张晋华,冯 源，黄远为，阎 洁

(1.华北水利水电大学电力学院，河南省 郑州市 450045； 2.新能源电力系统国家重点实验室(华北电力大学)，北京市 昌平区 102206； 3.华北电力大学新能源学院，北京市 昌平区 102206)

0 引言

风电功率预测技术能够较好解决风电调度困难、备用增加等问题[1-2]。现阶段大型风电场具有风电机组数量多、地理位置分布较广阔等特点，风电场内每台机组的功率输出都有其不同的输出特性[3]。如果能够对机组进行合理聚类，便于调控、提高预测时效性和降低风电机组的维护保养费用，对提高风电场整体运营效率有益[4-6]。

国内外学者针对风电机组分组功率预测已经进行了大量研究。文献[7]采用支持向量机(support vector machine，SVC)算法，利用风速、风向及风电机组位置为输入对象，选取概率最大的分类结果来代表整个风电场的全年运行情况，该算法降低了风电场单机等效建模的误差。文献[8]提出一种基于构造扩散距离的风电机组分类聚类算法，该方法利用风机的实测数据建立基于高斯权重的Markov转移矩阵，最终得到最佳的风电机组聚类结果。文献[9]利用自组织特征映射网络和基于模拟退火遗传算法的模糊C均值两种聚类算法，建立了风电发电机组的优先级分类模型。比较了两种聚类算法，证明优化操作使用遗传模拟退火模糊C均值聚类算法(simulated annealing and genetic algorithm-fuzzy C-means clustering algorithm, SAGA-FCM)算法可以减小相对于自组织特征映射方法的风力发电场的总疲劳损伤，减小了风力机损耗，并验证了优化调度前对风电场进行分类的优越性。……