(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111397686.9 (22)申请日 2021.11.23 (71)申请人 北京华能新锐控制技 术有限公司 地址 102209 北京市昌平区北七家未来科 技城南区华能人才创新创业基地 实验 楼B座 (72)发明人 王晓宁　曾凡春　张澈　杨继明　 陈岩磊　王传鑫　田长风　 (74)专利代理 机构 北京中知法苑知识产权代理 有限公司 1 1226 代理人 李明　赵吉阳 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 海上风电机组功率预测方法及装置 (57)摘要 本发明提供一种海上风电机组功率预测方 法及装置， 该方法包括： 进行海上风电机组的时 空‑功率特性分析； 获取海上风电机组的运行数 据， 并对获取的数据进行特征向量的提取； 对获 取的运行数据进行聚类； 根据运行数据的聚类构 建基于布谷鸟优化算法反向传播神经网络的模 型。 本方法保证了建模所用变量与预测功率的强 相关性； 在所构建的海上风电功率预测反向传播 神经网络模型的参数优化中引入了布谷鸟优化 算法， 有效提升了预测结果的精确性， 促进了电 网的稳定运行。 权利要求书3页 说明书9页 附图3页 CN 114139788 A 2022.03.04 CN 114139788 A 1.一种海上风电机组功率预测方法， 其特 征在于， 所述方法包括： 进行海上风电机组的时空 ‑功率特性分析； 获取所述海上风电机组的运行 数据， 并对获取的所述数据进行 特征向量的提取； 对获取的所述 运行数据进行聚类； 根据所述 运行数据的聚类构建基于布谷鸟优化 算法反向传播神经网络的模型。 2.根据权利要求1所述的方法， 其特征在于， 所述获取所述海上风电机组的运行数据， 并对获取的所述数据进行 特征向量的提取， 包括： 提取影响所述海上风电功率的相关变量； 采用皮尔逊相关系数公式计算提取的各变量对预测模型功率输出的相关性值， 并将所 得结果按降序排列并选取相关性最高的前m个作为预测模型的输入变量， 其中， 所述皮尔逊 相关系数公式为： 其中， m为自然数， n 为采样点总数， r 代表输入X和输出Y间的相关性； 其中， 和 的计算 公式如下： 3.根据权利要求2所述的方法， 其特 征在于， 对获取的所述 运行数据进行聚类， 包括： 基于K均值聚类方法对获取的所述 运行数据进行 数据空间划分； 预设聚类个数为K， 每个聚类中的元素个数不小于n/4K， 在所述数据空间中随机选取K 个数据变量作为各聚类的初始聚类中心； 计算所述数据中各数据与聚类中心的距离， 并将每一个采样点数据划分到距其距离最 近的聚类中， 将每一时刻属同一聚类数据的平均值ci作为最新的聚类中心， 其中， 其中， Ni指聚类i中所包 含的元素个数， x为采样数据； 进行多次迭代， 直至得到满足要求的数据聚类， 并将聚类中心向量记为c＝{c1,c2,…, cK}。 4.根据权利要求3所述的方法， 其特征在于， 所述根据所述运行数据的聚类构建基于布 谷鸟优化 算法反向传播神经网络的模型， 包括： 构建用于所述海上风电功率预测的反向传播神经网络模型 结构； 对基于布谷鸟优化 算法的反向传播神经网络参数进行调节。 5.根据权利要求4所述的方法， 其特征在于， 所述构建用于所述海上风电功率预测的反 向传播神经网络模型 结构， 包括： 所述反向传播神经网络模型包括输入层、 隐含层以及输出层， 其中， 所述模型以所述预 测模型的输入变量为所述模型的输入， 并以所述海上风电机组功率输出为所述模型的输权　利　要　求　书 1/3 页 2 CN 114139788 A 2出； 根据所述输入层和所述输出层的个数， 确定所述隐含层的个数， 所述隐含层的个数z 为： 其中， x和y分别代 表输入层和输出层神经 元个数。 6.根据权利要求5所述的方法， 其特征在于， 所述对基于布谷鸟优化算法的反向传播神 经网络参数进行调节， 包括： 设定所述反向传播神经网络中需优化的阈值和权重个数为M， 初始化种群规模为N， 并 且随机产生鸟巢位置， 计算其适应度值， 每个布谷鸟个体位置 向量及鸟巢位置 向量维度均 为M； 基于莱维飞行对鸟巢 位置进行 更新， 其中， α ＝α0(xj,t‑xi,t)， L( β )＝s×(xt‑xbest,t)， 其中， xi,t代表布谷鸟i在迭代时刻t时的位置， α 为步长系数且α0为步长控制系数， L( β ) 为莱维分布， s是服从参数为β 的莱维分布的随机算子， xbest,t当前最优解。 7.根据权利要求6所述的方法， 其特征在于， 所述基于莱维飞行对鸟 巢位置进行更新之 后， 所述方法还 包括： 将更新后鸟 巢对应的适应度与当前最优解的适应度进行比较， 若该适应度优于当前最 优解的对应的适应度， 则更新当前最优鸟窝 位置； 否则， 保持不变； 判断迭代过程是否满足终止条件， 若满足， 则记录最优鸟窝位置并将其输出为待优化 参数的最佳值； 否则， 重新返回基于 莱维飞行对鸟巢 位置进行 更新， 继续进行迭代； 将所得最优参数输入反 向传播神经网络模型以确定其最终结构， 实现海上风电机组 的 输出功率预测。 8.根据权利要求1所述的方法， 其特征在于， 所述进行海上风电机组的时空 ‑功率特性 分析， 包括： 分别绘制预设海上风电场所有机组 的位置坐标图， 并且给出所述预设海上风电场所有 机组在预设时间段内的机组功率变化曲线； 基于绘制的所述预设海上风电场所有机组位置图和功率变化曲线进行所述海上风电 机组的时空 ‑功率特性分析。 9.一种海上风电机组功率预测装置， 其特征在于， 所述装置包括分析模块、 获取模块、 提取模块、 聚类模块、 构建模型模块， 所述分析模块， 用于分析海上风电机组的时空 ‑功率特性； 所述获取模块， 用于获取 所述海上风电机组的运行 数据； 所述提取模块， 用于对获取的所述 运行数据进行 特征向量的提取； 所述聚类模块， 用于对获取的所述 运行数据进行聚类； 构建模型模块， 用于根据所述运行数据的聚类构建基于布谷鸟优化算法反 向传播神经 网络的模型。权　利　要　求　书 2/3 页 3 CN 114139788 A 3