[发明专利]融合时序特征和统计特征的风电超短期功率预测方法

权利要求书

1.一种融合时序特征和统计特征的风电超短期功率预测方法，其特征在于：

获取NWP数据，并对NWP数据进行修正；

将经修正的NWP数据中的风速风向输入CNN网络模型提取统计特征；

获取历史功率数据，并对历史功率数据进行清洗；

将经清洗的历史功率数据输入GRU网络模型提取时序特征；

将风速风向的统计特征和功率数据的时序特征融合，输入训练好的超短期风电预测模型，输出风电功率预测值。

2.根据权利要求1所述的融合时序特征和统计特征的风电超短期功率预测方法，其特征在于：所述对NWP数据进行修正采用基于实验观测的粗糙度变化模型与基于势流理论的地形变化模型来分析风电场局地效应对大气边界层风的影响，之后再采用拉森尾流模型进行尾流效应的修正。

3.根据权利要求2所述的融合时序特征和统计特征的风电超短期功率预测方法，其特征在于：所述粗糙度模型以风电机组为研究对象，根据风电机组地理位置、内边界层高度h以及风电机组轮毂高度，可由方程(1)得到上风向未受扰风速经粗糙度变化影响后在风电机组轮毂高度处的风速；

其中，Z₀₂为研究位置粗糙度；Z₀₁为距离风电机组位置最近的上风向粗糙度；

u_*2、u_*1分别为对应Z₀₁、Z₀₂的摩擦速度；k为卡曼常数；h为内边界层高度，由下式确定：

式中：Z₀’＝max(Z₀₁,Z₀₂)；x为粗糙度变化位置与所研究位置的距离。

4.根据权利要求2所述的融合时序特征和统计特征的风电超短期功率预测方法，其特征在于：所述地形变化模型为边界层内外层风速扰动求解；

根据方程(3)、(4)，在给定风电机组地理位置以及周围地形变化信息后，获得地形变化对风电机组位置外层流场的扰动；

式三中：u’_WT为地形变化对风电机组位置处外层流场的扰动；C_j¹为1阶贝塞尔函数的第j个零点；e_r、e_φ分别为径向与方位角方向的单位向量；式三中A_1j、B_1j由式四确定；式四中▽h(r,φ)包含了地形变化信息；

对于边界层内层风速扰动求解，由于内层流场扰动随高度按对数律变化，求得内层中任意高度的扰动流场对同高度外层扰动势流解的修正值，内层流场对于同一高度势流解的修正值为：

式中：u₀(z)为上风向未受扰风矢量在高度z的风速；L_j为地形扰动在垂直方向上的长度尺度；z’_j＝max(z,l_j)；l_j为边界层内层高度；

将得到与风电机组位置不同高度流场扰动的解析解，与上风向未受扰风矢量叠加获得经地形扰动后的风速与风向。

5.一种融合时序特征和统计特征的风电超短期功率预测装置，其特征在于，包括：

NWP数据获取模块(1)，用于获取NWP数据，并对NWP数据进行修正；

统计特征提取模块(2)，用于将经修正的NWP数据中的风速风向输入CNN网络模型提取统计特征；

功率数据获取模块(3)，用于获取历史功率数据，并对历史功率数据进行清洗；

时序特征提取模块(4)，将经清洗的历史功率数据输入GRU网络模型提取时序特征；

风电功率预测模块(5)，用于将风速风向的统计特征和功率数据的时序特征输入训练好的超短期风电预测模型，输出风电功率预测值。

6.根据权利要求5所述的融合时序特征和统计特征的风电超短期功率预测装置，其特征在于：所述对NWP数据进行修正采用基于实验观测的粗糙度变化模型与基于势流理论的地形变化模型来分析风电场局地效应对大气边界层风的影响，之后再采用拉森尾流模型进行尾流效应的修正。