[发明专利]一种基于网格聚类的峡谷风电短期功率预测方法

权利要求书

1.一种基于网格聚类的峡谷风电短期功率预测方法，其特征在于，包括以下步骤： 步骤S1.根据峡谷风电特征将短期功率预测方法分为数据清洗环节、网格分解环节和功率预测环节； 步骤S2.在数据清洗环节对LSTM网络学习的历史气象、风电功率、风电功率预测数据进行异常检测、数据补正和平滑处理，获取完整的历史数据； 步骤S3.在网格分解环节根据纬度进行峡谷风电站地域网格聚类，获取风电功率和与气象关联的特征网格； 步骤S4.在功率预测环节使用LSTM网络对每个网格进行功率预测，并进行功率叠加与误差修正。

2.根据权利要求1所述的一种基于网格聚类的峡谷风电短期功率预测方法，其特征在于，所述步骤S2包括： 步骤S2.1.对LSTM网络学习的历史气象与风电预测数据、历史风电功率数据、气象监测数据和风机地理位置数据进行异常数据检测，通过离群点检测方式剔除异常值； 步骤S2.2.采用线性插值方法搭建缺失数据补正框架，实现缺失数据修复； 步骤S2.3.通过卡尔曼滤波方式对风电功率、气象观测数据进行平滑处理，消除风电功率数据中的无用分量。

3.根据权利要求1所述的一种基于网格聚类的峡谷风电短期功率预测方法，其特征在于，所述步骤S3包括： 步骤S3.1.根据地理经纬度进行风电场网格划分； 步骤S3.2.根据天气类型和风电功率曲线特性指标进行网格聚类分析，获得网格风电功率特征； 步骤S3.3.分解形成网格风电功率预测单元。

4.根据权利要求1所述的一种基于网格聚类的峡谷风电短期功率预测方法，其特征在于，所述步骤S4包括： 步骤S4.1.通过数字天气预报获取网格的短期天气预报信息； 步骤S4.2.基于长短期记忆网络分析网格风电波动趋势，预测网格预期时间内的峡谷风电短期功率； 步骤S4.3.使用LSTM网络进行峡谷风电短期功率预测，采用最小二乘法修正误差；步骤S4.4.生成峡谷风电短期功率预测结果。

5.根据权利要求2所述的一种基于网格聚类的峡谷风电短期功率预测方法，其特征在于，所述步骤S2.1中异常数据检测的方法包括： 根据离群点局部异常因子和数据间的距离分析，检测出与风电数据正常属性差异大的异常数据。

6.根据权利要求2所述的一种基于网格聚类的峡谷风电短期功率预测方法，其特征在于，所述步骤S2.2中缺失数据补正的方法包括： 选用线性插值法搭建缺失数据补正框架，实现缺失数据修复。

7.根据权利要求2所述的一种基于网格聚类的峡谷风电短期功率预测方法，其特征在于，所述步骤S2.3中数据平滑处理的方法包括： 选用卡尔曼滤波对滤波状态进行最佳估算，消除噪声和干扰数据对模型的影响。

8.根据权利要求3所述的一种基于网格聚类的峡谷风电短期功率预测方法，其特征在于，所述步骤S3.1中地理网格划分的方法包括： 选用归一化分割方法，并根据地理经纬度进行风电场网格划分。

9.根据权利要求3所述的一种基于网格聚类的峡谷风电短期功率预测方法，其特征在于，所述步骤S3.2中进行网格聚类分析的方法包括： 先用层次凝聚聚类法进行网格聚类分析。