[发明专利]基于连续时段聚类的风电功率预测方法

说明书

本发明涉及机器学习和风力发电领域，特别涉及基于连续时段聚类的风电功率预测方法。包括，在基于相似日预测方法的基础上，分别采用Elman神经网络和支持向量机作为预测模型，进行迭代预测，确定相似时段长度：结合功率向量和气象信息，根据相似时段长度，通过两阶段搜索策略，确定相似度衡量标准，在历史数据中寻找最佳相似时段集合；基于Elman神经网络，创建风电功率预测模型，将所得到的最佳相似时段集合作为训练数据，通过风电功率预测模型进行迭代计算，完成未来时段的风电功率预测。本发明在相似日预测方法的基础上引入气象因素，采用基于聚类‑分类的相似时段选取策略，可以快速地寻找最佳相似时段集合，提高预测精度和准确率。

技术领域

本发明涉及机器学习和风力发电领域，特别涉及基于连续时段聚类的风电功率预测方法。

背景技术

随着世界能源的减少，可再生新能源的研发和利用成为当务之急。风能具有范围广、可再生和无污染等优点，逐步成为最具发展前景的能源。但自然风具有随机性和间歇性，大规模风电集中接入时会对电网的安全稳定运行带来威胁，风电功率预测是解决这一难题的有效途径。

常用的风电功率预测方法有物理法和统计法，物理法不依赖风电场的历史数据，只需要风电场详细的物理信息和数字天气预报数据对风电场所在地进行物理建模。但由于风电场输出功率受到当地环境因素的影响，且不同时刻的地理环境因素有较大的差异，导致物理法普适性较差，很难推广。统计法则利用学习模型，在历史数据中获取输入数据(风速、风向、天气类型等)与风功率之间的映射关系，比较常见的方法有人工神经网络和支持向量机等。但由于电力系统及风速均为复杂的非线性动态过程，很难准确地描述实际情况。

基于相似日的预测作为一种有效方法，已被广泛应用到负荷预测和光伏预测中，并取得了不错的效果，一些学者也尝试将其引入到风电功率预测中。通过对历史风速数据进行无监督聚类来选择相似日，解决了聚类中存在的硬划分的问题。但无监督聚类方法对样本的依赖性较大，容易产生过多的分类，预测的精度难以保障；通过将相似日细分为“相似时段”，先寻找预测时刻前12h变化相似的风电功率曲线作为“基准段”，再寻找与预测时刻后12h变化相似的日特征向量作为“预测段”，实现了层次预测，但在建立模型时，只考虑到了相似日功率之间的对应关系，并没有考虑到基准功率曲线和气象特征值的影响。

发明内容

针对上述问题，本发明提出了基于连续时段聚类的风电功率预测方法，包括：

步骤1：在相似日预测方法的基础上，选择过去一年的历史功率值集合为训练集，未来3个月的功率值集合为测试集，采用Elman神经网络和支持向量机作为预测模型，分别进行迭代预测，根据不同长度的相似时段预测误差，确定相似时段长度；

步骤2：结合历史功率和气象信息，根据步骤1所得的相似时段长度，采用两阶段搜索策略，在第一阶段搜索时，首先在历史功率和气象信息中提取功率向量、气象特征向量，其次，对所有功率向量进行特征提取，并采用K-means算法进行聚类，最后，通过对功率向量进行分类，确定其所属的类簇；在第二阶段搜索时，结合气象信息确定相似度衡量标准，在历史气象数据中寻找最佳相似时段集合；

步骤3：基于Elman神经网络，创建风电功率预测模型，将步骤2所得到的最佳相似时段集合作为训练数据，通过风电功率预测模型进行迭代计算，完成未来时段的风电功率预测。

所述步骤1具体包括：将相似时段长度分别设置为6、12、18和24小时，每日的功率误差e_MAPE为：

其中，p_i为实际功率；为预测功率；p_cap为风机开机容量；N_p为每日预测数据个数，

预测模型的平均功率误差为：

其中，M_p为预测天数，是第j日的误差结果，