[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

说明书

本发明公开了一种基于改进K‑means聚类与支持向量机的风功率预测方法，步骤一：构造风速幅值的数据样本，步骤二：归一化处理；步骤三：运用改进K‑means聚类方法，得到根据风速自适应变化的类别总数C；步骤四：按设定的时间尺度统计，得到L个连续时间段样本；步骤五：对连续时间段样本进行归一化处理后，聚类得到M类数据集；步骤六：采用支持向量机建立短期风功率预测模型；步骤七：引入实时数据得到超短期风功率预测值，引入实时风功率，得到超短期风功率预测模型；步骤八：输入预测日及其前若干日的风电出力数据和数值天气预报数据，得到风功率结果。本发明提供的基于改进K‑means聚类与支持向量机的风功率预测方法，聚类效果好，有很强的泛化能力和鲁棒性。

技术领域

本发明涉及风功率预测技术领域，具体地说，涉及一种基于改进K-means聚类与支持向量机的风功率预测方法。

背景技术

风力发电具有污染程度低、装机灵活、运营维护成本低等优点，已逐渐成为应用最广泛的分布式发电类型之一。然而，风力发电具有不确定性、波动性和间歇性等特性，当风电大规模接入电网时，风电输出功率的不稳定性将给系统稳定运行带来巨大挑战。

风功率预测的精度对于风电系统具有重要意义，提高风力发电输出功率的预测精度，能够有效的减少系统运行的待机时间，从而降低风电系统的运行成本，同时保证电网运行的稳定性。基于此，国内外对风功率预测展开了一定研究。目前应用较广泛的预测方法主要有：时间序列分析法和人工神经网络法。其中，时间序列分析法模型基础，受外界干扰程度较小，适用于提前量较短的预测，然而随着预测提前量的增加，预测精度往往难以达到预期；人工神经网络法具有较强的非映射能力和自学习、自适应能力，适合描述功率预测模型的复杂非线性特点，但人工神经网络法网络训练时间长，收敛速度较慢，且易于陷入局部最优。

对国内现有文献检索发现，文献《风电场功率时间序列分析及预测方法研究》(娜仁图雅；天津大学)提出了一种基于改进时间序列分析法的风功率预测方法，在简化运算过程的同时在一定程度上提高了预测精度，但其不适用于大规模风电场的功率预测。文献《基于BP神经网络优化的风电场短期功率预测研究》(马聪；昆明理工大学)提出了一种基于改进BP算法的神经网络风功率短期预测模型，在一定范围内减小了神经网络法的预测误差，然而其学习算法训练时间较长，且易陷入局部最优。

发明内容

本发明的目的在于提供一种基于改进K-means聚类与支持向量机的风功率预测方法，聚类效果好，有很强的泛化能力和鲁棒性。

本发明公开的基于改进K-means聚类与支持向量机的风功率预测方法所采用的技术方案是:

一种基于改进K-means聚类与支持向量机的风功率预测方法，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；