(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 202210957238.8 (22)申请日 2022.08.10 (71)申请人 四川中电启明星信息技 术有限公司 地址 610000 四川省成 都市郫都区现代工 业港 （南片区） 西源大道 2688号 (72)发明人 唐冬来　张捷　李玉　胡州明　 宋卫平　郝建维　付世峻　黄璞　 刘秋辉　杨俏　 (74)专利代理 机构 成都君合集专利代理事务所 (普通合伙) 51228 专利代理师 尹新路 (51)Int.Cl. G06K 9/62(2022.01) G06F 16/245(2019.01) G06F 16/29(2019.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) (54)发明名称 一种基于网格聚类的峡谷风电短期功率预 测方法 (57)摘要 本发明涉及风电功 率预测技术领域， 公开了 一种基于网格聚类的峡谷风电短期功率预测方 法， 包括以下步骤： 步骤S1.根据峡谷风电特征将 短期功率预测方法分为数据清洗环节、 网格分解 环节和功率预测环节； 步骤S2.在数据清洗环节 对LSTM网络学习的历史气象、 风电功率、 风电功 率预测数据进行异常检测、 数据补正和平滑处 理， 获取完整的历史数据； 步骤S3.在网格分解环 节根据纬度进行峡谷风电站地域网格聚类， 获取 风电功率和与气象关联的特征网格； 步骤S4.在 功率预测环节使用LSTM网络对每个网格进行功 率预测， 并进行功率叠加与误差修正。 本发明用 于解决峡谷风电受峡谷尾流影 响， 造成的风电短 期功率预测准确率低的问题。 权利要求书1页 说明书8页 附图1页 CN 115358303 A 2022.11.18 CN 115358303 A 1.一种基于网格聚类的峡谷风电短期功率预测方法， 其特征在于， 包括以下步骤：  步 骤S1.根据峡谷风电特征将短期功率预测方法分为数据清洗环节、 网格分解环节和功率预 测环节； 步骤S2.在数据 清洗环节对LSTM网络学习的历史气象、 风电功 率、 风电功率预测数 据进行异常检测、 数据补正和平滑处理， 获取完整的历史数据；  步骤S3.在网格 分解环节 根 据纬度进行峡谷风电站地域网格聚类， 获取风电功率和与气象关联的特征网格；  步骤S4. 在功率预测环 节使用LSTM网络对每 个网格进行功率预测， 并进行功率叠加与误差修 正。 2.根据权利要求1所述的一种基于网格聚类的峡谷风电短期功率预测方法， 其特征在 于， 所述步骤S2包括：  步骤S2.1.对LSTM网络学习的历史气象与风电预测数据、 历史风电功 率数据、 气象监测数据和风机地理位置数据进行异常数据检测， 通过离群点检测方式剔除 异常值； 步骤S2.2.采用线性插值方法搭建缺失数据补正框架， 实现缺失数据修复；  步骤 S2.3.通过卡尔曼滤波方式对风电功 率、 气象观测数据进 行平滑处理， 消除风电功 率数据中 的无用分量。 3.根据权利要求1所述的一种基于网格聚类的峡谷风电短期功率预测方法， 其特征在 于， 所述步骤S3包括：  步骤S3.1.根据地理经纬度进行风电场网格划分；  步骤S3.2.根据天 气类型和风电功率曲线特性指标进行网格聚类分析， 获得网格风电功率特征；  步骤S3.3. 分解形成网格风电功率预测单 元。 4.根据权利要求1所述的一种基于网格聚类的峡谷风电短期功率预测方法， 其特征在 于， 所述步骤S4包括：  步骤S4.1.通过数字天气预报获取网格的短期天气预报信息；  步骤 S4.2.基于长短期记忆网络分析网格风电波动趋势， 预测网格预期时间内的峡谷风电短期 功率； 步骤S4.3.使用LSTM网络进行峡谷风电短期功率预测， 采用最小二乘法修正误差；   步骤S4.4.生成峡谷风电短期功率预测结果。 5.根据权利要求2所述的一种基于网格聚类的峡谷风电短期功率预测方法， 其特征在 于， 所述步骤S2.1中异常数据检测的方法包括：  根据离群点局部异常因子和数据间的距离 分析， 检测出与风电数据正常属性差异大的异常数据。 6.根据权利要求2所述的一种基于网格聚类的峡谷风电短期功率预测方法， 其特征在 于， 所述步骤S2.2中缺失数据补正的方法包括：  选用线性插值法搭建缺失数据补正框架， 实现缺失数据修复。 7.根据权利要求2所述的一种基于网格聚类的峡谷风电短期功率预测方法， 其特征在 于， 所述步骤S2.3中数据平滑处理的方法包括：  选用卡尔曼滤波对滤波状态进行最佳估 算， 消除噪声和干扰数据对 模型的影响。 8.根据权利要求3所述的一种基于网格聚类的峡谷风电短期功率预测方法， 其特征在 于， 所述步骤S3.1中地理网格划分的方法包括：  选用归一化分割方法， 并根据地理经纬度 进行风电场网格划分。 9.根据权利要求3所述的一种基于网格聚类的峡谷风电短期功率预测方法， 其特征在 于， 所述步骤S 3.2中进行网格聚类分析的方法包括：  先用层次凝聚聚类法进 行网格聚类分 析。权　利　要　求　书 1/1 页 2 CN 115358303 A 2一种基于网格聚类的峡谷风电短期功率 预测方法 技术领域 [0001]本发明涉及风电功率预测技术领域， 具体地说， 是一种基于网格聚类 的峡谷风电 短期功率预测方法， 用于解决峡谷风电受峡谷尾流影响， 造成的风电短期功率预测 准确率 低的问题。 背景技术 [0002]风能作为一种有效的清洁能源， 属于可再生资源， 得到了人们普遍的重视与利用， 针对峡谷风人们又做了大量研究， 尤其是针对峡谷风电短期功率预测方面， 研究主要分为 误差修正类和多模态分解类风电短期功率预测方法。 [0003]误差修正类风电短期预测功率预测方法中， 通过对历史预测数据偏差分析， 从而 修正风电短期功率预测结果。 提出了一种基于核心密度扩散的风电短期功率预测方法， 通 过高斯函数转换误差分析， 提高风电短期功率预测准确 性。 提出了一种基于长短期记忆网 络的风电短期功率预测方法， 通过风场数据混沌分析与长短期记忆网络历史误差修正预 测， 从而提高风电短期功率预测准确 性。 提出了一种基于随机森林的风电短期功率预测方 法， 通过双向门控模型提取风电短期功率预测 误差， 通过随机森林修正风电短期功率预测 误差， 从而提高风电短期功率预测 准确性。 提出了一种基于鲁棒回归的风电短期功率预测 方法， 通过对噪声消除与预测误差鲁棒回归， 从而提高风电短期功率预测准确性。 但上述研 究的方法中， 将风电站作为一个整体进 行分析， 不能对风电站的功 率构成进行分解， 预测精 度不足。 [0004]多模态分解类风电短期预测功率预测方法中， 将风电站的数据按时间序列进行分 解， 再单独对每个分量进 行预测， 最后叠加形成风电站短期功 率预测数据。 提出了一种基于 奇异谱分析 的风电短期功率预测方法， 通过功率时间序列分解和迭代预测， 从而提高风电 短期功率预测 准确性。 首先对风电的功率进行时间序列自适应分解， 然后进行分量数据预 测与重构， 形成风电短期功率预测结果。 [0005]由此可见， 峡谷风电短期预测功率预测方法多样， 但上述方法中， 未考虑峡谷多变 的气象信息， 受峡谷风力尾流多变， 风电站存在相 邻风机转向相反的情况， 误差修正类风电 短期预测功率预测方法中， 通过对历史预测数据偏差分析， 从而修正风电短期功率预测结 果。 该方法中， 将风电站作为一个整体进行分析， 不能对风电站的功率构成进行分解， 预测 精度不足。 多模态分解类风电短期预测功率预测方法中， 将风电站的数据按时间序列进行 分解， 再单独对每个分量进行预测， 最后叠加形成风电站短期功 率预测数据。 该方法未考虑 峡谷多变的气象信息， 受峡谷风力尾流多变， 风电站存在相邻风机转向相反的情况， 因此， 上述方法对峡谷风电短期功率预测准确率 提高不足。 [0006]因此， 上述方法对峡谷风电短期功率预测准确率提高不足， 为了解决峡谷风电受 峡谷尾流影响， 造成的风电短期功率预测准确 率低的问题， 本发明提出了一种基于网格聚 类的峡谷风电短期功率预测方法。说　明　书 1/8 页 3 CN 115358303 A 3