一种混合KNN风电功率预测方法及系统技术方案

本发明专利技术公开了一种混合KNN风电功率预测方法及系统，获取输入数据，将预测某天日期之前的气象数据主要包括温度、湿度、风速、风向、功率作为训练输入数据；将输入数据输入至预先训练好的结合分形思想理论和KNN算法的混合KNN风电功率预测模型；输出风电功率的预测数据。优点：本发明专利技术利用分形插值思想可以更有效保存相邻样本的局部信息，使得样本大部分特征通过插值曲线得到有效保留，再结合自定义的KNN算法，使得模型相对简单、复杂度低、预测性能提升，为风电功率预测精度提升提供一种有效途径，同时减小风电并网对电网稳定性造成的影响。

【技术实现步骤摘要】
一种混合KNN风电功率预测方法及系统
本专利技术涉及一种混合KNN风电功率预测方法及系统，属于风力及太阳能发电

技术介绍
近年来，国家加大对清洁能源的支持，我国的风力发电事业得到迅猛发展，同时地球上的化石能源正在逐渐消耗殆尽，新能源的研发利用势在必行。其中风能资源的优点较多，比如范围广、几乎无污染、可重复利用等，俨然已成为最有潜力的新能源之一。但自然风的特点是随机性和间歇性较强，当大规模集中并网时，会对电网的稳定运行带来一定的威胁。准确预测未来一段时间的风电功率，对电力调度及安全运行具有重要意义。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种混合KNN风电功率预测方法及系统。为解决上述技术问题，本专利技术提供一种混合KNN风电功率预测方法，获取输入数据，将预测某天日期之前的气象数据主要包括温度、湿度、风速、风向、功率作为训练输入数据；将输入数据输入至预先训练好的结合分形思想理论和KNN算法的混合KNN风电功率预测模型；输出风电功率的预测数据。<br>进一步的，所述本文档来自技高网...

【技术保护点】
1.一种混合KNN风电功率预测方法，其特征在于，/n获取输入数据，将预测某天日期之前的气象数据主要包括温度、湿度、风速、风向、功率作为训练输入数据；/n将输入数据输入至预先训练好的结合分形思想理论和KNN算法的混合KNN风电功率预测模型；/n输出风电功率的预测数据。/n

【技术特征摘要】
1.一种混合KNN风电功率预测方法，其特征在于，
获取输入数据，将预测某天日期之前的气象数据主要包括温度、湿度、风速、风向、功率作为训练输入数据；
将输入数据输入至预先训练好的结合分形思想理论和KNN算法的混合KNN风电功率预测模型；
输出风电功率的预测数据。


2.根据权利要求1所述的混合KNN风电功率预测方法，其特征在于，所述混合KNN风电功率预测模型的构建过程包括：
获取风电场历史某段时间的风电功率数据的原始数据集，根据时间序列将原始数据集分为前后两部分，其中前一部分作为训练集，另一部分作为验证集；
对原始数据集进行分形插值处理，得到分形维数结果集；
根据分形维数结果集、训练集和验证集进行混合KNN风电功率预测模型训练，确定最优模型。


3.根据权利要求2所述的混合KNN风电功率预测方法，其特征在于，所述对原始数据集进行分形插值处理，得到分形维数结果集的过程包括：
从原始数据集中获取数据特征，所述数据特征包括时间序列、气象温度、风速、风向、可用出力五个维度的数据；
使用熵最大离散化方法，对可用出力数据、气象温度、风速、风向数据进行离散化处理，得到离散化数据；
根据所述离散化数据，计算可用出力数据、气象温度、风速、风向的分形维数，确定分形维数结果集。


4.根据权利要求2所述的混合KNN风电功率预测方法，其特征在于，所述根据分形维数结果集、训练集和验证集进行混合KNN风电功率预测模型训练，确定最优模型的过程包括：
根据得到的分形维数结果集、训练集在满足循环的条件下，不断迭代对模型进行训练，得到初始模型，再采用全网格搜索法优化KNN算法中的K值和权重系数，在验证集中以决定系数r2_score值作为评价指标，r2_score值越趋近于1，说明模型越好，r2_score值越趋近于0，说明模型越差，通过不断迭代，保存最优模型参数，得到最优模型。


5.根据权利要求4所述的混合KNN风电功率预测方法，其特征在于，设置模型过期时间为15天，训练预测日前15天的风电功率数据，加载上一步得到的最优模型参数，将训练后的数据模型保存至本地；
输入预测日期前一天的风速、风向、温度、湿度气象信息，加载上一步训练好的数据模型，得出预测的功率值。

<...

【专利技术属性】
技术研发人员：李昂儒，季学纯，高尚，季堃，李慧辉，李森，许寒阳，任敏浩，
申请(专利权)人：国电南瑞科技股份有限公司，国电南瑞南京控制系统有限公司，
类型：发明
国别省市：江苏;32