通过识别不同风电机组的相似性将风电场内各机组区分为不同的机组群,对每组机群分别建立功率预测模型,既提高了计算效率,又改善了大型风电场短期功率预测精度,较好解决了风电波动性和间歇性对电力系统安全运行的影响.提出了一种基于戴维森堡丁指数与聚类算法的风电场机组分组功率预测方法,以实际测量风速,测量功率以及两者的组合作为机组分组模型输入,分析其对聚类精度的影响程度.首先,采用经验模态分解方法将风电功率序列分解后,将与原信号具有高相关性的固有模态函数(intrinsic mode function,IMF)分量重构,作为K-means聚类算法的输入重新进行场内机组分组.然后,对每组机群分别构建经验模态分解相关向量机(empirical mode decomposition-relevance vector machine,EMD-RVM)模型.最后,将预测功率分量叠加获得总功率的预测值.仿真实验结果表明,风速是影响聚类结果的主要因素,功率可作为不同聚类模型输入变量的重要补充;基于EMD-RVM的分组功率预测提升了预测精度,提高了预测效率.