(19)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 202211206041.7 (22)申请日 2022.09.30 (71)申请人 国网河南省电力公司经济技 术研究 院 地址 450000 河南省郑州市二七区嵩 山南 路87号院办公区C楼1-10层 (72)发明人 宋大为　张伟剑　狄立　王世谦　 李秋燕　王圆圆　卜飞飞　华远鹏　 韩丁　贾一博　王涵　 (74)专利代理 机构 北京博智杰知识产权代理事 务所(特殊普通 合伙) 11929 专利代理师 尹春雷 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 50/06(2012.01) H02J 3/00(2006.01) (54)发明名称 基于PCA-BP-SSA算法的风电功率复合预测 方法 (57)摘要 基于PCA‑BP‑SSA算法的风电功率复合预测 方法， 属于风力发电技术领域， 采用主成分分析 和麻雀搜索算法优化的BP神经网络方法预测风 电功率。 先获取各类气象数据的历史值， 采用主 成分分析方法提取影响功率预测的主成分量， 再 将所提取的数据输入BP神经网络， 构建训练样本 集， 采用麻雀 搜索算法优化BP神经网络的权值和 阈值， 将训练得到的权值和阈值输入BP神经网 络， 再采用自适应学习率的BP神经网络进一步训 练， 最终得到最优模型。 将得到的风电功率预测 数据进行反归一化处理， 得到最终预测值， 将最 终预测值与实际值对比分析， 评估优化后模型的 预测性能。 本发明预测更加准确， 解决了训练过 程收敛速度慢和容 易陷入局部极小值的问题。 权利要求书3页 说明书8页 附图2页 CN 115496187 A 2022.12.20 CN 115496187 A 1.基于PCA ‑BP‑SSA算法的风电功率复合预测方法， 其特 征在于， 包括以下步骤： S1： 从风电功率预测系统的数据处理模块中获取指定时间范围内的基础数据， 包括： 风 电机输出功率， 单位kW； 风速， 单位m/s； 风向的正弦值； 风向的余弦值； 气温， 单位℃； 大气 压 强， 单位kPa； 以及湿度， 单位％RH； S2： 采用主成分分析减少各种气象信息的信息冗余， 通过协方差分析与特征计算消除 输入变量间的相关 关系， 并保留原 始变量的主 要信息； S3： 初始化BP神经网络模型的模型参数， 将经过主成分分析后的气象信息进行预处理 作为模型输入， 构建三层BP神经网络， 以输出功率作为模型的预期输出， 进行模型训练， 训 练过程中， 采用麻雀搜索算法计算每个麻雀的适应度， 并更新发现者、 加入者和侦查者的位 置， 直至得到最优位置和最佳适应度值， 然后分别赋值给BP神经网络模型作为权值和阈值； S4： 在步骤S3得到BP神经网络的最优初始权值和阈值的基础上， 进一步采用自适应学 习率算法进行BP神经网络训练， 最终得到多重优化的BP神经网络模型； S5： 将多重优化后的BP神经网络模型得到的风电功率预测数据进行反归一化处理， 得 到最终的预测值； S6： 将最终的预测值与实际值进行对比分析， 评估 优化后模型的预测性能。 2.根据权利要求1所述的风电功率复合预测方法， 其特征在于， 步骤S2中所述主成分分 析的步骤 包括： S2‑1： 确定样本数为 n， 选取的气象信息数目为p， 相应的原 始数据矩阵Xn×p如下： S2‑2： 对气象信息进行零均值归一 化， 得到标准 化矩阵公式： 式中： yij为各量归一 化后的结果； S2‑3： 建立相关矩阵R， 计算 其特征值 λ和特 征向量α： 式中： R的特征值 λ和对应的特 征向量α 分别为 λ1≥λ2≥,L,≥λp αi＝( α1, α2,L, αp)； S2‑4： 计算方差贡献率βi和累积方差贡献率β(i)：权　利　要　求　书 1/3 页 2 CN 115496187 A 2S2‑5： 求出主成分Z＝Xα； 累计方差贡献率β(s)大于一定数值c时， 以Z1,Z2,Z3,L,Zs来代替X1,X2,X3,L,Xp。 3.根据权利要求1所述的风电功率复合预测方法， 其特征在于， 步骤S3中麻雀搜索算法 所述发现者的位置更新表达式为： 式中， t为当前迭代 次数； j＝1,2,3,L,d， d表示待优化问题变量的维数； 为迭代t次 时第i只麻雀的第j维的位置； itermax为最大迭代次数； α 为[0， 1]之间的随机数； R2∈[0,1] 和ST∈[0.5,1]分别为警报值和安全阈值； Q为服 从正态分布的随机数； L表 示一个1×d的矩 阵， 该矩阵内每一个元 素全部为1。 4.根据权利要求1所述的风电功率复合预测方法， 其特征在于， 步骤S3中麻雀搜索算法 所述加入者的位置更新表达式为： 式中， Xp是目前发现者所占据的最优位置， 为第t次迭代全体最差位置； 为第t +1次迭代发现者的最佳位置； A 为与输入维度相同的1 ×d维矩阵， 其中每个元素随机 分配为 1或‑1、 且A+＝AT(AAT)‑1； 当 时， 适应度较低的第i个加入者没有获得食物， 处于十分饥 饿的状态， 需要飞往其 他地方觅食， 以获得 更多的能量， n 为麻雀的数量。 5.根据权利要求1所述的风电功率复合预测方法， 其特征在于， 步骤S3中麻雀搜索算法 所述侦查 者的位置更新表达式为： 式中， 是第t次迭代的全局最优位置； λ作为步长控制参数， 是服从均值为0， 方差为 1的正态分布的随机数； J是[ ‑1， 1]之间的随机数； fi和fw为全局最 佳适应度值和最差适应度 值； ε定义 为最小的常数， 以避免分母出现零。权　利　要　求　书 2/3 页 3 CN 115496187 A 3