考虑气象相似性和功率波动的海上风电场功率预测方法与流程

技术特征：

1.一种考虑气象相似性和功率波动的海上风电场功率预测方法，其特征在于，包括以下步骤：

1)获取海上风电场一定时间内的风能数据，并将其作为原始风能样本；

2)结合主成分分析法和自组织神经网络对原始风能样本数据进行气象相似性的聚类分析，得到气象相似性分类结果；

3)对功率波动进行分类，并采用极限学习机ELM获取功率波动范围的所属类别，得到功率波动的分类结果；

4)采用Elman神经网络建立了基于样本相似性的初步预测模型，根据气象相似性分类结果和功率波动的分类结果选取与预测时刻相关的训练样本对未来时刻进行风电场的短期风速滚动预测，并获得初始预测结果；

5)采用多层感知器MLP建立NWP修正模型对初始预测结果进行修正，得到修正后的最终结果。

2.根据权利要求1所述的一种考虑气象相似性和功率波动的海上风电场功率预测方法，其特征在于，所述的步骤1)中，原始风能样本在t时刻的向量空间表示为St，其数据结构为：

其中，WS、WP、WD、T、W、P分别表示风速、功率、风向、温度、湿度以及气压数据，下标表示数据的时刻值，WSt为预测时刻t的风速预报数据，WSt-T1为预测时刻t前T1时刻的历史风速值。

3.根据权利要求1所述的一种考虑气象相似性和功率波动的海上风电场功率预测方法，其特征在于，所述的步骤2)具体包括以下步骤：

21)通过主成分分析法提取主成分，并通过互相关矩阵获取对应主成分的贡献率，并选取累积方差贡献率超过90％对应的主成分；

22)将筛选后的主成分作为自组织神经网络的输入变量，设置聚类中心数量，进行相似性聚类得到初步的气象相似性分类。

4.根据权利要求2所述的一种考虑气象相似性和功率波动的海上风电场功率预测方法，其特征在于，所述的步骤3)具体包括以下步骤：

31)按功率波动幅值将功率波动分为5类，具体为：

第一类：功率波动在-15％Pr以下，

第二类：功率波动在-15％Pr～0，

第三类：功率波动在0～10％Pr，

第四类：功率波动在10％Pr～20％Pr，

第五类：功率波动在20％Pr以上，

其中，Pr为风电机组额定装机容量；

32)构建多元时间序列模型Dt，在计算多元时间序列模型内变量的特征相关性指标MIV后从大到小排序，并选择前7个MIV对应的变量作为预测变量，多元时间序列模型Dt的数据结构为：

其中，PRR为单位时间功率变化量，STD为风速的标准差，Max、Min分别为风速的最大值和最小值，Mean为风速平均值，下标表示数据的时刻值；

33)将极限学习机ELM作为分类器，以筛选后的预测变量数据作为极限学习机ELM的输入量，以5类功率波动范围作为极限学习机ELM的输出量，对未来时刻的功率波动进行预测归类。

5.根据权利要求1所述的一种考虑气象相似性和功率波动的海上风电场功率预测方法，其特征在于，所述的步骤4)具体包括以下步骤：

41)在气象相似性的分类结果中选择与风功率预测时刻相关的初选数据样本；

42)在初选数据样本中选择对应功率波动分类的数据作为Elman神经网络的训练集；

43)采用BP算法训练Elman神经网络的网络权值，并确定网络结构，形成基于样本相似性的初步预测模型，并采用滚动预测的方式进行初步预测，得到初始预测结果。