[发明专利]一种考虑时空分布特征的风电功率多步预测方法

权利要求书

1.一种考虑时空分布特征的风电功率多步预测方法，其特征在于，包括：

利用所获取的风电机组数据，对风电机组数据进行聚类，聚类成若干个机组群，以提取出风电场功率的空间分布特征；

对每一个机组群的功率序列进行EEMD分解，得到若干个风电场功率子序列，提取出风电功率序列的时间分布特征；

为每一个机组群的子序列分别建立编码器-解码器多步预测网络模型，该网络模型由两个GRU网络组成，第一个网络用于提取输入功率序列的有效信息后将其编码成特征向量；第二个网络则对编码器传送过来的特征向量进行解码，获得预测功率序列；

将各个机组群的预测功率进行重构，获得风电场总功率的预测曲线。

2.如权利要求1所述的考虑时空分布特征的风电功率多步预测方法，其特征在于，所述风电机组数据包括风机功率、风速数据。

3.如权利要求2所述的考虑时空分布特征的风电功率多步预测方法，其特征在于，所述利用所获取的风电机组数据，对风电机组数据进行聚类，聚类成若干个机组群包括：

第一步：分别对风机功率、风速数据进行归一化处理；

第二步：确定风电机组的特征向量

选择全年观测的平均风速、风速标准差、平均功率和功率标准差作为单台风电机组的表征，因此每台风电机组的特征向量xi为4维向量，其表达式如下：

x_i＝[v_i,mean,v_i,std,p_i,mean,p_i,std]^T(i＝1,2,...,N)

第三步：k均值聚类：

3-1.确定距离公式

选择欧式距离平方作为风电机组特征向量之间距离的衡量，计算公式如下：

3-2.预设聚类数分别为k₁,k₂,…,k_M；

3-3.初始化：r＝1；

3-4.确定聚类数：k＝k_r；

3-5.机组聚类问题转换成求解最优化问题：

式中，C_r为聚类数为k_r时的分类结果，是第l个类的均值或中心，C^l表示所有属于第l个类的风电机组集合；

3-6.计算聚类结果的轮廓系数：

式中，a(x_i)表示特征向量x_i与其他各类样本的平均距离的最小值，b(x_i)表示特征向量x_i与同类内所有样本间距离的平均值；

3-7.令r:＝r+1，返回步骤3-4；

3-8.遍历所有预设聚类数，选择轮廓系数高的结果作为最终的聚类结果；原始的N台风电机组，聚类成k^*个机组群；

4.如权利要求3所述的考虑时空分布特征的风电功率多步预测方法，其特征在于，所述对风速数据进行归一化处理，计算公式如下：

式中，v_i，t和v′_i，t分别是第i台风电机组在时刻t的原始风速和归一化后的风速，V_i，min＝min{v_i，1，v_i，2，...，v_i，T}和V_i，max＝max{v_i，1，v_i，2，...，v_i，T}是第i台风电机组的最小和最大风速值，N是风电机组数量。