CN105930900B - 一种混合风力发电的预测方法及*** - Google Patents

Abstract

本发明公开一种混合风力发电的预测方法及***，该混合风力发电的预测方法包括：获取风电场的风向、风速及对应的风电输出功率的历史数据，并对历史数据进行抽样得到样本数据；对样本数据的统计特性进行判断分析，获取风频集中且风电输出功率差异达到差异阈值的风向，并根据所获取的风向及其与风速、风电输出功率的对应关系采用模糊层次聚类法，将样本数据划分为三类；采用神经网络算法对每类样本进行训练，对应形成三类特定的风力发电预测模型，然后进行合并处理，建立用于对风力发电产能进行预测的混合风力发电预测模型。因此，通过实施本发明能够实现对不同的风向、风速有针对性地进行模型预测，并且能够提高风力发电功率的预测精度。

Description

一种混合风力发电的预测方法及***

技术领域

本发明涉及风电功率预测的技术领域，特别涉及一种混合风力发电的预测方法及***。

背景技术

风电厂在进行风力发电时，风电输出功率不仅受到风速的影响，风向也是不可忽视的因素，但由于大气压强的作用，风速和风向都会随时发生变化，因而风力发电机的输出功率也具有波动性和随机性等特点，这种功率输出的波动性不利于区域电网整体运行的平稳性和安全性。因此，需要对风电输出功率做出合理的预测，以方便电力运营部门进行有效的调度。

目前，在短期风力发电预测方面，主要采用物理模型预测和统计模型预测两种方式。其中：

1)物理模型预测，主要是根据数值天气预报***的预测结果得到风速、风向、气压、气温等天气数据，然后根据风电场周围等高线、粗糙度、障碍物、温度分层等信息计算得到风电机组轮毂高度的风速、风向等信息，最后根据风电场的功率曲线计算得到风电场的输出功率。这里，对风电场所在地要进行物理建模,包括风场的地形、地表植被及粗糙度、周围障碍物等，同时还要对风机本身的轮毅高度、功率曲线、机械传动和控制策略等进行建模。另外该方法输入的参数为数字气象预报(NWP)模型。

但是，由于物理模型预测的物理模型等式缺少弹性的约束以及气象预报更新频率低等原因，使其不能适应短期的风力预测。另外，物理模型预测方法虽然不需要历史数据，风电场投产就可以进行，但需要准确的NWP数据和风电场所在地的详细信息，输入参数较多，而且NWP数据的采集和处理也较为繁琐。

2)统计模型预测，这种方法不考虑风速变化的物理过程,根据历史统计数据找出天气状况与风电场出力的关系，然后根据实测数据和数值天气预报数据对风电场输出功率进行预测。这种方法的实质是在***的输入(NWP历史统计数据、实测数据)和风电功率之间建一立个映射关系，通常为线性关系。这个关系可以用函数的形式表示出来，例如回归分析法、指数平滑法、时间序列法、卡尔曼滤波法、灰色预测法等，都是基于线性模型的。这些模型通过捕捉数据中与时间和空间相关的信息来进行预测。

然而对于统计模型预测，所用数据单一，对短期或超短期的风电功率预测结果可以满足精度要求。但对于更长时间的预测，预测结果精度往往是不够的，而且需要长时间的测量数据和大量的数据处理工作及额外的训练。另外，它对于突变信息处理不好，在训练阶段很少出现罕见天气状况，而且也很难准确预测。

发明内容

有鉴于此，本发明实施例的目的在于提出一种混合风力发电的预测方法及***，能够实现对不同的风向、风速有针对性地进行模型预测，并且能够提高风力发电功率的预测精度。

进一步来讲，该混合风力发电的预测方法包括：获取风电场的风向、风速及对应的风电输出功率的历史数据，并对所述历史数据进行抽样得到样本数据；对所述样本数据的统计特性进行判断分析，获取风频集中且风电输出功率差异达到差异阈值的风向，并根据所获取的风向及其与风速、风电输出功率的对应关系采用模糊层次聚类法，将所述样本数据划分为三类；采用神经网络算法对每类样本进行训练，对应形成三类特定的风力发电预测模型，将这三类特定的风力发电预测模型进行合并处理，建立用于对风力发电产能进行预测的混合风力发电预测模型。

可选地，在一些实施例中，上述的混合风力发电的预测方法还包括：获取测试用的样本数据，对所建立的混合风力发电预测模型进行调试；根据混合风力发电预测模型输出的测试结果，对所述混合风力发电预测模型进行修正；其中，所述测试用的样本数据从所述风电场的风向、风速及对应的风电输出功率的历史数据中抽样得到。

可选地，在一些实施例中，上述混合风力发电的预测方法还包括：利用所述混合风力发电预测模型，对风力发电厂的输出产能进行测试；在进行预测时，判断输入数据的风向，根据所确定的风向，调用对应的风力发电预测模型计算所述风电场的风电输出功率的预测值，输出对应的测试结果。

可选地，在一些实施例中，所述混合风力发电预测模型的形成方式还包括：分别为所述三类特定的风力发电预测模型配置对应的样本权重参数；根据每个预测模型的样本权重参数，将根据风向建立的预测模型进行合并，建立混合风力发电预测模型。

可选地，在一些实施例中，上述的混合风力发电的预测方法还包括：对所述混合风力发电预测模型进行反复迭代，使所述混合风力发电预测模型逐渐收敛，直到输出结果趋于稳定。

为实现上述方法，本发明实施例还提出一种混合风力发电的预测***，该***包括：

抽样模块，用于对所获取的风电场的风向、风速及对应的风电输出功率的历史数据进行抽样得到样本数据；

分析模块，用于对所述样本数据的统计特性进行判断分析，获取风频集中且风电输出功率差异达到差异阈值的风向；

处理模块，用于根据所获取的风向及其与风速、风电输出功率的对应关系采用模糊层次聚类法，将所述样本数据划分为三类；

模型初建模块，用于采用神经网络算法对每类样本进行训练，对应形成三类特定的风力发电预测模型；

混合处理模块，用于将这三类特定的风力发电预测模型进行合并处理，形成用于对风力发电产能进行预测的混合风力发电预测模型。

可选地，在一些实施例中，上述混合风力发电的预测***还包括：测试修正模块，用于获取测试用的样本数据，对所建立的混合风力发电预测模型进行调试、修正及优化。

可选地，在一些实施例中，上述混合风力发电的预测***还包括：数据输入装置，用于获取测试数据；测试装置，配置有所述混合风力发电预测模型，用于根据所获取的测试数据，判断输入数据的风向，根据所确定的风向，调用所述混合风力发电预测模型中对应的风力发电预测模型，对风力发电厂的输出产能进行测试；输出装置，用于获取所述混合风力发电预测模型测试得到的所述风电场的风电输出功率的预测值，并输出对应的测试结果。

可选地，在一些实施例中，所述混合处理模块还包括：参数配置单元，用于分别为所述三类特定的风力发电预测模型配置对应的样本权重参数；合并处理单元，用于根据每个预测模型的样本权重参数，将根据风向建立的预测模型进行合并，建立混合风力发电预测模型；迭代优化单元，用于对所述混合风力发电预测模型进行反复迭代，使所述混合风力发电预测模型逐渐收敛，直到趋于稳定。

可选地，在一些实施例中，所述混合风力发电预测模型进一步包括风向识别单元，用于判断输入数据的风向；模型调用单元，用于根据所确定的风向，调用所述混合风力发电预测模型中对应的风力发电预测模型，对风力发电厂的输出产能进行测试。

相对于现有技术，本发明各实施例具有以下优点：

采用本发明实施例的技术方案后，通过对风电厂的风向、风速和风电输出功率等历史数据的统计分析，对风电场的风向、风速及风电输出功率的历史数据进行抽样，得到样本数据，通过模糊层次聚类法，依据风向将样本数据分为三类，然后采用Hopfield神经网络算法对每类样本数据进行训练，分别建立特征风向的风力发电预测模型，对三类预测模型进行合并处理，构建一个基于不同风向的混合风力发电预测模型。然后，利用所建立的混合风力发电预测模型，通过分析风电厂不同时期的风向特征，对风电厂的产能进行预测。对风电输出功率进行预测过程中，同时考虑了风向和风力两个方面的影响，并按照风向、风力与风电输出功率的对应关系，将其进行模糊层次聚类。这样，可以将一组有噪音冗余的采样数据分成相应的几份存在内在关联性的样本数据，再对这些样本数据进行分别建模，不同类别数据的内在特征便能被不同的模型充分体现，从而对不同的风向、风速有针对性地进行模型预测。

另外，在进行预测时，先判断输入数据的风向，代入对应的预测模型中得到风电输出功率的预测值，从而能精确地进行短期风电预测，提高风电功率预测的精度。

本发明实施例的更多特点和优势将在之后的具体实施方式予以说明。

附图说明

构成本发明实施例一部分的附图用来提供对本发明实施例的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例提供的一种混合风力发电的预测方法流程示意图；

图2为本发明实施例中Hopfield神经网络算法的工作原理示意图；

图3为本发明实施例中风力玫瑰图和电力玫瑰图的对比示意图；

图4为本发明实施例中样本数据不同的别类之间的层次关联关系示意图；

图5为本发明实施例中样本数据的分类示意图；

图6为本发明实施例中不同模型的预测结果对比示意图；

图7为本发明实施例提供的一种混合风力发电的预测***的组成示意图；

图8为本发明实施例中数据建模及修正装置的组成示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明实施例及实施例中的特征可以相互组合。

由于风电输出功率的同时受到风速和风向的影响，特别是在相同的风速下，不同风向下的风电输出功率差距很大，因此，不考虑风向的传统的单一预测模型误差很大，有鉴于此，本发明提供一种综合风向和风速这两个因素的混合风电输出功率预测模型，从而提高风力发电功率的预测精度。

下面结合附图，对本发明的各实施例作进一步说明：

方法实施例

参照图1所示，其为本发明实施例提出的一种混合风力发电的预测方法流程示意图，该混合风力发电的预测方法包括以下步骤：

S100：获取风电场的风向、风速及对应的风电输出功率的历史数据，并对所述历史数据进行抽样得到样本数据；

S102：对所述样本数据的统计特性进行判断分析，获取风频集中且风电输出功率差异达到差异阈值的风向，并根据所获取的风向及其与风速、风电输出功率的对应关系采用模糊层次聚类法，将所述样本数据划分为三类；

S104：采用神经网络算法对每类样本进行训练，对应形成三类特定的风力发电预测模型，将这三类特定的风力发电预测模型进行合并处理，建立用于对风力发电产能进行预测的混合风力发电预测模型。

本实施例中，预先建立混合风力发电预测模型，通过对风电厂的风向、风速和风电输出功率等历史数据的统计分析后发现，在高频风向上对应着高输出频率，基于此，本实施例先对风电场的风向、风速及风电输出功率的历史数据进行抽样，得到样本数据，通过模糊层次聚类法，依据风向将样本数据分为三类，然后采用Hopfield神经网络算法对每类样本数据进行训练，分别建立特征风向的风力发电预测模型，对三类预测模型进行合并处理，构建一个基于不同风向的混合风力发电预测模型。然后，利用所建立的混合风力发电预测模型，通过分析风电厂不同时期的风向特征，对风电厂的产能进行预测。本实施例根据风向对输入数据进行分类，在进行预测时，先判断输入数据的风向，代入对应的预测模型中得到风电输出功率的预测值，从而能精确地进行短期风电预测，提高风电功率预测的精度。

需要指出的是，上述差异阈值可根据风力发电场的实际情况进行设置，用于筛选样本数据的风向。

作为一种可选的实施方式，上述混合风力发电的预测方法还可包括以下步骤：

S106：获取测试用的样本数据，对所建立的混合风力发电预测模型进行调试；

S108：根据混合风力发电预测模型输出的测试结果，对所述混合风力发电预测模型进行修正。

需要说明的是，所述测试用的样本数据从所述风电场的风向、风速及对应的风电输出功率的历史数据中抽样得到。

可选的是，基于以上任意一个实施例，上述混合风力发电的预测方法实施例还可以包括下面的步骤：

S110：利用所述混合风力发电预测模型，对风力发电厂的输出产能进行测试；

S112：在进行预测时，判断输入数据的风向，根据所确定的风向，调用对应的风力发电预测模型计算所述风电场的风电输出功率的预测值，输出对应的测试结果。

本实施例中，依照风向的不同和特征对输入数据进行分类建模，预测时，判断分析输入数据的风向，根据所确定的风向，将相应的数据代入对应的预测模型中，得到风电输出功率的预测值，从而实现精确地短期风电预测。

上述各实施例中，通过先建立混合风力发电预测模型，然后利用混合风力发电预测模型根据短期风速、风向数据对风力发电进行预测。这里，为进一步解释混合风力发电预测模型，下面对其形成过程作一下说明，上述步骤S104包括以下处理过程：

S1041：分别为所述三类特定的风力发电预测模型配置对应的样本权重参数；

S1042：根据每个预测模型的样本权重参数，将根据风向建立的预测模型进行合并，建立混合风力发电预测模型；

可选地，上述步骤S104中建立混合风力发电的预测模型的过程还可包括：

S1043：对所述混合风力发电预测模型进行反复迭代，使所述混合风力发电预测模型逐渐收敛，直到输出结果趋于稳定。

例如：参照图2，其为Hopfield神经网络算法的工作原理示意图，作为通用神经网络***的一种派生，算法本身独立于数据之外，不同的数据通过算法的处理形成不同的模型，通过将筛选出来的三个不同类别的训练集数据放入Hopfield神经网络中进行训练，会得出三类不同的预测模型。这些模型仅与其对应的数据集相关，进而可以通过之前的模糊聚类模型将另外30％的测试集数据按同样的原理分为三类，将每一类测试集数据放入对应的模型中进行预测，便能得出相应的预测输出功率。

如果需要判断整体混合模型的预测精准度，则需要将三类不同模型的预测值与对应样本的真实值作比较，求出其均方误差，并将其按一定的权重加权便得到了整体的预测精准度。其中，各模型预测值均方误差的权重由各类测试集数据占整体测试集数据的比重确定，从而增强模型的容错能力和泛化能力，使得混合风力发电预测模型能够更加的适应样本外数据。另外，需要注意的一点是，在实际的预测过程中，若一新的样本点被输入模型，则通过模糊聚类判断其为A类，则直接通过A类模型进行预测，并得出结果，本实施例通过权重的整合来衡量整个模型簇的整体效果。

与现有的风力发电预测模型相比，上述各实施例采用的混合风力发电预测模型能够获得更高的预测精度。下面对上述混合风力发电的预测方法实施例的优点作进一步分析说明，总的来讲，上述实施例主要采用的是以下处理流程：

1)收集建模样本数据

获取风电厂风向、风速及风电输出的历史数据进行抽样，得到样本数据。对整个样本的统计特性进行判断，利用极坐标系绘制不同方向上的风频，找出风频最集中且风电输出功率差异显著的几个方向来建立分类发电预测模型。

这里，由于风力发电输出不仅仅关系到角度，也关系到风向，因此，通过将不同风向上的特定预测模型进行合并，能够得到更精确的风力发现预测模型，即混合风力发电预测模型，该混合风力发电预测模型可通过区分不同风向，分别建立风速与输出发电功率之间的关系。

2)样本数据分类建模

为了建立风向、风速与输出功率相对应的模型，需要将样本进行划分，否则重叠的样本点将会影响每个模型的独立性和准确性。因此，为了避免这个问题混合风力发电预测模型在进行模型建立前，先用模糊层次聚类法将样本进行分类处理，为建立准确的模型打基础。

上述实施例中，采用模糊层次聚类法进行数据挖掘，依据风向将样本数据分为三类，其中每一层的高度代表了两种类型数据空间之间的距离，距离越大表示两种数据空间之间的边界越明显，可从结果中选择边界最明显，具有最低一致性的几类样本组别。例如，可将样本分为两部分，70％的样本用于训练模型，30％的样本用于测试模型；将选出的几类具有明显边界的样本组别导入Hopfield算法中，分别训练出对应不同风向上的模型，再用剩余的30％的样本对建立的模型进行测试。

上述实施例针对不同类别的样本数据建立不同的预测模型，例如采用Hopfield神经网络算法建立特定的风力发电预测模型，通过Hopfield神经网络算法对样本特征的学习来建立起来的预测模型，不仅能够反映风力发电输出的短期波动，还能够克服其他短期预测模型抗噪能力差的弱点。

3)建立混合风力发电预测模型

根据每个模型的样本权重，将前一步中建立的各个风向上预测模型进行合并，建立一个新的混合预测模型。将没有进行模糊分级聚类处理的样本导入到Hopfield模型中，成为原始预测模型。反复迭代混合预测模型和原始预测模型，使模型逐渐收敛，最后趋于稳定，将两者的结果进行对比可以发现混合模型的精度更高。

4)进行预测

采用混合风力发电预测模型进行预测时，判断输入数据的风向，根据所确定的风向，调用对应的风力发电预测模型计算所述风电场的风电输出功率的预测值，输出对应的测试结果。

此处，结合一个实例，对上述混合风力发电的预测方法实施例进行一下举例说明：

参照图3，其为风力玫瑰图和电力玫瑰图的对比示意图，通过风力玫瑰图可以初步判断东北、东南和西北方向上的风频最大。就风向对于风力和电力输出功率来说，来自东北方向的风力较大并且风电的输出功率也较高；其次是来自西北和东南两个方向的风，虽然这两个方向的风力通常也较大，但其对应的输出功率却较小。因此，在建模时有必要将其分开考虑。那么，现在问题就来了，在训练样本中有一部分数据介于这三类不同的类别之间，无法直观有效的对其进行区分。为了达到量化和客观的效果，本实例采用模糊聚类的方法将训练样本按照其：风向、风力及输出功率的对应关系分成三类，这里之所以选择模糊层次聚类是因为在采用数据中我们发现不仅某些样本点它介于两种不同的类别之间难以区分，而且不同的别类之间也存在着层次关联，如图4所示。通过模糊层次聚类，可以判断每个样本点究竟属于哪一类，并且类与类之间的关联程度如何，这样原来的训练样本就被有效的分成了不同的类别。如图5所示，将这些样本点按类别的不同提出来，便得到三组新的样本，并且每一类样本数据都对应着一种特定的、合理的风电输入输出关系，进而可通过对这三组数据建立回归模型，得到基于不同风速和风向的风电预测模型。

参照图6，其为混合风力发电预测模型与混合处理之前的原始模型的预测结果对比示意图。本实例中，运用Hopfield模型分别建立不同风向上的模型，结果显示东北方向上的风力预测误差最小，而西北方向上的误差最大，最后将三个模型合并为混合预测模型。与原始模型进行对比(结果如图6所示)：混合风力发电预测模型的均方差比原始模型的均方差小，前者为18.32，后者为35.1；混合风力发电预测模型的R方为0.73，相比于原始模型的0.7更接近于1，也就是说，在混合风力发电预测模型中自变量能够更好地解释因变量。此外，虽然混合预测模型的运行时间略长一些，但是其差异仅为0.38秒，并不影响实际操作。因此从预测结果上看，混合风力发电预测模型可以获得更高的精度，并且可以运用于实际操作。

综上，上述各实施例所述的基于模糊层次聚类及Hopfield神经网络的混合风电预测模型的优点在于：对风电输出功率进行预测过程中，同时考虑了风向和风力两个方面的影响，并按照风向、风力与风电输出功率的对应关系，将其进行模糊层次聚类。这样，可以将一组有噪音冗余的采样数据分成相应的几份存在内在关联性的样本数据，再对这些样本数据进行分别建模，不同类别数据的内在特征便能被不同的模型充分体现，从而有针对性地进行模型预测，预测的精准度也因而有所提高。

需要说明的是，对于前述的方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明所必需的。

***实施例

为实现上述方法，本实施例提出一种混合风力发电的预测***，如图7和图8所示，该混合风力发电的预测***实施例包括：数据输入装置101、配置有混合风力发电预测模型的测试装置102、及输出装置103。

在该混合风力发电的预测***中，数据输入装置101用于获取测试数据；测试装置102用于根据数据输入装置101输入的测试数据，判断输入数据的风向，根据所确定的风向，调用所述混合风力发电预测模型1021中与风向对应的风力发电预测模型，对风力发电厂的输出产能进行测试；输出装置103用于获取所述混合风力发电预测模型测试得到的所述风电场的风电输出功率的预测值，并输出对应的测试结果。

上述实施例中，该混合风力发电的预测***还可包括：数据建模及修正装置104，用于建立混合风力发电预测模型1021、以及修正或优化混合风力发电预测模型1021，因此，数据建模及修正装置104进一步包括以下组成：

1)抽样模块201，用于对所获取的风电场的风向、风速及对应的风电输出功率的历史数据进行抽样得到样本数据；

2)分析模块202，用于对所述样本数据的统计特性进行判断分析，获取风频集中且风电输出功率差异达到差异阈值的风向；

3)处理模块203，用于根据所获取的风向及其与风速、风电输出功率的对应关系采用模糊层次聚类法，将所述样本数据划分为三类；

4)模型初建模块204，用于采用神经网络算法对每类样本进行训练，对应形成三类特定的风力发电预测模型；

5)混合处理模块205，用于将这三类特定的风力发电预测模型进行合并处理，形成用于对风力发电产能进行预测的混合风力发电预测模型。

作为一种可选的实施方式，上述实施例中，混合风力发电的预测***还可包括：

6)测试修正模块206，用于获取测试用的样本数据，对所建立的混合风力发电预测模型进行调试、修正。

进一步来讲，在一可选实施例中，上述混合处理模块205还可包括以下组成：

参数配置单元51，用于分别为所述三类特定的风力发电预测模型配置对应的样本权重参数；

合并处理单元52，用于根据每个预测模型的样本权重参数，将根据风向建立的预测模型进行合并，建立混合风力发电预测模型；

迭代优化单元53，用于对所述混合风力发电预测模型进行反复迭代，使所述混合风力发电预测模型逐渐收敛，直到输出结果趋于稳定。

作为一种可选的实施方式，上述混合风力发电预测模型1021进一步包括以下组成模块：

风向识别单元，用于判断输入数据的风向；

模型调用单元，用于根据所确定的风向，调用所述混合风力发电预测模型中对应的风力发电预测模型，对风力发电厂的输出产能进行测试。

显然，本领域的技术人员应该明白，上述的本发明实施例的混合风力发电的预测***各模块或混合风力发电的预测方法各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。所述存储装置为非易失性存储器，如：ROM/RAM、闪存、磁碟、光盘等。

以上所述仅为本发明的实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种混合风力发电的预测方法，其特征在于，包括：

获取风电场的风向、风速及对应的风电输出功率的历史数据，并对所述历史数据进行抽样得到样本数据；

对所述样本数据的统计特性进行判断分析，获取风频集中且风电输出功率差异达到差异阈值的风向，并根据所获取的风向及其与风速、风电输出功率的对应关系采用模糊层次聚类法，将所述样本数据划分为三类；

采用神经网络算法对每类样本进行训练，对应形成三类特定的风力发电预测模型，将这三类特定的风力发电预测模型进行合并处理，建立用于对风力发电产能进行预测的混合风力发电预测模型。

2.根据权利要求1所述的混合风力发电的预测方法，其特征在于，还包括：

获取测试用的样本数据，对所建立的混合风力发电预测模型进行调试；

根据混合风力发电预测模型输出的测试结果，对所述混合风力发电预测模型进行修正；

其中，所述测试用的样本数据从所述风电场的风向、风速及对应的风电输出功率的历史数据中抽样得到。

3.根据权利要求1所述的混合风力发电的预测方法，其特征在于，还包括：

利用所述混合风力发电预测模型，对风力发电厂的输出产能进行测试；

在进行预测时，判断输入数据的风向，根据所确定的风向，调用对应的风力发电预测模型计算所述风电场的风电输出功率的预测值，输出对应的测试结果。

4.根据权利要求1所述的混合风力发电的预测方法，其特征在于，所述混合风力发电预测模型的形成方式还包括：

分别为所述三类特定的风力发电预测模型配置对应的样本权重参数；

根据每个预测模型的样本权重参数，将根据风向建立的预测模型进行合并，建立混合风力发电预测模型。

5.根据权利要求1至4任一项所述的混合风力发电的预测方法，其特征在于，该方法还包括：

对所述混合风力发电预测模型进行反复迭代，使所述混合风力发电预测模型逐渐收敛，直到输出结果趋于稳定。

6.一种混合风力发电的预测***，其特征在于，包括：

抽样模块，用于对所获取的风电场的风向、风速及对应的风电输出功率的历史数据进行抽样得到样本数据；

分析模块，用于对所述样本数据的统计特性进行判断分析，获取风频集中且风电输出功率差异达到差异阈值的风向；

处理模块，用于根据所获取的风向及其与风速、风电输出功率的对应关系采用模糊层次聚类法，将所述样本数据划分为三类；

模型初建模块，用于采用神经网络算法对每类样本进行训练，对应形成三类特定的风力发电预测模型；

混合处理模块，用于将这三类特定的风力发电预测模型进行合并处理，形成用于对风力发电产能进行预测的混合风力发电预测模型。

7.根据权利要求6所述的混合风力发电的预测***，其特征在于，该***还包括：

测试修正模块，用于获取测试用的样本数据，对所建立的混合风力发电预测模型进行调试、修正及优化。

8.根据权利要求6所述的混合风力发电的预测***，其特征在于，该***还包括：

数据输入装置，用于获取测试数据；

测试装置，配置有所述混合风力发电预测模型，用于根据所获取的测试数据，判断输入数据的风向，根据所确定的风向，调用所述混合风力发电预测模型中对应的风力发电预测模型，对风力发电厂的输出产能进行测试；

输出装置，用于获取所述混合风力发电预测模型测试得到的所述风电场的风电输出功率的预测值，并输出对应的测试结果。

9.根据权利要求6至8任一项所述的混合风力发电的预测***，其特征在于，所述混合处理模块还包括：

参数配置单元，用于分别为所述三类特定的风力发电预测模型配置对应的样本权重参数；

合并处理单元，用于根据每个预测模型的样本权重参数，将根据风向建立的预测模型进行合并，建立混合风力发电预测模型；

迭代优化单元，用于对所述混合风力发电预测模型进行反复迭代，使所述混合风力发电预测模型逐渐收敛，直到趋于稳定。

10.根据权利要求9所述的混合风力发电的预测***，其特征在于，所述混合风力发电预测模型进一步包括：

风向识别单元，用于判断输入数据的风向；

模型调用单元，用于根据所确定的风向，调用所述混合风力发电预测模型中对应的风力发电预测模型，对风力发电厂的输出产能进行测试。