[发明专利]一种计及风机状态的风电功率超短期预测的方法

权利要求书

1.一种计及风机状态的风电功率超短期预测的方法，其特征在于，包括以下步骤：

步骤1、采集原始风机运行数据，并对所述风机运行数据进行缺失数据处理，得到风机运行数据；

步骤2、利用灰色关联度分析对风机运行数据进行关联度分析，并选取关联度较强的参量作为评估风机状态的数据源；

步骤3、利用BP-AHP法对风电场状态进行评估，得到风电场状态，然后将所述风电场状态对步骤1处理后的风电场运行数据进行重组，得到风电场的重组实验数据；

步骤3具体包括以下步骤：

步骤3.1、利用AHP算法计算中间层对最高层、中间两层之间的相对权重；

步骤3.2利用BP算法计算最低层对中间层的相对权重；

步骤3.3、将所述最低层对中间层的相对权重与中间层对最高层、中间两层之间的相对权重递阶相乘得到最低层对最高层的权重向量；

步骤3.4、利用最低层对最高层的权重向量对单台风机状态进行量化评估；

步骤3.5、根据步骤3.1-3.4，借助python批量数据处理平台依次对每台风机进行状态评估，将全部风机状态的均值作为风电场状态；

步骤3.6、将步骤3.5中所得风电场状态加入步骤1处理后的风电场运行数据作为风电场状态数据，以t+1时刻气象信息、t时刻风电场状态数据、t时刻风电场功率作为输入，以t+1时刻风电场功率作为输出，得到风电场的重组实验数据；

步骤3.1具体包括以下步骤：

步骤3.1.1、根据AHP算法中间两层、最高层中每个元素的相对重要程度，建立判断矩阵，并对判断矩阵进行完整性检验：

W_A、W_B、W_C是由中间两层的主因素及其子因素分别构成的三个判断矩阵；其中，W_A中的a,b分别代表外界因素和风机性能，W_B中的x,y分别代表环境因素和电网因素，W_C中的c,e,d,f依次代表机舱、齿轮箱、发电机、偏航系统；每个判断矩阵中的元素w_ij表示i因素对于j因素的重要程度；

根据公式(5)对判断矩阵进行完整性检验：

步骤3.1.2、对每个判断矩阵按列向量进行归一化得到归一化矩阵，然后对所述归一化矩阵求行和并归一化得权重向量w_m，根据Aw_m＝λw_m式求得最大特征值的近似值λ_max，其中A为判断矩阵；根据公式(6)计算一致性指标CR

上式中，RI表示平均随机一致性指标；

当CR0.1时，判断矩具有满意的一致性，则归一化后的权重向量w_m为各元素的权重系数；否则对判断矩阵进行调整，直至满足一致性检验；

步骤3.2具体包括以下步骤：

步骤3.2.1、利用BP算法构建风机运行数据与功率之间的映射关系：

上式中，x_i为第i个输入参量，w_i为该输入参量对应的权重，y为风机功率，f为激活函数；

步骤3.2.2、利用风机运行数据训练BP网络，从最优的模型中导出每个风机运行数据对应的权重w_i，再根据公式(8)对每个权重进行归一化得到权重向量w_l：

步骤3.4根据公式(9)对单台风机状态进行量化评估：

上式中，x_gT为风机在T时刻的第g个运行参量，T为时间点，g为参量个数，v为风机状态；

步骤4、利用所述重组实验数据对XGBoost模型进行训练，并对模型参数进行优化，得到风电功率预测结果。

2.根据权利要求1所述的一种计及风机状态的风电功率超短期预测的方法，其特征在于，步骤1具体包括以下步骤：

步骤1.1、利用pandas工具将每台风机的原始风机运行数据依次导入python，对所述原始风机运行数据的“时间”列进行差分，通过差分值大小判定缺失值位置，将每台风机原始风机运行数据的缺失位置形成统计表；

步骤1.2、对所述统计表取并集作为公共缺失位置，依次删除每台风机的原始风机运行数据中公共缺失位置处所对应的数据，保证各风机数据量相等以及时间点一一对应，得到每台风机的风机运行数据。