(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111620744.X (22)申请日 2021.12.27 (65)同一申请的已公布的文献号 申请公布号 CN 114169252 A (43)申请公布日 2022.03.11 (73)专利权人 广东工业大 学 地址 510090 广东省广州市越秀区东 风东 路729号 (72)发明人 殷豪　王陈恩　孟安波　陈顺　 朱梓彬　张铮　冼梓康　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 牛念 (51)Int.Cl. G06F 30/27(2020.01)G06F 30/25(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/06(2020.01) G06F 113/06(2020.01) G06F 119/06(2020.01) G06F 119/08(2020.01) (56)对比文件 CN 110674965 A,2020.01.10 CN 109063915 A,2018.12.21 审查员 王辛畅 (54)发明名称 一种动态选择代表风电场 的短期区域风电 功率预测方法 (57)摘要 本发明公开了一种动态选择代表风电场 的 短期区域风电功率预测方法， 先获取区域内各个 风电场的数值天气预报数据， 然后对 数值天气预 报数据作初步的预处理， 并在时间段T内构建各 个风电场的特征序列， 之后以各个风电场在时间 段T内的特征序列的加权和为参考风电场的特征 序列， 再采用纵横交叉优化算法优化， 并根据参 考风电场的特征序列， 在每个时间段T内动态选 择代表风电场， 然后根据选择的代表风电场， 采 用GRU网络预测各个代表风电场的功率， 最后建 立深度学习的升尺度预测模型， 将各个代表风电 场的功率输入模型， 即可获得区域风电功率序 列。 该方法能够有效的提升区域内短期风电功率 的预测精度。 权利要求书3页 说明书8页 附图2页 CN 114169252 B 2022.11.29 CN 114169252 B 1.一种动态选择代表风电场的短期区域风电功率预测方法， 其特征在于， 包括以下步 骤： S1： 获取区域内各个风电场的数值天气预报数据； S2： 对数值天气预报数据作初步的预处理， 并在预测时间段内按相同的时间间隔划分 出若干个时间段T， 构建各个风电场在时间段T内的特 征序列； S3： 以各个风电场在时间段T内的特 征序列的加权和为 参考风电场的特 征序列； S4： 采用纵横交叉优化 算法优化 参考风电场的特 征序列； S5： 根据参 考风电场的特 征序列， 在每 个时间段T内动态选择代 表风电场； S51： 计算时间段T内各个风电场与参 考风电场的相关系数： 式中， Corri表示第i个风电场与参考风电场的相关系数， 表示第i个风电场在t ‑T 到t时刻的特征序列， 表示第i个风电场在t ‑T到t时刻的特征序列的均值， 表示 参考风电场在t ‑T到t时刻的特征序列， 表示参考风电场在t ‑T到t时刻的特征序列的 均值； S52： 根据计算得到的相关系数， 使各个风电场按相关系数从大到小的顺序进行排列， 选取排序后的前k个风电场为时间段T内的代表风电场， 其中， k<m， m为区域内风电场的总 数， 且k个风电场的装机容 量和占区域 风电总装机容 量的30％～70％； S6： 根据选择的代 表风电场， 采用GRU网络预测各个代 表风电场的功率； S7： 建立深度学习的升尺度预测模型， 将GRU网络预测得到的各个代表风电场的功率输 入训练好的预测模型中进行 预测， 获得区域 风电功率序列。 2.根据权利要求1所述的短期区域 风电功率预测方法， 其特 征在于， 在步骤 S2中， 对数据的预处 理及构建特 征序列的具体过程如下： S21： 对于数值天气预报数据中存在的异常值， 采用前后时刻的平均值 替代； S22： 对所有数据做mi n‑max归一化处理； S23： 构建各个风电场在时间段T内的特 征序列如下： 式 中 ， 表 示 区 域 内 第 m 个 风 电 场 在 t ‑T 到 t 时 刻 的 特 征 序 列 ， 为t‑T到t时刻第m个风电场在30米、 70米、 100米的预报风速， 为t‑T到t时刻第m个风电场在30米、 70米、 100米的预报风向， 为t‑T到t时刻第m个风电场在2米处的预报温度， 为t‑T到t时刻第m个风 电场的预报动量 通量。 3.根据权利要求2所述的短期区域风电功率预测方法， 其特征在于， 步骤S3中， 以各个 风电场在时间段T内的特 征序列的加权和为 参考风电场的特 征序列， 关系表达式如下：权　利　要　求　书 1/3 页 2 CN 114169252 B 2式中， 表示参考风电场在t ‑T到t时刻的特征序列， αm表示第m个风电场在t ‑T到t时 刻的特征序列的权值。 4.根据权利要求3所述的短期区域风电功率预测方法， 其特征在于， 步骤S4中， 采用纵 横交叉优化 算法优化 参考风电场的特 征序列的具体步骤如下： S41： 以参考风电场的特征序列与区域内各个风电场的特征序列的欧式距离最小为纵 横交叉优化 算法的目标函数； S42： 以α1、 α2···αm为纵横交叉优化算法的优化参数构成种群H， 确立参数的边界条 件， 其中边界条件为； S43： 执行纵向交叉， 得到 子种群Qvc， 利用目标函数， 更新种群H； S44： 执行横向交叉， 得到 子种群Qhc， 利用目标函数， 更新种群H； S45： 根据设定 的迭代次数， 往复执行步骤S43和步骤S44， 达到设定的迭代次数则停止 迭代。 5.根据权利要求4所述的短期区域风电功率预测方法， 其特征在于， 步骤S41中， 纵横交 叉优化算法的目标函数为： 式中， fobj为优化目标， 为寻优所得的参考风电场的特 征序列。 6.根据权利要求5所述的短期区域 风电功率预测方法， 其特 征在于， 步骤 S43中， 纵向交叉的更新包括以下步骤： S431： 对种群H的每一维度进行归一 化； 式中， H(i,d)为种群H中粒子H(i)第d维的值， H(:,d)max为种群H第d维的最大值， H(:, d)min为种群H第d维的最小值， N 为种群的维度数； S432： 根据纵向交叉公式， 对种群H进行纵向交叉操作,得到 子种群Qvc； Qvc(i,d1)＝rand() ×H(i,d1)+[1‑rand()]×H(i,d2),d1,d2∈[1,N] 式中， rand()为[0,1]的随机数， Qvc(i,d1)为种群H的第d1、 d2维交叉的结果； S433： 对得到的Qvc(i,d1)进行反归一 化： Qvc(i,d1)＝Qvc(i,d1)×(H(:,d1)max‑H(:,d1)min)+H(:,d1)min S434： 根据Qvc(i)更新种群H， 更新公式如下： H＝Gbest←min[fobj(H(i)),fobj(Qvc(i))] 式中， Gbest为粒子H(i)和粒子Qvc(i)根据目标函数计算出的粒子 。 7.根据权利要求6所述的短期区域 风电功率预测方法， 其特 征在于， 步骤权　利　要　求　书 2/3 页 3 CN 114169252 B 3