[发明专利]一种分布式风力发电站输出功率的预测方法

权利要求书

1.一种分布式风力发电站输出功率的预测方法，其特征在于，包含以下步骤：

A、初步建模，分布式风力发电站发电功率是各个子区域风力发电机阵列发电功率的总和，设分布式风力发电站子区域数量为N在给定时刻t，记该分布式风力发电站总的发电功率为P_L(t)，并记子区域i，i＝1，2，...，N的风力发电机阵列发电功率为P_L，i(t)，提出以下分布式风力发电站发电功率模型

P_L，i(t)＝P_Lp，i(t)+P_Le，i(t)+P_N，i(t)# (2)，

其中P_Lp，i(t)为子区域i的风力发电机阵列的期望发电功率，P_Le，i(t)是用粗糙微分方程模拟的子区域i的风力发电机阵列的小幅度随机波动部分，P_N，i(t)是用点过程模拟的子区域i的风力发电机阵列的大幅度随机波动部分，

B、针对P_Lp，i(t)进行建模：采用滑动平均的方法对数据进行平滑化处理，以减少其中包含的随机波动，对子区域i，平滑化后的风力发电机阵列发电功率记为使用当地的天气数据来对分布式风力发电站发电功率进行预测，使用平滑化的分布式风力发电站发电功率作为风力发电机阵列期望发电功率数据P_Lp，i(t)的预测目标值用于生成预测模型，使用卷积神经网络来拟合子区域i的历史的风场分布和P_Lp，i(t)之间的关系，通过计算和不同时段的风场分布数据之间的皮尔逊积矩相关系数来衡量历史风场分布数据和之间的相关性，此处定义R为皮尔逊积矩相关系数，使用X表示使用Y表示某一种天气信息，包括温度，湿度，大气压强，风速，云量，降水概率，假设有N细X和Y的数据，它们的相关系数R的定义如式(2)所示，式中的和分别表示N组X和Y的均值

C、针对P_Le，i(t)进行建模：对子区域i，本发明使用粗糙路径理论驱动的随机微分方程来描述其风力发电机阵列发电功率小幅度随机波动，即

dP_Le，i(t)＝μ_iP_Le，i(t)dt+σ_idR(t)# (4)，其中的R(t)为粗糙路径，μ_i和σ_i为系统参数，根据实际随机波动分布式风力发电站发电功率功率数据测量得到一系列可能的系统参数数组，即{μ_ik，σ_ik}，其中k＝1，2，...，N，即N组可能的参数数值，通过计算机多次拟合逼近后，可以得到最接近实际的一组μ_i和σ_i，可以得到(4)的解，即P_Le，i(t)的值，

D、针对P_N，i(t)进行建模：对子区域i，使用点过程驱动的随机微分方程来模拟其风力发电机阵列发电功率大幅度随机波动，即

dP_N，i(t)＝μ_jP_Le，i(t)dt+σ_jdN_i(t)# (5)，

其中N_i(t)为点过程，μ_j和σ_j为系统参数，根据实际跳跃性分布式风力发电站发电功率数据测量得到一系列可能的系统参数数组，即{μ_jk，σ_jk}，其中k＝1，2，...，N，即N组可能的参数数值。通过计算机多次拟合逼近后，可以得到最接近实际的一组μ_j和σ_j，可以得到(5)的解，即P_N，i(t)的值。

2.根据权利要求1所述的一种分布式风力发申站输出功率的预测方法，其特征在于，所述步骤B中，根据对应的时刻t，分别计算时刻t之前的历史风场分布数据和的相关系数R，根据其相关系数绝对值大小和实际的相关性分析选择合适时间范围截取历史风场分布数据序列作为输入卷积神经网络的风场分布特征，为该神经网络输出的目标值构建对风力发电机阵列发电功率的预测模型，通过使用梯度下降法对该神经网络进行训练，最终得到P_LP，i(t)模型。