基于相似度理论的风力发电输出功率预测方法
【技术领域】
[0001] 本发明涉及风力发电技术领域，具体涉及一种基于相似度理论的风力发电输出功 率预测方法。
【背景技术】
[0002] 随着全球工业化的快速发展和世界人口的持续增长，以石油、天然气和煤炭为主 的常规能源日渐枯竭，开发利用清洁、安全、环保的可再生能源成为人类社会缓解日益加剧 的能源短缺的共同选择和治理严峻环境污染的有生力量。风能作为一种可再生能源近年来 得到广泛关注，其发展速度最快，技术较成熟，是最具有大规模发展和商业化潜能的产业。
[0003] 对于电网而言，风力发电机组的输出功率可以视为负的负荷，由于风力发电机组 受天气的影响较大，所以风力发电输出功率具有随机波动以及间歇性等特点，风力发电机 组并网将对电网的功率平衡产生很大的影响。为了保证电力系统的安全稳定的运行，使电 力调度部门能够根据风力发电发电量变化及时调整调度计划，合理配置电网中的风力发电 发电量，降低备用容量和运行成本，提高风力发电穿透功率极限，便于安排机组维护和检 修，提高风力发电系统容量系数，增强风力发电系统参与发电竞价能力，需要对风力发电输 出功率进行预测。
[0004] 目前风力发电输出功率预测的研究越来越多，主要分为间接预测与直接预测。间 接预测方法先对风速进行预测，然后根据风力发电机组或风力发电系统的功率曲线得到风 力发电系统功率输出；直接预测方法直接预测风力发电系统的输出功率。间接预测方法没 有真正实现风力发电系统输出功率预测，因为除此风速外，风向、气温、气压、湿度以及天气 类型等都对风力发电系统输出功率有一定的影响。直接预方法又可以分为物理模型法和统 计方法。物理模型法需对风力发电系统所在地进行物理建模。该方法的输入参数包括风速、 风向、气温、气压、湿度以及天气类型等数字气象预报数据。气象预报每日更新频率很低，因 此该方法更适合中期风力发电系统发电量的预测。该方法需要丰富的气象知识，需要了解 物理特性，如果模型比较粗糙，预测精度就较差。统计方法需对历史数据进行分析建模，有 持续预测法、空间相关法、空间平滑法、时间序列法、卡尔曼滤波法、灰色预测法、神经网络 法、小波分析法、支持向量机回归法、模糊逻辑法等，预测精度的精度依赖掌握足够的历史 数据和所选择的分析建模方法。
[0005] 此外，相似度理论已经应用于电力负荷预测中，并取得了不错的效果。此外，神经 网络法能够以任意精度逼近任何非线性映射，因此适合描述具有复杂非线性特点的风力发 电输出功率预测模型，模糊逻辑法可以得到样本分属于各个类别的不确定性程度，更能客 观反映现实世界。所以根据风力发电的不同时间段的相似性和非线性变化规律，采用一种 基于模糊逻辑法选取相似时间段的神经网络风力发电输出功率预测方法，可有效提高风力 发电输出功率预测发电的准确率。
【发明内容】
[0006] 本发明要解决的技术问题：针对现有技术的上述问题，提供一种方法简单易行、预 测准确度高的基于相似度理论的风力发电输出功率预测方法。
[0007] 为了解决上述技术问题，本发明采用的技术方案为：
[0008] -种基于相似度理论的风力发电输出功率预测方法，步骤包括：
[0009] 1)针对风力发电系统的发电量历史监测数据的和气象部门提供的历史气象数据， 选取指定的气候类型和天气类型作为相似时间段的特征向量，分别将所述气候类型进行归 一化处理，同时将天气类型特征向量映射为数值；
[0010] 2)将归一化的气候类型特征向量、映射为数值的天气类型特征向量进行模式辨识 分析；
[0011] 3)根据分类评价指标函数分别求得所述气候类型特征向量的所有数据分类的有 效度，然后将有效度最小的数据分类作为分类结果，形成相似时间段样本集；
[0012] 4)由所述气候类型特征向量的相似时间段有效度样本集构成影响风风力发电系 统输出功率的因素向量样本集，然后求得风力发电系统在不同时间段的相似度；
[0013] 5)建立基于相似时间段的风力发电输出功率的机器学习模型，以每个相似时间段 风力发电系统的输出功率和该相似时间段的相似时间段样本集训练所述机器学习模型；
[0014] 6)针对每一个预测时间段，将预测时间段的风速、风向、气温、气压、湿度及天气类 型特征向量和相似度输入机器学习模型，得到风力发电系统在预测时间段的输出功率。
[0015] 优选地，所述步骤1)中选取指定的气候类型和天气类型作为相似时间段的特征 向量的详细步骤包括：将历史时间按待预测时间段的时间长度划分为若干时间区段，将各 时间区段作为类相似时间段，对历史气象数据按类相似时间段分组，选取相似时间段的气 候类型和天气类型作为相似时间段的特征向量；所述相似时间段与待预测时间段的时间长 度相同。
[0016] 优选地，所述气候类型包括风速、风向、气温、气压、湿度。
[0017] 优选地，所述步骤1)中将所述气候类型进行归一化处理的函数表达式如式（1)所 示；
[0018] iz= i zt/iznax ⑴
[0019] 式（1)中，iz为气候类型特征向量z的归一化处理结果，i zt为待归一化处理的气 候类型特征向量z的值，i_x为气候类型特征向量z的归一化基准值，归一化基准值i z_选 该气候类型特征向量的历史最大值，气候类型特征向量Z为风速、风向、气温、气压、湿度五 种气候类型特征向量中的一种。
[0020] 优选地，所述步骤1)中将天气类型特征向量映射为数值具体是指将天气类型特 征向量的模糊描述按照预设的天气类型模糊描述-数值映射表映射为天气类型特征向量 对应的数值，所述天气类型模糊描述-数值映射表的每一条记录包括天气类型的模糊描述 以及该模糊描述对应的数值。
[0021] 优选地，所述步骤2)的详细步骤包括：
[0022] 2. 1)以风力发电系统的发电量历史监测数据为基准，对气象部门提供的历史气象 数据进行整理、分析和筛选，剔除掉其与监测数据不相符的数据；
[0023] 2. 2)将归一化的天气类型特征向量以及映射为数值的天气类型特征向量进行辨 识分析，利用模糊辨识分析法进行辨识求得不同类型数目下数据分类结果，把具有相同天 气特征的样本列为一类，所述相同天气特征是指具有相似天气类型特征向量以及天气类型 特征向量。
[0024] 优选地，所述步骤3)中求得气候类型特征向量的所有数据分类的有效度的函数 表达式如式（2)所示；
[0026] 式（2)中，Q1为第i个气候类型特征向量所有数据分类的有效度，A为分类数目， N为第k个分类中的样本个数，为用于表示样本j对第k个分类的隶属度的隶属度矩阵， Uk为第k个分类样本的中心，u ,为第j个分类样本的中心，X k]为第k个分类样本中样本j 的数值，I Iuk-X1J I为第k个分类中样本之间的紧凑度，I |uk-U]| I为第k个分类和第j个分 类的样本之间的分离程度。
[0027] 优选地，所述步骤4)中影响风风力发电系统输出功率的因素向量样本集的函数 表达式如式（3)所示；
[0028] Zn= [Qv, Qt, Q0, Qp, Qh] (3)
[0029] 式（3)中，m为因素向量样本集Z的样本数，Zni为因素向量样本集Z中的一个样本， QvS风速，Q t为温度，Q 〇为风向角，Q P为气压，Qh为湿度。
[0030] 优