基于聚类算法与循环神经网络的风机发电性能的测试和预测方法

风电机组的发电性能测试方法是评估风机性能的客观方法和依据，是风能资源评估、风机性能优化等工作的基础。风电机组的发电性能受到气象相关的多因子影响，测试结果存在一定的不确定度。如何开展精准而客观的测试，评估气象要素的作用，剔除局地影响，是目前较为重要和亟待解决的研究课题和实际需求。 近些年，人工智能得到了发展的迅速，涌现了大量的智能算法和的应用案例，提供了可借鉴的思路，可帮助新能源等行业开展便捷高效的数据分析、模型建立等相关工作，同时MATLAB^®提供了强大而全面的数据与算法工具箱，可降低相应的学习曲线和时间成本。本研究工作采用了聚类算法DBSCAN开展了风速数据质量控制和无效数据剔除，通过循环神经网络 RNN (Recurrent Neural Networks)建立了多参数的风机功率模型，改进了传统方法单一参数的缺点，有效降低了误差，提高了风机发电性能的测试精度和预测效果。