[發明專利]風速誤差模型的訓練方法、裝置及風力發電機組

在審

• 申請號: 201711384510.3
• 申請日: 2017-12-20
• 公開（公告）號: CN108167133A
• 公開（公告）日: 2018-06-15
• 發明（設計）人: 周玉卿
• 申請（專利權）人: 北京金風慧能技術有限公司
• 主分類號: F03D17/00
• 分類號: F03D17/00;F03D80/00
• 代理公司: 北京市惠誠律師事務所 11353
• 代理人: 逯博

本發明提供一種基于K近鄰算法的風速誤差模型的訓練方法、裝置及風力發電機組，其中，方法包括：獲取預測風速值，及其對應的實際風速值；計算所述實際風速值與所述預測風速值之間的實際風速誤差；以所述預測風速及其對應的所述實際風速誤差作為訓練樣本，采用K近鄰算法建立風速誤差模型。本發明提供的方案能夠顯著提高預測風速的準確率。

技術領域

本發明涉及風電技術領域，尤其涉及一種基于K近鄰算法的風速誤差模型的訓練方法、裝置及風力發電機組。

背景技術

隨著風電行業的高速發展，調度電力系統面臨著巨大的挑戰。在風電行業中，風速預測的準確性將直接影響功率預測結果，進而直接影響電能質量。

目前，預測風速誤差的計算方法大多采用BP神經網絡和SVM等回歸算法建立風速誤差預測模型。然而，這些算法均以擬合一條最優曲線為目標，使得所有訓練數據的目標值和預測值的均方根誤差最小，其訓練結果往往需要權衡所有的訓練數據。因此，無論采用上述何種方法建立誤差預測模型，，其結果均受到輸入樣本的影響較大，無法確保較高的準確率。

發明內容

本發明提供了一種基于K近鄰算法的風速誤差模型的訓練方法、裝置及風力發電機組，能夠顯著提高預測風速的準確率。

為達到上述目的，本發明實施例提供了一種基于K近鄰算法的風速誤差模型的訓練方法，包括：獲取預測風速值，并獲取對應的實際風速值；計算所述實際風速值與所述預測風速值之間的實際風速誤差；以所述預測風速值及其對應的所述實際風速誤差作為訓練樣本，采用K近鄰算法建立風速誤差模型。

本發明實施例還提供了一種基于K近鄰算法的風速誤差模型的訓練裝置，包括：第一數據獲取模塊，用于獲取預測風速值，并獲取對應的實際風速值；誤差計算模塊，用于計算所述實際風速值與所述預測風速值之間的實際風速誤差；模型構建模塊，用于以所述預測風速值及其對應的所述實際風速誤差作為訓練樣本，采用K近鄰算法建立風速誤差模型。

本發明實施例還提供了一種風力發電機組，包括：設置有如上所述的基于K近鄰算法的風速誤差模型的訓練裝置。

本發明提供的基于K近鄰算法的風速誤差模型的訓練方法、裝置及風力發電機組，通過輸入預測風速值和實際風速值，計算得到實際風速誤差，并以預測風速值和實際風速誤差作為訓練樣本，采用K近鄰算法建立風速誤差模型。由于采用K近鄰算法，通過確定K值來決定輸出結果，其預測結果主要靠周圍有限的鄰近的樣本，不受其他樣本的影響，進而減少了訓練數據中其它數據對當前數據的影響，提高了模型預測的準確率。

附圖說明

通過閱讀下文優選實施方式的詳細描述，各種其他的優點和益處對于本領域普通技術人員將變得清楚明了。附圖僅用于示出優選實施方式的目的，而并不認為是對本申請的限制。而且在整個附圖中，用相同的參考符號表示相同的部件。在附圖中：

圖1為本發明實施例提供的基于K近鄰算法的風速誤差模型的訓練方法流程圖一；

圖2為本發明實施例提供的基于K近鄰算法的風速誤差模型的訓練方法邏輯示意圖；

圖3為本發明實施例提供的基于K近鄰算法的風速誤差模型的訓練方法流程圖二；

圖4為本發明實施例提供的用于K值選擇的交叉驗證方法流程圖；

圖5為本發明實施例提供的基于K近鄰算法的風速誤差模型的訓練方法流程圖三；

圖6為本發明實施例提供的基于K近鄰算法的風速誤差模型的訓練方法流程圖四；

圖7為本發明實施例提供的風速訂正方法流程圖；

圖8為本發明實施例提供的風速訂正方法邏輯示意圖；

圖9為本發明實施例提供的風速訂正效果圖；