选地，所述步骤4)中求得风力发电系统在不同时间段的相似度的函数表达式 如式⑷所示；
[0032] 式⑷中，RCT1, T2)为时间段T1, IVt间的相似度，b为时间段T ^的因素向量样 本数目，c为时间段T2内的因素向量样本数目，d为时间段T i内与时间段T 2内的因素向量 样本的相似元数目，Ctni为相似元的权重系数。
[0033] 优选地，所述机器学习模型为BP神经网络。
[0034] 本发明基于相似度理论的风力发电输出功率预测方法的优点如下：本发明利用风 力发电输出功率输出具有周期性规律及相似性特点，相同天气情况时输出功率曲线变化趋 势相同，目前对风力发电输出功率进行预测技术没有对样本数据进行分类或是仅仅根据风 速进行预测；本发明在现有技术的基础上，增加了模糊辨识分析、分类评价指标函数和相似 度三种技术；本发明采用的分类评价指标函数获得最佳的辨识个数，产生最好的辨识结果， 形成相似时间段样本集；采用的模糊辨识分析方法确定预测时间段所对应的相似时间段样 本集，在建立的机器学习模型中引入有效度和相似度，然后根据所相似时间段的影响因素 样本集的单位时间发电量预测未来时间段内的单位时间发电量，有效地提高了风力发电输 出功率的预测精度，显著提高了经济效益和社会效益，具有方法简单易行、预测准确度高的 优点。
【附图说明】
[0035] 图1为本发明实施例方法的原理示意图。
【具体实施方式】
[0036] 如图1所示，本实施例基于相似度理论的风力发电输出功率预测方法的步骤包 括：
[0037] 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；
[0038] 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；
[0039] 3)根据分类评价指标函数分别求得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；
[0040] 4)由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；
[0041] 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机器学习模型；
[0042] 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。
[0043] 本实施例中，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；相似时间段与待预测时间段的时间长度相 同。相似时间段与待预测时间段的时间长度相同，相似时间段是指历史上的该时间段内所 发生事件的规律与待预测时间段内将要发生事件的规律最为相似，因此相似时间段根据待 预测时间段来选择，若进行日预测，则选择相似日；类似地，若进行小时、周、月、季、年的预 测，则相应地选择相似小时、相似周、相似月、相似季、相似年。
[0044] 本实施例中，气候类型包括风速、风向、气温、气压、湿度。
[0045] 本实施例中，步骤1)中将气候类型进行归一化处理的函数表达式如式（1)所示；
[0046] iz= i zt/iznax ⑴
[0047] 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。
[0048] 本实施例中，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，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。本实施例中，天气类型模糊描述-数值映射表的内容具体如表1 所示。
[0049] 表1 :天气类型模糊描述-数值映射表。
[0050]
[0051 ] 本实施例中，步骤2)的详细步骤包括：
[0052] 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；
[0053] 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，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。
[0054] 本实施例中，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；
[0056] 式⑵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 I为第k个分类和第j个 分类的样本之间的分离程度。有效性指标Q1能够衡量类内的紧凑度和类间的分离度，在类 内紧凑度与类间分离度之间找到了一个平衡点，其值越小，获得的辨识结果越好。其中，式 (2-1)用来衡量类内的紧凑度，值越小，类内数据相似性越大越紧凑。
用来衡量 类与类之间的分离程度，越大则类与类之间的不相似性越大，则类间分离度越好。
[0058] 式（2-1)中，各个参数和式⑵完全相同。
[0059] 本实施例中，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；
[0060] Zn= [Qv, Qt, Q0, Qp, Qh] (3)
[0061] 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。
[0062] 本实施例中，步骤4)中求得风力发电系统在不同时间段的相似度的函数表达式 如式⑷所示；
[0064] 式⑷中，RCT1, T2)为时间段T1,1~2之间的相似度，b为时间段T ^的因素向量样 本数目，c为时间段T2内的因素向量样本数目，d为时间段T i内与时间段T 2内的因素向量 样本的相似元数目，Ctni为相似元的权重系数。风力发电系统不同时期间的相似度可用具体 数值表示，并与相似要素间的相似元数值及其权重值相关，其值的变化则反映了相似系统 的动态特性，并将存在的动态特性分为以下三种情况：
[0065] I) R = 0,时间段V T2的风力发电系统不相似；
[0066] 2) R