[发明专利]风速误差模型的训练方法、装置及风力发电机组

说明书

本发明提供一种基于K近邻算法的风速误差模型的训练方法、装置及风力发电机组，其中，方法包括：获取预测风速值，及其对应的实际风速值；计算所述实际风速值与所述预测风速值之间的实际风速误差；以所述预测风速及其对应的所述实际风速误差作为训练样本，采用K近邻算法建立风速误差模型。本发明提供的方案能够显著提高预测风速的准确率。

技术领域

本发明涉及风电技术领域，尤其涉及一种基于K近邻算法的风速误差模型的训练方法、装置及风力发电机组。

背景技术

随着风电行业的高速发展，调度电力系统面临着巨大的挑战。在风电行业中，风速预测的准确性将直接影响功率预测结果，进而直接影响电能质量。

目前，预测风速误差的计算方法大多采用BP神经网络和SVM等回归算法建立风速误差预测模型。然而，这些算法均以拟合一条最优曲线为目标，使得所有训练数据的目标值和预测值的均方根误差最小，其训练结果往往需要权衡所有的训练数据。因此，无论采用上述何种方法建立误差预测模型，，其结果均受到输入样本的影响较大，无法确保较高的准确率。

发明内容

本发明提供了一种基于K近邻算法的风速误差模型的训练方法、装置及风力发电机组，能够显著提高预测风速的准确率。

为达到上述目的，本发明实施例提供了一种基于K近邻算法的风速误差模型的训练方法，包括：获取预测风速值，并获取对应的实际风速值；计算所述实际风速值与所述预测风速值之间的实际风速误差；以所述预测风速值及其对应的所述实际风速误差作为训练样本，采用K近邻算法建立风速误差模型。

本发明实施例还提供了一种基于K近邻算法的风速误差模型的训练装置，包括：第一数据获取模块，用于获取预测风速值，并获取对应的实际风速值；误差计算模块，用于计算所述实际风速值与所述预测风速值之间的实际风速误差；模型构建模块，用于以所述预测风速值及其对应的所述实际风速误差作为训练样本，采用K近邻算法建立风速误差模型。

本发明实施例还提供了一种风力发电机组，包括：设置有如上所述的基于K近邻算法的风速误差模型的训练装置。

本发明提供的基于K近邻算法的风速误差模型的训练方法、装置及风力发电机组，通过输入预测风速值和实际风速值，计算得到实际风速误差，并以预测风速值和实际风速误差作为训练样本，采用K近邻算法建立风速误差模型。由于采用K近邻算法，通过确定K值来决定输出结果，其预测结果主要靠周围有限的邻近的样本，不受其他样本的影响，进而减少了训练数据中其它数据对当前数据的影响，提高了模型预测的准确率。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本发明实施例提供的基于K近邻算法的风速误差模型的训练方法流程图一；

图2为本发明实施例提供的基于K近邻算法的风速误差模型的训练方法逻辑示意图；

图3为本发明实施例提供的基于K近邻算法的风速误差模型的训练方法流程图二；

图4为本发明实施例提供的用于K值选择的交叉验证方法流程图；

图5为本发明实施例提供的基于K近邻算法的风速误差模型的训练方法流程图三；

图6为本发明实施例提供的基于K近邻算法的风速误差模型的训练方法流程图四；

图7为本发明实施例提供的风速订正方法流程图；

图8为本发明实施例提供的风速订正方法逻辑示意图；

图9为本发明实施例提供的风速订正效果图；