[发明专利]一种基于聚类分析和优化神经网络的风电功率短期组合预测方法

说明书

本发明公开了一种基于聚类分析和优化神经网络的风电功率短期组合预测方法，步骤如下：S1：根据风机产生的风功率大小、不同风速风向下风机效率以及尾流效应，确定出风电输出功率的影响因素；S2：根据K‑means聚类算法对输入样本进行聚类，并对输入样本进行分类；S3：建立每类输入样本对应的BP神经网络预测模型，同时通过思维进化算法，对每个BP神经网络预测模型进行优化；S4：将输入样本输入至相应的优化后的BP神经网络预测模型中，对风电功率进行预测，获得未来风机出力曲线。本发明利用思维进化算法对初始权值和阈值进行寻优，从而不仅可以对风况进行识别，为每一类分别建立预测模型，还可在提高风电功率预测速度的同时，提高预测的精度。

技术领域

本发明涉及风电功率预测技术领域，尤其涉及一种基于聚类分析和优化神经网络的风电功率短期组合预测方法。

背景技术

随着科技和产业的现代化，可再生能源使用率逐渐上升。风能是可再生能源重要的一部分，但是风力发电具有很大的随机性，制约了风力发电的大规模发展。为了更加有效地利用好风能，减少风力发电对电力系统的影响，研究精度高的、适用于风电的功率预测方法对电力行业的发展具有重要意义。

传统的BP神经网络预测方法存在易陷入局部最优、收敛速度较慢的缺点，虽然有过一些将优化算法与神经网络结合的方法，使之在精度和收敛速度方面均有提高，但是仍然存在局部收敛及优化时间较长的问题。

发明内容

发明目的：针对现有的BP神经网络预测方法存在局部收敛及优化时间长的问题，本发明提出了一种基于聚类分析和优化神经网络的风电功率短期组合预测方法。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：

一种基于聚类分析和优化神经网络的风电功率短期组合预测方法，所述风电功率短期组合预测方法包括如下步骤：

S1：根据风机产生的风功率大小、不同风速风向下风机效率以及尾流效应，确定出风电输出功率的影响因素；

S2：根据K-means聚类算法对输入样本进行聚类，并根据所述风电输出功率的影响因素，对所述输入样本进行分类；

S3：根据所述分类后的输入样本，建立每类输入样本对应的BP神经网络预测模型，同时通过思维进化算法，对每个所述BP神经网络预测模型进行优化；

S4：根据所述输入样本的所属类别，将所述输入样本输入至相应的优化后的BP神经网络预测模型中，调用所述优化后的BP神经网络预测模型的参数，对风电功率进行预测，获得未来风机出力曲线。

进一步地讲，在所述步骤S1中，所述风机产生的风功率大小、不同风速风向下风机效率以及尾流效应的计算公式，具体为：

其中：P为风机输出功率，C_p为风机的功率系数，A为风机的扫掠面积，ρ为空气密度，v为风速，η为风电的效率系数，P_m为实测风电的输出功率，P_f为风电在不受尾流影响情况下的输出功率。

进一步地讲，在所述步骤S2中，对所述输入样本进行分类，具体如下：

S2.1：根据所述风电输出功率的影响因素，确定出聚类的类别数数目；

S2.2：向K-means的风类型聚类模型中输入所述聚类的类别数数目和待聚类的样本数据对象；

S2.3：从所述待聚类的样本数据对象中，选取出初始聚类中心，所述初始聚类中心的数目和聚类的类别数数目相同；

S2.4：计算除初始聚类中心外的其他每个所述待聚类的样本数据对象和各个初始聚类中心之间的距离，并从所述距离中，选出每个所述待聚类的样本数据对象对应的最小距离，并将所述最小距离对应的初始聚类中心所属的类作为待聚类的样本数据对象的所属类；