测准确度。
2、为实现上述目的，本发明采用的技术方案是：
3、一种增加前序气象数据的风电场发电功率预测方法，包括以下步骤：
4、s1、获取单一时间点的气象数据，得到单时段气象数据；
5、s2、在步骤s1得到的单时段气象数据上增加多个前序时刻气象数据，得到训练数据；
6、s3、根据步骤s2得到的训练数据对bp神经网络模型进行训练，得到风电功率预测模型；
7、s4、根据步骤s4得到的风电功率预测模型对风电场发电功率进行预测，得到风电场发电预测功率。
8、优选的，步骤s1中，所述气象数据包含风速、风向、温度和湿度。
9、优选的，步骤s2中，所述前序时刻气象数据的个数为4个。
10、优选的，步骤s3中，所述风电功率预测模型具有以下形式：
11、p＝f(风速、风向、湿度、温度)
12、其中，p为风电场发电预测功率，f为风电功率预测模型形式。
13、本发明与现有技术相比，其有益效果在于：
14、本发明将长短期记忆(lstm)网络的多数据深度预测思路与误差逆向传播算法(bp)训练相结合，在原有单时段的气象数据基础上，增加前序气象数据，建立得到风电功率预测模型，通过本发明建立得到的风电功率预测模型能够有效利用多变量多数据深度时间序列进行风电场发电功率的短期预测，较单时段bp模型拥有更高的预测精度。
1.一种增加前序气象数据的风电场发电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的增加前序气象数据的风电场发电功率预测方法，其特征在于，步骤s1中，所述气象数据包含风速、风向、温度和湿度。
3.根据权利要求1所述的增加前序气象数据的风电场发电功率预测方法，其特征在于，步骤s2中，所述前序时刻气象数据的个数为4个。
4.根据权利要求1所述的增加前序气象数据的风电场发电功率预测方法，其特征在于，步骤s3中，所述风电功率预测模型具有以下形式：
