[发明专利]一种区域风电集群的短期功率预测方法

权利要求书

1.一种区域风电集群的短期功率预测方法，其特征在于，包括下列步骤：

1)获取区域风电场历史年功率数据，构成以天为单位的风电场日功率样本集，对日功率样本集进行相似性聚类，提取风电场在长期尺度下的日功率曲线典型形态，并将不同的功率曲线形态特征定义为不同日功率模式；

2)根据年功率数据形成日功率模式序列，建立不同风电场日功率模式序列的分类矩阵Q，统计分类矩阵中不同风电场联合模式的概率分布形成估计概率矩阵P并计算估计概率矩阵的熵值，根据熵值大小将区域多风电场分类成长期出力模式相似的主集群；

3)提取主集群中各风电场在预测时刻前的历史短期功率数据，划分并识别功率波动段类型，采用波动趋势相似距离求解波动趋势相似性，进而聚类出在短期内波动趋势强相关的子集群；

4)提取子集群多风电场的历史气象数据和空间坐标数据构成输入特征矩阵，建立基于改进I-CNN-BILSTM混合神经网络的短期功率预测模型；

5)初始化神经网络权值，设定最大迭代次数；

6)构建基于点云输入的点卷积神经网络，将特征矩阵输入点卷积神经网络中进行全局特征和局部特征的提取；

7)将点CNN网络提取到的特征输入结合SSA算法的改进Attention机制中，将神经网络模型的过渡特征向量赋予不同的权重，将经过权重分配的过渡特征向量按时间步输入至BILSTM层，输出改进I-CNN-BILSTM混合神经网络的训练结果，读取训练损失曲线和误差曲线，根据收敛过程中训练集和验证集的损失曲线纵向间距，以及绝对误差的大小，进而评估网络预测结果收敛性能；

8)判断当前迭代次数是否达到设定迭代次数，若达到，则迭代终止，输出混合神经网络参数，否则，令迭代次数加一，并转到步骤4)；

9)利用上述步骤训练完成的改进I-CNN-BILSTM网络进行对应子集群的短期风电功率预测，获取子集群的预测功率；

10)判断当前是否已完成所有子集群的功率预测，若达到，则进行步骤11)，否则，转到步骤4)对剩余子集群进行预测；

11)对所有子集群的功率预测值进行叠加计算，得到区域总体的风电功率预测结果。

2.根据权利要求1所述的区域风电集群的短期功率预测方法，其特征在于，步骤1)中，采用ACFSFDP算法对日功率样本集进行相似性聚类。

3.根据权利要求2所述的区域风电集群的短期功率预测方法，其特征在于，采用ACFSFDP算法对日功率样本集进行相似性聚类的具体步骤包括：

11)将归一化的历史风电功率数据形成以天为单位的样本集，计算样本的局部密度ρ_i、拓扑关系和距离δ_i；

12)将样本局部密度ρ_i与距离δ_i的乘积组成综合评价指标γ，并依据该综合评价指标选择聚类中心；

13)建立用以确定最优聚类簇数的自适应指标F_K，逐步增加聚类中心数，将自适应指标出现的唯一最大峰值对应的聚类中心数目减一，作为最佳聚类簇数。

4.根据权利要求1所述的区域风电集群的短期功率预测方法，其特征在于，步骤2)的具体步骤包括：

21)将风电场历史一年的日功率数据按照步骤1)的聚类结果形成日功率模式序列，利用区域所有风电场的多组日功率模式序列构成分类矩阵Q，矩阵行向量为对应风电场在N天的日功率模式序列，矩阵的第k列向量表示不同风电场日功率曲线的联合模式；

22)统计分类矩阵Q中各联合模式出现的概率，形成估计概率矩阵P，估计概率矩阵P的元素p_ij代表Q中各列出现(i,j)^T的概率，计算估计概率矩阵的熵值H＝-∑p_ijln(p_ij)，将熵值H小于设定阈值H_min的风电场归属于同一集群；并根据熵值大小将区域多风电场分类成长期出力模式相似的主集群。