[发明专利]基于时空相关性的风电集群功率预测方法

权利要求书

1.基于时空相关性的风电集群功率预测方法，其特征在于，该方法包括以下步骤：

步骤一：选用Pearson线性相关系数ρ_p、Kendall秩相关系数ρ_k、Spearman秩相关系数ρ_s作为关系参数，对目标风电集群中任意两个不同风电场的历史数据进行上述三种相关系数计算；结合Shapley值法，求取上述三种相关系数的权值：以相关系数值与1的差值作为权值计算准则，三种相关系数所有组合的相关性差值为P(p)、P(k)、P(s)、P(p,k)、P(p,s)、P(k,s)、P(p,k,s)，其中：

三种相关系数的Shapley值为：

三种相关系数对应的权值为：

式中，σ_p为Pearson线性相关系数对应的权值；σ_k为Kendall秩相关系数对应的权值；σ_s为Spearman秩相关系数对应的权值；

步骤二：对目标风电集群中任意两个不同风电场的功率历史数据，应用步骤一中的计算方法，得到每个风电场与其他风电场发电功率三种相关系数的权值，然后分别计算该风电场与其它任意一个风电场之间的综合相关系数，两个风电场之间的综合相关系数为：ρ_p*σ_p+ρ_k*σ_k+ρ_s*σ_s；最后求该风电场与其它所有风电场之间的综合相关系数的均值，该均值为该风电场的平均综合相关系数；计算每个风电场风能利用系数，将某一风电场的平均综合相关系数与其风能利用系数加权相加：

式中Cp为单个风电场的风能利用系数；ρ_ave为单个风电场的平均综合相关系数；σ₁、σ₂为权值，两者之和为1；

将根据公式(4)计算得到的最大值对应的风电场，确定为标准风电场；

步骤三：构建风电集群时空相关特征矩阵；将步骤二确定的标准风电场编号为1号风电场，对风电集群中的其它风电场依次顺延编号，以1号风电场为基准，按照步骤一中的计算方法，分别计算1号风电场与其它风电场之间单一时刻的风速、风向、温度三种历史数据各自的三种相关系数及相应的权值，并根据步骤二分别计算单一时刻的三种历史数据的综合相关系数；设风电集群中风电场的个数为n，每一种数据的时间坐标相同且维度均为m；

根据1号风电场与其它风电场之间单一时刻的风速、风向、温度三种数据的综合相关系数，建立风电集群时空相关特征矩阵，第t个时刻点的风电集群时空相关特征矩阵为：

式中ρ_dir1n为标准风电场与其他风电场间的风向综合相关系数；ρ_tem1n为标准风电场与其他风电场间的温度综合相关系数；ρ_speed1n标准风电场与其他风电场间的风速综合相关系数；1≤t≤m；

每一个时刻点的风电集群时空相关特征矩阵按上述方法获得，得到由m个时刻点的风电集群时空相关特征矩阵构成的风电集群时空相关特征矩阵集；

步骤四：利用CNN提取关键时空相关特征；CNN包括输入层、卷积层、子采样层和全连接层，将步骤三得到的风电集群时空相关特征矩阵集作为卷积神经网络的输入；将第t个时刻点的维度为n*n的风电集群时空相关特征矩阵输入到CNN中，首先卷积层的多个卷积核依次对风电集群时空相关特征矩阵进行特征提取，然后将最后一个卷积核提取得到的特征图输入到子采样层，得到一个新的特征矩阵；将得到的新的特征矩阵输入到全连接层，全连接层对新的特征矩阵展开，得到一个1×4的一维序列，该一维序列即为第t个时刻点风电集群关键时空相关特征；由风电集群时空相关特征矩阵集即可得到m个时刻点的1×4的风电集群关键时空相关特征；

步骤五：建立基于小波神经网络的功率预测模型；采用具有三层结构的WNN，具体包括输入层、隐含层和输出层；WNN的输入为x，对应一个时刻点的1×4的风电集群关键时空相关特征，输出为Y，对应一个时刻点的风电集群功率的预测值；S为输入的维数，为4；K为输出的维数，K＝1；ω_sh为输入层到隐含层权值；ω_hk—隐含层到输出层权值，输入样本数量为U；设定最大训练次数为R、网络预测误差的阈值和学习率，初始化小波神经网络参数：用[-1，1]区间内的随机值初始化输入层第s个节点到隐含层第h个节点的权值ω_sh、隐含层第h个节点到输出层第k个节点的权值ω_hk、隐含层第h个节点的伸缩因子α_h、隐含层第h个节点的平移因子β_h；

小波基函数为：

隐含层第h个节点的输出为：

α_h—伸缩因子；β_h—平移因子，G(h)为隐含层，S—输入层节点的个数；

小波神经网络的输出为：

H—隐含层节点的个数；

网络预测误差为：

—期望输出，为一个时刻点的风电集群功率的实际值；输入样本量为U，每一个样本u计算后得到对应一个输出Y，每一个输出Y对应一个期望输出根据每一个输入u得到的网络预测误差对ω_sh、ω_hk、α_h、β_h进行修正，修正具体过程如下：

ξ为学习率，为常数；

将修正后的ω_sh、ω_hk、α_h、β_h的值作为下一个输入的小波神经网络的初始值，将小波神经网络完成U个输入的网络预测、U-1次ω_sh、ω_hk、α_h、β_h的修正的过程称为一次训练；

将一次训练中的最后一个输入得到的网络预测误差与网络预测误差的阈值对比，若小于阈值，则停止计算，将最后一次小波神经网络运算时的ω_sh、ω_hk、α_h、β_h的值作为最优取值，并保存该取值下的小波神经网络为功率预测模型；若最后一个输入得到的网络预测误差大于阈值，则根据最后一个输入得到的网络预测误差继续对最后一次小波神经网络运算时的ω_sh、ω_hk、α_h、β_h进行修正，并将修正后的值作为下一次训练的初始值；不断的进行训练，直至该次训练为第R次训练，或者该次训练的最后一个输入得到的网络预测误差小于阈值，则将该次训练时最后一次小波神经网络运算时的ω_sh、ω_hk、α_h、β_h的值作为最优取值，并保存最优取值下的小波神经网络为功率预测模型；利用步骤四得到的m个时刻点的1×4的风电集群关键时空相关特征以及对应的m个时刻点的风电集群功率对WNN进行训练，即可得到功率预测模型；

步骤六：利用功率预测模型进行功率预测

获取风电集群的未来Z个时刻点的天气预报的风速、风向、温度三种数据，以1号风电场为基准，按照步骤一中的计算方法，分别计算1号风电场与其它风电场之间单一时刻的风速、风向、温度三种数据各自的三种相关系数及相应的权值，分别计算单一时刻的三种数据的综合相关系数，并根据步骤三中所述的方法，建立该Z个时刻点的风电集群时空相关特征矩阵；然后根据步骤四中所述的方法，将该Z个时刻点的风电集群时空相关特征矩阵作为CNN的输入，获得该Z个时刻点的1×4的风电集群关键时空相关特征；最后将该Z个时刻点的1×4的风电集群关键时空相关特征依次输入到步骤五中获得的功率预测模型中，获得该Z个时刻点的风电集群功率的预测值。