(19)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 202211044880.3 (22)申请日 2022.08.30 (71)申请人 东北电力大 学 地址 132012 吉林省吉林市船 营区长春路 169号 (72)发明人 杨茂　王达　于欣楠　 (74)专利代理 机构 吉林市达利专利事务所 22102 专利代理师 陈传林 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) G06N 3/08(2006.01) G06N 3/04(2006.01)G06K 9/62(2022.01) G06F 30/28(2020.01) G06F 30/27(2020.01) G06F 113/04(2020.01) G06F 113/08(2020.01) G06F 119/14(2020.01) (54)发明名称 一种计及波动过程划分的短期风电功率预 测方法 (57)摘要 本发明涉及风电技术领域， 是一种计及 波动 过程划分的短期风电功率预测方法， 其特点是： 能够根据风机出力特性分析结果与风速 ‑功率物 理转换模型， 提取波动特征， 进而提出一种针对 风电功率预测改进的K均值聚类方法， 并基于分 类结果， 建立不同波动过程下的异常数据处理模 型及短期风电功率预测模型。 经过仿真计算验证 了本发明预测方法科学合理， 预测过程简单， 预 测精度高、 物理意义清晰， 预测结果有效， 实用性 强。 权利要求书3页 说明书7页 附图3页 CN 115423174 A 2022.12.02 CN 115423174 A 1.一种计及波动过程划分的短期风电功率预测方法， 其特 征在于： 它包括以下步骤： 1)异常数据剔除与补齐： 首先， 对风速进行滤波， 如风速存在异常值点， 则滤波误差大， 再利用肖维勒法识别滤 波误差异常值点， 剔除对应的风速异常数据， 其次， 利用灰色关联法寻找与缺 失数据上一时 段的风速数据相关性最强的风电机组， 并利用所述风电机组的同时段风速补齐缺失数据， 若风电场内全部风电机组同时段均存在异常， 则利用三次样条插值法补齐缺 失数据， 再次， 利用Copula函数拟合风功率概率分布， 并对 可疑概率的异常值点进行识别与剔除， 然后， 利 用灰色关联法寻找缺 失数据同一时段的风速数据相关性最强的风电机组， 并利用所述风电 机组的同时段功 率数据补齐缺失数据， 若全部风电机组出力异常则利用支持向量机进 行数 据重构， 最后利用各风电机组 处理后的数据得到风电场风速及整场发电功率； 2)风速变化特 征识别： 风速变化特征对功率的影响不仅与风速的变化趋势有关， 还与风速的变化幅度有着密 切的联系， 风速的变化幅度越大， 风电机组出力就越偏离标准 值， 根据流体力学原理， 风电机组实际输出机 械功率PM与风速v的对应关系为： 其中， CP表示风能利用系数； vin表示机组切入风速； vn表示机组额定风速； vout表示机组 切出风速； ρ 表示空气密度； S表示叶轮扫掠面积； 当v＜vin或v＞vn时， 风电机组输出功率为固定值， 因此在这两段风速区间内不同风速 变化特征对功率的影响并无差异， 但对于风电场整场而言， 由于风速具有空间分散性， v＜ vin时也会存在P＞0的情况， 因此设定小风时段上限vsmall_max应小于vin， 同理， v＞vn时也会有 P＜Pn的情况出现， 对大风时段 下限vlarge_mi n的设定应大于vn； 由公式(1)可知， 相比于风速的一阶差分Δvi， 风速立方的一阶差分 更能体现不同的 风速变化特征对风电场发电功率的影响， 若i时刻与i ‑1时刻对应的风速分别为vi和vi‑1， 则 Δvi、 计算公式为： 采用设计改进的K均值聚类算法对风速变化特 征进行识别： ①初始聚类中心的选择 i.基于风速变化特征识别结果存在 “波动”， 需要对不同升降幅度的变化特征解析， 因 此设置(vw， 0)为第一个初始聚类中心X1， 其中vw为对风速样本概率分布拟合的威布尔函数 顶点对应风速值； ii.计算任 意两个聚类样本xi和xj之间的欧式距 离dij,并将距离最大的两个样本点作为 第二、 三个初始 聚类中心， 由于向量vi和向量 相比数值小， 因此距离最远的两个样本点权　利　要　求　书 1/3 页 2 CN 115423174 A 2对应向量 为一正值和一负值， 选取 为正时的样 本点作为X2， 为负时的样 本点作为 X3， 其中dij计算公式为： iii.在剩余的聚类样本中,选取 为正时与X1、 X2距离乘积最大的样本点作为X4； 选取 为负时与X1、 X3距离乘积最大的样本点作为X5； 依次推出剩余(K ‑5)个初始聚类 中心， 为 保持风速变化特 征识别的对称性， 设定K值只能为奇数； ②最优K值的选取 Elbow法是判定最优聚类数目K的有效手段， 当K值小于最优聚类数目时， 随着K值的增 加， 各类别内的样本相似度迅速提升， SSE大幅下降， 但随着K值增大， SSE下降幅度逐渐减 小， 其变化曲线类似于手肘的形状， 最优聚类数目K就是肘部对应的K值， 其中误差平方和 SSE的表达式为： 其中Cn为第n类聚类 类别； Ln为Cn内样本数目； 为Cn聚类中心； xi为Cn内某一样本； 因风速‑功率转换特性能通过风速 ‑功率散点分布得以体现， 在以二维向量 进行K‑means聚类后， 将与风速vi对应的同时序功率 数据Pi按聚类结果进行划分， 构建n组二 维向量(vi， Pi)， 并利用公式(5)计算 其SSE； 基于改进K均值聚类算法的风速变化特 征识别为： 首先将vi＜vsmall_max数据定义为小风波动， 将vi＞vlarge_min数据定义为大风波动， 风速 在两段范围内的变化对风速 ‑功率转换关系没有影响； 以二维向量 作为聚类样本， 利用改进K均值聚类算法对vmin＜vi＜vmax数据 进行风速变化特 征识别， 能根据风速 ‑功率转换关系进行风速变化特 征分类； 对各风速变化特征标记特征值， 将风速波动特征数据标记为0， 将风速升降特征数据 标记为各 数据集中风速一阶差分的均值； 3)基于极限学习机的短期风电功率预测模型: 极限学习机(Extreme  Learning  Machine， ELM)能够随机生成初始权值及隐含层节点 参数， 并利用最小二乘法计算其输出层的权值， 但为获得最优解， ELM神经网络需要调节隐 含层神经 元个数， 如有N组训练样 本(xi,ti)， 其中输入向量xi＝[xi1,xi2,…,xin]T∈Rn， 输出向量ti＝[ti1, ti2,…,tim]∈Rm， 则据有L个隐藏节点， 激活函数为g(xi)的ELM神经网络模型记为： 其中βi为输出层节点权重； ωi为输入层 节点权重； bi为第i个隐藏层 节点偏置； yj为网络 最终输出， N代 表样本数量， ELM神经网络的训练目标 是得到最小输出误差， 即： 权　利　要　求　书 2/3 页 3 CN 115423174 A 3