本发明提出一种基于单风机建模的短期功率预测方法及系统，采用模糊C均值聚类的方法将风电场风机群划分为k类风机组；获得场内k类风机组质心处的气象因素；根据气象因素和实际风速、实际功率，建立每类风电机组的功率预测模型，得到其预测功率；以每类风电机组的功率预测值为基础进行组合预测，对权重系数进行遍历，获取最优权重，得到整个风电场的功率预测值。本发明考虑了决定风电场风速特性的风机分布和海拔高度因素，采用模糊C均值聚类的方法将风机群进行区域划分，并分区建模，最后将各区域预测功率进行组合预测，得到全场预测功率，经实际测试，该方法稳定、可靠，可以明显提高预报准确度。
1.一种基于单风机建模的短期功率预测方法，其特征在于，包括：S1、采用模糊C均值聚类的方法将风电场风机群划分为k类风机组；
步骤S1中划分k类风机组的具体方法包括：S101、获取风电场各风机的经度、纬度和海拔高度信息，并以风电场中心点为原点建立直角坐标系，根据风电场中心坐标和风机经纬度坐标信息，转换成直角坐标系中的位置信息，即距风电场中心的横向距离和纵向距离，进行归一化处理成代表风机分布特征的数据集；
S102、对聚类质心进行初始化处理，即随机分配确定隶属度矩阵；
S103、计算每个聚类簇的质心，并将数据样本并入与之欧氏距离最短的那个质心的簇内；
S104、计算聚类中心和隶属度，更新聚类中心和簇隶属度，判断新的聚类中心与原聚类中心是否相等，若相等，则迭代结束；若不相等，回到S103，继续迭代，直到计算结果收敛，即聚类中心不再变动；
S105、记录聚类中心，并将其特征转换成经纬度坐标；
S106、记录各簇所包含的风点机组的编号，每个簇的风机划分成一个区域；
S2、根据聚类中心的经纬度坐标，将高精度ＮＷＰ数据，通过空间双线性插值方法，得到场内k类风机组质心处的气象因素；
S3、基于风机数据，将每类风电机组的风机风速的平均值作为该区域的实测风速，风机功率的总和作为该区域的实际功率；
S4、根据S2中提供的气象因素和S3中提供的实际风速、实际功率，建立每类风电机组的功率预测模型，得到其预测功率；
S5、以每类风电机组的功率预测值为基础进行组合预测，对权重系数进行遍历，获取最优权重，得到整个风电场的功率预测值；
步骤S4所述功率预测模型的建立方法包括：S401、将S2中提供的气象因素作为特征量，以及S3中提供的实际风速作为标签，调用LASSO回归模型，网格搜索自动进行参数寻优，建立各类风机组的NWP‑风速预测模型，得到预测风速；
S402、将S2中提供的气象因素与S401中构建的预测风速一起作为特征量，以及S3中提供的实际功率作为标签，调用LASSO回归模型，网格搜索自动进行参数寻优，建立各类风机组的NWP‑功率预测模型。
2.根据权利要求1所述的基于单风机建模的短期功率预测方法，其特征在于，步骤S3所述风机数据为经过预处理的风机数据，所述预处理过程包括：S301、根据风机状态数据，将停电检修、限电时段的异常数据直接剔除；
S302、将连续3个以及3个以上相同的数值进行剔除；
3.根据权利要求1所述的基于单风机建模的短期功率预测方法，其特征在于，步骤S5所述最优权重的获取方法包括：
S501、将各类风机组的预测功率按照风机容量与全场装机容量的比例归算至全场功率，获得k组功率预测结果；
S502、k组功率预测结果，权重系数设置为0 1.2，间隔为0.01；
S503、对权重系数遍历，进行组合预测，且每组权重系数总和的范围为0.85 1.15；
S504、采用偏差作为平均组合预测模型的性能的指标，根据偏差公式计算不同组合预测的误差；
其中，n为样本个数， 为实测功率， 为组合预测功率；
S505、将误差最小值所对应的权重系数作为模型参数保存。
4.一种基于单风机建模的短期功率预测系统，其特征在于，包括：聚类模块，用于采用模糊C均值聚类的方法将风电场风机群划分为k类风机组；其中聚类模块包括：分布特征模块，用于获取风电场各风机的经度、纬度和海拔高度信息，并以风电场中心点为原点建立直角坐标系，根据风电场中心坐标和风机经纬度坐标信息，转换成直角坐标系中的位置信息，即距风电场中心的横向距离和纵向距离，进行归一化处理成代表风机分布特征的数据集；初始化模块，用于对聚类质心进行初始化处理，即随机分配确定隶属度矩阵；质心计算模块，用于计算每个聚类簇的质心，并将数据样本并入与之欧氏距离最短的那个质心的簇内；聚类中心模块，用于计算聚类中心和隶属度，更新聚类中心和簇隶属度，判断新的聚类中心与原聚类中心是否相等，若相等，则迭代结束；若不相等，回到S103，继续迭代，直到计算结果收敛，即聚类中心不再变动；坐标转换模块，用于记录聚类中心，并将其特征转换成经纬度坐标；区域划分模块，用于记录各簇所包含的风点机组的编号，每个簇的风机划分成一个区域；
气象数据模块，用于根据聚类中心的经纬度坐标，将高精度ＮＷＰ数据，通过空间双线性插值方法，得到场内k类风机组质心处的气象因素；
风机数据模块，基于风机数据，将每类风电机组的风机风速的平均值作为该区域的实测风速，风机功率的总和作为该区域的实际功率；
预测模块，用于根据气象数据模块提供的气象因素和风机数据模块提供的实际风速、实际功率，建立每类风电机组的功率预测模型，得到其预测功率；
组合预测模块，以每类风电机组的功率预测值为基础进行组合预测，对权重系数进行遍历，获取最优权重，得到整个风电场的功率预测值；
风速预测单元，用于将气象数据模块提供的气象因素作为特征量，以及将风机数据模块提供的实际风速作为标签，调用LASSO回归模型，网格搜索自动进行参数寻优，建立各类风机组的NWP‑风速预测模型，得到预测风速；
功率预测单元，将气象数据模块提供的气象因素与风速预测单元构建的预测风速一起作为特征量，以及将风机数据模块提供的实际功率作为标签，调用LASSO回归模型，网格搜索自动进行参数寻优，建立各类风机组的NWP‑功率预测模型。
5.根据权利要求4所述的基于单风机建模的短期功率预测系统，其特征在于，所述风机数据模块包括预处理单元，所述预处理单元用于风机数据的预处理，根据风机状态数据，将停电检修、限电时段的异常数据直接剔除；将连续3个以及3个以上相同的数值进行剔除；对不合理数据进行剔除。
6.根据权利要求4所述的基于单风机建模的短期功率预测系统，其特征在于，所述组合预测模块包括最优权重单元，用于：将各类风机组的预测功率按照风机容量与全场装机容量的比例归算至全场功率，获得k组功率预测结果；
k组功率预测结果，权重系数设置为0 1.2，间隔为0.01；
对权重系数遍历，进行组合预测，且每组权重系数总和的范围为0.85 1.15；
采用偏差作为平均组合预测模型的性能的指标，根据偏差公式计算不同组合预测的误差；
其中，n为样本个数， 为实测功率， 为组合预测功率；
一种基于单风机建模的短期功率预测方法及系统
技术领域
[0001] 本发明属于新能源风力发电领域，特别是涉及到一种基于单风机建模的短期功率预测方法及系统。
背景技术
[0002] 大规模风电接入对系统调峰的影响尤为突出，系统调峰问题己成为影响电网接纳风电能力的主要因素之一，而导致调峰问题的主要原因是风电的的随机波动性和不可控
性，无法预知未来风电出力的大小和变化趋势，造成电力系统运行人员无法应对剧烈的风
电波动而快速准确地做出调度控制和电力交易的决策响应。因此，对风电功率进行准确的
预测，能够有效缓解大规模风电并网给电力系统运行带来的强不确定性，可以提高风电在
电力市场中的竞争力，具有十分重要的意义。
[0003] 按照预测模型的特点可以将风电功率预测方法划分为物理方法、统计学习方法和组合方法。传统的预测方法因考虑因素单一，精度的提升空间有限，在这种预测过程中仅考
虑了有限的信息源，使预测方法相对容易实现，但是这些方法忽略了风电场区域内的地理
地形、气象、环境以及风电机组之间的空间相关关系等因素的影响，尤其是大型风电场或复
杂地形风电场的覆盖范围大，或地形复杂，地势起伏，造成风电场内各处风速与风向变化
大，一般情况下，山顶和山丘上的风要比山背处和背风山谷中的风大得多，因此，在进行风
功率建模时应充分考虑地形对风的影响；因此风电功率预测方法有待于进一步完善和扩
充，预测精度也有待于进一步提高。
发明内容
[0004] 本发明提出一种基于单风机建模的短期功率预测方法及系统，既减少单风机的不确定性和复杂性，又充分考虑场内的不同风特性，功率预测精度得到明显改进。
[0005] 为达到上述目的，本发明的技术方案是这样实现的：
[0006] 一种基于单风机建模的短期功率预测方法，包括：
[0007] S1、采用模糊C均值聚类的方法将风电场风机群划分为k类风机组；
[0008] S2、根据聚类中心的经纬度坐标，将高精度ＮＷＰ数据，通过空间双线性插值方法，得到场内k类风机组质心处的气象因素；
[0009] S3、基于风机数据，将每类风电机组的风机风速的平均值作为该区域的实测风速，风机功率的总和作为该区域的实际功率；
[0010] S4、根据S2中提供的气象因素和S3中提供的实际风速、实际功率，建立每类风电机组的功率预测模型，得到其预测功率；
[0011] S5、以每类风电机组的功率预测值为基础进行组合预测，对权重系数进行遍历，获取最优权重，得到整个风电场的功率预测值。
[0012] 进一步的，步骤S1中划分k类风机组的具体方法包括：
[0013] S101、获取风电场各风机的经度、纬度和海拔高度信息，并以风电场中心点为原点建立直角坐标系，根据风电场中心坐标和风机经纬度坐标信息，转换成直角坐标系中的位
置信息，即距风电场中心的横向距离和纵向距离，进行归一化处理成代表风机分布特征的
数据集；
[0014] S102、对聚类质心进行初始化处理，即随机分配确定隶属度矩阵；
[0015] S103、计算每个聚类簇的质心，并将数据样本并入与之欧氏距离最短的那个质心的簇内；
[0016] S104、计算聚类中心和隶属度，更新聚类中心和簇隶属度，判断新的聚类中心与原聚类中心是否相等，若相等，则迭代结束；若不相等，回到S103，继续迭代，直到计算结果收
敛，即聚类中心不再变动；
[0017] S105、记录聚类中心，并将其特征转换成经纬度坐标；
[0018] S106、记录各簇所包含的风点机组的编号，每个簇的风机划分成一个区域。
[0019] 进一步的，步骤S3所述风机数据为经过预处理的风机数据，所述预处理过程包括：
[0020] S301、根据风机状态数据，将停电检修、限电时段的异常数据直接剔除；
[0021] S302、将连续3个以及3个以上相同的数值进行剔除；
[0022] S303、对不合理数据进行剔除。
[0023] 优选的，步骤S4所述功率预测模型的建立方法包括：
[0024] S401、将S2中提供的气象因素作为特征量，以及S3中提供的实际风速作为标签，调用LASSO回归模型，网格搜索自动进行参数寻优，建立各类风机组的NWP‑风速预测模型，得
到预测风速；
[0025] S402、将S2中提供的气象因素与S401中构建的预测风速一起作为特征量，以及S3中提供的实际功率作为标签，调用LASSO回归模型，网格搜索自动进行参数寻优，建立各类
风机组的NWP‑功率预测模型。
[0026] 进一步的，步骤S5所述最优权重的获取方法包括：
[0027] S501、将各类风机组的预测功率按照风机容量与全场装机容量的比例归算至全场功率，获得k组功率预测结果；
[0028] S502、k组功率预测结果，权重系数设置为0 1.2，间隔为0.01；~
[0029] S503、对权重系数遍历，进行组合预测，且每组权重系数总和的范围为0.85 1.15；~
[0030] S504、采用偏差作为平均组合预测模型的性能的指标，根据偏差公式计算不同组合预测的误差；
[0031]
[0032] 其中，n为样本个数， 为实测功率， 为组合预测功率；
[0033] S505、将误差最小值所对应的权重系数作为模型参数保存。
[0034] 本发明另一方面还提供了一种基于单风机建模的短期功率预测系统，包括：
[0035] 聚类模块，用于采用模糊C均值聚类的方法将风电场风机群划分为k类风机组；
[0036] 气象数据模块，用于根据聚类中心的经纬度坐标，将高精度ＮＷＰ数据，通过空间双线性插值方法，得到场内k类风机组质心处的气象因素；
[0037] 风机数据模块，基于风机数据，将每类风电机组的风机风速的平均值作为该区域的实测风速，风机功率的总和作为该区域的实际功率；
[0038] 预测模块，用于根据气象数据模块提供的气象因素和风机数据模块提供的实际风速、实际功率，建立每类风电机组的功率预测模型，得到其预测功率；
[0039] 组合预测模块，以每类风电机组的功率预测值为基础进行组合预测，对权重系数进行遍历，获取最优权重，得到整个风电场的功率预测值。
[0040] 进一步的，聚类模块包括：
[0041] 分布特征模块，用于获取风电场各风机的经度、纬度和海拔高度信息，并以风电场中心点为原点建立直角坐标系，根据风电场中心坐标和风机经纬度坐标信息，转换成直角
坐标系中的位置信息，即距风电场中心的横向距离和纵向距离，进行归一化处理成代表风
机分布特征的数据集；
[0042] 初始化模块，用于对聚类质心进行初始化处理，即随机分配确定隶属度矩阵；
[0043] 质心计算模块，用于计算每个聚类簇的质心，并将数据样本并入与之欧氏距离最短的那个质心的簇内；
[0044] 聚类中心模块，用于计算聚类中心和隶属度，更新聚类中心和簇隶属度，判断新的聚类中心与原聚类中心是否相等，若相等，则迭代结束；若不相等，回到S103，继续迭代，直
到计算结果收敛，即聚类中心不再变动；
[0045] 坐标转换模块，用于记录聚类中心，并将其特征转换成经纬度坐标；
[0046] 区域划分模块，用于记录各簇所包含的风点机组的编号，每个簇的风机划分成一个区域。
[0047] 进一步的，所述风机数据模块包括预处理单元，所述预处理单元用于风机数据的预处理，根据风机状态数据，将停电检修、限电时段的异常数据直接剔除；将连续3个以及3
个以上相同的数值进行剔除；对不合理数据进行剔除。
[0048] 优选的，所述预测模块包括：
[0049] 风速预测单元，用于将气象数据模块提供的气象因素作为特征量，以及将风机数据模块提供的实际风速作为标签，调用LASSO回归模型，网格搜索自动进行参数寻优，建立
各类风机组的NWP‑风速预测模型，得到预测风速；
[0050] 功率预测单元，将气象数据模块提供的气象因素与风速预测单元构建的预测风速一起作为特征量，以及将风机数据模块提供的实际功率作为标签，调用LASSO回归模型，网
格搜索自动进行参数寻优，建立各类风机组的NWP‑功率预测模型。
[0051] 进一步的，所述组合预测模块包括最优权重单元，用于：
[0052] 将各类风机组的预测功率按照风机容量与全场装机容量的比例归算至全场功率，获得k组功率预测结果；
[0053] k组功率预测结果，权重系数设置为0 1.2，间隔为0.01；~
[0054] 对权重系数遍历，进行组合预测，且每组权重系数总和的范围为0.85 1.15；~
[0055] 采用偏差作为平均组合预测模型的性能的指标，根据偏差公式计算不同组合预测的误差；
[0056]
[0057] 其中，n为样本个数， 为实测功率， 为组合预测功率；
[0058] 将误差最小值所对应的权重系数作为模型参数保存。
[0059] 与现有技术相比，本发明具有如下的有益效果：
[0060] 本发明考虑了决定风电场风速特性的风机分布和海拔高度因素，采用模糊C均值聚类的方法将风机群进行区域划分，并分区建模，最后将各区域预测功率进行组合预测，得
到全场预测功率，既能减少单风机的不确定性和复杂性，又能充分考虑场内的不同风机特
性，经实践验证，该方法稳定、可靠，功率预测精度得到明显改进。
附图说明
[0061] 图1是本发明实施例的流程示意图；
[0062] 图2是本发明实施例中空间双线性插值的示意图；
[0063] 图3是全场数据建模方法和本发明实施例的的单机分区预测方法的结果对比图。
具体实施方式
[0064] 需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0065] 为使本发明专利的目的、特征更明显易懂，下面结合附图对本发明专利的具体实施方式作进一步的说明。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，
仅用以方便、明晰地辅助说明本发明专利实施例的目的。
[0066] 在模糊C均值聚类算法中，聚类的定义或者界限是模糊的，每个数据点对每个簇都存在一个隶属度，并且每个数据点对所有簇的隶属度之和为1。本发明的设计思想为采用模
糊 C 均值聚类的方法将风电场的风机群进行场内区域划分，依据高精度数值天气预报数
据（NWP）和风机轮毂风速、风机发电功率的历史数据进行场内各区域的风电功率预测，将各
区域的预测值进行组合预测得到整场的功率预测。
[0067] 如图1所示，本发明的具体内容如下：
[0068] 1、采用模糊C均值聚类的方法将风电场风机群划分为k类风电机组；
[0069] （1）获取风电场各风机的经度、纬度和海拔高度信息ht(t=1,2,3,...,n,n为风机个数)，并以风电场中心点为原点建立直角坐标系，根据风电场中心坐标和风机经纬度坐标
信息，转换成直角坐标系中的位置信息，即距风电场中心的横向距离lt和纵向距离mt,进行
归一化处理成代表风机分布特征的数据集X={x1,x2,...,xt}；
[0070]
[0071]
[0072] （2）对 k个聚类质心进行初始化处理，即随机分配确定隶属度矩阵uij；
[0073]
[0074] Cj为每个类的聚类中心，uij为隶属度矩阵，反映了样本Xi属于簇Cj的程度，与样本Xi离Cj质心（聚类中心）的距离成反比， 代表欧式距离。m为模糊参数，通常取值m=2。J为模
糊C 均值聚类的判别函数,即目标函数。
[0075] （3）使用上述公式计算每个聚类簇的质心，并将数据样本并入与之欧氏距离最短的那个质心的簇内（记录其数据样本编号）
[0076] （4）计算聚类中心Cj和隶属度uij，更新聚类中心Cj和簇隶属度uij。判断新的聚类中心与原聚类中心是否相等。若相等，则迭代结束；若不相等，回到第（3）步，继续迭代，直到计
算结果收敛，即聚类中心不再变动。
[0077] （5）记录k个聚类中心，并将其特征转换成经纬度坐标；
[0078] （6）记录k个簇所包含的风点机组的编号，每个簇的风机划分成一个区域。
[0079] 2、根据聚类中心的经纬度坐标，将高精度ＮＷＰ网格数据，通过空间双线性插值方法，得到场内k类风机组质心处的气象因素10米层、100米层风速、温度、气压、湿度和风
向；
[0080] 空间双线性插值过程如下，如图2所示，假设风机组质心P的坐标为（x, y），已知Q12（x1, y2），Q22（x2, y2），Q11（x1, y1），Q21（x2, y1）为距质心最近的四个网格点，网格
点的气象要素值为z=f(x, y)，则：
[0081] 第一步，求气象要素在R1和R2处的插值z1和z2：
[0082]
[0083] 第二步，求气象要素在P处的插值z：
[0084]
[0085] 3、风机数据预处理：
[0086] （1）根据风机状态数据，将停电检修、限电时段的异常数据直接剔除；
[0087] （2）将连续3个以及3个以上相同的数值进行剔除；
[0088] （3）对不合理数据进行剔除，（如：风机功率大于风机容量或小于0，对于风速一般大于40米/秒，或小于0米/秒）。
[0089] 4、将场内每类风电机组的风机风速的平均值作为该区域的实测风速，风机功率的总和作为该区域的实际功率；
[0090] 5、根据2中提供的特征和4中提供的风速标签，调用LASSO回归模型，网格搜索自动进行参数寻优，建立场内各个区域的NWP‑风速预测模型，得到预测风速Vj；
[0091] 6、将2中提供的特征与5中构建的预测风速Vj一起作为特征量，以及4中提供的功率标签，调用LASSO回归模型，网格搜索自动进行参数寻优，建立场内各个区域的NWP‑功率
预测模型，得到各区域的预测功率Pj(j=1，2…，k)；
[0092] 7、以场内各区域的功率预测值Pj为基础进行组合预测，对权重系数进行遍历，获取最优权重，得到整个风电场的功率预测值
[0093] (1)将各个区域的预测功率按照风机容量与全场装机容量的比例归算至全场功率，获得k组功率预测结果
[0094] ,
[0095] 其中，Capi为第i台风机的装机容量， 为各区域预测功率折算至全场功率的系数。
[0096] (2)k组功率预测结果，权重系数fj设置为0~1.2，间隔为0.01；
[0097] (3)对权重系数遍历，进行组合预测，且每组权重系数总和的范围为0.85 1.15，即~
[0098]
[0099] (4)本专利采用偏差（ERR）作为平均组合预测模型的性能的指标，偏差公式如下，根据偏差公式计算不同组合预测的误差；
[0100]
[0101] 其中，n为样本个数， 为实测功率， 为组合预测功率。
[0102] (5)将误差最小值所对应的权重系数作为模型参数保存。
[0103] 根据上述方案，针对甘肃某风电场，开机容量为200MW，分别采用全场数据建模方法和本专利提供的单机分区预测方法进行预测，对比结果如图3所示，2020年10月14日至
2020年10月24日的预测精度分别为88.1%和89.6%，可见，单机分区预测方法效果显著。
[0104] 预测精度计算公式如下：
[0105]
[0106] 其中，PMi为实际功率，PPi为预测功率，Cap为开机容量，N为样本个数。
[0107] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
