〈 1，时间段T1、T2的风力发电系统有相似之处，且R值表示了时间段T i、T2的风 力发电系统的相似度；
[0067] 3) R = 1，时间段T1、T2完全相同。
[0068] 相似度R越大表明两系统的相似程度越大，风力发电系统发生的变化就越小。
[0069] 本实施例中，机器学习模型为BP神经网络。BP神经网络的输入量为预测时间段风 速、风向、气温、气压、湿度以及天气类型6个特征向量和相似度。BP神经网络的输出为风力 发电系统输出功率（单位时间发电量）。
[0070] 综上所述，本发明提供的基于相似度理论的风力发电系统发电输出功率预测方 法，通过模糊辨识法将样本数据辨识为不同类数目，根据有效度选择最佳分类数目，确定相 似时间段样本，根据预测日天气特征量，按照相似度最大的原则，确定其所在的类，然后选 择与其对应的BP神经网络发电量预测模型，实现对风力发电系统未来发电功率的预测，有 效地提高了光伏风力发电系统输出功率的预测精度，显著提高了经济效益和社会效益。
[0071] 以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施 例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域 的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也 应视为本发明的保护范围。
【主权项】
1. 一种基于相似度理论的风力发电输出功率预测方法，其特征在于步骤包括： 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； 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； 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； 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； 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； 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。2. 根据权利要求1所述的基于相似度理论的风力发电输出功率预测方法，其特征在 于，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。3. 根据权利要求2所述的基于相似度理论的风力发电输出功率预测方法，其特征在 于，所述气候类型包括风速、风向、气温、气压、湿度。4. 根据权利要求3所述的基于相似度理论的风力发电输出功率预测方法，其特征在 于，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； iz i ztZizmax (1) 式（1)中，iz为气候类型特征向量z的归一化处理结果，izt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iz_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。5. 根据权利要求4所述的基于相似度理论的风力发电输出功率预测方法，其特征在 于，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。6. 根据权利要求5所述的基于相似度理论的风力发电输出功率预测方法，其特征在 于，所述步骤2)的详细步骤包括： 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； 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。7. 根据权利要求6所述的基于相似度理论的风力发电输出功率预测方法，其特征在 于，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；式（2)中，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，H'f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，Xk]为第k个分类样本中样本j的 数值，I|uk_XlJI为第k个分类中样本之间的紧凑度，| |uk-U]| |为第k个分类和第j个分类 的样本之间的分离程度。8. 根据权利要求7所述的基于相似度理论的风力发电输出功率预测方法，其特征在 于，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； zm= [Qv，Qt，Qe，QP，Qj ⑶ 式（3)中，m为因素向量样本集Z的样本数，Ζηι为因素向量样本集Z中的一个样本，Qv 为风速，温度，Q〇为风向角，QP为气压，Qh为湿度。9. 根据权利要求8所述的基于相似度理论的风力发电输出功率预测方法，其特征在 于，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（4)所示；式⑷中，RH)为时间段间的相似度，b为时间段1\内的因素向量样本数 目，c为时间段T2内的因素向量样本数目，d为时间段Ti内与时间段T2内的因素向量样本 的相似元数目，为相似元的权重系数。10. 根据权利要求9所述的基于相似度理论的风力发电输出功率预测方法，其特征在 于，所述机器学习模型为BP神经网络。
【专利摘要】本发明公开了一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：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；进行模式辨识分析；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；构建影响风风力发电系统输出功率的因素向量样本集，求得不同时间段的相似度；建立机器学习模型，以相似时间段的输出功率和相似时间段样本集训练机器学习模型；利用机器学习模型预测时间段的输出功率。本发明具有方法简单易行、预测准确度高的优点。
【IPC分类】G06Q50/06, G06Q10/04
【公开号】CN105303268
【申请号】CN201510829887
【发明人】唐福顺, 粟时平, 刘桂英, 邓宇恩, 罗国才, 唐谟懿, 周臣帅
【申请人】国家电网公司, 国网湖南省电力公司, 国网湖南省电力公司邵阳供电分公司, 长沙理工大学
【公开日】2016年2月3日
【申请日】2015年11月25日