(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 202111480992.9 (22)申请日 2021.12.0 6 (71)申请人 国能重庆风电开发有限公司 地址 409109 重庆市石柱土家族自治县 沙 子镇卧龙村庙坝组 (72)发明人 代勇　姜凤杨　雍焕　 (74)专利代理 机构 北京中南长风知识产权代理 事务所(普通 合伙) 11674 专利代理师 穆丽红 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 30/27(2020.01) G06F 30/28(2020.01) G06F 113/06(2020.01)G06F 119/08(2020.01) (54)发明名称 一种高原山地多模型多尺度新能源电站出 力联合预测方法 (57)摘要 本发明公开了一种基于高原山地多模型区 域多尺度新能源电站出力联合预测方法， 包括： S1， 建立风能联合预测基础模型； S2， 基于4维特 征选择与预测日天气状态相同或相似的特征日； S3， 基于特征日以及风能预测基础模型建立特征 日湍流预测模型； 以及S4， 基于特征日湍流预测 模型进行新能源电站出力联合预测。 还公开了对 应的预测系统、 电子设备以及计算机可读存储介 质， 将风能预测根据地理和气象影 响因素进行联 合或者协调预测， 分析耦合性， 确定各自的输入 量和耦合特性， 兼顾模型复杂度和泛化能力， 自 动选择与预测日天气状况相似度最高的日期作 为特征日， 将特征日的气象数据和输出功率数据 作为训练样本对预测模型进行训练从而得到较 高的预测精度。 权利要求书4页 说明书11页 附图2页 CN 114444757 A 2022.05.06 CN 114444757 A 1.一种基于高原山地多模型区域多尺度新能源电站出力联合预测方法， 其特征在于， 包括： S1， 建立风能联合预测基础模型， 所述基础模型包括所有因素对风能电站出力的影响 以及高原山 地局部区域环境改变产生的对风能电站出力的二次影响； S2， 基于4维特 征选择与预测日天气状态相同或相似的特 征日； S3， 基于特 征日以及风能联合预测基础模型建立特 征日湍流预测模型； 以及 S4， 基于所述特 征日湍流预测模型进行新能源电站出力联合预测。 2.根据权利要求1所述的一种基于 高原山地多模型区域多尺度新 能源电站出力联合预 测方法， 其特 征在于， 所述S1建立 风能联合预测基础模型包括： S11， 数据处 理， 包括： (1)一些缺失的数据点通过插值算法填充， 而且一段时间内遗失的数据被放弃和需要 修改异常值以满足高质量要求； (2)错误数据采用临界值方法进行剔除； S12， 进行气象变量选 择， 将历史风电数据定义为{x}， 将NWP的气象数据定义为{xp}， p是 气象变量的数量； 气象选择采用格兰杰因果关系检验方法， 并且进行F检验判断； 对所有气 象变量重复该测试， 最终选择用于风力预测的有效变量； S13， 分析输入量并处理重建数据， 包括： 包含历史值的向量联合预测处理， 预测模型参 见公式(1)所示： Vn+1＝f(Vn)  (1) 式中， Vn是重建相空间中的相位点， 并且包含根据假设预测Vn+1所需的信息； Vn的结构用 式(2)表示： Vn＝(xn， xn‑τ，…， xn‑(m‑1)τ)  (2) 式中s是延迟时间， m是 嵌入式维度。 Vn包含(m‑1)*τ 的采样间隔的历史信息， 但其维度仅 为m； S14， 建立基于每个变量的单变量模型， 将重建数据作为输入以及风能出力作为输出， 根据公式建立一个气象变量的SVR模型， 训练集Tset如式(3)所示， 其中， xi  e Rn是输入； 和 yi Y＝R是输出， i ＝1， 2，…l， l表示样本数； Tset＝{(x1， y1)， (x2， y2)，…(xl， yl)}∈(Rn×r)l  (3)； SVR预测模型定义 为式(4)： f(Xi)‑yi≤ ε+ξi s.t. y‑f(Xi)≤ ε+ξi ξi， ξi*≥0， i＝1， 2，…， l    (4)； 式中， ε≥0是一个不敏感的损耗因子， 保持f(x)和y之间的误差小于ε； 考虑随机误差， 放松因子ξi， ξi*和惩罚因子C被引入到目标函数中， 在非线性分析中， 内积(xi， xj)可以被核 函数K(xi， xj)替换， 将核函数用于不同的单变量模型， 以不同的表达变量对联合预测的影 响； 所述核函数包括RBF， Spl ine和Sigmo id；权　利　要　求　书 1/4 页 2 CN 114444757 A 2S15， 建立结合多变量模型， 采用数据挖掘算法组合p个单变量模型的结果， 评估后选择 最佳组合模型； 所述多变量模型如式(5)所示。 y＝(y1， y2)＝f(x1， x2，…， xn)  (5)； 其中， xp是pth变量； y是 预测的联合出力， f(*)是 预测模型。 3.根据权利要求1所述的一种基于 高原山地多模型区域多尺度新 能源电站出力联合预 测方法， 其特 征在于， 所述S2的所述 4维特征包括： (1)波动指数： 地表、 地外辐射度差值序列的方差， 波动指数用于描述地表辐照度相对 于地外辐照度的波动规律， 天气越晴朗， 波动指数越小， 反之天气变化越剧烈， 波动指数越 大； (2)晴朗因子： 地外辐照度能量熵与地表辐照度能量熵之差。 晴朗因子描述辐照度的能 量分布， 晴朗因子越小， 表明地外、 地表辐照度波形越接 近， 天气越晴朗； (3)湿度指数： 观测日最大湿度与最小湿度之差； (4)温度指数： 观测日最高气温与最低气温之差 。 4.根据权利要求1所述的一种基于 高原山地多模型区域多尺度新 能源电站出力联合预 测方法， 其特 征在于， 所述S3包括： S31， 构建湍流神经网络， 将网络的权值和模型宽度以实数向量的形式进行编码， 作为 基于特征日粒子群算法种群中的粒子； S32， 基于特 征日粒子群算法初始化， 即对每 个粒子的初始位置和初始速度进行设置； S33， 将湍流神经网络的输出值与期望值的误差作为基于特征日粒子群算法中每个粒 子的适应度函数， 据此计算得到每个粒子经历的最优位置Pi和整个种群精力的最优位置 Ps； S34， 对每 个粒子的位置和速度信息进行 更新； S35， 检验是否满足迭代终止条件， 即迭代次数是否达到预设值或者误差是否小于预设 值， 若满足， 则迭代终止， 得到湍流神经网络的最优权值和模型宽度， 否则跳转至步骤S3 3。 5.根据权利要求1所述的一种基于 高原山地多模型区域多尺度新 能源电站出力联合预 测方法， 其特 征在于， 所述特 征日湍流预测模型对于风力发电场侧包括： 为了满足单风机电功率预报的需求， 在天气预报模型的基础上引入湍流模型， 具有显 式计算能力的湍流预报模型将数值预报的有效精度提高到单风机尺度， 从而对风场内部的 具体环流给出更加优化的预测， 从而区分风机之间的风速分布差异， 所述湍流预报模型是 一个非线性预报模型， 包含对非线性方程组和时间求导项， 对大气动能及其扰动余项进行 定义： 从而能量守恒方程可以改写为： 在此基础上， 通过使用Ed dy‑Visconsity进行对方程的数值预报求 解：权　利　要　求　书 2/4 页 3 CN 114444757 A 3