[发明专利]基于连续时段聚类的风电功率预测方法

摘要

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。

主权项

基于连续时段聚类的风电功率预测方法，其特征在于，包括步骤如下，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。