[发明专利]一种基于改进神经网络的风功率中短期预测方法及系统

权利要求书

1.一种基于改进神经网络的风功率中短期预测方法，其特征在于，包括：

S1、采集风电场的历史特征数据、实时特征数据以及实际风功率；

S2、根据所述历史特征数据，通过神经网络里的聚类K均值算法循环迭代对风机分组；

S3、采用聚类衡量标准对所述风机分组结果进行度量；

S4、根据所述历史特征数据、实际风功率以及BP算法对每组风机建立风功率预测模型，并输出每组风机的预测风功率；

S5、对所述每组风机的预测风功率求和，得到全场预测风功率。

2.如权利要求1所述的一种基于改进神经网络的风功率中短期预测方法，其特征在于，所述步骤S1中的特征数据包括：风向、气温、气压、湿度、风速、风机高度、风机桨叶直径和风机地理位置；

所述实时特征数据以及实时特征数据对应的实际风功率间隔第一预设时长采集一次。

3.如权利要求1所述的一种基于改进神经网络的风功率中短期预测方法，其特征在于，所述步骤S2包括：

数据集D＝{x₁,x₂,...,x_m}，包含m个无标记风机样本，每个样本x_i＝(x_i1,x_i2,...,x_in)是一个n维特征向量；通过聚类划分为C＝{c₁,c₂,...,c_m}，c表示风机所在的子集，分类步骤如下：

S21、从D中选择所有m个样本作为初始均值向量{u₁,u₂,...,u_m}；

S22、计算样本x_j(1≤j＜＜m)与各均值向量u_i(1≤i＜＜m)的距离：

S23、根据距离最近的均值向量确定x_j的簇标记：

λj＝argmin_{i∈{1,2,...m}}dji；

其中，λj是第j个风机样本所在的簇标记，min_{i∈{1，2，..，m}}d_ji是第j个风机样本到各特征向量的最小距离，arg是变元，即自变量，是让后面的式子达到最小值时，变量i的取值。

把样本x_j划入相应的簇:

C_λj＝C_λj∪{x_j}；

S24、循环S22和S23步骤，计算产生均值向量，作为更新后的均值向量，直到当前均值向量均无更新，则分组完成，得到最终的簇划分。

4.如权利要求3所述的一种基于改进神经网络的风功率中短期预测方法，其特征在于，所述步骤S3中的风机分组结果进行度量包括：

聚类性能度量外部指标:(1)Jaaccard系数

(2)FM指数

(3)Rand指数

其中，a表示在C中属于相同簇且在C*中属于相同簇的样本对的数量；

b表示在C中属于相同簇且在C*中属于不同簇的样本对的数量；

c表示在C中属于不同簇且在C*中属于相同簇的样本对的数量；

d表示在C中属于不同簇且在C*中属于不同簇的样本对的数量；

m表示样本的总数量；

C表示通过聚类法获得的簇，C*表示参考模型的簇集合；

三种指数的性能度量结果值均在[0,1]区间。