摘要
为更精准地预测风力发电量，需综合考虑风速、风向及气压等气象因素。本论文提出一种结合模糊C均值（FCM）聚类与TCN–Transformer混合模型的方法。在预处理数据以剔除异常值和缺失记录后，通过皮尔逊相关系数确定适合作为模型输入特征的平均风速、风向以及气压。随后运用FCM聚类将数据分为低风速和高风速两种运行状态，从而避免统一建模带来的精度损失。接着构建TCN–Transformer模型，通过局部时间特征提取与全局依赖关系建模，在不同状态下进行预测。实验结果表明，所提出的FCM–TCN–Transformer框架在低风速和高风速条件下均能实现更出色的预测性能。与TCN、LSTM、GRU、BiGRU及Transformer等基准模型相比，该方法在不同预测时段内的预测误差更低，精度更高。此外，通过多次随机种子实验验证了该框架的稳健性与稳定性。这些结果表明，基于FCM的风速区间分类有效降低了数据异质性，而混合TCN–Transformer架构则能同时捕捉局部时间模式与长距离时间依赖关系。因此，该框架为短期风力发电预测提供了高效可靠的解决方案，有助于将风能更安全地融入现代电力系统。
