(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211452304.2 (22)申请日 2022.11.21 (71)申请人 国能日新科技股份有限公司 地址 100089 北京市海淀区西三 旗建材城 内1幢二层2 27号 (72)发明人 李兆兴　赵博　廖云涛　 (74)专利代理 机构 天津合正知识产权代理有限 公司 12229 专利代理师 李成运 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) (54)发明名称 一种基于稳定学习的风力发电功率预测方 法及装置 (57)摘要 本发明提出一种基于稳定学习的风力发电 功率预测方法及装置， 将构建风电场功率预测模 型的数据集根据时间戳划分为训练集、 验证集和 测试集； 将训练集数据中的历史风速数据构建特 征向量； 计算特征向量之间的距离变量并根据距 离变量si,j进行特征聚类； 根据特征聚类结果， 将 训练集数据样本通过稳定学习算法学习到样本 权重； 使用加权后的样本构建风电场功率预测模 型。 本发明通过基于稳定学习的风力发电功率预 测方法及装置， 提供解决OOD问题的途径， 保证风 力发电功率预测的稳定 。 权利要求书2页 说明书4页 附图1页 CN 115511227 A 2022.12.23 CN 115511227 A 1.一种基于稳定学习的风力发电功率预测方法， 其特 征在于， 包括： S1、 以风电场历史功率、 历史风速、 数值天气预报历史数据作为构建风电场功率预测模 型的数据集， 将数据集 根据时间戳划分为训练集、 验证集和 测试集； S2、 将训练集数据中的历史风速数据构建特 征向量； S3、 计算特征向量之间的距离变量 ； 其中 ； xi,j为特征向 量xi,xj的距离特征值， 为特征向量xi,xj的余弦距离相似度， 为特征向量xi,xj的欧 式距离； 根据特征向量之间的距离变量si,j进行特征聚类； S4、 根据特征聚类结果， 整合得到聚类后的训练集； 将聚类后的训练集的数据样本通过 稳定学习算法学习到样本权重， 对数据样本进行加权； 使用加权后的训练集数据样本构建 风电场功率预测模型。 2.根据权利要求1所述的基于稳定学习的风力发电功率预测方法， 其特征在于， 步骤S4 中所述将聚类后的训练集的数据样本通过 稳定学习算法学习到样本 权重的具体过程包括： S401、 通过聚类后的训练集X产生数据集Y： 产 生过程是随机抽取X的列特征重新组合得 到数据集Y； S402、 聚类后的训练集X的样本标签z为1， 数据集Y的样本标签z为0； S403、 合并聚类后的训练集X和数据集Y， 然后训练二分类模型； S404、 对聚类后的训练集X中的每个样本x计算 ， w(x)为x的样本权重； 为样本x的标签z等于1的概 率， 为样本x的标签z等于 0的概率； S405、 根据样本 权重进行数据样本的加权， 用于建模。 3.根据权利要求1所述的基于稳定学习的风力发电功率预测方法， 其特征在于， 步骤S4 中所述风电场功率预测模型包括线性模型和树模型的融合； 融合方式包括bagging和/或 boosting， bagging是把线性模型的结果和树模型的结果做加权组合， boosting是把线性模 型的输出当作树模型的输入。 4.根据权利要求1所述的基于稳定学习的风力发电功率预测方法， 其特征在于， 构建风 电场功率预测模型后， 进行 预测时还根据风机 本身功率曲线参数， 对预测数据进行后处 理。 5.一种基于稳定学习的风力发电功率预测装置， 其特 征在于， 包括： 数据集模块： 以风电场历史功率、 历史风速、 数值天气预报历史数据作为构建风电场功 率预测模型的数据集， 将数据集 根据时间戳划分为训练集、 验证集和 测试集； 特征向量模块： 将训练集数据中的历史风速数据构建特 征向量； 聚类模块： 计算特征向量之间的距离变量 ； 其中 ； xi,j为 特征向量xi,xj的距离特征值， 为特征向量xi,xj的余弦距离相 似度， 为特征向量xi, xj的欧式距离； 根据特 征向量之间的距离变量si,j进行特征聚类； 加权模块： 根据 特征聚类结果， 整合得到聚类后的训练集； 将聚类后的训练集的数据样 本通过稳定学习算法学习到样本权重， 对数据样本进行加权； 使用加权后的训练集数据样权　利　要　求　书 1/2 页 2 CN 115511227 A 2本构建风电场功率预测模型。 6.根据权利要求5所述的基于稳定学习的风力发电功率预测装置， 其特征在于， 所述加 权模块包括： 数据集单元： 通过 聚类后的训练集X产生数据集Y： 产生过程是随机抽取X的列特征重新 组合得到数据集Y； 样本标签单 元： 聚类后的训练集X的样本标签z为1， 数据集Y的样本标签z为0； 二分类模型训练单 元： 合并聚类后的训练集X和数据集Y， 然后训练二分类模型； 权重计算单元： 对聚类后的训练集X中的每个样本x计算 ， w(x)为x的样本权 重； 为样本x的标签z等于1的概 率， 为样本x的标签z等于 0的概率； 加权单元： 根据样本 权重进行数据样本的加权， 用于建模。 7.根据权利要求5所述的基于稳定学习的风力发电功率预测装置， 其特征在于， 所述加 权模块中所述风电场功率预测模型包括线性模型和树模型的融合； 融合方式包括bagging 和/或boosting， bagging是把线性模型的结果和树模型的结果做加权组合， boosting是把 线性模型的输出当作树模型的输入。 8.根据权利要求5所述的基于稳定学习的风力发电功率预测装置， 其特征在于， 还包括 后处理模块， 用于构建风电场功 率预测模型后， 进 行预测时根据风机本身功 率曲线参数， 对 预测数据进行后处 理。权　利　要　求　书 2/2 页 3 CN 115511227 A 3