[发明专利]一种基于频繁模式挖掘的富风期风电小发事件统计特性模型的预测方法

权利要求书

1.一种基于频繁模式挖掘的富风期风电小发事件统计特性模型的预测方法，其特征在于，包括以下具体步骤：

步骤1、基于数据驱动方式，利用实际风电功率数据和时间标志信息，筛选出富风期风电小发事件出现的时间和频率，提取各风电场发生富风期风电小发事件时对应的持续时间段、间隔时间段，进行特征分析；

步骤2、引入气象数据，选取气象指标，基于K-means聚类算法分别对持续时间段、间隔时间段模式进行聚类分析得到不同的基本模式，同时得到各基本模式对应的气象特征，并利用支持向量机算法对各基本模式下的气象数据进行学习训练，得到支持向量机分类器；

步骤3、根据步骤2聚类分析得到的各基本模式，使用基本模式对风电功率序列进行事件序列重编码，实现对风电功率序列的降维处理；

步骤4、根据步骤3处理所得降维后的事件序列，通过APRIORI关联分析算法对事件序列进行挖掘得到富风期风电小发事件与事件之间的关联关系，进而建立富风期风电小发事件的自相关统计特性模型，完成对富风期风电小发事件的预测，具体包括：

步骤4.1、根据步骤3.2处理所得降维后的事件序列，通过APRIORI关联分析算法对事件序列进行挖掘分析得到富风期风电小发事件与事件之间的关联关系；基于APRIORI的原理对模式事件序列进行频繁项集搜索，记SC(mode)为支持度计数，即某一模式出现的频数；由于相隔较远的富风期风电小发事件相关性小，故只需考虑到频繁三项集即可，即依次包含两次富风期风电小发事件和相应的间隔的频繁项集；因此，从频繁二项集到频繁三项集就能够包含富风期风电小发事件的自相关信息，从频繁二项集上考虑模式A和模式B的自相关特性，在模式A发生之后，模式B发生的概率如下式所示：

该式从而建立起模式A和模式B的自相关特性，所有模式的自相关特性均可以由频繁项集计算得到；

步骤4.2、设定频繁项阈值为2个支持度计数，基于APRIORI算法对降维后的事件序列进行分析，搜索到频繁二项集、频繁三项集，并且得到其中频繁二项集、频繁三相集相应的支持度计数和，从而计算得到不同模式之间的自相关特性；

步骤4.3、基于上述步骤统计得到各模式间的自相关特性，进而建立富风期风电小发事件的自相关统计特性模型，所有的频繁二项集和频繁三项集都可以表征富风期风电小发事件的自相关特性，不同模式之间的关联关系的集合构成自相关统计特性模型；

步骤5、采集鹿原、协合、照阳河风电场站的2018年的实际风电功率数据和气象数据，根据步骤4.2处理所得到每个基本模式之间的关联关系，得到的频繁二项集和频繁三项集用于表征富风期风电小发事件的自相关特性，基于这种特性进行算例分析，可用于对未来的富风期风电小发事件进行预测，预测方法具体包括：

步骤5.1、根据步骤2中的聚类分析得到富风期风电小发事件持续时间段、间隔时间段各基本模式，将持续时间段模式编号为1～3，间隔时间段模式编号为4～6，同时根据步骤2得到各基本模式对应的模式内事件数、平均风速值、平均风向值、平均气温值、平均气压值、平均持续时间值/平均间隔时间值；

步骤5.2、假定先发生模式1和4的富风期风电小发事件持续时间段和间隔时间段后，紧接着会发生一起持续时间段，模式必定为1、2、3中的一类，由于根据步骤4.2已经计算出每个模式之间的自相关特性和具体概率情况，这样利用接下来会发生模式1、2、3的概率和对应的气象特征数据值，计算得到会发生模式1、2、3的概率乘以各模式对应的气象数据特征值的总和，即是接下来会发生的模式对应的各气象数据特征值，具体包括风速、风向、气温、气压，再利用这组数据基于svm模型的predict功能进行识别，即可得到其属于的具体模式，最后进行迭代可以预测出之后会发生的各模式。