(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111605135.7 (22)申请日 2021.12.24 (71)申请人 中国华能集团清洁能源技 术研究院 有限公司 地址 102209 北京市昌平区北七家未来科 技城华能人才创新创业基地实验楼A 楼 (72)发明人 杨博宇　蔡安民　林伟荣　焦冲　 许扬　张林伟　李力森　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 代理人 王艾华 (51)Int.Cl. G06Q 10/04(2012.01) G06N 20/00(2019.01)G06K 9/62(2022.01) G06Q 50/06(2012.01) (54)发明名称 一种基于机器学习的风电场风速预测方法 (57)摘要 本发明公开了一种基于机器学习的风电场 风速预测方法， 包括以下过程， 获取风电场的历 史数据； 对获取的历史数据进行降维处理； 对降 维处理后的数据进行风速相关性 分析； 根据风速 相关性分析结果建立线性回归模 型， 基于建立的 线性回归模型预测风电场中的特定风力发电机 组的风速。 通过对风电场 历史数据进行降维和相 关性分析以及基于机器学习法进行回归分析建 模， 可以较为精准的预测某个特定风力发电机组 的风速。 通过获取风电场的历史数据； 对获取的 历史数据进行降维处理； 对降维处理后的数据进 行风速相关性分析； 根据风速相关性分析结果建 立线性回归模 型， 并基于建立的线性回归模型来 预测风电场中的特定风力发电机组的风速 。 权利要求书1页 说明书6页 附图1页 CN 114254834 A 2022.03.29 CN 114254834 A 1.一种基于机器学习的风电场 风速预测方法， 其特征在于， 包括以下过程， 获取风电场 的历史数据； 对获取的历史数据进 行降维处理； 对降维处理后的数据进 行风速相关性分析； 根据风速相关性分析结果建立线性回归模型， 基于 建立的线性回归模型预测风电场中的特 定风力发电机组的风速 。 2.根据权利要求1所述的一种基于机器学习的风电场 风速预测方法， 其特征在于， 所述 风电场的历史数据为 不少于12个月的机组运行工况 数据。 3.根据权利要求1所述的一种基于机器学习的风电场 风速预测方法， 其特征在于， 采用 PCA主成因分析 方法进行 数据降维处 理， 去除风电场历史数据中的相关性 参数。 4.根据权利要求1所述的一种基于机器学习的风电场 风速预测方法， 其特征在于， 采用 KNN近邻算法构建模型进行风速相关性分析。 5.根据权利要求1所述的一种基于机器学习的风电场 风速预测方法， 其特征在于， 采用 KNN近邻算法进行风速相关性分析 具体包括以下 过程， 步骤1， 准备风机风速数据， 对风机风速数据进行 预处理； 步骤2， 将预处 理后的风机风速数据分为训练元组和 测试元组； 步骤3， 预设参数k； 步骤4， 维护一个大小为k的按距离由大到小的优先级队列， 用于存储最近邻训练元组， 随机从训练元组中选取k个元 组作为初始的最近邻元组， 分别计算测试元组到这k个元组的 距离， 将训练元组标号和距离存 入优先级队列中； 步骤5， 遍历训练元组集， 计算当前训练元组与测试元组的距离， 将所得距离L与优先级 队列中的最大距离Lmax进行比较； 若L>＝Lmax， 则舍弃该元组， 遍历下一个元组； 若L<Lmax， 删除优先级队列中最大距离的元组， 将当前训练元组存 入优先级队列； 步骤6， ,遍历完毕， 计算优先级队列中k个元组的多数类， 并作为测试 元组的类别； 步骤7， 测试元组集测试完毕后计算误差率， 继续设定不同的k值重新进行训练， 取误差 率最小的k值， 确定风力发电机组风速的相关性。 6.根据权利要求5所述的一种基于机器学习的风电场 风速预测方法， 其特征在于， 步骤 1中， 对风电场的风机风速数据进行预处理， 预处理过程包括筛除停机数据， 检修数据和空 值。 7.根据权利要求1所述的一种基于机器学习的风电场 风速预测方法， 其特征在于， 当风 场中某一台风机出现故障时， 对风速风向仪失效的机组的风速进行解算； 同时中央控制系 统监测该台风机的风功 率曲线， 如果风功 率曲线出现异常， 则认为风速解算出现较大偏 差， 则立即控制风机停机； 若风功率 曲线未出现异常， 则中央控制系统认定风速预测系统解算 准确， 则风机保持运行。 8.根据权利要求1所述的一种基于机器学习的风电场 风速预测方法， 其特征在于， 建立 线性回归 模型之后， 采集实时机组的运行 数据， 使用强化学习方法提炼线性回归 模型。权　利　要　求　书 1/1 页 2 CN 114254834 A 2一种基于机 器学习的风电场风速预测方 法 技术领域 [0001]本发明属于风电技 术领域， 具体属于一种基于 机器学习的风电场风速预测方法。 背景技术 [0002]风电技术现在已经成为全球日益增长的清洁电力市场的主要贡献， 准确可靠的风 力发电预测被广泛认 为是增加风力发电渗透率的主要原因。 由于风力发电机在户外高空运 行， 且风速风向仪在机组舱罩外， 其运行环境 非常复杂： 不仅要面对振动、 粉尘、 暴晒、 冰冻、 雨淋等各种极端条件， 海上、 滩涂风场的装机机组还要 经受长年累月的盐雾腐蚀， 风速风向 仪故障的概 率相对较高。 [0003]如图1所示， 通常情况下， 现有技术对于风力发电机风速风向失效时的应急控制方 法是： 风场内所有机组以自己为中心， 通过风场的数据采集和监视控制(S CADA)系统与其他 地理位置最近的三台机组形成小的网络； 机组正常运行时， 机组将采集到的风速风向信号 通过SCADA系统反馈给中央控制器， 中央控制器对机组包括风速风向在内的各种信息实时 进行显示； 当机组风速风向仪故障时， 首先向中央处理器报告， 中央控制器在显著 位置进行 异色显示， 向监控人员发出警告； 同时， 系统假定相近的3台风力发电机组风速风向相似， 将 相近的风力发电机组的风速风向仪的数据传回中央控制器， 中央控制器在筛选后确认1 ‑2 台风力发电机组的信息有效之后， SCADA系统依据优先级第一机组、 第二机组、 第三机组的 顺序选择风速风向数据并向中心机组发送数据， 从而使风力发电机组可以在风速风向仪故 障之后获得风速风向数据持续 运行。 [0004]然而， 现有技术仅仅是假定相邻风力发电机组的风速风向相同， 对风力发电机风 速风向仪失效进行应急控制， 并未考虑在一定距离之后的风速变化或衰减， 其预测偏差很 大， 很难满足风力发电机组的安全运行。 发明内容 [0005]为了解决现有技术中存在的问题， 本发明提供一种基于机器学习的风电场风速预 测方法， 通过对风电场历史数据进行降维和相关性分析以及基于机器学习法进行回归分析 建模， 可以较为精准的预测某个特定风力发电机组的风速 。 [0006]为实现上述目的， 本发明提供如下技 术方案： [0007]一种基于机器学习的风电场风速预测方法， 包括以下过程， 获取风电场的历史数 据； 对获取的历史数据进 行降维处理； 对降维处理后的数据进 行风速相关性分析； 根据风速 相关性分析结果建立线性回归模型， 基于 建立的线性回归模型预测风电场中的特定风力发 电机组的风速 。 [0008]优选的， 所述 风电场的历史数据为 不少于12个月的机组运行工况 数据。 [0009]优选的， 采用PCA主成因分析方法进行数据降维处理， 去除风电场历史数据中的相 关性参数。 [0010]优选的， 采用KN N近邻算法构建模型进行风速相关性分析。说　明　书 1/6 页 3 CN 114254834 A 3