一種混合風力發電的預測方法及系統的制作方法
【專利摘要】本發明公開一種混合風力發電的預測方法及系統，該混合風力發電的預測方法包括：獲取風電場的風向、風速及對應的風電輸出功率的歷史數據，并對歷史數據進行抽樣得到樣本數據；對樣本數據的統計特性進行判斷分析，獲取風頻集中且風電輸出功率差異達到差異閾值的風向，并根據所獲取的風向及其與風速、風電輸出功率的對應關系采用模糊層次聚類法，將樣本數據劃分為三類；采用神經網絡算法對每類樣本進行訓練，對應形成三類特定的風力發電預測模型，然后進行合并處理，建立用于對風力發電產能進行預測的混合風力發電預測模型。因此，通過實施本發明能夠實現對不同的風向、風速有針對性地進行模型預測，并且能夠提高風力發電功率的預測精度。
【專利說明】
一種混合風力發電的預測方法及系統
技術領域
[0001]本發明涉及風電功率預測的技術領域，特別涉及一種混合風力發電的預測方法及系統。
【背景技術】
[0002]風電廠在進行風力發電時，風電輸出功率不僅受到風速的影響，風向也是不可忽視的因素，但由于大氣壓強的作用，風速和風向都會隨時發生變化，因而風力發電機的輸出功率也具有波動性和隨機性等特點，這種功率輸出的波動性不利于區域電網整體運行的平穩性和安全性。因此，需要對風電輸出功率做出合理的預測，以方便電力運營部門進行有效的調度。
[0003]目前，在短期風力發電預測方面，主要采用物理模型預測和統計模型預測兩種方式。其中:
[0004]I)物理模型預測，主要是根據數值天氣預報系統的預測結果得到風速、風向、氣壓、氣溫等天氣數據，然后根據風電場周圍等高線、粗糙度、障礙物、溫度分層等信息計算得到風電機組輪轂高度的風速、風向等信息，最后根據風電場的功率曲線計算得到風電場的輸出功率。這里，對風電場所在地要進行物理建模，包括風場的地形、地表植被及粗糙度、周圍障礙物等，同時還要對風機本身的輪毅高度、功率曲線、機械傳動和控制策略等進行建模。另外該方法輸入的參數為數字氣象預報(NWP)模型。
[0005]但是，由于物理模型預測的物理模型等式缺少彈性的約束以及氣象預報更新頻率低等原因，使其不能適應短期的風力預測。另外，物理模型預測方法雖然不需要歷史數據，風電場投產就可以進行，但需要準確的NWP數據和風電場所在地的詳細信息，輸入參數較多，而且NWP數據的采集和處理也較為繁瑣。
[0006]2)統計模型預測，這種方法不考慮風速變化的物理過程，根據歷史統計數據找出天氣狀況與風電場出力的關系，然后根據實測數據和數值天氣預報數據對風電場輸出功率進行預測。這種方法的實質是在系統的輸入(NWP歷史統計數據、實測數據)和風電功率之間建一立個映射關系，通常為線性關系。這個關系可以用函數的形式表示出來，例如回歸分析法、指數平滑法、時間序列法、卡爾曼濾波法、灰色預測法等，都是基于線性模型的。這些模型通過捕捉數據中與時間和空間相關的信息來進行預測。
[0007]然而對于統計模型預測，所用數據單一，對短期或超短期的風電功率預測結果可以滿足精度要求。但對于更長時間的預測，預測結果精度往往是不夠的，而且需要長時間的測量數據和大量的數據處理工作及額外的訓練。另外，它對于突變信息處理不好，在訓練階段很少出現罕見天氣狀況，而且也很難準確預測。
【發明內容】
[0008]有鑒于此，本發明實施例的目的在于提出一種混合風力發電的預測方法及系統，能夠實現對不同的風向、風速有針對性地進行模型預測，并且能夠提高風力發電功率的預測精度。
[0009]進一步來講，該混合風力發電的預測方法包括:獲取風電場的風向、風速及對應的風電輸出功率的歷史數據，并對所述歷史數據進行抽樣得到樣本數據;對所述樣本數據的統計特性進行判斷分析，獲取風頻集中且風電輸出功率差異達到差異閾值的風向，并根據所獲取的風向及其與風速、風電輸出功率的對應關系采用模糊層次聚類法，將所述樣本數據劃分為三類;采用神經網絡算法對每類樣本進行訓練，對應形成三類特定的風力發電預測模型，將這三類特定的風力發電預測模型進行合并處理，建立用于對風力發電產能進行預測的混合風力發電預測模型。
[0010]可選地，在一些實施例中，上述的混合風力發電的預測方法還包括:獲取測試用的樣本數據，對所建立的混合風力發電預測模型進行調試;根據混合風力發電預測模型輸出的測試結果，對所述混合風力發電預測模型進行修正;其中，所述測試用的樣本數據從所述風電場的風向、風速及對應的風電輸出功率的歷史數據中抽樣得到。
[0011 ] 可選地，在一些實施例中，上述混合風力發電的預測方法還包括:利用所述混合風力發電預測模型，對風力發電廠的輸出產能進行測試;在進行預測時，判斷輸入數據的風向，根據所確定的風向，調用對應的風力發電預測模型計算所述風電場的風電輸出功率的預測值，輸出對應的測試結果。
[0012]可選地，在一些實施例中，所述混合風力發電預測模型的形成方式還包括:分別為所述三類特定的風力發電預測模型配置對應的樣本權重參數;根據每個預測模型的樣本權重參數，將根據風向建立的預測模型進行合并，建立混合風力發電預測模型。
[0013]可選地，在一些實施例中，上述的混合風力發電的預測方法還包括:對所述混合風力發電預測模型進行反復迭代，使所述混合風力發電預測模型逐漸收斂，直到輸出結果趨于穩定。
[0014]為實現上述方法，本發明實施例還提出一種混合風力發電的預測系統，該系統包括:
[0015]抽樣模塊，用于對所獲取的風電場的風向、風速及對應的風電輸出功率的歷史數據進行抽樣得到樣本數據；
[0016]分析模塊，用于對所述樣本數據的統計特性進行判斷分析，獲取風頻集中且風電輸出功率差異達到差異閾值的風向；
[0017]處理模塊，用于根據所獲取的風向及其與風速、風電輸出功率的對應關系采用模糊層次聚類法，將所述樣本數據劃分為三類；
[0018]模型初建模塊，用于采用神經網絡算法對每類樣本進行訓練，對應形成三類特定的風力發電預測模型；
[0019]混合處理模塊，用于將這三類特定的風力發電預測模型進行合并處理，形成用于對風力發電產能進行預測的混合風力發電預測模型。
[0020]可選地，在一些實施例中，上述混合風力發電的預測系統還包括:測試修正模塊，用于獲取測試用的樣本數據，對所建立的混合風力發電預測模型進行調試、修正及優化。
[0021]可選地，在一些實施例中，上述混合風力發電的預測系統還包括:數據輸入裝置，用于獲取測試數據;測試裝置，配置有所述混合風力發電預測模型，用于根據所獲取的測試數據，判斷輸入數據的風向，根據所確定的風向，調用所述混合風力發電預測模型中對應的風力發電預測模型，對風力發電廠的輸出產能進行測試;輸出裝置，用于獲取所述混合風力發電預測模型測試得到的所述風電場的風電輸出功率的預測值，并輸出對應的測試結果。
[0022]可選地，在一些實施例中，所述混合處理模塊還包括:參數配置單元，用于分別為所述三類特定的風力發電預測模型配置對應的樣本權重參數;合并處理單元，用于根據每個預測模型的樣本權重參數，將根據風向建立的預測模型進行合并，建立混合風力發電預測模型;迭代優化單元，用于對所述混合風力發電預測模型進行反復迭代，使所述混合風力發電預測模型逐漸收斂，直到趨于穩定。
[0023]可選地，在一些實施例中，所述混合風力發電預測模型進一步包括風向識別單元，用于判斷輸入數據的風向；模型調用單元，用于根據所確定的風向，調用所述混合風力發電預測模型中對應的風力發電預測模型，對風力發電廠的輸出產能進行測試。
[0024]相對于現有技術，本發明各實施例具有以下優點:
[0025]采用本發明實施例的技術方案后，通過對風電廠的風向、風速和風電輸出功率等歷史數據的統計分析，對風電場的風向、風速及風電輸出功率的歷史數據進行抽樣，得到樣本數據，通過模糊層次聚類法，依據風向將樣本數據分為三類，然后采用Hopfield神經網絡算法對每類樣本數據進行訓練，分別建立特征風向的風力發電預測模型，對三類預測模型進行合并處理，構建一個基于不同風向的混合風力發電預測模型。然后，利用所建立的混合風力發電預測模型，通過分析風電廠不同時期的風向特征，對風電廠的產能進行預測。對風電輸出功率進行預測過程中，同時考慮了風向和風力兩個方面的影響，并按照風向、風力與風電輸出功率的對應關系，將其進行模糊層次聚類。這樣，可以將一組有噪音冗余的采樣數據分成相應的幾份存在內在關聯性的樣本數據，再對這些樣本數據進行分別建模，不同類別數據的內在特征便能被不同的模型充分體現，從而對不同的風向、風速有針對性地進行模型預測。
[0026]另外，在進行預測時，先判斷輸入數據的風向，代入對應的預測模型中得到風電輸出功率的預測值，從而能精確地進行短期風電預測，提高風電功率預測的精度。
[0027]本發明實施例的更多特點和優勢將在之后的【具體實施方式】予以說明。
【附圖說明】
[0028]構成本發明實施例一部分的附圖用來提供對本發明實施例的進一步理解，本發明的示意性實施例及其說明用于解釋本發明，并不構成對本發明的不當限定。在附圖中:
[0029]圖1為本發明實施例提供的一種混合風力發電的預測方法流程示意圖；
[0030]圖2為本發明實施例中Hopfield神經網絡算法的工作原理示意圖；
[0031]圖3為本發明實施例中風力玫瑰圖和電力玫瑰圖的對比示意圖；
[0032]圖4為本發明實施例中樣本數據不同的別類之間的層次關聯關系示意圖；
[0033]圖5為本發明實施例中樣本數據的分類示意圖；
[0034]圖6為本發明實施例中不同模型的預測結果對比示意圖；
[0035]圖7為本發明實施例提供的一種混合風力發電的預測系統的組成示意圖；
[0036]圖8為本發明實施例中數據建模及修正裝置的組成示意圖。
【具體實施方式】
[0037]下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
[0038]需要說明的是，在不沖突的情況下，本發明實施例及實施例中的特征可以相互組入口 ο
[0039]由于風電輸出功率的同時受到風速和風向的影響，特別是在相同的風速下，不同風向下的風電輸出功率差距很大，因此，不考慮風向的傳統的單一預測模型誤差很大，有鑒于此，本發明提供一種綜合風向和風速這兩個因素的混合風電輸出功率預測模型，從而提高風力發電功率的預測精度。
[0040]下面結合附圖，對本發明的各實施例作進一步說明:
[0041 ] 方法實施例
[0042]參照圖1所示，其為本發明實施例提出的一種混合風力發電的預測方法流程示意圖，該混合風力發電的預測方法包括以下步驟:
[0043]S100:獲取風電場的風向、風速及對應的風電輸出功率的歷史數據，并對所述歷史數據進行抽樣得到樣本數據；
[0044]S102:對所述樣本數據的統計特性進行判斷分析，獲取風頻集中且風電輸出功率差異達到差異閾值的風向，并根據所獲取的風向及其與風速、風電輸出功率的對應關系采用模糊層次聚類法，將所述樣本數據劃分為三類；
[0045]S104:采用神經網絡算法對每類樣本進行訓練，對應形成三類特定的風力發電預測模型，將這三類特定的風力發電預測模型進行合并處理，建立用于對風力發電產能進行預測的混合風力發電預測模型。
[0046]本實施例中，預先建立混合風力發電預測模型，通過對風電廠的風向、風速和風電輸出功率等歷史數據的統計分析后發現，在高頻風向上對應著高輸出頻率，基于此，本實施例先對風電場的風向、風速及風電輸出功率的歷史數據進行抽樣，得到樣本數據，通過模糊層次聚類法，依據風向將樣本數據分為三類，然后采用Hopfield神經網絡算法對每類樣本數據進行訓練，分別建立特征風向的風力發電預測模型，對三類預測模型進行合并處理，構建一個基于不同風向的混合風力發電預測模型。然后，利用所建立的混合風力發電預測模型，通過分析風電廠不同時期的風向特征，對風電廠的產能進行預測。本實施例根據風向對輸入數據進行分類，在進行預測時，先判斷輸入數據的風向，代入對應的預測模型中得到風電輸出功率的預測值，從而能精確地進行短期風電預測，提高風電功率預測的精度。
[0047]需要指出的是，上述差異閾值可根據風力發電場的實際情況進行設置，用于篩選樣本數據的風向。
[0048]作為一種可選的實施方式，上述混合風力發電的預測方法還可包括以下步驟:
[0049]S106:獲取測試用的樣本數據，對所建立的混合風力發電預測模型進行調試；
[0050]S108:根據混合風力發電預測模型輸出的測試結果，對所述混合風力發電預測模型進行修正。
[0051]需要說明的是，所述測試用的樣本數據從所述風電場的風向、風速及對應的風電輸出功率的歷史數據中抽樣得到。
[0052]可選的是，基于以上任意一個實施例，上述混合風力發電的預測方法實施例還可以包括下面的步驟:
[0053]S110:利用所述混合風力發電預測模型，對風力發電廠的輸出產能進行測試；
[0054]S112:在進行預測時，判斷輸入數據的風向，根據所確定的風向，調用對應的風力發電預測模型計算所述風電場的風電輸出功率的預測值，輸出對應的測試結果。
[0055]本實施例中，依照風向的不同和特征對輸入數據進行分類建模，預測時，判斷分析輸入數據的風向，根據所確定的風向，將相應的數據代入對應的預測模型中，得到風電輸出功率的預測值，從而實現精確地短期風電預測。
[0056]上述各實施例中，通過先建立混合風力發電預測模型，然后利用混合風力發電預測模型根據短期風速、風向數據對風力發電進行預測。這里，為進一步解釋混合風力發電預測模型，下面對其形成過程作一下說明，上述步驟S104包括以下處理過程:
[0057]S1041:分別為所述三類特定的風力發電預測模型配置對應的樣本權重參數；
[0058]S1042:根據每個預測模型的樣本權重參數，將根據風向建立的預測模型進行合并，建立混合風力發電預測模型；
[0059]可選地，上述步驟S104中建立混合風力發電的預測模型的過程還可包括:
[0060]S1043:對所述混合風力發電預測模型進行反復迭代，使所述混合風力發電預測模型逐漸收斂，直到輸出結果趨于穩定。
[0061]例如:參照圖2，其為Hopfield神經網絡算法的工作原理示意圖，作為通用神經網絡系統的一種派生，算法本身獨立于數據之外，不同的數據通過算法的處理形成不同的模型，通過將篩選出來的三個不同類別的訓練集數據放入Hopfield神經網絡中進行訓練，會得出三類不同的預測模型。這些模型僅與其對應的數據集相關，進而可以通過之前的模糊聚類模型將另外30%的測試集數據按同樣的原理分為三類，將每一類測試集數據放入對應的模型中進行預測，便能得出相應的預測輸出功率。
[0062]如果需要判斷整體混合模型的預測精準度，則需要將三類不同模型的預測值與對應樣本的真實值作比較，求出其均方誤差，并將其按一定的權重加權便得到了整體的預測精準度。其中，各模型預測值均方誤差的權重由各類測試集數據占整體測試集數據的比重確定，從而增強模型的容錯能力和泛化能力，使得混合風力發電預測模型能夠更加的適應樣本外數據。另外，需要注意的一點是，在實際的預測過程中，若一新的樣本點被輸入模型，則通過模糊聚類判斷其為A類，則直接通過A類模型進行預測，并得出結果，本實施例通過權重的整合來衡量整個模型簇的整體效果。
[0063]與現有的風力發電預測模型相比，上述各實施例采用的混合風力發電預測模型能夠獲得更高的預測精度。下面對上述混合風力發電的預測方法實施例的優點作進一步分析說明，總的來講，上述實施例主要采用的是以下處理流程:
[0064]I)收集建模樣本數據
[0065]獲取風電廠風向、風速及風電輸出的歷史數據進行抽樣，得到樣本數據。對整個樣本的統計特性進行判斷，利用極坐標系繪制不同方向上的風頻，找出風頻最集中且風電輸出功率差異顯著的幾個方向來建立分類發電預測模型。
[0066]這里，由于風力發電輸出不僅僅關系到角度，也關系到風向，因此，通過將不同風向上的特定預測模型進行合并，能夠得到更精確的風力發現預測模型，即混合風力發電預測模型，該混合風力發電預測模型可通過區分不同風向，分別建立風速與輸出發電功率之間的關系。
[0067]2)樣本數據分類建模
[0068]為了建立風向、風速與輸出功率相對應的模型，需要將樣本進行劃分，否則重疊的樣本點將會影響每個模型的獨立性和準確性。因此，為了避免這個問題混合風力發電預測模型在進行模型建立前，先用模糊層次聚類法將樣本進行分類處理，為建立準確的模型打基礎。
[0069]上述實施例中，采用模糊層次聚類法進行數據挖掘，依據風向將樣本數據分為三類，其中每一層的高度代表了兩種類型數據空間之間的距離，距離越大表示兩種數據空間之間的邊界越明顯，可從結果中選擇邊界最明顯，具有最低一致性的幾類樣本組別。例如，可將樣本分為兩部分，70%的樣本用于訓練模型，30%的樣本用于測試模型;將選出的幾類具有明顯邊界的樣本組別導入Hopfield算法中，分別訓練出對應不同風向上的模型，再用剩余的30%的樣本對建立的模型進行測試。
[0070]上述實施例針對不同類別的樣本數據建立不同的預測模型，例如采用Hopfield神經網絡算法建立特定的風力發電預測模型，通過Hopf i e I d神經網絡算法對樣本特征的學習來建立起來的預測模型，不僅能夠反映風力發電輸出的短期波動，還能夠克服其他短期預測模型抗噪能力差的弱點。
[0071 ] 3)建立混合風力發電預測模型
[0072]根據每個模型的樣本權重，將前一步中建立的各個風向上預測模型進行合并，建立一個新的混合預測模型。將沒有進行模糊分級聚類處理的樣本導入到Hopfield模型中，成為原始預測模型。反復迭代混合預測模型和原始預測模型，使模型逐漸收斂，最后趨于穩定，將兩者的結果進行對比可以發現混合模型的精度更高。
[0073]4)進行預測
[0074]采用混合風力發電預測模型進行預測時，判斷輸入數據的風向，根據所確定的風向，調用對應的風力發電預測模型計算所述風電場的風電輸出功率的預測值，輸出對應的測試結果。
[0075]此處，結合一個實例，對上述混合風力發電的預測方法實施例進行一下舉例說明:
[0076]參照圖3，其為風力玫瑰圖和電力玫瑰圖的對比示意圖，通過風力玫瑰圖可以初步判斷東北、東南和西北方向上的風頻最大。就風向對于風力和電力輸出功率來說，來自東北方向的風力較大并且風電的輸出功率也較高;其次是來自西北和東南兩個方向的風，雖然這兩個方向的風力通常也較大，但其對應的輸出功率卻較小。因此，在建模時有必要將其分開考慮。那么，現在問題就來了，在訓練樣本中有一部分數據介于這三類不同的類別之間，無法直觀有效的對其進行區分。為了達到量化和客觀的效果，本實例采用模糊聚類的方法將訓練樣本按照其:風向、風力及輸出功率的對應關系分成三類，這里之所以選擇模糊層次聚類是因為在采用數據中我們發現不僅某些樣本點它介于兩種不同的類別之間難以區分，而且不同的別類之間也存在著層次關聯，如圖4所示。通過模糊層次聚類，可以判斷每個樣本點究竟屬于哪一類，并且類與類之間的關聯程度如何，這樣原來的訓練樣本就被有效的分成了不同的類別。如圖5所示，將這些樣本點按類別的不同提出來，便得到三組新的樣本，并且每一類樣本數據都對應著一種特定的、合理的風電輸入輸出關系，進而可通過對這三組數據建立回歸模型，得到基于不同風速和風向的風電預測模型。
[0077]參照圖6，其為混合風力發電預測模型與混合處理之前的原始模型的預測結果對比示意圖。本實例中，運用Hopfield模型分別建立不同風向上的模型，結果顯示東北方向上的風力預測誤差最小，而西北方向上的誤差最大，最后將三個模型合并為混合預測模型。與原始模型進行對比(結果如圖6所示):混合風力發電預測模型的均方差比原始模型的均方差小，前者為18.32，后者為35.1;混合風力發電預測模型的R方為0.73，相比于原始模型的0.7更接近于I，也就是說，在混合風力發電預測模型中自變量能夠更好地解釋因變量。此外，雖然混合預測模型的運行時間略長一些，但是其差異僅為0.38秒，并不影響實際操作。因此從預測結果上看，混合風力發電預測模型可以獲得更高的精度，并且可以運用于實際操作。
[0078]綜上，上述各實施例所述的基于模糊層次聚類及Hopfield神經網絡的混合風電預測模型的優點在于:對風電輸出功率進行預測過程中，同時考慮了風向和風力兩個方面的影響，并按照風向、風力與風電輸出功率的對應關系，將其進行模糊層次聚類。這樣，可以將一組有噪音冗余的采樣數據分成相應的幾份存在內在關聯性的樣本數據，再對這些樣本數據進行分別建模，不同類別數據的內在特征便能被不同的模型充分體現，從而有針對性地進行模型預測，預測的精準度也因而有所提高。
[0079]需要說明的是，對于前述的方法實施例，為了簡單描述，故將其都表述為一系列的動作組合，但是本領域技術人員應該知悉，本發明并不受所描述的動作順序的限制，因為依據本發明，某些步驟可以采用其他順序或者同時進行。其次，本領域技術人員也應該知悉，說明書中所描述的實施例均屬于優選實施例，所涉及的動作并不一定是本發明所必需的。
[0080]系統實施例
[0081]為實現上述方法，本實施例提出一種混合風力發電的預測系統，如圖7和圖8所示，該混合風力發電的預測系統實施例包括:數據輸入裝置101、配置有混合風力發電預測模型的測試裝置102、及輸出裝置103。
[0082]在該混合風力發電的預測系統中，數據輸入裝置101用于獲取測試數據;測試裝置102用于根據數據輸入裝置101輸入的測試數據，判斷輸入數據的風向，根據所確定的風向，調用所述混合風力發電預測模型1021中與風向對應的風力發電預測模型，對風力發電廠的輸出產能進行測試;輸出裝置103用于獲取所述混合風力發電預測模型測試得到的所述風電場的風電輸出功率的預測值，并輸出對應的測試結果。
[0083]上述實施例中，該混合風力發電的預測系統還可包括:數據建模及修正裝置104，用于建立混合風力發電預測模型1021、以及修正或優化混合風力發電預測模型1021，因此，數據建模及修正裝置104進一步包括以下組成:
[0084]丨)抽樣模塊201，用于對所獲取的風電場的風向、風速及對應的風電輸出功率的歷史數據進行抽樣得到樣本數據；
[0085]2)分析模塊202，用于對所述樣本數據的統計特性進行判斷分析，獲取風頻集中且風電輸出功率差異達到差異閾值的風向；
[0086]3)處理模塊203，用于根據所獲取的風向及其與風速、風電輸出功率的對應關系采用模糊層次聚類法，將所述樣本數據劃分為三類；
[0087]4)模型初建模塊204，用于采用神經網絡算法對每類樣本進行訓練，對應形成三類特定的風力發電預測模型；
[0088]5)混合處理模塊205，用于將這三類特定的風力發電預測模型進行合并處理，形成用于對風力發電產能進行預測的混合風力發電預測模型。
[0089]作為一種可選的實施方式，上述實施例中，混合風力發電的預測系統還可包括:
[0090]6)測試修正模塊206，用于獲取測試用的樣本數據，對所建立的混合風力發電預測模型進行調試、修正。
[0091]進一步來講，在一可選實施例中，上述混合處理模塊205還可包括以下組成:
[0092]參數配置單元51，用于分別為所述三類特定的風力發電預測模型配置對應的樣本權重參數；
[0093]合并處理單元52，用于根據每個預測模型的樣本權重參數，將根據風向建立的預測模型進行合并，建立混合風力發電預測模型；
[0094]迭代優化單元53，用于對所述混合風力發電預測模型進行反復迭代，使所述混合風力發電預測模型逐漸收斂，直到輸出結果趨于穩定。
[0095]作為一種可選的實施方式，上述混合風力發電預測模型1021進一步包括以下組成模塊:
[0096]風向識別單元，用于判斷輸入數據的風向；
[0097]模型調用單元，用于根據所確定的風向，調用所述混合風力發電預測模型中對應的風力發電預測模型，對風力發電廠的輸出產能進行測試。
[0098]顯然，本領域的技術人員應該明白，上述的本發明實施例的混合風力發電的預測系統各模塊或混合風力發電的預測方法各步驟可以用通用的計算裝置來實現，它們可以集中在單個的計算裝置上，或者分布在多個計算裝置所組成的網絡上，可選地，它們可以用計算裝置可執行的程序代碼來實現，從而，可以將它們存儲在存儲裝置中由計算裝置來執行，或者將它們分別制作成各個集成電路模塊，或者將它們中的多個模塊或步驟制作成單個集成電路模塊來實現。這樣，本發明不限制于任何特定的硬件和軟件結合。所述存儲裝置為非易失性存儲器，如:R0M/RAM、閃存、磁碟、光盤等。
[0099]以上所述僅為本發明的實施例而已，并不用以限制本發明，凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。
【主權項】
1.一種混合風力發電的預測方法，其特征在于，包括: 獲取風電場的風向、風速及對應的風電輸出功率的歷史數據，并對所述歷史數據進行抽樣得到樣本數據； 對所述樣本數據的統計特性進行判斷分析，獲取風頻集中且風電輸出功率差異達到差異閾值的風向，并根據所獲取的風向及其與風速、風電輸出功率的對應關系采用模糊層次聚類法，將所述樣本數據劃分為三類； 采用神經網絡算法對每類樣本進行訓練，對應形成三類特定的風力發電預測模型，將這三類特定的風力發電預測模型進行合并處理，建立用于對風力發電產能進行預測的混合風力發電預測模型。2.根據權利要求1所述的混合風力發電的預測方法，其特征在于，還包括: 獲取測試用的樣本數據，對所建立的混合風力發電預測模型進行調試； 根據混合風力發電預測模型輸出的測試結果，對所述混合風力發電預測模型進行修正； 其中，所述測試用的樣本數據從所述風電場的風向、風速及對應的風電輸出功率的歷史數據中抽樣得到。3.根據權利要求1或2所述的混合風力發電的預測方法，其特征在于，還包括: 利用所述混合風力發電預測模型，對風力發電廠的輸出產能進行測試； 在進行預測時，判斷輸入數據的風向，根據所確定的風向，調用對應的風力發電預測模型計算所述風電場的風電輸出功率的預測值，輸出對應的測試結果。4.根據權利要求1所述的混合風力發電的預測方法，其特征在于，所述混合風力發電預測模型的形成方式還包括: 分別為所述三類特定的風力發電預測模型配置對應的樣本權重參數； 根據每個預測模型的樣本權重參數，將根據風向建立的預測模型進行合并，建立混合風力發電預測模型。5.根據權利要求1至4任一項所述的混合風力發電的預測方法，其特征在于，該方法還包括: 對所述混合風力發電預測模型進行反復迭代，使所述混合風力發電預測模型逐漸收斂，直到輸出結果趨于穩定。6.一種混合風力發電的預測系統，其特征在于，包括: 抽樣模塊，用于對所獲取的風電場的風向、風速及對應的風電輸出功率的歷史數據進行抽樣得到樣本數據； 分析模塊，用于對所述樣本數據的統計特性進行判斷分析，獲取風頻集中且風電輸出功率差異達到差異閾值的風向； 處理模塊，用于根據所獲取的風向及其與風速、風電輸出功率的對應關系采用模糊層次聚類法，將所述樣本數據劃分為三類； 模型初建模塊，用于采用神經網絡算法對每類樣本進行訓練，對應形成三類特定的風力發電預測模型； 混合處理模塊，用于將這三類特定的風力發電預測模型進行合并處理，形成用于對風力發電產能進行預測的混合風力發電預測模型。7.根據權利要求6所述的混合風力發電的預測系統，其特征在于，該系統還包括: 測試修正模塊，用于獲取測試用的樣本數據，對所建立的混合風力發電預測模型進行調試、修正及優化。8.根據權利要求6或7所述的混合風力發電的預測系統，其特征在于，該系統還包括: 數據輸入裝置，用于獲取測試數據； 測試裝置，配置有所述混合風力發電預測模型，用于根據所獲取的測試數據，判斷輸入數據的風向，根據所確定的風向，調用所述混合風力發電預測模型中對應的風力發電預測模型，對風力發電廠的輸出產能進行測試； 輸出裝置，用于獲取所述混合風力發電預測模型測試得到的所述風電場的風電輸出功率的預測值，并輸出對應的測試結果。9.根據權利要求6至8任一項所述的混合風力發電的預測系統，其特征在于，所述混合處理模塊還包括: 參數配置單元，用于分別為所述三類特定的風力發電預測模型配置對應的樣本權重參數； 合并處理單元，用于根據每個預測模型的樣本權重參數，將根據風向建立的預測模型進行合并，建立混合風力發電預測模型； 迭代優化單元，用于對所述混合風力發電預測模型進行反復迭代，使所述混合風力發電預測模型逐漸收斂，直到趨于穩定。10.根據權利要求6至9任一項所述的混合風力發電的預測系統，其特征在于，所述混合風力發電預測模型進一步包括: 風向識別單元，用于判斷輸入數據的風向； 模型調用單元，用于根據所確定的風向，調用所述混合風力發電預測模型中對應的風力發電預測模型，對風力發電廠的輸出產能進行測試。
【文檔編號】G06N3/04GK105930900SQ201610300971
【公開日】2016年9月7日
【申請日】2016年5月9日
【發明人】宋曉華, 張宇霖, 李樂明
【申請人】華北電力大學