[发明专利]一种建立风电功率预测模型的方法及装置

说明书

本发明实施例提出一种建立风电功率预测模型的方法及装置和风电功率预测方法及装置，涉及电力系统风电功率预测领域。该方法及装置通过对获取的历史风功率参数以及对应的历史风功率进行归一化处理以获得训练样本以及输出样本，并以预存储的高斯函数作为径向基函数并以线性型激活函数作为输出函数，建立径向基神经网络，然后采用K‑均值聚类算法并基于训练样本对径向基神经网络进行训练以确定径向基函数中心，同时采用最小二乘法递推法并基于训练样本以及输出样本确定径向基函数权值，从而建立风电功率预测模型，能够有效地避免风电功率的不确定性，从而为调度人员提供准确的预测信息。

技术领域

本发明涉及电力系统风电功率预测领域，具体而言，涉及一种建立风电功率预测模型的方法及装置和风电功率预测方法及装置。

背景技术

风能取之不尽，用之不竭，与传统能源相比具有可再生、低成本，没有污染物和碳排放等优点，同时其规模化和商业化的开发前景和清洁的利用方式，都使得风能资源的发电、传输及使用相关技术成为目前行业的研究热点。但由于风能的随机性和不确定性，当大规模风电并网时，其对电网电能质量将造成重要影响。精确的风电功率预测对电力系统的调度、维护和规划十分重要。

传统的风电功率预测发方法有支持向量机法、模糊集法和组合预测方法等。但这些传统方法不能有效地反应风电功率的不确定，所以其提供给运行调度人员的信息不够准确。

发明内容

有鉴于此，本发明的目的在于提供一种建立风电功率预测模型的方法及装置和风电功率预测方法及装置，以解决上述问题。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种建立风电功率预测模型的方法，所述建立风电功率预测模型的方法包括：

对获取的历史风功率参数以及对应的历史风功率进行归一化处理以获得训练样本以及输出样本；

以预存储的高斯函数作为径向基函数并以线性型激活函数作为输出函数，建立径向基神经网络；

采用K-均值聚类算法并基于所述训练样本对所述径向基神经网络进行训练以确定径向基函数中心；

采用最小二乘法递推法并基于所述训练样本以及所述输出样本确定径向基函数权值。

进一步地，所述采用K-均值聚类算法并基于所述训练样本对所述径向基神经网络进行训练以确定径向基函数中心的步骤包括：

从多个所述训练样本中选取任意数量个训练样本作为第一聚类中心；

确定多个所述训练样本到每个所述第一聚类中心的欧式空间距离；

基于所述欧式空间距离将多个所述训练样本分配至每个所述第一聚类中心所属的聚类集合；

计算每个所述聚类集合包含的训练样本的平均值，并以所述平均值作为第二聚类中心；

若所述第二聚类中心与所述第一聚类中心的差值小于或等于预设定的阈值，则将所述第二聚类中心确定为径向基函数中心。

进一步地，所述采用最小二乘法递推法并基于所述训练样本以及所述输出样本确定径向基函数权值的步骤包括：

采用最小二乘法递推法求解算式以确定径向基函数权值；其中，y_j为输出样本，w_ji为第i个隐节点的径向基函数到第j个输出节点的径向基函数权值，θ_j为第j个输出节点的阈值，q_i为第i个隐节点的径向基函数，且q_i＝φ(||X-c_i||),i＝1,…,k，X＝(x₁,…,x_n)^T为训练样本，c_i为第i个隐节点的中心，φ为高斯函数。