[發明專利]一種短期風速預測方法

在審

• 申請號: 202110506041.8
• 申請日: 2021-05-10
• 公開（公告）號: CN113312836A
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 鄭亞鋒;高宇峰;但偉;屠學偉;王春雨;魏振華;桑士杰
• 申請（專利權）人: 國核電力規劃設計研究院有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06N3/04;G06N3/12;G06Q10/04;G06Q50/06;G01W1/10;G06F113/06
• 代理公司: 北京知聯天下知識產權代理事務所(普通合伙) 11594
• 代理人: 張迎新;史光偉

1.一種短期風速預測方法，其特征在于，包括以下步驟：

利用K-medoids聚類算法對風電機組進行場景聚類，獲得多個等效風機；

構建LSTM模型，通過LSTM模型對多個等效風機進行訓練，獲得風速的初步預測值；

利用混合Copula函數建立多個等效風機間的函數關系，利用遺傳算法求解混合Copula函數中的參數；

通過多個等效風機的風速邊緣分布值和混合Copula函數，求出風速的殘差值；

通過風速的初步預測值和殘差值，得到風速的精確預測值。

2.根據權利要求1所述的短期風速預測方法，其特征在于，

利用K-medoids聚類算法對風電機組進行場景聚類，獲得多個等效風機，具體如下：

從風電場獲取各風電機組風速歷史數據；

從氣象站獲取地區的風速、功率、發電機轉速和葉片角度歷史數據，并對數據進行分析和處理，確定模型輸入和輸出變量；

采用K-medoids聚類對風電機組進行場景聚類，將風電機組的風速、功率分別作為橫、縱坐標值，并構建直角坐標系，建立準則函數Fs，具體如下：

式中，j表示每個類中風機變量的編號，n表示每個類中風機變量的總數，x_i、y_i為中心點坐標，x_j、y_j為類中除中心點外的坐標；

求解準則函數Fs，確定k個風電機組聚類；

將每類風電機組確定為等效風機。

3.根據權利要求2所述的短期風速預測方法，其特征在于，

求解準則函數Fs，確定k個風電機組聚類，具體如下：

S11、隨機的在n個樣本中選取k個點作為中心點medoids；

S12、按照與中心最近的原則，將剩余的點分配到當前最佳的簇內；

S13、對于每個類中除medoids外的所有其他點，按順序計算當其為medoids時，準則函數Fs的值，遍歷所有可能，選取準則函數Fs最小時對應的點作為新的medoids；

S14、重復S12和S13，直到所有的medoids不在發生變化為止；

S15、經過不斷的迭代運算，最終確定k個風電機組聚類。

4.根據權利要求2或3所述的短期風速預測方法，其特征在于，確定等效風機方法具體如下：

等效風機的功率為聚類的多個風電機組的功率之和；

等效風機的風速為聚類的多個風電機組的風速平均值；

等效風機的發電機轉速為聚類的多個風電機組的發電機轉速平均值；

等效風機的葉片角度為聚類的多個風電機組的葉片角度平均值。

5.根據權利要求4所述的短期風速預測方法，其特征在于，

構建LSTM模型，通過LSTM模型對多個等效風機進行訓練，獲得風速的初步預測值，具體如下：

將計算得到的等效風機的風速、功率、發電機轉速和葉片角度整理為新的數據集，將新的數據集分為訓練集和測試集，將訓練集輸入到LSTM模型進行訓練，得到模型參數和風速的初步預測值。

6.根據權利要求5所述的短期風速預測方法，其特征在于，訓練集和測試集的數據比例為8∶2。