基于聚類分析的風(fēng)功率短期預(yù)測(cè)系統(tǒng)及預(yù)測(cè)方法
【專利摘要】本發(fā)明公開一種基于聚類分析的風(fēng)功率短期預(yù)測(cè)系統(tǒng)及預(yù)測(cè)方法，預(yù)測(cè)系統(tǒng)包括短期預(yù)測(cè)服務(wù)器和實(shí)時(shí)數(shù)據(jù)采集裝置，短期預(yù)測(cè)服務(wù)器上安裝有功率預(yù)測(cè)功能單元和預(yù)測(cè)數(shù)據(jù)庫(kù)，預(yù)測(cè)方法主要通過(guò)應(yīng)用皮爾遜積矩相關(guān)系數(shù)進(jìn)行日相關(guān)性分析確定風(fēng)功率的日相關(guān)性可以用天氣信息的日相似情況的一致性，然后通過(guò)K均值聚類法對(duì)歷史天氣數(shù)據(jù)進(jìn)行聚類分析預(yù)處理，用歐氏距離作為相似性量度的方法選取出與預(yù)測(cè)日的天氣特征參數(shù)具有相似性的歷史日的數(shù)據(jù)，作為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型建模用的訓(xùn)練樣本，利用這些聚類后的相似樣本經(jīng)過(guò)訓(xùn)練以后得到基于聚類分析的風(fēng)功率預(yù)測(cè)模型，將預(yù)測(cè)日數(shù)值天氣預(yù)報(bào)(NWP)信息作為模型的輸入?yún)?shù)，風(fēng)功率作為模型輸出，得出預(yù)測(cè)日預(yù)測(cè)功率數(shù)據(jù)。
【專利說(shuō)明】基于聚類分析的風(fēng)功率短期預(yù)測(cè)系統(tǒng)及預(yù)測(cè)方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種基于聚類分析的風(fēng)功率短期預(yù)測(cè)系統(tǒng)及預(yù)測(cè)方法，屬于新能源風(fēng)力發(fā)電應(yīng)用領(lǐng)域。

【背景技術(shù)】
[0002]為了有效地利用風(fēng)能資源，大型風(fēng)電場(chǎng)的并網(wǎng)運(yùn)行都需要配備風(fēng)力發(fā)電預(yù)測(cè)系統(tǒng)。如果沒(méi)有預(yù)測(cè)系統(tǒng)的支持，或者預(yù)測(cè)的不夠準(zhǔn)確，風(fēng)電場(chǎng)有可能被限電處理，從而導(dǎo)致風(fēng)電場(chǎng)的有效裝機(jī)容量不能得到充分的利用。風(fēng)力發(fā)電機(jī)組實(shí)際運(yùn)行中產(chǎn)生功率的大小主要取決于當(dāng)?shù)仫L(fēng)資源的情況，而風(fēng)資源的特性主要是指風(fēng)速的變化特性。風(fēng)速是單位時(shí)間內(nèi)空氣在水平方向上移動(dòng)的距離，主要受氣象因素及地形、地表障礙物等地形因素的影響。地球自轉(zhuǎn)產(chǎn)生的晝夜交替使得某些天的天氣狀況呈現(xiàn)某種程度的相似性，所以不同日的風(fēng)功率變化趨勢(shì)十分近似，為了充分利用歷史風(fēng)速數(shù)據(jù)所蘊(yùn)含的信息，根據(jù)風(fēng)速和風(fēng)功率的日相似性提出基于聚類分析的短期預(yù)測(cè)方法，出發(fā)點(diǎn)在于樣本預(yù)處理對(duì)預(yù)測(cè)結(jié)果的重要性，目的在于提高預(yù)測(cè)精度。
[0003]專利:風(fēng)電場(chǎng)功率預(yù)測(cè)方法，申請(qǐng)?zhí)?01210397828.6，本發(fā)明提供了一種風(fēng)電場(chǎng)功率預(yù)測(cè)方法，包括以下步驟:A、根據(jù)風(fēng)場(chǎng)風(fēng)資源特性，確定風(fēng)場(chǎng)的主風(fēng)向；B、按照風(fēng)機(jī)類型，對(duì)風(fēng)電場(chǎng)內(nèi)的各風(fēng)機(jī)進(jìn)行分組；C、對(duì)相同風(fēng)機(jī)類型下的各風(fēng)機(jī)，根據(jù)風(fēng)機(jī)安裝的地理位置差異進(jìn)行再分組；D、計(jì)算各風(fēng)機(jī)類型下風(fēng)機(jī)分組的平均風(fēng)速值，并由風(fēng)機(jī)分組的平均風(fēng)速值求得風(fēng)機(jī)分組的風(fēng)機(jī)功率，最后將各風(fēng)機(jī)類型下所有風(fēng)機(jī)分組的風(fēng)機(jī)功率相加求和。此專利中應(yīng)用聚類分析方法劃分在風(fēng)場(chǎng)主風(fēng)向下相同風(fēng)機(jī)類型中具有相近平均風(fēng)速的風(fēng)機(jī)，然后計(jì)算各風(fēng)機(jī)類型下風(fēng)機(jī)分組的平均風(fēng)速值，并由風(fēng)機(jī)分組的平均風(fēng)速值求得風(fēng)機(jī)分組的風(fēng)機(jī)功率，最后將各風(fēng)機(jī)類型下所有風(fēng)機(jī)分組的風(fēng)機(jī)功率相加求和。
[0004]上述專利中雖然應(yīng)用了聚類分析的理論，但僅限于此理論的分類方法，而沒(méi)有結(jié)合此理論對(duì)風(fēng)功率預(yù)測(cè)中氣象歷史風(fēng)速數(shù)據(jù)所蘊(yùn)含的信息進(jìn)行剖析。事實(shí)證明，應(yīng)用根據(jù)風(fēng)速和風(fēng)功率的日相似性提出基于聚類分析的短期預(yù)測(cè)方法，可以有效提高預(yù)測(cè)精度。


【發(fā)明內(nèi)容】

[0005]本發(fā)明針對(duì)現(xiàn)有技術(shù)所存在的問(wèn)題，提出了一種基于聚類分析的風(fēng)功率短期預(yù)測(cè)系統(tǒng)及預(yù)測(cè)方法。主要目的就是通過(guò)對(duì)歷史天氣數(shù)據(jù)進(jìn)行聚類分析預(yù)處理，用歐氏距離作為相似性量度的方法選取出與預(yù)測(cè)日的天氣特征參數(shù)具有相似性的歷史日的數(shù)據(jù)，作為預(yù)測(cè)模型建模用的訓(xùn)練樣本，利用這些聚類后的相似樣本經(jīng)過(guò)訓(xùn)練以后得到基于聚類分析的風(fēng)功率預(yù)測(cè)模型，將預(yù)測(cè)日數(shù)值天氣預(yù)報(bào)(NWP)信息作為模型的輸入?yún)?shù)，風(fēng)功率作為模型輸出，得出預(yù)測(cè)日預(yù)測(cè)功率數(shù)據(jù)。
[0006]本發(fā)明的目的是這樣實(shí)現(xiàn)的:
[0007]本發(fā)明提出一種基于聚類分析的風(fēng)功率短期預(yù)測(cè)系統(tǒng)，包括短期預(yù)測(cè)服務(wù)器、實(shí)時(shí)數(shù)據(jù)采集裝置，短期預(yù)測(cè)服務(wù)器上安裝有功率預(yù)測(cè)功能單元和預(yù)測(cè)數(shù)據(jù)庫(kù)，實(shí)時(shí)數(shù)據(jù)采集裝置包括測(cè)風(fēng)塔、風(fēng)機(jī)數(shù)據(jù)監(jiān)控裝置、數(shù)值天氣預(yù)報(bào)接收裝置。實(shí)時(shí)數(shù)據(jù)采集裝置與短期預(yù)測(cè)服務(wù)器電連接，將采集到的風(fēng)速、風(fēng)向、溫度、濕度、氣壓、風(fēng)電功率、數(shù)值天氣預(yù)報(bào)數(shù)據(jù)傳輸?shù)蕉唐陬A(yù)測(cè)服務(wù)器。短期預(yù)測(cè)服務(wù)器中的功率預(yù)測(cè)功能單元接收到實(shí)時(shí)數(shù)據(jù)采集裝置發(fā)送的數(shù)據(jù)后存儲(chǔ)到預(yù)測(cè)數(shù)據(jù)庫(kù)中。
[0008]本發(fā)明提出一種基于聚類分析的風(fēng)功率短期預(yù)測(cè)方法，具體包括一下步驟:
[0009]A、風(fēng)功率的日相似性分析:通過(guò)預(yù)測(cè)數(shù)據(jù)庫(kù)中實(shí)際風(fēng)電場(chǎng)的歷史數(shù)據(jù)及皮爾遜積矩相關(guān)系數(shù)，得出風(fēng)功率的日相似性可以用與風(fēng)功率有密切關(guān)系的天氣信息的日相似情況來(lái)判斷的結(jié)論；
[0010]B、應(yīng)用K均值聚類法對(duì)歷史日天氣信息進(jìn)行聚類分析:應(yīng)用近鄰規(guī)則，通過(guò)不斷的迭代將歷史日天氣信息分為不同的K類，具體步驟如下:
[0011]B1、將所有日天氣信息向量分為K個(gè)初始類，選取K個(gè)樣本點(diǎn)為初始聚類中心，記為 Z1(I), Z2(I),, Zk(I),其中初始值 1 = 1;
[0012]B2、按照最近鄰規(guī)則將所有樣本分配到各聚類中心所代表的K類ω」(Κ)中，各類所包含的樣本數(shù)為Nj (I)；
[0013]B3、計(jì)算各類的均值向量，并將該向量作為新的聚類中心:
_4]+ =Σ 沖)

iy JXt J χ^ι^ω^Ι)
[0015]其中j = I, 2,..., k, i = 1，2，...，Nj ⑴。
[0016]B4、若Zj (1+1)古Zj(I),表示聚類結(jié)果并不是最佳的,貝U I在原值上加I,返回步驟B2，繼續(xù)迭代計(jì)算；
[0017]B5、若\(1+1) = \(1)，迭代過(guò)程結(jié)束，此時(shí)的聚類結(jié)果就是最優(yōu)聚類結(jié)果。
[0018]C、從預(yù)測(cè)數(shù)據(jù)庫(kù)中提取預(yù)測(cè)日的NWP信息，根據(jù)相似性量度確定預(yù)測(cè)日所屬的類，從中選取相應(yīng)的歷史數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練數(shù)據(jù)，建立基于聚類分析的神經(jīng)網(wǎng)絡(luò)風(fēng)功率預(yù)測(cè)模型；
[0019]D、將預(yù)測(cè)日的NWP信息作為神經(jīng)網(wǎng)絡(luò)的輸入信息，得到預(yù)測(cè)日的風(fēng)功率預(yù)測(cè)數(shù)據(jù)；
[0020]E、將預(yù)測(cè)功率數(shù)據(jù)存儲(chǔ)到預(yù)測(cè)數(shù)據(jù)庫(kù)中，同時(shí)發(fā)送給電網(wǎng)調(diào)度中心。
[0021]由于上述技術(shù)方案運(yùn)用，本發(fā)明與現(xiàn)有技術(shù)相比具有下列優(yōu)點(diǎn)和效果:
[0022]本發(fā)明的一個(gè)效果在于，應(yīng)用皮爾遜積矩相關(guān)系數(shù)得出風(fēng)功率的日相似性可以用與風(fēng)功率有密切關(guān)系的天氣信息的日相似情況來(lái)判斷的結(jié)論。
[0023]本發(fā)明的一個(gè)效果在于，應(yīng)用K均值聚類法對(duì)歷史日天氣信息進(jìn)行聚類分析。
[0024]本發(fā)明的一個(gè)效果在于，根據(jù)相似性量度確定預(yù)測(cè)日所屬的類，從中選取相應(yīng)的歷史數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練數(shù)據(jù)，建立基于聚類分析的神經(jīng)網(wǎng)絡(luò)風(fēng)功率預(yù)測(cè)模型。

【專利附圖】

【附圖說(shuō)明】
[0025]圖1是本發(fā)明中風(fēng)電場(chǎng)風(fēng)功率預(yù)測(cè)系統(tǒng)硬件結(jié)構(gòu)示意圖；
[0026]圖2是本發(fā)明中一種基于聚類分析的風(fēng)功率短期預(yù)測(cè)方法預(yù)測(cè)模型示意圖圖；
[0027]圖3是本發(fā)明一種基于聚類分析的風(fēng)功率短期預(yù)測(cè)方法流程圖；
[0028]圖4是本發(fā)明中K均值聚類算法得到的準(zhǔn)則函數(shù)與分類數(shù)K的關(guān)系曲線圖；
[0029]圖5是本發(fā)明中實(shí)施例樣本所在聚類情況；
[0030]圖6是本發(fā)明中提出的基于聚類分析的風(fēng)功率短期預(yù)測(cè)模型與持續(xù)預(yù)測(cè)模型預(yù)測(cè)曲線對(duì)比；
[0031]圖7是是本發(fā)明中提出的基于聚類分析的風(fēng)功率短期預(yù)測(cè)模型與持續(xù)預(yù)測(cè)模型預(yù)測(cè)誤差對(duì)比。

【具體實(shí)施方式】
[0032]實(shí)施例:
[0033]一種基于聚類分析的風(fēng)功率短期預(yù)測(cè)系統(tǒng)，包括短期預(yù)測(cè)服務(wù)器、實(shí)時(shí)數(shù)據(jù)采集裝置。實(shí)時(shí)數(shù)據(jù)采集裝置包括測(cè)風(fēng)塔、風(fēng)機(jī)數(shù)據(jù)監(jiān)控裝置、數(shù)值天氣預(yù)報(bào)接收裝置實(shí)時(shí)數(shù)據(jù)采集裝置與短期預(yù)測(cè)服務(wù)器電連接，實(shí)時(shí)傳輸風(fēng)速、風(fēng)向、溫度、濕度、氣壓、風(fēng)電功率等數(shù)據(jù)信息。短期預(yù)測(cè)服務(wù)器上安裝有功率預(yù)測(cè)功能單元和預(yù)測(cè)數(shù)據(jù)庫(kù)，功率預(yù)測(cè)功能單元接收到實(shí)時(shí)數(shù)據(jù)采集裝置發(fā)送的數(shù)據(jù)后存儲(chǔ)到預(yù)測(cè)數(shù)據(jù)庫(kù)中，同時(shí)進(jìn)行短期風(fēng)電功率預(yù)測(cè)并將預(yù)測(cè)數(shù)據(jù)保存到預(yù)測(cè)數(shù)據(jù)庫(kù)中。短期風(fēng)電功率預(yù)測(cè)采用基于聚類分析的風(fēng)功率預(yù)測(cè)方法。
[0034]基于聚類分析的風(fēng)功率短期預(yù)測(cè)方法，通過(guò)對(duì)歷史天氣數(shù)據(jù)進(jìn)行聚類分析預(yù)處理，用歐氏距離作為相似性量度的方法選取出與預(yù)測(cè)日的天氣特征參數(shù)具有相似性的歷史日的數(shù)據(jù)，作為預(yù)測(cè)模型建模用的訓(xùn)練樣本，利用這些聚類后的相似樣本建立模型，數(shù)值天氣預(yù)報(bào)(NWP)信息作為模型的輸入?yún)?shù)，風(fēng)功率作為模型輸出，經(jīng)過(guò)訓(xùn)練以后得到風(fēng)功率短期多步預(yù)測(cè)模型。預(yù)測(cè)方法實(shí)例如下:
[0035]采用黑龍江依蘭風(fēng)電場(chǎng)2012年I?2月的NWP數(shù)據(jù)和實(shí)測(cè)風(fēng)功率數(shù)據(jù)進(jìn)行分析、建模和預(yù)測(cè)為例，數(shù)據(jù)分辨率為15分鐘。
[0036]選擇2012年2月4日之前的20天的天氣及功率數(shù)據(jù)作為歷史數(shù)據(jù)，將每天作為一個(gè)數(shù)據(jù)對(duì)象，由一個(gè)7維向量表示,稱為日天氣信息向量,表示為X = [Pav, Vmin, Vmax, Tmin, Tmax, Dsin, Dcos]，其中的變量依次代表日氣壓平均值、日風(fēng)速最小值、日風(fēng)速最大值、日氣溫最小值、日氣溫最大值、日風(fēng)向正弦平均值、日風(fēng)向余弦平均值。選擇2012年2月4日作為預(yù)測(cè)日，同樣構(gòu)建一個(gè)7維向量，表示為Μ = [Pav, Vmin, Vmax, Tmin, Tmax, Dsin, Dcos]，預(yù)測(cè)步長(zhǎng)為96步。具體實(shí)施步驟如下:
[0037]A、風(fēng)功率的日相似性分析:通過(guò)實(shí)際風(fēng)電場(chǎng)的歷史數(shù)據(jù)及皮爾遜積矩相關(guān)系數(shù)，得出風(fēng)功率的日相似性可以用與風(fēng)功率有密切關(guān)系的天氣信息的日相似情況來(lái)判斷的結(jié)論；
[0038]B、應(yīng)用K均值聚類法對(duì)歷史日天氣信息進(jìn)行聚類分析:
[0039]選擇2012年2月4日之前的20天歷史數(shù)據(jù)做聚類分析，采用K均值聚類算法，具體步驟如下:
[0040]B1、將所有日天氣信息向量分為K個(gè)初始類,選取K個(gè)樣本點(diǎn)為初始聚類中心,記為 Z1(I), Z2(I), , Zk(I),其中初始值 1 = 1;
[0041]B2、按照最近鄰規(guī)則將所有樣本分配到各聚類中心所代表的K類G^(K)中，各類所包含的樣本數(shù)為Nj (I)；
[0042]B3、計(jì)算各類的均值向量，并將該向量作為新的聚類中心:
[0043]z/(/ + 1) = VTa

1^jV) x{i)^otiI)
[0044]其中j = I, 2,..., k, i = 1，2，...，Nj ⑴。
[0045]B4、若Zj (1+1)古Zj(I),表示聚類結(jié)果并不是最佳的,貝U I在原值上加I,返回步驟B2，繼續(xù)迭代計(jì)算；
[0046]B5、若\(1+1) = \(1)，迭代過(guò)程結(jié)束，此時(shí)的聚類結(jié)果就是最優(yōu)聚類結(jié)果。
[0047]由此得到準(zhǔn)則函數(shù)與分類數(shù)K的關(guān)系曲線如圖2所示，根據(jù)聚類分析理論中確定最優(yōu)分類數(shù)的方法，取準(zhǔn)則函數(shù)曲線拐點(diǎn)處的K作為最佳分類數(shù)，得到K = 3。
[0048]在分類數(shù)K = 3的情況下，20個(gè)歷史樣本日的所屬類別情況如圖3所示。有4天屬于第3類，有I天屬于第2類，其他均屬于第I類。由式(I)計(jì)算出這三類的聚類中心(歸一化)分別為:
[0049]第I 類:[0.9880.1830.438-1.130-0.8040.0420.051]；
[0050]第2 類:[0.9880.5550.863-1.151-0.8530.1190.189]；
[0051]第3 類:[0.9930.0470.268-0.856-0.551-0.020-0.125]。
[0052]C、根據(jù)相似性量度確定預(yù)測(cè)日所屬的類，從中選取相應(yīng)的歷史數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練數(shù)據(jù)，建立基于聚類分析的神經(jīng)網(wǎng)絡(luò)風(fēng)功率預(yù)測(cè)模型:
[0053]預(yù)測(cè)當(dāng)天的歸一化日NWP 向量為[0.9810.3400.801-0.932-0.5790.113-0.052]，與三類聚類中心的歐式距離分別為0.51、0.48和0.63，距離第2類聚類中心最近，所以預(yù)測(cè)日所屬分類為第2類，屬于第2類的樣本為第19個(gè)樣本日，2012年2月2日。
[0054]以2012年2月2日的NWP氣壓、NWP風(fēng)速、NWP氣溫、NWP風(fēng)向正弦和NWP風(fēng)向余弦作為輸入，實(shí)測(cè)功率數(shù)據(jù)作為輸出進(jìn)行建模，模型結(jié)構(gòu)見(jiàn)圖1。
[0055]D、基于聚類分析的神經(jīng)網(wǎng)絡(luò)風(fēng)功率預(yù)測(cè)模型訓(xùn)練完成后，將預(yù)測(cè)日的NWP信息作為神經(jīng)網(wǎng)絡(luò)的輸入信息，得到預(yù)測(cè)日的風(fēng)功率預(yù)測(cè)數(shù)據(jù):
[0056]將預(yù)測(cè)日即2012年2月4日的NWP氣壓、NWP風(fēng)速、NWP氣溫、NWP風(fēng)向正弦和NWP風(fēng)向余弦代入基于聚類分析的神經(jīng)網(wǎng)絡(luò)風(fēng)功率預(yù)測(cè)模型得到預(yù)測(cè)功率值?；诰垲惙治龅纳窠?jīng)網(wǎng)絡(luò)風(fēng)功率預(yù)測(cè)模型預(yù)測(cè)誤差NMAE和NRMSE分別為10.67%和14.01%，與持續(xù)與預(yù)測(cè)模型預(yù)測(cè)曲線對(duì)比如圖4所示，預(yù)測(cè)誤差對(duì)比如圖5所示。
[0057]步驟E:將預(yù)測(cè)功率數(shù)據(jù)存儲(chǔ)到預(yù)測(cè)數(shù)據(jù)庫(kù)中，同時(shí)發(fā)送給電網(wǎng)調(diào)度中心。
【權(quán)利要求】
1.一種基于聚類分析的風(fēng)功率短期預(yù)測(cè)系統(tǒng)，包括短期預(yù)測(cè)服務(wù)器、實(shí)時(shí)數(shù)據(jù)采集裝置，短期預(yù)測(cè)服務(wù)器上安裝有功率預(yù)測(cè)功能單元和預(yù)測(cè)數(shù)據(jù)庫(kù)，實(shí)時(shí)數(shù)據(jù)采集裝置與短期預(yù)測(cè)服務(wù)器電連接，進(jìn)行數(shù)據(jù)傳輸。
2.一種基于聚類分析的風(fēng)功率短期預(yù)測(cè)系統(tǒng)，其特征在于，實(shí)時(shí)數(shù)據(jù)采集裝置包括測(cè)風(fēng)塔、風(fēng)機(jī)數(shù)據(jù)監(jiān)控裝置、數(shù)值天氣預(yù)報(bào)接收裝置。
3.一種基于聚類分析的風(fēng)功率短期預(yù)測(cè)系統(tǒng)，其特征在于，短期預(yù)測(cè)服務(wù)器中的功率預(yù)測(cè)功能單元接收到實(shí)時(shí)數(shù)據(jù)采集裝置發(fā)送的數(shù)據(jù)后存儲(chǔ)到預(yù)測(cè)數(shù)據(jù)庫(kù)中。
4.一種基于聚類分析的風(fēng)功率短期預(yù)測(cè)系統(tǒng)預(yù)測(cè)方法，其特征在于，所述預(yù)測(cè)方法包括以下步驟: 步驟A:從預(yù)測(cè)數(shù)據(jù)庫(kù)中提取歷史數(shù)據(jù)，通過(guò)日相關(guān)性分析確定風(fēng)功率的日相關(guān)性可以用天氣信息的日相似情況的一致性； 步驟B:對(duì)歷史日天氣信息進(jìn)行聚類分析，將歷史日天氣信息分為不同的K類； 步驟C:從預(yù)測(cè)數(shù)據(jù)庫(kù)中提取預(yù)測(cè)日數(shù)值天氣預(yù)報(bào)信息，確定預(yù)測(cè)日所屬的類，從中選取相應(yīng)的歷史數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練數(shù)據(jù)，建立基于聚類分析的神經(jīng)網(wǎng)絡(luò)風(fēng)功率預(yù)測(cè)模型； 步驟D:將預(yù)測(cè)日數(shù)值天氣預(yù)報(bào)信息作為模型的輸入?yún)?shù)，風(fēng)功率作為模型輸出，得出預(yù)測(cè)日預(yù)測(cè)功率數(shù)據(jù)； 步驟E:將預(yù)測(cè)功率數(shù)據(jù)存儲(chǔ)到預(yù)測(cè)數(shù)據(jù)庫(kù)中。
5.如權(quán)利要求1所述的一種基于聚類分析的風(fēng)功率短期預(yù)測(cè)方法，其特征在于，所述步驟A中應(yīng)用皮爾遜積矩相關(guān)系數(shù)進(jìn)行風(fēng)功率日相似性分析。
6.如權(quán)利要求1所述的一種基于聚類分析的風(fēng)功率短期預(yù)測(cè)方法，其特征在于，所述步驟B中應(yīng)用K均值聚類法對(duì)歷史日天氣信息進(jìn)行聚類分析，具體步驟如下: B1、將所有日天氣信息向量分為K個(gè)初始類，選取K個(gè)樣本點(diǎn)為初始聚類中心，記為Z1(I), Z2(I),, Zk(I),其中初始值 1 = 1; B2、按照最近鄰規(guī)則將所有樣本分配到各聚類中心所代表的K類C^(K)中，各類所包含的樣本數(shù)為Nj (I)； B3、計(jì)算各類的均值向量，并將該向量作為新的聚類中心:
z (/ + 1) = VTn Σ.'.") 其中 j = l，2，...，k，i = 1,2,...,^.(1)； B4、gZj(l+l) Φ Zj(I)，表示聚類結(jié)果并不是最佳的，則I在原值上加1，返回步驟B2，繼續(xù)迭代計(jì)算； B5、若\(1+1) = \ (I)，迭代過(guò)程結(jié)束，此時(shí)的聚類結(jié)果就是最優(yōu)聚類結(jié)果。
7.如權(quán)利要求1所述的一種基于聚類分析的風(fēng)功率短期預(yù)測(cè)方法，其特征在于，所述步驟2中應(yīng)用近鄰規(guī)則，通過(guò)不斷的迭代將歷史日天氣信息分為不同的K類。
8.如權(quán)利要求1所述的風(fēng)電場(chǎng)風(fēng)功率預(yù)測(cè)系統(tǒng)，其特征在于，所述步驟3中根據(jù)相似性量度確定預(yù)測(cè)日所屬的類。
【文檔編號(hào)】G06Q10/04GK104299044SQ201410310083
【公開日】2015年1月21日 申請(qǐng)日期:2014年7月1日 優(yōu)先權(quán)日:2014年7月1日
【發(fā)明者】高陽(yáng), 董存, 葛延峰, 劉莉, 劉寶貴, 李廣磊, 李獻(xiàn)偉, 趙毅 申請(qǐng)人:沈陽(yáng)工程學(xué)院, 沈陽(yáng)嘉越電力科技有限公司, 許繼電氣股份有限公司