一种基于动态延迟和分层联邦学习的短期风电功率预测方法及系统

本发明提出一种基于动态延迟和分层联邦学习的短期风电功率预测方法及系统，涉及风电功率预测的技术领域，首先，动态调整每一个周边风电场与目标新建风电场的历史风电数据时间戳。然后进行经验模态分解，通过频谱分析得到分量频谱并优化，得到优化后的频谱分量；构建特征矩阵，对特征矩阵进行多尺度聚类，得到多通道频谱分量特征，提高数据的处理效果，捕捉更多频率特征，改善预测模型的稳定性与准确性。将多通道特征输入到自注意力风电功率预测模型，通过分层联邦学习对模型进行训练，保证了目标风电场和周边风电场的个性化模型和全局模型的有效结合，提升了数据隐私保护的同时，提升了对新建风电场适应性，提高风电功率预测精度。