CN114444378B 一种区域风电集群的短期功率预测方法 （上海电力大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114444378B(45)授权公告日2025.07.01

(21)申请号202111619538.7

(22)申请日2021.12.27

(65)同一申请的已公布的文献号申请公布号CN114444378A

(43)申请公布日2022.05.06

(73)专利权人上海电力大学

地址201306上海市浦东新区沪城环路

1851号

(72)发明人余光正刘承全汤波陆柳

沈凌旭胡越崔朝越

(74)专利代理机构上海科盛知识产权代理有限公司31225

专利代理师彭瑶

(51)Int.CI.

GO6F30/27(2020.01)

GO6F18/214(2023.01)

GO6F18/23(2023.01)

GO6F113/06(2020.01)

GO6F119/06(2020.01)

(56)对比文件

CN112507793A,2021.03.16

CN113723712A,2021.11.30

审查员孙宁

权利要求书3页说明书11页附图3页

(54)发明名称

一种区域风电集群的短期功率预测方法

(57)摘要

CN114444378B本发明涉及一种区域风电集群的短期功率预测方法，包含时空多重相似性计算和改进神经网络构建两方面，考虑时空相关性的动态特性，从长、短时间尺度计算风电场的空间相关程度，对分类出的强时空相关的子集群，建立了基于点云输入的改进混合神经网络短期预测模型实现子集群的短期功率预测；其中建立了基于改进I-CNN-BILSTM混合神经网络的时空相关性集群短期功率预测模型，并将所有时空相关子集群的短期功率预测结果累加，得到待预测时段的区域风电短期功率预测结果。与现有技术相比，本发明

CN114444378B

每过身

3e

CN114444378B权利要求书1/3页

2

1.一种区域风电集群的短期功率预测方法，其特征在于，包括下列步骤：

1)获取区域风电场历史年功率数据，构成以天为单位的风电场日功率样本集，对日功率样本集进行相似性聚类，提取风电场在长期尺度下的日功率曲线典型形态，并将不同的功率曲线形态特征定义为不同日功率模式；

2)根据年功率数据形成日功率模式序列，建立不同风电场日功率模式序列的分类矩阵Q,统计分类矩阵中不同风电场联合模式的概率分布形成估计概率矩阵P并计算估计概率矩阵的熵值，根据熵值大小将区域多风电场分类成长期出力模式相似的主集群；

3)提取主集群中各风电场在预测时刻前的历史短期功率数据，划分并识别功率波动段类型，采用波动趋势相似距离求解波动趋势相似性，进而聚类出在短期内波动趋势强相关的子集群；

4)提取子集群多风电场的历史气象数据和空间坐标数据构成输入特征矩阵，建立基于改进I-CNN-BILSTM混合神经网络的短期功率预测模型；

5)初始化神经网络权值，设定最大迭代次数；

6)构建基于点云输入的点卷积神经网络，将特征矩阵输入点卷积神经网络中进行全局特征和局部特征的提取；

7)将点CNN网络提取到的特征输入结合SSA算法的改进Attention机制中，将神经网络模型的过渡特征向量赋予不同的权重，将经过权重分配的过渡特征向量按时间步输入至BILSTM层，输出改进I-CNN-BILSTM混合神经网络的训练结果，读取训练损失曲线和误差曲线，根据收敛过程中训练集和验证集的损失曲线纵向间距，以及绝对误差的大小，进而评估网络预测结果收敛性能；

8)判断当前迭代次数是否达到设定迭代次数，若达到，则迭代终止，输出混合神经网络参数，否则，令迭代次数加一，并转到步骤4);

9)利用上述步骤训练完成的改进I-CNN-BILSTM网络进行对应子集群的短期风电功率预测，获取子集群的预测功率；

10)判断当前是否已完成所有子集群的功率预测，若达到，则进行步骤11),否则，转到步骤4)对剩余子集群进行预测；

11)对所有子集群的功率预测值进行叠加计算，得到区域总体的风电功率预测结果；基于改进I-CNN-BILSTM混合神经网络的风电集群短期功率预测模型的具体内容为：

a)利用点CNN神经网络提取集群局部与全局空间特征；

b)利用结合SSA算法的改进Attention机制实现时序间的权重分配；

c)在BILSTM网络中引入Targeted