(19)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 202111619538.7 (22)申请日 2021.12.27 (71)申请人 上海电力大 学 地址 201306 上海市浦东 新区沪城环路 1851号 (72)发明人 余光正　刘承全　汤波　陆柳　 沈凌旭　胡越　崔朝越　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 专利代理师 彭瑶 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06F 113/06(2020.01) G06F 119/06(2020.01) (54)发明名称 一种区域 风电集群的短期功率预测方法 (57)摘要 本发明涉及一种区域风电集群的短期功率 预测方法， 包含时空多重相似性计算和改进神经 网络构建两方面， 考虑时空相关性的动态特性， 从长、 短时间尺度计算风电场的空间相关程度， 对分类出的强时空相关的子集群， 建立了基于点 云输入的改进混合神经网络短期预测模型实现 子集群的短期功率预测； 其中建立了基于改进 I‑ CNN‑BILSTM混合神经网络的时空相 关性集群短 期功率预测模 型， 并将所有时空相关子集群的短 期功率预测结果累加， 得到待预测时段的区域风 电短期功率预测结果。 与现有技术相比， 本发明 具有提高预测精度等优点。 权利要求书3页 说明书11页 附图3页 CN 114444378 A 2022.05.06 CN 114444378 A 1.一种区域 风电集群的短期功率预测方法， 其特 征在于， 包括下列步骤： 1)获取区域风电场历史年功率数据， 构成以天为单位的风电场日功率样本集， 对日功 率样本集进行相似性聚类， 提取风电场在长期尺度下 的日功率 曲线典型形态， 并将不同的 功率曲线形态特 征定义为不同日功率模式； 2)根据年功率数据 形成日功率模式序列， 建立不同风电场日功率模式序列的分类矩阵 Q， 统计分类矩阵中不同风电场联合模式的概率分布形成估计概率矩阵P并计算估计概率矩 阵的熵值， 根据熵值大小将区域多风电场分类成长期出力模式相似的主集群； 3)提取主集群中各风电场在预测时刻前的历史短期功率数据， 划分并识别功率波动段 类型， 采用波动趋势相似距离求解波动趋势相似性， 进而聚类出在短期内波动趋势强相关 的子集群； 4)提取子集群多风电场的历史气象数据和空间坐标数据构 成输入特征矩阵， 建立基于 改进I‑CNN‑BILSTM混合神经网络的短期功率预测模型； 5)初始化神经网络 权值， 设定最大迭代次数； 6)构建基于点云输入的点卷积神经网络， 将特征矩阵输入点卷积神经网络 中进行全局 特征和局部特征的提取； 7)将点CNN网络提取到的特征输入结合SSA算法的改进Attention机制中， 将神经网络 模型的过渡特征向量赋予不同的权重， 将经过权重分配的过渡特征向量按时间步输入至 BILSTM层， 输出改进I ‑CNN‑BILSTM混合神经网络的训练结果， 读取训练损失曲线和误差曲 线， 根据收敛过程中训练集和验证集的损失曲线纵向间距， 以及绝对误差的大小， 进而评估 网络预测结果收敛性能； 8)判断当前迭代次数是否达到设定迭代次数， 若达到， 则迭代终止， 输出混合神经网络 参数， 否则， 令迭代次数加一， 并转到步骤4)； 9)利用上述步骤训练完成的改进I ‑CNN‑BILSTM网络进行对应子集群的短期风电功率 预测， 获取子集群的预测功率； 10)判断当前是否已完成所有子集群的功率预测， 若达到， 则进行步骤11)， 否则， 转到 步骤4)对剩余子集群进行 预测； 11)对所有子集群的功率预测值进行叠加计算， 得到区域总体的风电功率预测结果。 2.根据权利要求1所述的区域风电集群的短期功率预测方法， 其特征在于， 步骤1)中， 采用ACFSFD P算法对日功率样本集进行相似性聚类。 3.根据权利要求2所述的区域风电集群的短期功率预测方法， 其特征在于， 采用 ACFSFDP算法对日功率样本集进行相似性聚类的具体步骤 包括： 11)将归一化的历史风电功率数据形成以天为单位的样本集， 计算样本的局部密度ρi、 拓扑关系和距离 δi； 12)将样本局部密度ρi与距离δi的乘积组成综合评价指标γ， 并依据该综合评价指标选 择聚类中心； 13)建立用以确定最优聚类簇数的自适应指标FK， 逐步增加聚类中心数， 将自适应指标 出现的唯一 最大峰值对应的聚类中心数目减一， 作为 最佳聚类簇数。 4.根据权利要求1所述的区域风电集群的短期功率预测方法， 其特征在于， 步骤2)的具 体步骤包括：权　利　要　求　书 1/3 页 2 CN 114444378 A 221)将风电场历史一年的日功率数据按照步骤1)的聚类结果形成日功率模式序列， 利 用区域所有风电场的多组日功 率模式序列构成分类矩阵Q， 矩阵行向量为对应风电场在N 天 的日功率模式序列， 矩阵的第k列向量表示 不同风电场日功率曲线的联合模式； 22)统计分类矩阵Q中各联合模式出现的概率， 形成估计概率矩阵P， 估计概率矩阵P的 元素pij代表Q中各列出现(i,j)T的概率， 计算估计概率矩阵的熵值H＝ ‑∑pijln(pij)， 将熵 值H小于设定阈值Hmin的风电场归属于同一集群； 并根据 熵值大小将区域多风电场分类成长 期出力模式相似的主集群。 5.根据权利要求1所述的区域风电集群的短期功率预测方法， 其特征在于， 步骤3)中， 采用波动趋势相似距离求 解波动趋势相似性的具体步骤 包括： 31)制定描述功率波动的特征参数， 包括反映功率变化趋势的波动率St、 反映功率波动 的剧烈程度的波动标准差B、 反映功 率波动的频繁程度的波动度W和反映实际出力数值大小 的高功率占比Qh、 低功率占比Ql； 32)提取风电场在预测时刻前三天的历史短期功率序列， 根据波动参数将功率时间序 列划分为多个不同类型的波动段， 包括稳定功 率波动、 爬坡功 率波动、 振荡功 率波动和峰谷 功率波动， 分别定义为a类、 b类、 c类和d类波动， 并将功率时间序列转化为波动类型序列ZP ＝{z1,…,zi,…}， 其中zi∈{a,b,c,d}； 33)由主集群中所有 风电场的波动类型序列 构成波动类 型矩阵Z， 对于功率时间序列 P1、 P2， 其波动类型序列为 和 其中zi,zj∈{a,b,c, d}， 计算波动类型匹配距离d(zi,zj)： 波动类型匹配距离形成两波动序列的距离矩阵Dk×l和累计矩阵R＝{r(i,j)}k×l Dk×l＝{d(zi,zj)}k×l,i＝1,2,…k.j＝1,2, …l 式中r(0,0)＝0,r(i,0)＝r(0,j)＝ ∞； 不同波动类型序列的波动趋势相似距离为 设定距离最小阈值 Lmin， 由距离L小于阈值的序列聚类为波动趋势相 似序列簇， 所对应的风电场群为兼顾长期 出力模式和短期出力波动相似性的时空相关性子集群。 6.根据权利要求1所述的区域风电集群的短期功率预测方法， 其特征在于， 所述历史气 象数据包括 风速、 风向、 温度和历史功率序列， 所述空间坐标 数据包括经度、 纬度和海拔。 7.根据权利要求6所述的区域风电集群的短期功率预测方法， 其特征在于， 基于改进I ‑ CNN‑BILSTM混合神经网络的风电集群短期功率预测模型的具体内容 为： a)利用点CN N神经网络提取集群局部与全局空间特 征； b)利用结合S SA算法的改进A ttention机制实现时序间的权 重分配；权　利　要　求　书 2/3 页 3 CN 114444378 A 3