專利名稱：單風(fēng)力發(fā)電機(jī)的風(fēng)電功率預(yù)測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及風(fēng)力發(fā)電技術(shù)，尤其涉及一種單風(fēng)力發(fā)電機(jī)的風(fēng)電功率預(yù)測方法。
背景技術(shù)：
風(fēng)力發(fā)電已經(jīng)成為近幾年來發(fā)展最為迅速的可再生能源，未來風(fēng)電將占世界電力供應(yīng)的12%以上。但是，由于風(fēng)的波動(dòng)性和間歇性，風(fēng)力發(fā)電的典型特征就是不可控，大容量風(fēng)電場的接入會對電網(wǎng)運(yùn)行產(chǎn)生很大的負(fù)荷甚至危險(xiǎn)。隨著風(fēng)電容量不斷加大、電量需求逐漸飽和，電力市場將逐步要求風(fēng)電企業(yè)競價(jià)上網(wǎng)和提前進(jìn)行發(fā)電量預(yù)測。為提升電網(wǎng)接納風(fēng)電的能力，保障電網(wǎng)安全，對風(fēng)力發(fā)電機(jī)功率進(jìn)行預(yù)測是十分必要并且意義重大。 目前解決該問題的主要方法包括物理方法與統(tǒng)計(jì)方法。前者必須具有詳細(xì)的風(fēng)場地形圖、風(fēng)機(jī)布置坐標(biāo)和風(fēng)電功率曲線等數(shù)據(jù)，且程序復(fù)雜，這類方法包括微觀氣象模型。計(jì)算流體力學(xué)模型，這些技術(shù)中微觀選址經(jīng)常被使用。后者程序簡單但波動(dòng)性較大，主要包括NN(神經(jīng)網(wǎng)絡(luò))、SVM(支持向量機(jī))等技術(shù)。其中統(tǒng)計(jì)方法多用于風(fēng)電功率的短時(shí)預(yù)測，這是因?yàn)闅v史數(shù)據(jù)中潛在著一些有意義的模式，可用于識別氣象變化的短時(shí)規(guī)律，而基于這些模式有可能對未來的氣象情況進(jìn)行推測?，F(xiàn)有的基于統(tǒng)計(jì)的短時(shí)預(yù)測方法，將風(fēng)速的變化視為一個(gè)隨機(jī)過程，使用時(shí)間序列統(tǒng)計(jì)模型對其擬合，但由于風(fēng)速本身的特性使這些預(yù)測模型無法抓住局部特征，難以做到全局平穩(wěn)，進(jìn)而無法刻畫風(fēng)速變化的各個(gè)情況，例如，忽略風(fēng)向變化的影響，預(yù)測效果難以令人滿意。

發(fā)明內(nèi)容
本發(fā)明提供一種單風(fēng)力發(fā)電機(jī)的風(fēng)電功率預(yù)測方法，用以可靠有效地預(yù)測風(fēng)電功率。本發(fā)明實(shí)施例提供一種單風(fēng)力發(fā)電機(jī)的風(fēng)電功率預(yù)測方法，包括步驟a :從歷史數(shù)據(jù)庫中提取長度為L的數(shù)據(jù)片段，確定當(dāng)前時(shí)間點(diǎn)T之前的特征片段核心庫，其中，L為大于或等于I的整數(shù)；步驟b :采用聚類算法對所述特征片段核心庫進(jìn)行聚類，形成w個(gè)聚類子集和w個(gè)聚類中心，其中，w為大于或等于I的整數(shù)；步驟c :根據(jù)所述w個(gè)聚類中心和當(dāng)前時(shí)刻片段的中心，確定預(yù)測時(shí)間點(diǎn)T+1的功率P (T+1)，所述當(dāng)前時(shí)刻片段為時(shí)間點(diǎn)T-Z至T時(shí)間點(diǎn)代表的時(shí)間段，其中I彡Z彡L。如上所述的方法,優(yōu)選地,還包括步驟d:將所述時(shí)間點(diǎn)T+1更新為當(dāng)前時(shí)間點(diǎn)，重復(fù)步驟C，直至預(yù)測出所要預(yù)測的時(shí)間點(diǎn)的功率。如上所述的方法，優(yōu)選地，所述歷史數(shù)據(jù)庫的數(shù)據(jù)以數(shù)據(jù)類別為坐標(biāo)軸，數(shù)據(jù)類別的數(shù)量為V，所述V為大于或等于I的整數(shù)。如上所述的方法，優(yōu)選地，所述數(shù)據(jù)類別包括風(fēng)速、風(fēng)向、氣溫、氣壓和功率中的至少一個(gè)。
如上所述的方法，優(yōu)選地，所述步驟a具體包括步驟ai :從所述歷史數(shù)據(jù)庫中提取長度為L的S個(gè)數(shù)據(jù)片段；步驟a2 :采用預(yù)設(shè)模型確定每個(gè)所述數(shù)據(jù)片段的mX V個(gè)特征值；步驟a3 :將mXV個(gè)特征值作為特征片段，S個(gè)特征片段形成初始特征片段核心庫；步驟a4 :對所述初始特征片段核心庫進(jìn)行擴(kuò)展，形成所述特征片段核心庫；其中，所述S和m均為大于或等于I的整數(shù)。如上所述的方法，優(yōu)選地，對所述初始特征片段核心庫進(jìn)行擴(kuò)展，形成所述特征片 段核心庫的步驟包括步驟a41 :根據(jù)預(yù)設(shè)的擴(kuò)展比例e對所述特征片段中的數(shù)據(jù)點(diǎn)進(jìn)行擴(kuò)展形成候選片段，并根據(jù)預(yù)設(shè)的參數(shù)比例系數(shù)P和特征明顯度選取部分候選片段加入到初始特征片段核心庫中；步驟a42:重復(fù)步驟a41，直至擴(kuò)展次數(shù)達(dá)到最大迭代次數(shù)r，根據(jù)所述預(yù)設(shè)的參數(shù)比例系數(shù)P和特征明顯度選取部分候選片段加入到初始特征片段核心庫中，形成所述特征片段核心庫。如上所述的方法，優(yōu)選地，所述確定每個(gè)所述數(shù)據(jù)片段的mXV個(gè)特征值采用的預(yù)設(shè)模型是ARMA (p，q)模型。如上所述的方法，優(yōu)選地，在確定每個(gè)所述特征片段的mXV個(gè)特征之前，還包括根據(jù)公式木-cPixt-I_L - (PpXt—p =St- d'st—' -L - dqst_q^ 定 ARMA (p, q)模型的 p、q值，其中，X是數(shù)據(jù)點(diǎn)類別值階數(shù)為p、q的自回歸滑動(dòng)平均序列，e代表零均值、方差是O2的平穩(wěn)白噪聲。如上所述的方法，優(yōu)選地，m = p+q+Y，其中Y為預(yù)設(shè)的特征片段的特征子片段的個(gè)數(shù)，Y為大于或等于I的整數(shù)。如上所述的方法，優(yōu)選地，所述m個(gè)特征值分別為灼、爐2…; 0 p 0 2. . . 0 ,;以及Y個(gè)特征子片段的平均值。如上所述的方法,優(yōu)選地,步驟b所采用的聚類算法為K-means算法或Kohonen算法。如上所述的方法，優(yōu)選地，所述步驟c包括采用預(yù)設(shè)模型確定當(dāng)前時(shí)刻片段的中心，并確定w個(gè)聚類中心與所述當(dāng)前時(shí)間片段的中心的權(quán)值Ii1、n2、n3......nw以及每個(gè)所述聚類中心的功率P1、P2、P3......Pw ；預(yù)測時(shí)間點(diǎn)T+1 對應(yīng)的 P(T+1)功率為 H1XP^n2XVn3XP3+. nwXPw。如上所述的方法，優(yōu)選地，確定當(dāng)前時(shí)刻片段的中心采用的預(yù)設(shè)模型是ARMA(p，q)模型。本發(fā)明提供的單風(fēng)力發(fā)電機(jī)的風(fēng)電功率預(yù)測方法，能夠可靠有效地預(yù)測風(fēng)電功率。


圖I為根據(jù)本發(fā)明實(shí)施例一的預(yù)測風(fēng)電功率的方法流程圖；圖2為根據(jù)本發(fā)明實(shí)施例一的對初始特征片段核心庫進(jìn)行擴(kuò)展以形成特征片段核心庫的方法流程圖。
具體實(shí)施例方式為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。下面，提供根據(jù)本發(fā)明的單風(fēng)力發(fā)電機(jī)的風(fēng)電功率預(yù)測方法的實(shí)施例。這里的“單風(fēng)力發(fā)電機(jī)”指的是單個(gè)風(fēng)力發(fā)電機(jī)，即針對一臺風(fēng)力發(fā)電機(jī)的風(fēng)電功率進(jìn)行預(yù)測。實(shí)施例一如圖I所示，為根據(jù)本發(fā)明實(shí)施例一預(yù)測時(shí)間點(diǎn)T+1的功率P(T+1)的方法流程圖，其中T為當(dāng)前時(shí)間點(diǎn)。
步驟101，從歷史數(shù)據(jù)庫中提取長度為L的數(shù)據(jù)片段，確定當(dāng)前時(shí)間點(diǎn)T之前的特征片段核心庫，其中，L為大于或等于I的整數(shù)；步驟102，采用聚類算法對特征片段核心庫進(jìn)行聚類，形成w個(gè)聚類子集和w個(gè)聚類中心，其中，w為大于或等于I的整數(shù)；步驟103，根據(jù)w個(gè)聚類中心和當(dāng)前時(shí)刻片段的中心，確定預(yù)測時(shí)間點(diǎn)T+1的功率P(T+1)，當(dāng)前時(shí)刻片段為時(shí)間點(diǎn)T-Z至T時(shí)間點(diǎn)代表的時(shí)間段，其中I彡Z彡L。所謂特征片段核心庫，即包括由數(shù)據(jù)片段的特征值組成的特征片段的數(shù)據(jù)庫，該數(shù)據(jù)庫與數(shù)據(jù)類別相關(guān)。例如，每個(gè)特征值為以數(shù)據(jù)類別為坐標(biāo)軸的數(shù)據(jù)點(diǎn)。所謂當(dāng)前時(shí)刻片段的中心指的是，根據(jù)數(shù)據(jù)類別采用預(yù)設(shè)模型求得的中心。例如，預(yù)設(shè)模型可以采用ARMA(p,q)模型，求出該當(dāng)前時(shí)刻片段的特征值，這些特征值即可以設(shè)定為當(dāng)前時(shí)刻片段的中心。當(dāng)然，本領(lǐng)域的技術(shù)人員還可以采用其它現(xiàn)有技術(shù)求得當(dāng)前時(shí)刻片段的中心，在此不再進(jìn)行贅述。需要指出的是，上述的預(yù)測時(shí)間點(diǎn)T+1指的是歷史數(shù)據(jù)庫中數(shù)據(jù)點(diǎn)的位置。例如，歷史數(shù)據(jù)庫中的數(shù)據(jù)點(diǎn)是以10分鐘為間隔的數(shù)據(jù)點(diǎn)，當(dāng)前數(shù)據(jù)點(diǎn)所代表的時(shí)間點(diǎn)為T，那么T+1代表的是10分鐘之后的時(shí)間點(diǎn)，T+2代表的是20分鐘之后的時(shí)間點(diǎn)，T-I就代表10分鐘之前的數(shù)據(jù)點(diǎn)。類似地，如果歷史數(shù)據(jù)庫中的數(shù)據(jù)點(diǎn)是以I小時(shí)為間隔的數(shù)據(jù)點(diǎn)，當(dāng)前數(shù)據(jù)點(diǎn)所代表的時(shí)間點(diǎn)為上午8點(diǎn)，那么T+1就代表時(shí)間點(diǎn)為上午9點(diǎn)，T+2就代表時(shí)間點(diǎn)為上午10點(diǎn)，T-I就代表上午7點(diǎn)。以此類推。當(dāng)所需要預(yù)測的時(shí)間點(diǎn)并非是當(dāng)前時(shí)間點(diǎn)的下一個(gè)時(shí)間點(diǎn)時(shí)，需要將所需要預(yù)測的時(shí)間點(diǎn)的前一個(gè)時(shí)間點(diǎn)預(yù)測出來。即，將時(shí)間點(diǎn)T+1更新為當(dāng)前時(shí)間點(diǎn)，重復(fù)步驟C，直至預(yù)測出所要預(yù)測的時(shí)間點(diǎn)的功率。所要預(yù)測的時(shí)間點(diǎn)較佳的是限于當(dāng)前時(shí)間點(diǎn)T之后的6個(gè)小時(shí)之內(nèi)，這是由于，隨著預(yù)測的時(shí)間點(diǎn)在當(dāng)前時(shí)間片段中所占的比例越來越大，預(yù)測模型變得越來越不精確，所以，一般情況下，只能預(yù)測到當(dāng)前時(shí)間點(diǎn)之后的6個(gè)小時(shí)內(nèi)的風(fēng)電功率。其中，特征片段數(shù)據(jù)庫的數(shù)據(jù)是以數(shù)據(jù)類別為坐標(biāo)軸的矢量的，數(shù)據(jù)類別的數(shù)量為V。其中V為大于或等于I的整數(shù)。例如，特征片段數(shù)據(jù)庫中的數(shù)據(jù)對應(yīng)的數(shù)據(jù)類別分別為風(fēng)速、風(fēng)向、氣溫、氣壓和功率中的任意一個(gè)及其組合。具體地，步驟101包括
從歷史數(shù)據(jù)庫中提取長度為L的S個(gè)數(shù)據(jù)片段；采用預(yù)設(shè)模型確定每個(gè)數(shù)據(jù)片段的mX V個(gè)特征值；將mX V個(gè)特征值作為特征片段，S個(gè)特征片段形成初始特征片段核心庫；對初始特征片段核心庫進(jìn)行擴(kuò)展，形成最終的特征片段核心庫；其中，S和m均為大于或等于I的整數(shù)。下面具體地描述對初始特征片段核心庫進(jìn)行擴(kuò)展以形成特征片段核心庫的步驟，如圖2所示，步驟201，根據(jù)擴(kuò)展比例e對特征片段中的數(shù)據(jù)點(diǎn)進(jìn)行擴(kuò)展形成候選片段，并根據(jù)預(yù)設(shè)的參數(shù)比例系數(shù)P和特征明顯度選取部分候選片段加入到初始特征片段核心庫中；
步驟202，重復(fù)步驟201，直至擴(kuò)展次數(shù)達(dá)到最大迭代次數(shù)r，根據(jù)預(yù)設(shè)的參數(shù)比例系數(shù)P和特征明顯度選取部分候選片段加入到初始特征片段核心庫中，形成特征片段核心庫?？蛇x地，確定每個(gè)數(shù)據(jù)片段的mXV個(gè)特征值采用的預(yù)設(shè)模型是ARMA(p，q)模型。該模型中的P、q值可以通過公式木_灼木-I _L - cP pXt—p = st - d'st—'~L來確定,其中，X是數(shù)據(jù)點(diǎn)類值階數(shù)為P、q的自回歸滑動(dòng)平均序列，即X = (X1, X2, X3. . . XJ ,與數(shù)據(jù)類別相關(guān)。其中，t代表時(shí)間點(diǎn)，優(yōu)選地，T = t。e代表零均值、方差是O2的平穩(wěn)白噪聲，e與數(shù)據(jù)點(diǎn)類值相關(guān)。該ARMA (p，q)是現(xiàn)有技術(shù)中常用的一種分析模型，具體方法步驟在此不再贅述。每一特征片段的特征值的個(gè)數(shù)m = p+q+Y,其中Y為預(yù)設(shè)的特征片段的特征子片段的個(gè)數(shù)，即將每個(gè)特征片段分為Y段，Y為大于或等于I的整數(shù)。m個(gè)特征值分別為奶、(p2...(pp\ O1, 02... eq;以及Y個(gè)特征子片段的平均值。其中，對初始特征片段核心庫進(jìn)行擴(kuò)展，形成特征片段核心庫的步驟，舉例解釋為，初始特征片段核心庫為5個(gè)數(shù)據(jù)片段，分別為A1= {&1, a2，a3. a100}，A2 = {a斯，
ai02，ai03. a20(J，A3 一 {^201 a202，a203. a30(J，一 {a401，a402，a403. a50(J，A5 一 {^501 a502
a503. a_}，對數(shù)據(jù)片段Ai、A2、A3、A4和A5分別進(jìn)行擴(kuò)展，此時(shí)L = 100，擴(kuò)展時(shí)需要進(jìn)行前后擴(kuò)展。當(dāng)遇到某一邊沒有可擴(kuò)展的點(diǎn)時(shí)，可以選擇放棄這一邊的擴(kuò)展。以4為例，當(dāng)e =5%, P =20%時(shí)，第一次擴(kuò)展后，形成該數(shù)據(jù)片段A2擴(kuò)展出的第一候選片段，S卩{a96，a97，
a98，a99，aIOOj aIOlj ai02 ai03" a200 a201 a202 a203 a204 a205^。這樣，A2 擴(kuò)展出的弟一候選片段
的長度為110，即為L(l+2e)。同樣，Ap A3、AjPA5也分別擴(kuò)展出各自的第一候選片段。根據(jù)P選取這5個(gè)第一候選片段中特征度明顯度較高的片段加入片段庫。這里的“特征明顯度”指的是每個(gè)候選片段與其它候選片段之間的特征曼哈頓距離的遠(yuǎn)近，哪個(gè)候選片段距離其它候選片段近，特征明顯度就低，哪個(gè)候選片段距離其它候選片段遠(yuǎn)，特征明顯度就高。在計(jì)算曼哈頓距離之前，需要將特征值進(jìn)行歸一化處理。特征明顯度可以簡單定義為每個(gè)候選片段與其它候選片段的距離的平均值。然后，取其中PL個(gè)特征明顯度較高的第一候選片段，即特征明顯度的值較大的第一候選片段。例如此處選取20% X5 = 1，則需要選取I個(gè)第一候選片段加入到片段中，即特征明顯度最高的那個(gè)第一候選片段。也就是說，經(jīng)過第一次擴(kuò)展之后，初始特征庫片段核心庫的個(gè)數(shù)變成了 6個(gè)。下面進(jìn)行第二次擴(kuò)展，第二次擴(kuò)展的步驟與第一次擴(kuò)展的方法一致，所不同的是由最初的需要擴(kuò)展5個(gè)片段變成了需要擴(kuò)展6個(gè)片段，這樣，經(jīng)過第二次擴(kuò)展之后，就有了 6個(gè)第二候選片段。同樣選取特征明顯度較高的第二候選片段加入特征庫。依此類推，直至擴(kuò)展次數(shù)達(dá)到最大迭代次數(shù)r，并提取特征明顯度較高的候選片段加入初始特征片段庫之后，形成最終的特征片段核心庫?？蛇x地,步驟102中的聚類算法為K-means算法或Kohonen算法,形成w個(gè)聚類子集。形成w個(gè)聚類子集的同時(shí)，還形成了每個(gè)聚類子集的聚類中心，一共w個(gè)聚類中心?？蛇x地，對于步驟103，具體包括選取當(dāng)前時(shí)刻片段，即時(shí)間點(diǎn)T-Z至T時(shí)間點(diǎn)代表的時(shí)間段，其中I < Z < L。采用預(yù)設(shè)模型，例如采用ARMA(p，q)模型，提取當(dāng)前時(shí)刻片段的中心，計(jì)算該當(dāng)前時(shí)刻片段中心與上述每個(gè)聚類子集的中心的距離，并將所得的距離
歸一化，獲得該當(dāng)前時(shí)間片段中心與w個(gè)聚類子集的中心的權(quán)值np n2、n3......nw。將每
個(gè)聚類子集的中心所對應(yīng)的功率P:、P2> P3......Pw分別乘以相應(yīng)的權(quán)值，就會得到預(yù)測目 標(biāo)P(T+1)的功率，叫XPJn2XP2+n3XP3+. nwXPw。需要指出的是，對預(yù)測時(shí)間點(diǎn)T+1時(shí)刻的預(yù)測，不僅能夠預(yù)測出功率，而是能夠預(yù)測出所有特征類別的值。當(dāng)要預(yù)測時(shí)間點(diǎn)T+2的P(T+2)時(shí)，需要將原當(dāng)前時(shí)間片段的第一個(gè)時(shí)間點(diǎn)去除，并將T+1的數(shù)據(jù)點(diǎn)納入當(dāng)前時(shí)刻片段，即保證當(dāng)前時(shí)刻片段的長度始終為Z+1。當(dāng)要預(yù)測時(shí)間點(diǎn)T+3的P(T+3)時(shí)，將T+1的數(shù)據(jù)點(diǎn)和T+2的數(shù)據(jù)點(diǎn)均納入當(dāng)前時(shí)刻片段，以此類推。由于后續(xù)納入當(dāng)前時(shí)刻片段的數(shù)據(jù)點(diǎn)的功率均是預(yù)測出來的，可以說，準(zhǔn)確性越來越差，因此，使用本實(shí)施例的方法預(yù)測風(fēng)電功率能夠保證預(yù)測當(dāng)前時(shí)間點(diǎn)后面的6個(gè)小時(shí)之內(nèi)的風(fēng)電功率的準(zhǔn)確性。根據(jù)本實(shí)施例，通過將歷史特征數(shù)據(jù)庫中的時(shí)間點(diǎn)所對應(yīng)的氣象特征做更加細(xì)致的劃分，建立了多個(gè)聚類子集，并以這些聚類子集的聚類中心為基礎(chǔ)來預(yù)測風(fēng)電功率，降低了特征片段數(shù)據(jù)庫所代表的非線性系統(tǒng)的復(fù)雜性，能夠可靠有效地預(yù)測風(fēng)電功率，且使其精確性提聞。實(shí)施例二本實(shí)施例二是根據(jù)實(shí)施例一的方法預(yù)測單風(fēng)力發(fā)電機(jī)的風(fēng)電功率的具體實(shí)例，并對該方法的準(zhǔn)確性予以檢測。在當(dāng)前時(shí)間點(diǎn)T之前的歷史資料中找到68156個(gè)數(shù)據(jù)，提取其中50000個(gè)數(shù)據(jù)作為本實(shí)施例中的氣候特征數(shù)據(jù)庫。需要指出的是，該50000個(gè)數(shù)據(jù)并不包括歷史資料中最初的100個(gè)數(shù)據(jù)和最后的100個(gè)數(shù)據(jù)，以留出足夠的數(shù)據(jù)點(diǎn)進(jìn)行后續(xù)的擴(kuò)展步驟。假設(shè)當(dāng)前時(shí)間點(diǎn)為上午10點(diǎn)，歷史資料中的數(shù)據(jù)以10分鐘為單位的時(shí)序數(shù)據(jù)，要預(yù)設(shè)的是10點(diǎn)10分的風(fēng)電功率。預(yù)設(shè)p = 20%, e = 5%,L = 10000,r = 30。數(shù)據(jù)點(diǎn)以數(shù)據(jù)類別為坐標(biāo)軸,本具體實(shí)例中的數(shù)據(jù)類別分別為風(fēng)速、風(fēng)向和功率，即數(shù)據(jù)類別的數(shù)量V為3。此時(shí)，將這50000個(gè)數(shù)據(jù)分成了 5個(gè)數(shù)據(jù)片段。接下來，對這5個(gè)數(shù)據(jù)片段的特征進(jìn)行提取，以形成初始特征片段核心庫。首先采用根據(jù)ARMA (p，q)模型，即利用公式Xt-Cp1Xt^-L -(ppXt—p=St-e'st—'~L 9，確定p和q的值。其中，X是數(shù)據(jù)點(diǎn)類別值階
數(shù)為P、q的自回歸滑動(dòng)平均序列，e代表零均值、方差是O 2的平穩(wěn)白噪聲，與風(fēng)速、風(fēng)向和功率相關(guān)。具體的算法為本領(lǐng)域的現(xiàn)有技術(shù)，在此不再進(jìn)行贅述。經(jīng)計(jì)算，本具體實(shí)例中的p = 3，q = 5。根據(jù)預(yù)設(shè)的分段值，將每個(gè)特征片段分為5段，即S = 5。于是得到，每個(gè)特征片段的每個(gè)特征類別的特征值m = 3+5+5 = 13個(gè)。也就是說，每個(gè)特征片段的特征值為mXV = 13X3 = 39 個(gè)。
首先，根據(jù)P = 20%, e = 5%,r = 30對這5個(gè)數(shù)據(jù)片段進(jìn)行擴(kuò)展。擴(kuò)展方法如實(shí)施例一中的一致。最終形成特征片段核心庫。該特征片段核心庫中包括11552特征片段。將特征片段核心庫根據(jù)K-means算法分成3類，每一聚類子集分別包括5162、3834、2556個(gè)數(shù)據(jù)片段，并同時(shí)確定每個(gè)聚類子集的聚類中心。這個(gè)聚類中心，例如以取每個(gè)數(shù)據(jù)片段平均值的形式給出，或者以其它現(xiàn)有的求中心的方式給出，在此不再贅述。取當(dāng)前時(shí)間點(diǎn)，即上午10點(diǎn)的數(shù)據(jù)以及上午10點(diǎn)之前的10000個(gè)數(shù)據(jù)做為當(dāng)前時(shí)刻片段，采用ARMA(p，q)模型取得當(dāng)前時(shí)刻片段的中心。取每個(gè)聚類中心分別與當(dāng)前時(shí)刻片段中心的距離值為權(quán)值，這個(gè)距離要做歸一化處理。本具體實(shí)例中分別為0. 4,0. 3和0. 3，每個(gè)聚類中心所對應(yīng)的功率值分別為1400kw、1350kw和1450kw，因此，可得到上午10點(diǎn) 10 分的功率為 1400X0. 4+1350X0. 3+1450X0. 3 = HOOkw0對比歷史資料中時(shí)間點(diǎn)為上午10點(diǎn)10分的時(shí)間點(diǎn)的功率，發(fā)現(xiàn)該點(diǎn)的功率恰好為1400kw，則可以證明根據(jù)本發(fā)明的方法預(yù)測單風(fēng)力發(fā)電機(jī)的風(fēng)電功率是比較準(zhǔn)確的。最后應(yīng)說明的是以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實(shí)施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解其依然可以對前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精 神和范圍。
權(quán)利要求
1.一種單風(fēng)力發(fā)電機(jī)的風(fēng)電功率預(yù)測方法，包括 步驟a :從歷史數(shù)據(jù)庫中提取長度為L的數(shù)據(jù)片段，確定當(dāng)前時(shí)間點(diǎn)T之前的特征片段核心庫，其中，L為大于或等于I的整數(shù)； 步驟b :采用聚類算法對所述特征片段核心庫進(jìn)行聚類，形成w個(gè)聚類子集和w個(gè)聚類中心，其中，w為大于或等于I的整數(shù)； 步驟c :根據(jù)所述w個(gè)聚類中心和當(dāng)前時(shí)刻片段的中心，確定預(yù)測時(shí)間點(diǎn)T+1的功率P(T+1)，所述當(dāng)前時(shí)刻片段為時(shí)間點(diǎn)T-Z至T時(shí)間點(diǎn)代表的時(shí)間段，其中I彡Z彡L。
2.根據(jù)權(quán)利要求I所述的方法，其特征在于，還包括 步驟d:將所述時(shí)間點(diǎn)T+1更新為當(dāng)前時(shí)間點(diǎn)，重復(fù)步驟c，直至預(yù)測出所要預(yù)測的時(shí)間點(diǎn)的功率。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述歷史數(shù)據(jù)庫的數(shù)據(jù)以數(shù)據(jù)類別為坐標(biāo)軸，數(shù)據(jù)類別的數(shù)量為V，所述V為大于或等于I的整數(shù)。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述數(shù)據(jù)類別包括風(fēng)速、風(fēng)向、氣溫、氣壓和功率中的至少一個(gè)。
5.根據(jù)權(quán)利要求I 4中任一項(xiàng)所述的方法，其特征在于，所述步驟a具體包括 步驟％ :從所述歷史數(shù)據(jù)庫中提取長度為L的S個(gè)數(shù)據(jù)片段； 步驟a2 :采用預(yù)設(shè)模型確定每個(gè)所述數(shù)據(jù)片段的mXV個(gè)特征值； 步驟a3 :將mX V個(gè)特征值作為特征片段，S個(gè)特征片段形成初始特征片段核心庫； 步驟a4 :對所述初始特征片段核心庫進(jìn)行擴(kuò)展，形成所述特征片段核心庫； 其中，所述S和m均為大于或等于I的整數(shù)。
6.根據(jù)權(quán)利要求5所述的方法，其特征在于，對所述初始特征片段核心庫進(jìn)行擴(kuò)展，形成所述特征片段核心庫的步驟包括 步驟a41 :根據(jù)預(yù)設(shè)的擴(kuò)展比例e對所述特征片段中的數(shù)據(jù)點(diǎn)進(jìn)行擴(kuò)展形成候選片段，并根據(jù)預(yù)設(shè)的參數(shù)比例系數(shù)P和特征明顯度選取部分候選片段加入到初始特征片段核心庫中； 步驟a42:重復(fù)步驟a41，直至擴(kuò)展次數(shù)達(dá)到最大迭代次數(shù)r，根據(jù)所述預(yù)設(shè)的參數(shù)比例系數(shù)P和特征明顯度選取部分候選片段加入到初始特征片段核心庫中，形成所述特征片段核心庫。
7.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述確定每個(gè)所述數(shù)據(jù)片段的mXV個(gè)特征值采用的預(yù)設(shè)模型是ARMA (p，q)模型。
8.根據(jù)權(quán)利要求7所述的方法，其特征在于，在確定每個(gè)所述特征片段的mXV個(gè)特征之前，還包括根據(jù)公式木-(PiXt-\ _L - (PpX" =St- 9'st—' -L - Oqst_q^%定 ARMA (p, q)模型的 p、q 值，其中，X是數(shù)據(jù)點(diǎn)類別值階數(shù)為p、q的自回歸滑動(dòng)平均序列，e代表零均值、方差是O2的平穩(wěn)白噪聲。
9.根據(jù)權(quán)利要求8所述的方法，其特征在于，m= p+q+Y,其中Y為預(yù)設(shè)的特征片段的特征子片段的個(gè)數(shù)，Y為大于或等于I的整數(shù)。
10.根據(jù)權(quán)利要求9所述的方法，其特征在于，所述m個(gè)特征值分別為仍、K,.0 i、0 2. . . 0 ,;以及Y個(gè)特征子片段的平均值。
11.根據(jù)權(quán)利要求I或2所述的方法，其特征在于，步驟b所采用的聚類算法為K-means算法或Kohonen算法。
12.根據(jù)權(quán)利要求I或2所述的方法，其特征在于，所述步驟c包括 采用預(yù)設(shè)模型確定當(dāng)前時(shí)刻片段的中心，并確定w個(gè)聚類中心與所述當(dāng)前時(shí)間片段的中心的權(quán)值叫、n2、n3......nw以及每個(gè)所述聚類中心的功率P1、P2、P3......Pw; 預(yù)測時(shí)間點(diǎn) T+1 對應(yīng)的 P(T+1)功率為 H1XP^n2XVn3XP3+. nwXPw。
13.根據(jù)權(quán)利要求12所述的方法，其特征在于，確定所述當(dāng)前時(shí)刻片段的中心采用的預(yù)設(shè)模型是ARMA (p，q)模型。
全文摘要
本發(fā)明公開了一種單風(fēng)力發(fā)電機(jī)的風(fēng)電功率預(yù)測方法，包括從歷史數(shù)據(jù)庫中提取長度為L的數(shù)據(jù)片段，確定當(dāng)前時(shí)間點(diǎn)T之前的特征片段核心庫，其中，L為大于或等于1的整數(shù)；采用聚類算法對所述特征片段核心庫進(jìn)行聚類，形成w個(gè)聚類子集和w個(gè)聚類中心，其中所述w為大于或等于1的整數(shù)；根據(jù)所述w個(gè)聚類中心和當(dāng)前時(shí)刻片段的中心，確定預(yù)測時(shí)間點(diǎn)T+1的功率P(T+1)，所述當(dāng)前時(shí)刻片段為時(shí)間點(diǎn)T-Z至T時(shí)間點(diǎn)代表的時(shí)間段，其中1≤Z≤L。根據(jù)本發(fā)明提供的單風(fēng)力發(fā)電機(jī)的風(fēng)電功率預(yù)測方法，能夠可靠有效地預(yù)測風(fēng)電功率。
文檔編號G06F19/00GK102682185SQ20111005836
公開日2012年9月19日 申請日期2011年3月10日 優(yōu)先權(quán)日2011年3月10日
發(fā)明者侯偉, 王穎, 甘家飛 申請人:華銳風(fēng)電科技(集團(tuán))股份有限公司