[发明专利]一种风电机组出力分步不确定性预测方法及装置

权利要求书

1.一种风电机组出力分步不确定性预测方法，其特征在于，所述方法包括以下步骤：

构建风电机组出力分步不确定性预测模型：

提取风电场特定机位风机的风况特征信息；

基于特定机位风机的风况特征信息进行风况类别划分；

基于风况类别划分及风况特征信息建立风况不确定性预测模型；

基于风况类别划分及风况特征信息建立风机出力特性不确定性模型；

基于分类别的风况不确定性预测模型和风机出力特性不确定性模型，构建风电机组出力分步不确定性预测模型；

将风电场特定机位风机的风况数据输入所述风电机组出力分步不确定性预测模型，获得预测结果；

将风况不确定性预测模型的输出作为风机出力特性不确定性模型的输入，最终得到风机出力的确定性和不确定性预测结果，从而构建多风况类别下的风电机组出力分步不确定性预测模型，实现特定机位风机出力的分步多模型预测；

采用滑动时间窗法增量更新风况信息数据库、风机出力特性数据库，结合时间驱动机制，触发并更新风电机组分步不确定性预测模型；

监测风机出力的确定性或不确定性预测精度作为事件驱动触发机制，当预测精度显著变化时，更新风电机组出力分步不确定性预测模型；

设定时间周期作为时间驱动触发条件，当风电机组出力分步不确定性预测模型使用时间达到设定时间周期时，触发并更新风电机组出力分步不确定性预测模型。

2.根据权利要求1所述的风电机组出力分步不确定性预测方法，其特征在于，基于风电场至少一特定机位的风机在不同风况下的测量数据进行风况特征信息提取。

3.根据权利要求2所述的风电机组出力分步不确定性预测方法，其特征在于，测量数据包含若干测量时间，根据测量时间将测量数据划分为若干时间序列片段作为时间信息粒，挖掘提取时间信息粒的特征作为时间信息粒的降维表征，将其作为风况特征信息粒。

4.根据权利要求1所述的风电机组出力分步不确定性预测方法，其特征在于，采用无监督聚类算法对风况特征信息进行风况类型划分。

5.根据权利要求4所述的风电机组出力分步不确定性预测方法，其特征在于，采用聚类的类间或类内评价指标制定目标函数及约束条件，形成优化问题描述，基于智能优化算法求解该优化问题，进而对聚类算法的设定参数进行寻优并得到最优的聚类效果，最终完成对特定机位风机风况类别的最优划分。

6.根据权利要求5所述的风电机组出力分步不确定性预测方法，其特征在于，类间或类内评价指标包括轮廓系数、邓恩指数或戴维森堡丁指数。

7.根据权利要求2所述的风电机组出力分步不确定性预测方法，其特征在于，采用具有条件概率建模能力的概率统计或机器学习算法，在每一风况类别下，分别进行测量数据的超短期或短期不确定性预测建模，从而构建多风况类别下的风况信息超短期或短期不确定性预测模型，实现特定机位风机风况信息的多模型预测。

8.根据权利要求7所述的风电机组出力分步不确定性预测方法，其特征在于，具有条件概率建模能力的算法能够以条件概率分布的条件期望回归值构建确定性风况预测模型，同时，该具有条件概率建模能力的算法能够以一定置信度下条件概率分布的置信边界构建风况不确定性预测模型。

9.根据权利要求7所述的风电机组出力分步不确定性预测方法，其特征在于，采用具有条件概率建模能力的算法，基于确定性预测评价指标和不确定性评价指标，构建加权目标函数和约束条件，并以此形成优化问题描述，进而能够采用智能优化算法对风况预测建模算法的设定参数进行寻优。

10.根据权利要求9所述的风电机组出力分步不确定性预测方法，其特征在于，确定性评价指标包含均方根误差指标和平均绝对值误差指标；不确定性预测评价指标包含平均区间覆盖率、平均区间覆盖误差和平均区间带宽。