本发明属于风电功率预测方法，尤其涉及一种基于不同风速段的高原山区风电功率预测方法。
背景技术：
风电功率预测是风力发电技术中很重要的一个环节，现有技术CN102298707提出了一种基于连续时间段聚类与支持向量机建模的风电功率预测方法，该方法从横向上考虑了日相似性规律，同时从纵向上考虑训练样本在时间上的连续信息来增强模型的完备性和鲁棒性，但该方法主要应用于平原地区的风电机组功率预测，直接将该方法应用到高原山区风电功率预测存在很大的局限性，因为在高原山区山路崎岖，海拔高度落差较大，导致分布在各个山脉上的风机不同于平原上的同一水平线，而是起伏的。在这种情况下，风经过风机群时，会受到山脉的影响，产生回风现象，这就使得风机的出力不完全取决于风速和风向，还和各风机所处的具体位置有关，而现有技术忽略了这些因素的影响，导致针对高原山区风电功率预测精度低，误差大。
技术实现要素：
：
本发明要解决的技术问题：提供一种基于不同风速段的高原山区风电功率预测方法，以解决现有技术中风电功率预测，针对高原山区风电功率预测时存在精度低，误差大等技术问题。
本发明技术方案：
一种用于高原山区的风电功率预测方法，它包括：
S1、收集风电场n台风机的地理坐标，风电场区域的含坐标方位的地形图，风电场所在区域的数值天气预报的风速数据，风电场所在区域的历史风速数据，风电场所在区域的风向玫瑰图；
S2、根据风电场所在区域的玫瑰图确定主风向，以主风向为基准，结合风电场n台风机的地理坐标，风电场区域的含坐标方位的地形图，将n台风机根据所处位置划分为平缓区、山坡前、山坡后3类；
S3、将风电场所在区域的历史风速数据进行canopy聚类，分为m个聚类，即m个风速段；
S4、利用风电场所在区域的历史风速数据，针对平缓区、山坡前、山坡后3类位置，通过线性回归分析法，分别对m个风速段的风速进行分段拟合，从而得到考虑高原山区风机位置的风速模型；
S5、建立3类风电机组位置和m个风速段对应的风速集合vs，建立全年的3类风电机组位置和m个风速段对应的风速集合vsay；
S6、将风速数据集合vsay作为样本集对风速进行聚类，根据聚类结果建立支持向量机风电功率预测模型；
S7、根据风电功率预测日所在连续时间段的类别，调用其对应的支持向量机风电功率预测模型进行风电功率预测。
S3所述将风电场所在区域的历史风速数据进行canopy聚类，其聚类方法包括：
S3.1:构建风电场所在区域的历史风速数据集合S＝{p1，p2,…pi,…,pξ}；
S3.2：设置两个距离阈值T1和T2，其中T2≤T1；
S3.3：从风电场所在区域的历史风速数据集合S中，任选取一个数据pi构建并初始化聚类集合C，并从S中删除该数据对象pi；
S3.4：从风电场所在区域的历史风速数据集合S的剩余数据集中，取出一个数据pj，计算pj与聚类集合C中第δ个类cδ的距离，若距离小于T1，则将该数据pj加入第δ个类cδ。若距离小于T2，则当该数据pj与聚类集合C中所有类的距离计算完成后，将数据pj从数据集S中删除，若该数据pj没有加入到聚类集合C已有的任意类中，则进入S3.5；
S3.5：若该数据pj没有加入到聚类集合C已有的任意类中，则构建一个新类cθ，更新聚类集合
C＝C∪cθ，并将其从历史风速数据集合S中删除；
S3.6：当S不为空，重复S3.4-S3.5步；直到S为空，则算法结束，统计生成的聚类数，并将其记做m。
S4所述的得到考虑高原山区风机位置的风速模型，其模型表达式包括：
S4.1：平缓区：
S4.2：山坡前：
S4.3：山坡后：
式中，fa(vw)、fb(vw)、fc(vw)分别为考虑风机位置后平缓区、山坡前、山坡后的风速分段模型；vw为风电场所在区域的数值天气预报中的风速(m/s)；v1…vm为风速分为m个风速段中，不同风速段对应的上限值和下限值(m/s)，awa1…awam、bwa1…bwam：表示为平缓区的风速分段模型中，m个风速段下风速表达式的参数；awb1…awbm、bwb1…bwbm：表示为山坡前的风速分段模型中，m个风速段下风速表达式的参数；awc1…awcm、bwc1…bwcm：表示为山坡后的风速分段模型中，m个风速段下风速表达式的参数。
S5所述建立3类风电机组位置和m个风速段对应的风速集合vs的方法为：将s4中的fa(vw)的m个风速段记做vs1，vs2，…,vsi,…,vsm，fb(vw)的m个风速段记做vsm+1,…,vsj,…,vs2m，fc(vw)的m个风速段记做vs2m+1,…,vsk,…,vs3m；将fa(vw)、fb(vw)、fc(vw)的3类风电机组位置和m个风速段对应的风速集合vs，则表达式为：
vs＝(vs1，vs2，…,vsi,…,vsm,…,vsj,…,vs2m,…,vsk,…,vs3m)。
S6所述将风速数据集合vsay作为样本集对风速进行聚类，根据聚类结果建立支持向量机风电功率预测模型的方法为：根据S5的风速数据集vsay作为样本集对风速进行第一次聚类即无监督聚类，将第一次聚类结果进行第二次聚类即连续时间段聚类，根据第二次聚类结果建立支持向量机风电功率预测模型；其具体步骤包括：
S6.1：将S5的风速数据集vsay按照如下形式，构造样本：
根据风速在一天当中的变化趋势、幅值、波动性，样本构造形式如下：
h＝(hs1,hs2,...,hsH,hsmax,hsmin,hsmean,hsstd)
式中，hs1…hsH为一天当中各个时间点的风速值；hsmax为日最大风速；hsmin为日最小风速；hsmean为日平均风速；hsstd为日风速标准差；
s6.2：将S5的风速数据集vsay，根据S6.1的样本构造形式，构造训练样本集vsayh；
S6.3：将训练样本集vsayh进行归一化处理，归一化处理公式为：
式中，brg为训练样本集vsayh中第r个物理量中的第g个采样值；brmin为训练样本集vsayh中第r个物理量的最小值；brmax为训练样本集vsayh中第r个物理量的最大值；
S6.4：对归一化处理后的样本进行k-means聚类，把训练样本集vsayh分成了ξ类，即为第一次聚类无监督聚类结果；
S6.5：把第一次聚类结果，按L个连续时间段统计每类的数量，得到一个各时间段内的ξ类频次矩阵：
矩阵F中，fLξ表示连续时间段L中第ξ类的数量；
S6.6：将S6.5得到的L个连续时间段每类的数量，以及能反应连续时间段内风速特点的物理量，构造样本集sl：
sl＝(st1,st2,...stC,ssmax,ssmin,ssmean,ssstd,ssmd1,ssmd2,ssmd3)
式中st1,st2,...stC为第l个连续时间段每类的数量；ssmax为第l个连续时间段最大风速；ssmin为第l个连续时间段最小风速；ssmean为第l个连续时间段平均风速；ssstd为第l个连续时间段风速标准差；ssmd1为第l个连续时间段一阶差分绝对平均值；ssmd2为第l个连续时间段二阶差分绝对平均值；ssmd3为第l个连续时间段三阶差分绝对平均值；
S6.7：样本构造完成后，将样本集sl按S6.3进行归一化处理，按S6.4进行第二次聚类，把全年数据的L个连续时间段分成β类，即第二次聚类结果；
S6.8：根据S6.7的第二次聚类结果，分别建立支持向量机模型，共建立β个支持向量机模型；
S6.9：在β类的连续时间段中，针对每类的连续时间段选取风电场所在区域内的风速、风向、温度、湿度及气压气象数据作为训练样本，训练对应的支持向量机模型，训练出β个支持向量机风电功率预测模型。
本发明的有益效果：
本发明充分考虑了回风现象的影响，同时考虑了高原山区特殊地理位置以及风机所处位置不同等因素影响，通过对高原山区的风机所处位置进行分类，分为平缓区、山坡前、山坡后三类位置，同时将风速进行分段，建立分段分位置的风速模型，根据风机位置，对位置进行分类处理和利用不同风速段对风电场风速进行分类建模，可修正风速数据来提高风速数据的精度，并将全年的3类风电机组位置和m个风速段对应的风速集合vsay作为训练样本，训练建立的支持向量机风电功率预测模型，并利用该模型对高原山区风电机组进行功率预测，从而有效地提高高原山区风电功率预测精度，解决了现有技术的风电功率预测方法，在针对高原山区风电功率预测时由于未考虑回风现象和风机所处位置不同而引起的预测精度低，误差大等技术问题。
具体实施方式：
本发明的一种基于不同风速段的高原山区风电功率预测方法，
其具体步骤如下：
S1、收集风电场n台风机的地理坐标，风电场区域的含坐标方位的地形图，风电场所在区域的数值天气预报的风速数据，风电场所在区域的历史风速数据，风电场所在区域的风向玫瑰图，风电场区域内的气象数据(包括风向，温度，湿度，气压等)；
S2、根据风电场所在区域的玫瑰图确定主风向，以主风向为基准，结合风电场n台风机的地理坐标，风电场区域的含坐标方位的地形图，将n台风机根据所处位置划分为平缓区、山坡前、山坡后3类；
S3、将风电场所在区域的历史风速数据进行canopy聚类，分为m个聚类，即m个风速段；
S3所述将风电场所在区域的历史风速数据进行canopy聚类，其聚类方法包括：
S3.1:构建风电场所在区域的历史风速数据集合P＝{p1，p2,…pi,…,pζ}；
S3.2：设置两个距离阈值T1和T2，其中T2≤T1；
S3.3：从风电场所在区域的历史风速数据集合P中，任选取一个数据pi构建并初始化聚类集合C，并从P中删除该数据对象pi；
S3.4：从风电场所在区域的历史风速数据集合P的剩余数据集中，取出一个数据pj，计算pj与聚类集合C中第δ个类cδ的距离，若距离小于T1，则将该数据pj加入第δ个类cδ。若距离小于T2，则当该数据pj与聚类集合C中所有类的距离计算完成后，将数据pj从数据集P中删除，若该数据pj没有加入到聚类集合C已有的任意类中，则进入S3.5；
S3.5：若该数据pj没有加入到聚类集合C已有的任意类中，则构建一个新类cθ，更新聚类集合
C＝C∪cθ，
并将其从历史风速数据集合P中删除；
S3.6：当P不为空，重复S3.4-S3.5步；直到P为空，则算法结束，统计生成的聚类数，并将其记做m。
S4、利用风电场所在区域的历史风速数据，针对平缓区、山坡前、山坡后3类位置，通过线性回归分析法，分别对m个风速段的风速进行分段拟合，从而得到考虑高原山区风机位置的风速模型。
S4所述的得到考虑高原山区风机位置的风速模型，其模型表达式包括：
S4.1：平缓区：
S4.2：山坡前：
S4.3：山坡后：
式中，fa(vw)、fb(vw)、fc(vw)分别为考虑风机位置后平缓区、山坡前、山坡后的风速分段模型；vw为风电场所在区域的风速数据(m/s)；v1…vm为风速分为m个风速段中，不同风速段对应的上限值和下限值(m/s)，awa1…awam、bwa1…bwam：表示为平缓区的风速分段模型中，m个风速段下风速表达式的参数；awb1…awbm、bwb1…bwbm：表示为山坡前的风速分段模型中，m个风速段下风速表达式的参数；awc1…awcm、bwc1…bwcm：表示为山坡后的风速分段模型中，m个风速段下风速表达式的参数。
awa1…awam、bwa1…bwam、awb1…awbm、bwb1…bwbm、awc1…awcm和bwc1…bwcm的值可以用线性回归方法求得。
S5:将s4中的fa(vw)的m个风速段记做vs1，vs2，…,vsi,…,vsm，fb(vw)的m个风速段记做vsm+1,…,vsj,…,vs2m，fc(vw)的m个风速段记做vs2m+1,…,vsk,…,vs3m；
将fa(vw)、fb(vw)、fc(vw)的3类风电机组位置和m个风速段对应的风速集合vs，其表达式为：
vs＝(vs1，vs2，…,vsi,…,vsm,…,vsj,…,vs2m,…,vsk,…,vs3m)。
将全年的3类风电机组位置和m个风速段对应的风速集合vsay。
S6：根据S5的风速数据集vsay作为样本集对风速进行第一次聚类(无监督聚类)，将第一次聚类结果进行第二次聚类(连续时间段聚类)，根据第二次聚类结果建立支持向量机风电功率预测模型。
S6.1：将S5的风速数据集vsay按照如下形式，构造样本：
其中，根据风速在一天当中的变化趋势、幅值、波动性，样本构造形式如下：
h＝(hs1,hs2,...,hsH,hsmax,hsmin,hsmean,hsstd)
式中，hs1…hsH为一天当中各个时间点的风速值；hsmax为日最大风速；hsmin为日最小风速；hsmean为日平均风速；hsstd为日风速标准差。
s6.2：将S5的风速数据集vsay，根据S6.1的样本构造形式，构造训练样本集vsayh。
S6.3：将训练样本集vsayh进行归一化处理，归一化处理公式为：
式中，brg为训练样本集vsayh中第r个物理量中的第g个采样值；brmin为训练样本集vsayh中第r个物理量的最小值；brmax为训练样本集vsayh中第r个物理量的最大值。
S6.4：对归一化处理后的样本进行k-means聚类，这样就把训练样本集vsayh分成了ξ类，即为第一次聚类(无监督聚类)结果。
S6.5：把第一次聚类结果，按L个连续时间段统计每类的数量，便得到一个各时间段内的ξ类频次矩阵：
矩阵F中，flξ表示连续时间段l中第ξ类的数量。
S6.6：将S6.5得到的全年L个连续时间段每类的数量，以及能反应连续时间段内风速特点的物理量，按照如下形式构造样本集sl：
其样本构造形式如下：
sl＝(st1,st2,...stC,ssmax,ssmin,ssmean,ssstd,ssmd1,ssmd2,ssmd3)
式中，st1,st2,...stC为第l个连续时间段每类的数量；ssmax为第l个连续时间段最大风速；ssmin为第l个连续时间段最小风速；ssmean为第l个连续时间段平均风速；ssstd为第l个连续时间段风速标准差；ssmd1为第l个连续时间段一阶差分绝对平均值；ssmd2为第l个连续时间段二阶差分绝对平均值；ssmd3为第l个连续时间段三阶差分绝对平均值。
S6.7：样本构造完成后，将样本集sl按S6.3进行归一化处理，按S6.4进行第二次聚类，把全年数据的L个连续时间段分成β类，即第二次聚类结果。
S6.8：根据S6.7的第二次聚类结果，分别建立SVM模型，共建立β个SVM模型。
S6.9：在β类的连续时间段中，针对每类的连续时间段选取风电场所在区域内的风速、风向、温度、湿度、气压等气象数据作为训练样本，训练对应的SVM模型，共可训练出β个支持向量机模型。
S7：根据风电功率预测日所在连续时间段的类别，调用其对应的SVM模型来进行风电功率预测。