[发明专利]基于改进K-means聚类与支持向量机的风功率预测方法

权利要求书

1.一种基于改进K-means聚类与支持向量机的风功率预测方法，其特征在于，包括以下步骤：

步骤一：采集一天内各个时段的风速幅值，并构造风速幅值的数据样本；

步骤二：对数据样本进行归一化处理；

步骤三：运用改进K-means聚类方法，将一年时间段内的数据样本进行聚类，得到类别总数C,所述类别总数C根据风速自适应变化；

步骤四：根据设定的时间尺度，将步骤三中聚类后的数据样本按L个连续时间段进行统计，得到L个连续时间段样本；

步骤五：按照步骤二中的方法对连续时间段样本进行归一化处理后，按照步骤三中的方法对连续时间段样本进行聚类，得到M类数据集；

步骤六：采用支持向量机针对每一类数据集训练对应的模型，建立短期风功率预测模型；

步骤七：引入实时风电出力数据和数值天气预报数据到短期风功率预测模型中，得到超短期风功率预测值，引入实时风功率，并对超短期风功率预测值和实时风功率采用权重的方法进行修正，得到超短期风功率预测模型；

步骤八：向短期风功率预测模型和超短期风功率预测模型输入预测日及预测日前若干天的风电出力数据和数值天气预报数据，得到短期风功率预测和超短期风功率预测的风功率结果。

2.如权利要求1所述的基于改进K-means聚类与支持向量机的风功率预测方法，其特征在于，所述步骤一中构造的数据样本如下:

a＝(a_s1,a_s2,…,a_sH,a_smax,a_smin,a_smean,a_sstd)

式中：a_s1,a_s2,…,a_sH为一天内若干节点风速的值；a_smax为日风速最大值；a_smin为日风速最小值；a_smean为日风速平均值；a_sstd为日风速的标准差。

3.如权利要求1所述的基于改进K-means聚类与支持向量机的风功率预测方法，其特征在于，所述步骤二中，所述归一化方法的公式为：

式中，b_ij为第j个物理量中的第i个采样值；b_jmin为第j个物理量中的最小值；b_jmax为第j个物理量中的最大值。

4.如权利要求1所述的基于改进K-means聚类与支持向量机的风功率预测方法，其特征在于，所述步骤三中改进K-means聚类的步骤如下：

3.1:设初始类别c＝1,初始化所有数据样本的聚类中心；

3.2:当聚类类别c＝C'时，在聚类结果中筛选样本容量最大的一类，将其聚类的中心点z_w分裂为对称的两个点z_w-ε和z_w+ε，由此聚类的类别总数增加为c＝C'+1；

3.3:根据新划分的聚类中心，对数据样本进行重新归类；

3.4:根据重新归类结果，利用步骤3.2中的方法重新调整各个聚类中心的位置；

3.5:重复步骤3.3至3.4，直至各个聚类中心不再移动；

3.6:重复步骤3.2至3.5，直至将所有数据样本进行分类。

5.如权利要求4所述的基于改进K-means聚类与支持向量机的风功率预测方法，其特征在于，所述步骤3.5中，当聚类的中心点z_w分裂的两个点的距离小于设定的正数δ时，即满足|z_w+ε-(z_w-ε)|＜δ收敛条件时，则认定各个聚类中心不再移动。

6.如权利要求1所述的基于改进K-means聚类与支持向量机的风功率预测方法，其特征在于，所述步骤四中设定的时间尺度为周、半月和月三个时间尺度中的一个。