示是本发明的一个具体实施例示出的一种风电接入电网的风险预测评估 方法流程图。
【具体实施方式】
[0051] 下面结合【具体实施方式】对本发明作进一步的详细描述。但不应将此理解为本发明 上述主题的范围仅限于以下的实施例，凡基于本
【发明内容】
所实现的技术均属于本发明的范 围。
[0052] 实施例1 :
[0053] 图1所示是本发明的一个具体实施例示出的一种风电接入电网的风险预测评估 方法的流程图，包括以下步骤：
[0054] -种风电接入电网的风险预测评估方法，包括以下步骤：
[0055] 采集风电场原始数据，得到初始风电功率时间序列；对所述初始风电功率时间序 列进行相空间重构，得到相点向量。
[0056] 具体的，设初始风电功率时间序列为lx (1)，X (2)，…，X (N) }，其中N为风电功率的 采集点总数，相空间重构后得到相点向量为：
[0058] 由上式可以看出，对序列进行相空间重构的根本在于求出时间序列的延迟时间τ 与嵌入维数m，可使用C-C法求取。
[0059] 对所述相点向量进行K均值聚类计算。
[0060] 具体的，K均值聚类的基本思想为将数据集合X分为k类，使得类内的成员存在某 种相似性的过程。
[0061] 即寻找 C = {A, C2，…，Ck}，满足：
[0064] 并使得总的类间离散度和
[0066] 达到最小，其中，M(j)为第j个聚类的中心，d(X⑴，M(j))为样本到对应聚类中心 的距离，其表达式为：
[0067] d (X ⑴，M (j)) = | | X ⑴-M (j) | 12 (5)
[0068] 由于现有技术的K均值聚类算法存在一个极大的弊端，即算法的收敛性与收敛速 度依赖于初始条件。因此，本发明使用减法聚类方法独立地为K均值聚类法提供初始聚类 中心Mj (j = 1，2,…k)和聚类个数k。
[0069] 本发明的一种风电接入电网的风险预测评估方法使用K均值聚类来处理复杂的、 大样本的风电场功率数据，聚类速度快，聚类效果好，使得算法的稳定性增强，从而提高了 风电场预测的计算精度和计算速度。
[0070] 引入权重向量改进邻近点的距离与趋势的判据，得到邻近点集合；将所述邻近点 集合作为volterra自适应滤波器的训练集合，得到风电场功率预测数据。
[0071] 具体的，Volterra自适应滤波器的核函数的Volterra级数展开表示式为无穷级 数形式，在实际应用中，通常采取有限截断和有限次求和形式。以下为P阶截断模型：
[0073] 由 Taken 嵌入定理可取 Ν!= N2=…=Np= m，戈(《.+1):为预测值，hpOi^m；；，."，mp) 称为P阶Volterra核，m为滤波器的输入维数，对应为风电时间功率的嵌入维数。
[0074] 定义一种新的运算方式：
[0076] 其中A，B均为m维的向量，&1，匕分别为向量A、B的第i维分量；
[0077] 则当前预测点X(p)与相点X(i)间的距离为：
[0079] 式中，X(p)表示第p个预测点，X⑴表示第i个相点，α为权重向量，且对于m维 的向量α而言，α (1)彡α (2)彡…彡a (m)，考虑到坐标分量间的间隔时间为均为τ，取
[0080] 其中，d(p, i)越小，当前预测点Χ(ρ)与相点X(i)的距离越近；
[0081] 定义多步回溯的差值向量为：
[0084] 其中，q表示回溯步长，X(p)为X(p-q)的q步演化相点，X⑴为X(i-q)的q步演 化相点；
[0085] 多步回溯的预测点与相点间的方向夹角为：
[0087] 对上式进行加权，可得预测点与相点的发展趋势判据为：
[0089] cos Θ (p，i)是由向量间的夹角的余弦演化而来，其中，β为权重向量，且
[0090] cos Θ (p，i)越小，当前预测点X(p)与相点X(i)的发展趋势越接近；
[0091] 预测点X(P)与相点x(i)间的相似度为：
[0093] 其中γ γ2分别为距离指标与演化趋势指标的权重值，且γ 1 ;
[0094] 对所述相似度排序，选择相似度较大的多个值作为邻近点。
[0095] 根据Hannan-Quinn准则对所述邻近点集合进行筛选，得到改进的邻近点集合。
[0096] 具体的，筛选的邻近点个数为：
[0099] 式中，\为数据的样本点，元为预测结果，?为样本点均值，S为预测步数，N为拟合 数据个数，且当Φ(κ)取得最小值时，对应的Κ为最佳邻近点的个数。
[0100] 本发明的一种风电接入电网的风险预测评估方法在利用Volterra自适应滤波器 计算时，综合考虑预测点与相点的当前距离和相点间的多步演化趋势，既考虑了相点的演 化相关性，又考虑了相点各坐标在时间上的不同影响，消除了现有技术中，"忽略了相点自 身的不同坐标分量的时间次序对预测点的影响不同，易引入'伪邻近点' "的技术缺陷，因此 能有效避开"虚伪邻近点"，选出在距离和演化趋势均与预测点相似的邻近点，进一步的提 高了计算精度和计算速度。
[0101] 进一步地，还包括：风电场负荷数据，根据RBF神经网络模型得到负荷预测数据；
[0102] 根据所述风电场功率预测数据和负荷预测数据得到风电功率和负荷预测值；
[0103] 选定多个评估时间点，根据每个所述评估时间段的风电功率和负荷预测值对电网 进行风险评估，得到多个风险评估结果；
[0104] 根据所述多个风险评估结果得到电网风险预测曲线。
[0105] RBF神经网络结构简单、训练简洁、学习速度快，可以有效避免局部极小并实现全 局收敛，还能够以任意精度逼近复杂的非线性函数，因此已被广泛应用于电力方法负荷预 测中。
[0106] 径向基函数神经网络的神经元模型，它是一种包含输入层、隐含层和输出层的3 层前向型的网络结构。输入空间经过非线性映射变换到隐含层空间，隐含层空间再经过线 性映射变换到输出层空间。其中，隐含层采用的非线性映射函数是径向基函数，它是一种 局部分布的对中心点径向对称衰减的非负非线性函数。
[0107] 该神经元模型具有η个输入，h个隐节点，m个输出的RBF网络，即该网络结构为 n-h-m。其中，X = (Χρ x2,…，xn)Te Rn为网络输入矢量，Φ ;( ·)为第i个隐含层节点的激 活函数，We RhXm为输出权矩阵。图中输出层节点中的Σ表示输出层神经元采用线性激活 函数。
[0108] 由于高斯函数的形式相对简单，解析性好，便于进行理论分析，并且在多变量输入 时不会大幅增加计算的复杂程度，光滑性比较好，任意阶次的导数都会存在，并且径向对 称。所以，本文选用高斯函数作为径向基函数。此时，隐含层及节点i的输出可以表示为：
[0110] 式中，X是d维输入向量；〇1为第i个基函数的归一化因子，它表征了该基函的宽 度；Ci是第i个基函数的中心，与X维数相同；| |x_c」I是x-Ci的范数，即X与c ;之间的距 离。Φ? (X)在q处有有且仅有一个最大值，并且随| | x-c ; | |的增大，Φ; (X)迅速衰减到零； m是隐含层节点数，那么径向基函数神经网络的输出为：
[01