一种考虑限电的风功率预测修正方法与流程

1.本发明属于风电功率预测技术领域，具体涉及一种考虑限电的风功率预测修正方法。


背景技术：

2.风电场在运行过程中，需要向电网报送未来七天的风场出力数据，即短期风功率预测数据，从而满足电网针对某一地区的供电调度计划，而不准确的风场风功率预测数据会增加电网实际调度运行的难度，影响电网的稳定性运行，根据电网的“双细则”政策，风功率达不到电网要求的准确度会对风场产生严重的考核。
3.随着某一地区光伏电厂和风电场不断地投入，新能源接入电网的容量不断增加，该地区的负荷及电网结构较为固定，不能够完全对新能源实现就地消纳，因此产生风场的限电情况。目前市场上的风功率预测设备都是通过预测某一地区的风速情况从而来预估风场的出力情况，申请号为201210252084.9的中国专利公开了一种短期风速、风电功率预测方法，专利号为201410768784.2的中国专利公开了一种基于风区风带风速规律的风功率预测方法，但是不同地区的限电情况不尽相同，因此风场所使用的风功率预测设备并没有将限电情况考虑进去，如此造成了风场在限电情况下，短期风功率预测数据的准确程度达不到电网要求。
4.由此，需要研究一种能够深刻挖掘风场在某地区的限电规律，提高电网的稳定性运行的风功率预测修正方法。


技术实现要素：

5.为了克服上述现有技术的不足，本发明提供了一种考虑限电的风功率预测修正方法，解决某一风场因限电因素而导致风功率预测不准确的问题。
6.本发明采用的技术方案是：本发明提供了一种考虑限电的风功率预测修正方法，其包括以下步骤，
7.步骤1.基于k-means聚类构建风功率预测的参考数据库；
8.步骤2.计算待修正风功率预测数据向量p与相应参考数据库中所有数据向量之间的相关系数；
9.步骤3.将相关系数按照小类进行划分，计算小类中相关系数的平均值的最大值集合，确定与待修正风功率预测数据向量p最相关的小类别预测数据向量集合；
10.步骤4.通过比较与p最相关的最小类别中限电天数和不限电天数，判断是否需要对p进行修正；
11.步骤5.如果对需要对p进行修正，则构建修正矩阵q，经计算得到修正后的风功率预测数据向量p
′
。
12.进一步地，步骤1中，构建过程包括以下步骤，
13.s11，将往年一整年的短期功率预测数据按照四季分为a、b、c和d四类；
14.s12，采用k-means聚类分析，以轮廓系数作为寻优标准，分别构建a、b、c和d的短期风功率预测的参考数据库。
15.进一步地，所述步骤s11中，所述短期功率预测数据为每天的风功率预测数据以15分钟为间隔，一天数据组成一个1
×
96的列向量，a、b、c和d四类数据的每一类中都包含三个月的风功率预测数据。
16.进一步地，所述步骤s12中，k-means聚类分析的方法为，对于a、b、c和d类中任意一类，分别设置不同的聚类簇数，即2、3、4......10，将该类中的风功率预测数据向量进行不同簇数设置下的k-means聚类分析，并采用轮廓系数作为每次聚类结果的评判指标，轮廓系数最大值对应的聚类为该类数据的最优聚类，a、b、c和d类的聚类簇数分别用u、v、x和y表示。
17.进一步地，所述最优聚类为：a类数据被细化分为u类数据，a1、a2......au分别为第1类、第2类......第u类中风功率预测数据向量的个数；b类数据被细化分为v类数据，b1、b2......bv分别为第1类、第2类......第v类中风功率预测数据向量的个数；c类数据被细化分为x类数据，c1、c2......cx分别为第1类、第2类......第x类中风功率预测数据向量的个数；d类数据被细化分为y类数据，d1、d2......dy分别为第1类、第2类......第y类中风功率预测数据向量的个数。
18.进一步地，步骤3中，将所述相关系数按照小类进行划分方式为：
19.如果待修正向量p对应的类为a，则计算得到的相关系数为
20.pa＝{ρ
a1_1
,ρ
a1_2
......ρ
a1_a1
}∪{ρ
a2_1
,ρ
a2_2
......ρ
a2_a2
}...∪...{ρ
au_1,
ρ
au_2
......ρ
au_au
}(4)；
21.如果待修正向量p对应的类为b，则计算得到的相关系数为：
22.pb＝{ρ
b1_1,
ρ
b1_2
......ρ
b1_b1
}∪{ρ
b2_1
,ρ
b2_2
......ρ
b2_b2
}...∪...{ρ
bv_1,
ρ
bv_2
......ρ
bv_bv
}(5)；
23.如果待修正向量p对应的类为c，则计算得到的相关系数为：
24.pc＝{ρ
c1_1,
ρ
c1_2
......ρ
c1_c1
}∪{ρ
c2_1,
ρ
c2_2
......ρ
c2_c2
}...∪...{ρ
cx_1
,ρ
cx_2
......ρ
cx_cx
}(6)；
25.如果待修正向量p对应的类为d，则计算得到的相关系数为：
26.pd＝{ρ
d1_1
,ρ
d1_2
......ρ
d1_d1
}∪{ρ
d2_1,
ρ
d2_2
......ρ
d2_d2
}...∪...{ρ
dy_1,
ρ
dy_2
......ρ
dy_dy
}(7)。
27.进一步地，步骤4中，p是否进行修正的条件是：统计与p最相关小类别中限电的天数和不限电的天数，如果不限电的天数大于限电的天数，则不对待修正风功率预测数据向量p进行修正，反之，p要进行修正，要构建修正矩阵q。
28.进一步地，步骤5中，修正矩阵q的构建方式是：定义在小类别中的限电天数为n，限电天的预测数据向量为p
1测
，p
1测
……
p
n测
，对应的实际功率数据向量为p
1实
，p
1实
……
p
n实
，则修正矩阵q的计算公式为：
[0029][0030]
步骤5中所述的p'的计算方式为：
[0031]
p'＝p-q
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0032]
式(16)中，p'即为修正后的功率预测数据向量。
[0033]
本发明的有益效果是：
[0034]
本发明通过深度挖掘某一地区风场的限电规律，提高了限电情况下风功率预测的准确性，对于降低风场因“双细则”而产生的考核提供了一定的参考价值。
附图说明
[0035]
图1为本发明公开的一种考虑限电的风功率预测修正方法流程图；
[0036]
图2为基于相关性构建风功率预测参考数据库的子流程；
[0037]
图3为风功率预测参考数据库结构图；
具体实施方式
[0038]
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如后。
[0039]
实施例1
[0040]
本发明提供了一种考虑限电的风功率预测修正方法，如图1所示，其包括以下步骤，
[0041]
步骤1.基于k-means聚类构建风功率预测的参考数据库；
[0042]
步骤2.计算待修正风功率预测数据向量p与相应参考数据库中所有数据向量之间的相关系数；
[0043]
所述待修正风功率预测数据向量p为从风场的风功率预测系统中直接获取的，是1*96的列向量，相关系数计算方式都来源于公式(1)
[0044][0045]
步骤3.将相关系数按照小类进行划分，计算小类中相关系数的平均值的最大值集合，确定与待修正风功率预测数据向量p最相关的小类别预测数据向量集合；
[0046]
步骤4.通过比较与p最相关的最小类别中限电天数和不限电天数，判断是否需要对p进行修正。
[0047]
步骤5.如果对需要对p进行修正，则构建修正矩阵q，经计算得到修正后的风功率预测数据向量p
′
。
[0048]
实施例2
[0049]
本实施例在实施例1的基础上进行了进一步限定。
[0050]
本实施例步骤1中，基于相关性构建风功率预测的参考数据库，构建数据库的方法如图2所示。构建过程包括以下步骤，
[0051]
s11，将往年一整年的短期功率预测数据按照四季分为a、b、c和d四类。所述步骤s11中，所述短期功率预测数据为每天的风功率预测数据以15分钟为采样点的间隔，一天数据组成一个1
×
96的列向量，a、b、c和d四类数据的每一类中都包含三个月的风功率预测数
据。
[0052]
s12，采用k-means聚类分析，以轮廓系数作为寻优标准，分别构建a、b、c和d的短期风功率预测的参考数据库。
[0053]
所述步骤s12中，k-means聚类分析的方法为，对于a、b、c和d类中任意一类，分别设置不同的聚类簇数，即2、3、4......10，将该类中的风功率预测数据向量，即步骤s11得到的a、b、c和d四类数据的每一类中包含的三个月的风功率预测数据，进行不同簇数设置下的k-means聚类分析，并采用轮廓系数作为每次聚类结果的评判指标，轮廓系数最大值对应的聚类为该类数据的最优聚类，a、b、c和d类的聚类簇数分别用u、v、x和y表示。
[0054]
所述最优聚类为：a类数据被细化分为u类数据，a1、a2......au分别为第1类、第2类......第u类中风功率预测数据向量的个数；b类数据被细化分为v类数据，b1、b2......bv分别为第1类、第2类......第v类中风功率预测数据向量的个数；c类数据被细化分为x类数据，c1、c2......cx分别为第1类、第2类......第x类中风功率预测数据向量的个数；d类数据被细化分为y类数据，d1、d2......dy分别为第1类、第2类......第y类中风功率预测数据向量的个数。
[0055]
以a类中的数据为例，分别设置不同的聚类簇数，即2、3、4......10，将a类中的风功率预测数据向量进行不同簇数设置下的k_means聚类分析，并采用轮廓系数作为每次聚类结果的评判指标，轮廓系数最大值对应的聚类为a类数据的最优聚类，此时的聚类簇数用u表示，则此时a类数据被细化分为u类数据，a1、a2......au分别为第1类、第2类......第u类中风功率预测数据向量的个数，其中轮廓系数的计算公式如下：
[0056][0057]
式(2)中，a(i)为i向量到所有它属于的簇中其它点的距离，b(i)为i向量到某一不包含它的簇内的所有点的平均距离，将所有点的轮廓系数求平均，就是该聚类结果总的轮廓系数，取值范围是[-1,1]。
[0058]
构建b、c、d的风功率预测参考数据库的方式与a一样，进行k-means聚类后寻优，分别可以划分为v、x和y类，其中a、b、c和d划分的类别的数目可能不相等，在每天的数据中添加相应日期风场实际发出的功率数据，并对该天是否限电做好标记，至此风功率预测的参考数据库建立完成，数据库结构特点如附图3所示。
[0059]
实施例3
[0060]
本实施例在实施例2的基础上进行了进一步限定。
[0061]
计算待修正风功率预测数据向量p与相应数据库中所有数据向量之间的相关系数，其中的相关系数计算公式为：
[0062][0063]
式(3)中，x和y为两个列向量，n＝96，根据上式即可求得p和对应类中数据向量之间的相关系数集合。
[0064]
步骤3中，所述将相关系数按照小类进行划分，划分方式为：
[0065]
如果待修正向量p对应的类为a，则计算得到的相关系数为：pa＝{ρ
a1_1,
ρ
a1_2
......ρ
a1_a1
}∪{ρ
a2_1,
ρ
a2_2
......ρ
a2_a2
}...∪...{ρ
au_1,
ρ
au_2
......ρ
au_au
}(4)；
[0066]
ρ
a1_1
为a中a1类中第1个向量与待修正向量p按照公式(3)求得的相关系数，ρ
a1_2
a中a1类中第2向量与待修正向量p按照公式(3)求得的相关系数，
[0067]
依次类推，ρ
a1_a1
为a中a1类中第a1个向量与待修正向量p按照公式(3)
[0068]
求得的相关系数，ρ
a1_au
为a中au类中第au个向量与待修正向量p按照公式(3)求得的相关系数。
[0069]
如果待修正向量p对应的类为b，则计算得到的相关系数为：
[0070]
pb＝{ρ
b1_1
,ρ
b1_2
......ρ
b1_b1
}∪{ρ
b2_1
,ρ
b2_2
......ρ
b2_b2
}...∪...{ρ
bv_1
,ρ
bv_2
......ρ
bv_bv
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)；
[0071]
ρ
b1_1
为b中b1类中第1个向量与待修正向量p按照公式(3)求得的相关系数，
[0072]
ρ
b1_2
为b中b1类中第2向量与待修正向量p按照公式(3)求得的相关系数，
[0073]
依次类推，ρ
b1_b1
为a中b1类中第b1个向量与待修正向量p按照公式(3)
[0074]
求得的相关系数，ρ
bv_bv
为a中bv类中第bv个向量与待修正向量p按照公式(3)求得的相关系数。
[0075]
如果待修正向量p对应的类为c，则计算得到的相关系数为
[0076]
pc＝{ρ
c1_1
,ρ
c1_2
......ρ
c1_c1
}∪{ρ
c2_1
,ρ
c2_2
......ρ
c2_c2
}...∪...{ρ
cx_1
,ρ
cx_2
......ρ
cx_cx
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)；
[0077]
ρ
c1_1
为c中c1类中第1个向量与待修正向量p按照公式(3)求得的相关系数，
[0078]
ρ
c1_2
c中c1类中第2向量与待修正向量p按照公式(3)求得的相关系数，依次类推，ρ
c1_c1
为c中c1类中第c1个向量与待修正向量p按照公式(3)求得的相关系数，ρ
bu_bu
为a中bu类中第bu个向量与待修正向量p按照公式(3)求得的相关系数。
[0079]
如果待修正向量p对应的类为d，则计算得到的相关系数为：
[0080]
pd＝{ρ
d1_1
,ρ
d1_2
......ρ
d1_d1
}∪{ρ
d2_1
,ρ
d2_2
......ρ
d2_d2
}...∪...{ρ
dy_1
,ρ
dy_2
......ρ
dy_dy
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)。
[0081]
ρ
d1_1
为d中d1类中第1个向量与待修正向量p按照公式(3)求得的相关系数，ρ
d1_2
为d中d1类中第2向量与待修正向量p按照公式(3)求得的相关系数依次类推，ρ
d1_d1
为d中d1类中第d1个向量与待修正向量p按照公式(3)求得的相关系数,ρ
dy_dy
为d中dy类中第dy个向量与待修正向量p按照公式(3)求得的相关系数
[0082]
举例进行说明：以pa为例进行说明，待修正向量p对应的类为a，a类包括三个月90天的数据，pa中，a1为10个数据，a2为20个数据，a3为30个数据，a4为30个数据，u取4。
[0083]
步骤3中，所述确定与待修正向量p最相关的小类别预测数据向量集合方法为：
[0084]
若p对应的类为a，相关系数平均值集合的最大值计算公式为：
[0085]
ρa＝max{ρ
′1，ρ
′2......ρ
′
au
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)；
[0086]
式(8)中，ρ
′1，ρ
′2......ρ
′
au
的公式为：
[0087][0088]
上文举例中，按照公式(9)分别得到ρ
’1为0.8、ρ
’2为0.9、ρ
’3为0.7和ρ
’4为0.3，ρ
’2为最大值，故ρa为0.2,最小类别20天。15天限电，5天不限电。获取15天的限电数据。
[0089]
若p对应的类为b，相关系数平均值集合的最大值计算公式为：
[0090]
ρb＝max{ρ
′1,ρ
′2......ρ
′
bv
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)；
[0091]
式(10)中，ρ
′1,ρ
′2......ρ
′
bv
的公式为：
[0092][0093]
若p对应的类为c，相关系数平均值集合的最大值计算公式为：
[0094]
ρc＝max{ρ
′1,ρ
′2......ρ
′
cx
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)；
[0095]
式(12)中，ρ
′1，ρ
′2......ρ
′
cx
的公式为：
[0096][0097]
若p对应的类为d，相关系数平均值集合的最大值计算公式为：
[0098]
ρd＝max{ρ
′1,ρ
′2......ρ
′
dy
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)；
[0099]
式(14)中，ρ
′1，ρ
′2......ρ
′
dy
的公式为：
[0100][0101]
如此既可以确定与待修正向量p最相关的小类别预测数据向量集合。步骤4中，p是否进行修正的条件是：统计与p最相关小类别中限电的天数和不限电的天数，如果不限电的天数大于限电的天数，说明风电场不限电的概率较大，则不对待修正向量p进行修正，反之，说明限电概率较大，功率预测数据向量p要进行修正，要构建修正矩阵q。
[0102]
步骤4中与p最相关的最小类别并非abcd，是比他们还要再细分的类别中，参见附图3。
[0103]
步骤5中，修正矩阵q的构建方式是：定义在小类别中的限电天数为n，限电天的预测数据向量为p
1测
，p
1测
……
p
n测
，对应的实际功率数据向量为p
1实
，p
1实
……
p
n实
，则修正矩阵q的计算公式为：
[0104][0105]
其中，p
1测
，p
1测
……
p
n测
为向量p对应的小类别数据库中对应的限电天数的预测向量，p
1实
，p
1实
……
p
n实
为向量p对应的小类别数据库中对应的限电电天数的实际功率，该功率可以被风场直接获得，为历史记录数据。
[0106]
步骤5中所述的p'的计算方式为：
[0107]
p'＝p-q
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0108]
式(16)中，p'即为修正后的功率预测数据向量。
[0109]
上文举例中，p
1测-p
15测
为最小类别15天限电的数据。p
1实-p
15实
为每个预测值对应一个实际的功率数据向量数据。
[0110]
目前，本发明的技术方案已经进行了中试，即产品在大规模量产前的小规模实验；中试完成后，在小范围内开展了用户使用调研，调研结果表明用户满意度较高；现在已经着手准备产品正式投产进行产业化(包括知识产权风险预警调研)。
[0111]
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

技术特征：
1.一种考虑限电的风功率预测修正方法，其特征在于，其包括以下步骤，步骤1.基于k-means聚类构建风功率预测的参考数据库；步骤2.计算待修正风功率预测数据向量p与相应参考数据库中所有数据向量之间的相关系数；步骤3.将相关系数按照小类进行划分，计算小类中相关系数的平均值的最大值集合，确定与待修正风功率预测数据向量p最相关的小类别预测数据向量集合；步骤4.通过比较与p最相关的最小类别中限电天数和不限电天数，判断是否需要对p进行修正；步骤5.如果对需要对p进行修正，则构建修正矩阵q，经计算得到修正后的风功率预测数据向量p'。2.根据权利要求1所述的一种考虑限电的风功率预测修正方法，其特征在于，步骤1中，构建过程包括以下步骤，s11，将往年一整年的短期功率预测数据按照四季分为a、b、c和d四类；s12，采用k-means聚类分析，以轮廓系数作为寻优标准，分别构建a、b、c和d的短期风功率预测的参考数据库。3.根据权利要求2所述的一种考虑限电的风功率预测修正方法，其特征在于，所述步骤s11中，所述短期功率预测数据为每天的风功率预测数据以15分钟为间隔，一天数据组成一个1
×
96的列向量，a、b、c和d四类数据的每一类中都包含三个月的风功率预测数据。4.根据权利要求2所述的一种考虑限电的风功率预测修正方法，其特征在于，所述步骤s12中，k-means聚类分析的方法为，对于a、b、c和d类中任意一类，分别设置不同的聚类簇数，即2、3、4......10，将该类中的风功率预测数据向量进行不同簇数设置下的k-means聚类分析，并采用轮廓系数作为每次聚类结果的评判指标，轮廓系数最大值对应的聚类为该类数据的最优聚类，a、b、c和d类的聚类簇数分别用u、v、x和y表示。5.根据权利要求4所述的一种考虑限电的风功率预测修正方法，其特征在于，所述最优聚类为：a类数据被细化分为u类数据，a1、a2......au分别为第1类、第2类......第u类中风功率预测数据向量的个数；b类数据被细化分为v类数据，b1、b2......bv分别为第1类、第2类......第v类中风功率预测数据向量的个数；c类数据被细化分为x类数据，c1、c2......cx分别为第1类、第2类......第x类中风功率预测数据向量的个数；d类数据被细化分为y类数据，d1、d2......dy分别为第1类、第2类......第y类中风功率预测数据向量的个数。6.根据权利要求1所述的一种考虑限电的风功率预测修正方法，其特征在于，步骤3中，将所述相关系数按照小类进行划分方式为：如果待修正向量p对应的类为a，则计算得到的相关系数为p
a
＝{ρ
a1_1,
ρ
a1_2
......ρ
a1_a1
}∪{ρ
a2_1
,ρ
a2_2
......ρ
a2_a2
}...∪...{ρ
au_1
,ρ
au_2
......ρ
au_au
}(4)；如果待修正向量p对应的类为b，则计算得到的相关系数为：p
b
＝{ρ
b1_1,
ρ
b1_2
......ρ
b1_b1
}∪{ρ
b2_1
,ρ
b2_2
......ρ
b2_b2
}...∪...{ρ
bv_1
,ρ
bv_2
......ρ
bv_bv
}(5)；如果待修正向量p对应的类为c，则计算得到的相关系数为：
p
c
＝{ρ
c1_1
,ρ
c1_2
......ρ
c1_c1
}∪{ρ
c2_1
,ρ
c2_2
......ρ
c2_c2
}...∪...{ρ
cx_1
,ρ
cx_2
......ρ
cx_cx
}(6)；如果待修正向量p对应的类为d，则计算得到的相关系数为：p
d
＝{ρ
d1_1
,ρ
d1_2
......ρ
d1_d1
}∪{ρ
d2_1,
ρ
d2_2
......ρ
d2_d2
}...∪...{ρ
dy_1,
ρ
dy_2
......ρ
dy_dy
}(7)。7.若p对应的类为a，相关系数平均值集合的最大值计算公式为：ρ
a
＝max{ρ
′1，ρ
′2......ρ'
au
}
ꢀꢀꢀꢀ
(8)；式(8)中，ρ
′1，ρ
′2……
ρ
′
au
的公式为：的公式为：............若p对应的类为b，相关系数平均值集合的最大值计算公式为：ρ
b
＝max{ρ
′1,ρ'2......ρ'
bv
}
ꢀꢀꢀꢀꢀꢀꢀꢀ
(10)；式(10)中，ρ
′1,ρ
′2......ρ
′
bv
的公式为：若p对应的类为c，相关系数平均值集合的最大值计算公式为：ρ
c
＝max{ρ
′1,ρ'2......ρ'
cx
}
ꢀꢀꢀꢀꢀꢀ
(12)；式(12)中，ρ
′1，ρ
′2......ρ
′
cx
的公式为：
若p对应的类为d，相关系数平均值集合的最大值计算公式为：ρ
d
＝max{ρ
′1,ρ
′2......ρ
′
dy
}
ꢀꢀꢀꢀ
(13)；式(13)中，ρ
′1，ρ
′2......ρ
′
dy
的公式为：8.根据权利要求1所述的一种考虑限电的风功率预测修正方法，其特征在于，步骤4中，p是否进行修正的条件是：统计与p最相关小类别中限电的天数和不限电的天数，如果不限电的天数大于限电的天数，则不对待修正风功率预测数据向量p进行修正，反之，p要进行修正，要构建修正矩阵q。9.根据权利要求1所述的一种考虑限电的风功率预测修正方法，其特征在于，步骤5中，修正矩阵q的构建方式是：定义在小类别中的限电天数为n，限电天的预测数据向量为p
1测
，p
1测
......p
n测
，对应的实际功率数据向量为p
1实
，p
1实
......p
n实
，则修正矩阵q的计算公式为：步骤5中所述的p'的计算方式为：p'＝p-q(16)式(16)中，p'即为修正后的功率预测数据向量。

技术总结
本发明涉及一种考虑限电的风功率预测修正方法，其包括以下步骤，其包括以下步骤，步骤1.基于K-means聚类构建风功率预测的参考数据库；步骤2.计算待修正风功率预测数据向量p与相应数据库中所有数据向量之间的相关系数；步骤3.将相关系数按照小类进行划分，计算小类中相关系数的平均值集合，确定与待修正向量p最相关的小类别预测数据向量集合；步骤4.通过比较与p最相关的最小类别中限电天数和不限电天数，判断是否需要对p进行修正；步骤5.如果对需要对p进行修正，则构建修正矩阵Q，经计算得到修正后的风功率预测数据向量p


技术研发人员：谭建鑫 王宇星 秦晓亮 井延伟
受保护的技术使用者：河北建投新能源有限公司
技术研发日：2023.04.14
技术公布日：2023/7/25