[发明专利]一种考虑机组分类的风电短期功率预测校正方法

权利要求书

1.一种考虑机组分类的风电短期功率预测的校正方法，其特征在于，所述方法包括如下步骤：

步骤一：多NWP的特征选择；将风电场平均风速作为优化目标，经XGBoost模型得优化预报风速，代入理想功率曲线，得预测功率P₁；

步骤二：基于层次聚类，将风电场内风力发电机组分类成若干代表组，生成若干组预测风速；将S台风机分为G组，分别以G组平均风速作为优化目标，得G组优化预报风速W，代入理想功率曲线得各组预测功率，累加得风电场预测功率P₂；

步骤三：通过误差反向传播算法校正初始预测功率，首先初始化BP网络的结构和权值，然后根据输入样本前向计算BP网络每层神经元的输入信号和输出信号，根据期望输出计算反向误差，对权值进行修正，如果误差小于给定值或迭代次数超过设定值结束学习，最终校正初始预测功率。

2.根据权利要求1的方法，其特征在于，步骤一中：

为覆盖风电场更大范围、涵盖各种地形，应选取风电场周边典型4-9个位置的NWP的气象数据，每个位置包含4个高度层的经向风、纬向风、温度、湿度、气压等5个参数信息，即每个时刻最多含180维数据。NWP为未来72h预报数据，每天进行一次更新，时间分辨率插值至15min。

3.根据权利要求1的方法，其特征在于，步骤一中：

训练XGBoost模型过程如下所示：

(1)对所有样本，初始化一颗CART树，同时得预测输出

式中：c为预测输出集合。

(2)对所有样本计算负梯度r_ti为

(3)利用负梯度，拟合一颗CART回归树，得到第t颗回归树，其对应的叶子节点区域为R_tj，j＝1，2，…，J。其中J为回归树t的叶子节点的个数。

(4)对叶子区域j＝1，2，…，J，计算最佳拟合值c_tj为

(5)经T轮更新得强学习器，最终预测输出为

4.根据权利要求1的方法，其特征在于，步骤二中：

对机组分类时，采用层次聚类法中的凝聚法，采用自底向上策略，输入数据机组内所有风机的相似性度量向量矩阵，逐步合并相似距离相近的风机为一类，直至将所有风机聚为一个大类。

5.根据权利要求4的方法，其特征在于，步骤二中：

层次聚类具体流程为：

1)设N为样本数，M为风机数，选取同一时间段参与并网的M1台风机，构建N×M1阶矩阵；

2)基于欧式距离、皮尔逊相关系数、熵相关系数，计算M1个风机两两间的相似性度量矩阵。

3)利用离差平方和法计算不通类之间的距离d，每缩小一类，离差平方和SX就要增大，选择使SX增加最小的两类合并，如式(1)所示。

式中：K为数据集的总聚类数；d为类别的均值。

4)若类的个数不等于1，则重复执行步骤3)，否则执行步骤5)。

5)保证类内的风机数不超过总风机数一半，取子类个数的最大值。

6)计算聚类评判标准指数，确定计算相似性度量的方法。

6.根据权利要求1的方法，其特征在于，步骤三中：

输入数据包括t时刻风速(Wt)、风向(Dt)、风功率(Pt)，以及t+1时刻风速(Wt+1)、风向(Dt+1)，输出为t+1时刻风功率(Pt+1)；

BP神经网络隐含层输出公式如式(6)所示：

式中：f为传递函数；w_ij为输入层第i个神经元与隐含层第j个神经元的权值；x_i为输入数据；a_j为隐含层第j个神经元的阈值；

其输出层预测公式如式(7)所示：

式中：h_j为隐含层第j个神经元输出；w_jp为隐含层第j个神经元与输出层第p个神经元的权值；b_p为输出层第p个神经元的阈值。