[發明專利]一種分散式風電的功率預測方法

在審

• 申請號: 202110846795.8
• 申請日: 2021-07-26
• 公開（公告）號: CN113610285A
• 公開（公告）日: 2021-11-05
• 發明（設計）人: 王振福;徐峰;張小貝;張圃凡;李潤
• 申請（專利權）人: 華能定邊新能源發電有限公司;北京東潤環能科技股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N20/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種分散式風電的功率預測方法，其特征在于，該預測方法的具體步驟為：

1)采集指定區域內風電場功率預測所需數據，通過各個風電場輸出功率之間的相關性將區域內風電場分組；

2)根據歷史觀測氣象數據和地形特點選定每組代表風電場，并在代表風電場選定虛擬測風塔位置；

3)通過步驟1中所得數據，建立代表風電場的功率預測模型，并計算出其短期預測功率和超短期預測功率；

4)將各單機數據和步驟1中收集的預測所需數據進行整合，采用AdaBoost算法進行組合式計算，對風電場的功率預測結果進行預測。

2.根據權利要求1所述的一種分散式風電的功率預測方法，其特征在于，所述步驟1中的所需數據包括所有單臺風機的風速歷史數據、歷史功率以及整場的平均風速數據、實際功率。

3.根據權利要求1所述的一種分散式風電的功率預測方法，其特征在于，待所述步驟3中模型建立完畢，系統試運行后，現場需至少2周提供一次整場的平均風速數據、實際功率的數據。

4.根據權利要求3所述的一種分散式風電的功率預測方法，其特征在于，所述步驟1中所需數據內包括的整場的平均風速數據、實際功率的時間分辨率為1min或者5min，當時間分辨率為10min時，需進行數據二次處理，由于會存在限電時段，所以需要現場提供手動限電記錄。

5.根據權利要求1所述的一種分散式風電的功率預測方法，其特征在于，所述步驟2中由于風機較為分散，考慮代表風電場，因此預測氣象點應大于等于三處。

6.根據權利要求1所述的一種分散式風電的功率預測方法，其特征在于，所述步驟3中的日預測曲線最大誤差≤25％：

i是點數，n是96點，Pni是第i點短期功率預測值，Pri是第i點的實際功率；

小時調和平均數準確率≥75％：

i是點數，n是96點，Pni是第i點超短期功率預測值，Pri是第i點的實際功率。

7.根據權利要求1所述的一種分散式風電的功率預測方法，其特征在于，所述步驟4中的AdaBoost算法中，有兩個權重，第一個是訓練集中每個樣本的權重，稱為樣本權重，用向量D表示；另一個是每一個弱學習算法具有一個權重，用向量α表示。

假設有n個樣本的訓練集{(X₁,y₁),(X₂,y₂),...,(X_n,y_n)}，初始時，設定每個樣本的權重是相等的，即1/n，利用第一個弱學習算法h1對其進行學習，學習完成后進行錯誤率ε的統計：

其中，#error表示被錯誤分類的樣本數目，#all表示所有樣本的數目，這樣便可以利用錯誤率ε計算弱學習算法h1的權重：

在第一次學習完成后，需要重新調整樣本的權重，以使得在第一次分類中被錯分權重的樣本，在接下來的學習中可以重點對其進行學習：

其中，h_t(x_i)＝y_i表示對第i個樣本訓練正確，h_t(x_i)≠y_i表示對第i個樣本訓練錯誤，Zt是一個歸一化因子：

Z_t＝sum(D)

這樣進行第二次的學習，當學習t輪后，得到了t個弱學習算法{h₁,h₂,....,h_t}及其權重{α₁,α₂,....,α_t}，對新的分類數據，分別計算t個弱分類器{h₁(X),h₂(X),....,h_t(X)}，最終的AdaBoost算法的輸出結果為：

其中，sign(x)是符號函數。

8.根據權利要求7所述的一種分散式風電的功率預測方法，其特征在于，所述AdaBoost算法中組合了四種單體方法，即BP神經網絡、GRNN神經網絡、ELM極限學習機和ORPC優化回歸功率曲線。