| 主权项 |
一种风功率预测误差识别方法，其特征在于，该方法包括步骤：S1.获取风电场的风速数据、风速预测误差和风功率实测数据；S2.将步骤S1获取到的所有数据进行预处理以剔除错误的数据；S3.根据步骤S2得到的预处理后的风速数据和风功率实测数据得到风功率与风速之间的映射关系；S4.根据步骤S2得到的预处理后的风速预测误差数据得到风速预测误差的分布特性；S5.根据步骤S3得到的风功率与风速之间的映射关系以及步骤S4得到的风速预测误差的分布特性得到风速预测值与风功率预测误差平均值的关系以及风速预测值与风功率预测误差最小似然值的关系；其中，步骤S2包括：S2.1对于任意时刻，若该时刻的风速数据或风功率实测数据没有数据，或显示为NaN，则剔除该时刻风速数据和风功率实测数据；S2.2若该时刻的风速数据不在预先设定的第一范围<img file="FDA0000872552900000011.GIF" wi="252" he="84" />内，或者该时刻的风功率实测数据不在预先设定的第二范围<img file="FDA0000872552900000012.GIF" wi="250" he="78" />内，则剔除该时刻风速数据和风功率实测数据；其中，根据步骤S3得到的风功率与风速之间的映射关系以及步骤S4得到的风速预测误差的分布特性得到风速预测值与风功率预测误差平均值的关系包括：S5.1记s＝0，在所述第一范围<img file="FDA0000872552900000013.GIF" wi="253" he="78" />内随机生成一个风速预测值；S5.2根据步骤S4得到的风速预测误差分布N(μ,σ<sup>2</sup>)，随机生成一个服从所述风速预测误差分布的实数<img file="FDA0000872552900000014.GIF" wi="86" he="79" />S5.3根据<img file="FDA0000872552900000015.GIF" wi="62" he="78" />和步骤S3得到的映射关系f<sub>NN</sub>计算得到步骤5.1生成的风速预测值<img file="FDA0000872552900000021.GIF" wi="52" he="69" />对应的风功率误差，即<img file="FDA0000872552900000022.GIF" wi="590" he="94" />令s＝s+δ<sub>p</sub>；S5.4将S5.2～S5.3循环执行M次；S5.5计算所述风功率预测误差平均值E(δ<sub>p</sub>)＝s/M；S5.6将步骤S5.1～S5.5执行L次，得到L组<img file="FDA0000872552900000023.GIF" wi="254" he="93" />对应的数据，以<img file="FDA0000872552900000024.GIF" wi="47" he="63" />为BP人工神经网络的输入，E(δ<sub>p</sub>)为BP人工神经网络的输出，训练得到风速预测值<img file="FDA0000872552900000025.GIF" wi="55" he="69" />与风功率预测误差平均值E(δ<sub>p</sub>)之间的映射关系，记为<img file="FDA0000872552900000026.GIF" wi="356" he="87" />其中，根据步骤S3得到的风功率与风速之间的映射关系以及步骤S4得到的风速预测误差的分布特性得到风速预测值与风功率预测误差最小似然值的关系包括：S5.a记s＝0，在所述第一范围<img file="FDA0000872552900000027.GIF" wi="251" he="79" />内随机生成一个风速预测值；S5.b根据步骤S4得到的风速预测误差分布N(μ,σ<sup>2</sup>)，随机生成M个服从该分布的实数<img file="FDA0000872552900000028.GIF" wi="94" he="79" />i＝1,2,…M；S5.c根据<img file="FDA0000872552900000029.GIF" wi="65" he="77" />和步骤S3得到的映射关系f<sub>NN</sub>计算得到步骤5.a生成的风速预测值<img file="FDA00008725529000000210.GIF" wi="52" he="71" />对应的风功率误差，即<img file="FDA00008725529000000211.GIF" wi="604" he="85" />S5.d取M'＝[βM]，[*]符号表示取整，所述β为预先设定的概率值；S5.e将{δ<sub>p1</sub>,δ<sub>p2</sub>,…,δ<sub>pM</sub>}从小到大排序，第M'个记为风功率预测误差最小似然值<img file="FDA00008725529000000212.GIF" wi="582" he="94" />δ<sub>p</sub>为{δ<sub>p1</sub>,δ<sub>p2</sub>,…,δ<sub>pM</sub>}中的任意一个元素；S5.f将步骤S5.a～S5.e执行L次，得到L组<img file="FDA00008725529000000213.GIF" wi="658" he="95" />对应的数据,以<img file="FDA00008725529000000214.GIF" wi="46" he="63" />为BP人工神经网络的输入，<img file="FDA00008725529000000215.GIF" wi="524" he="87" />为BP人工神经网络的输出，训练得到风速预测值<img file="FDA00008725529000000216.GIF" wi="53" he="68" />与风功率预测误差最小似然值<img file="FDA00008725529000000217.GIF" wi="521" he="86" />之间的映射关系，记为<img file="FDA00008725529000000218.GIF" wi="737" he="87" /> |
