基于模糊聚類分析的風(fēng)電功率預(yù)測(cè)研究

張傳輝，田建艷,b，高 煒，王 芳,b

(太原理工大學(xué) a.信息工程學(xué)院，b.電力系統(tǒng)運(yùn)行與控制山西省重點(diǎn)實(shí)驗(yàn)室，c.機(jī)械工程學(xué)院，太原 030024)

風(fēng)的間歇性和隨機(jī)性導(dǎo)致了風(fēng)電功率預(yù)測(cè)具有很大的不穩(wěn)定性，特別是近年來(lái)風(fēng)電場(chǎng)數(shù)量和裝機(jī)容量不斷增大，一旦將風(fēng)電并入電網(wǎng)運(yùn)行，這種功率波動(dòng)將會(huì)給電網(wǎng)的運(yùn)行造成不可估量的沖擊[1]。因此，提高風(fēng)電功率的預(yù)測(cè)精度，可以更好地保障電網(wǎng)的安全穩(wěn)定運(yùn)行、合理安排調(diào)度計(jì)劃以及有效提高電網(wǎng)對(duì)風(fēng)電的接納能力等[2]。胡亞偉等[3]提出了基于橫、縱向誤差平移修正的風(fēng)電功率預(yù)測(cè)精度改善方法，能有效提高預(yù)測(cè)精度。張露等[4]提出了基于不同優(yōu)化準(zhǔn)則的風(fēng)電功率預(yù)測(cè)模型，與各單項(xiàng)預(yù)測(cè)模型及其他組合模型相比，優(yōu)化模型的整體誤差指標(biāo)較小，有效地提高了預(yù)測(cè)精度。翟軍昌等[5]針對(duì)傳統(tǒng)的風(fēng)電功率預(yù)測(cè)模型的不足，提出了一種參數(shù)自調(diào)整的風(fēng)電功率預(yù)測(cè)方法，通過(guò)加權(quán)遞推最小二乘方法建立預(yù)測(cè)模型，該方法具有較高的預(yù)測(cè)精度。ZHANG[6]在有限數(shù)據(jù)的情況下，采用一致預(yù)測(cè)方法，根據(jù)在不同高度上的風(fēng)電數(shù)據(jù)對(duì)預(yù)測(cè)精度影響的不同，通過(guò)組合幾種預(yù)測(cè)模型提高了預(yù)測(cè)精度。

人工神經(jīng)網(wǎng)絡(luò)具有并行處理、分布式存儲(chǔ)以及容錯(cuò)性等特征，具有自學(xué)習(xí)、自組織和自適應(yīng)能力[7]，被廣泛應(yīng)用于風(fēng)電功率預(yù)測(cè)中，但是神經(jīng)網(wǎng)絡(luò)模型的建立對(duì)訓(xùn)練樣本具有較高的依賴性，訓(xùn)練樣本的選擇既要包含足夠廣的選擇范圍，使得模型具有更強(qiáng)的泛化能力[8]，同時(shí)又要保證模型具有更快的預(yù)測(cè)速度和更高的預(yù)測(cè)精度。但是如果樣本范圍足夠廣，樣本數(shù)量足夠多，必然會(huì)影響模型預(yù)測(cè)的速度和精度。因此，保證范圍足夠廣的樣本數(shù)量的同時(shí)又能使得模型更具有針對(duì)性，將能在很大程度上提高模型的預(yù)測(cè)能力。為此，本文提出了基于模糊C均值聚類的神經(jīng)網(wǎng)絡(luò)建模方法。該方法首先對(duì)訓(xùn)練樣本進(jìn)行聚類，將相似的訓(xùn)練樣本分為若干個(gè)聚類集，對(duì)每個(gè)聚類集分別建立相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型，計(jì)算預(yù)測(cè)樣本與各聚類集的匹配度，將其劃分到相似度最高的聚類集，采用相應(yīng)的神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)，從而提高了神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度。

1 基于減法聚類優(yōu)化的FCM聚類算法

1.1 FCM基本原理

聚類就是把事物間的相似性作為類屬劃分的準(zhǔn)則，按照一定的要求和規(guī)律對(duì)事物進(jìn)行區(qū)分并歸類的過(guò)程[9]。在聚類算法中，模糊C均值(FCM)算法理論完善、應(yīng)用廣泛。FCM算法屬于無(wú)監(jiān)督學(xué)習(xí)方法，通過(guò)采用隸屬度來(lái)表征每個(gè)樣本點(diǎn)隸屬于某個(gè)聚類的程度[10]。FCM算法原理如下：

將待聚類樣本集X={x1,x2,…,xN}劃分為c類，其中x1,x2,…,xN為聚類樣本，N為樣本數(shù)，2≤c≤N，且聚類中心矩陣為V=(v1,v2,…,vc)T，目標(biāo)函數(shù)及其約束條件分別如式(1)和式(2)所示：

(1)

(2)

式中：uki為隸屬度，表示第i(i=1,2,…,N)個(gè)樣本屬于第k(k=1,2,…,c)個(gè)類的程度；U為uki構(gòu)成的隸屬矩陣；vk為第k個(gè)聚類中心；dki為vk與xi之間的歐式距離，計(jì)算式為dki=‖vk-xi‖；m0為模糊參數(shù)，通常m0=2.

采用拉格朗日乘子求最優(yōu)解，可以得到：

(3)

(4)

在聚類數(shù)(c)、模糊參數(shù)(m0)、最大迭代次數(shù)等聚類參數(shù)已知時(shí)，由式(3)，(4)反復(fù)迭代即可實(shí)現(xiàn)訓(xùn)練樣本的聚類過(guò)程。

1.2 減法聚類優(yōu)化FCM

FCM算法對(duì)初始聚類中心十分敏感，采用人為確定聚類數(shù)和隨機(jī)初始化的方法對(duì)最終模型的預(yù)測(cè)精度產(chǎn)生影響，而減法聚類是一種快速近似聚類方法，它將所有的樣本都作為聚類中心的可能解，然后根據(jù)樣本本身的規(guī)律自動(dòng)確定出較合理的聚類中心和聚類數(shù)[11-12]。本文引入減法聚類，將其與FCM相結(jié)合，以獲取訓(xùn)練樣本的最優(yōu)聚類結(jié)果。

采用減法聚類獲取聚類數(shù)c與初始聚類中心V*的具體方法為：

(5)

(6)

式中，rb為鄰域半徑，為了削弱各聚類中心之間的影響，通常取rb=1.5ra.

聚類有效性的評(píng)價(jià)標(biāo)準(zhǔn)公式如下：

(7)

式中：分子部分體現(xiàn)了各聚類內(nèi)部的緊湊性，分子越小，說(shuō)明各類內(nèi)部越緊湊；分母部分體現(xiàn)了各聚類之間的獨(dú)立性，當(dāng)每個(gè)類之間的距離越大時(shí)，即分母越大，說(shuō)明各類之間獨(dú)立性越強(qiáng)。當(dāng)Vxie(U,V,c)結(jié)果較小時(shí)，說(shuō)明各聚類內(nèi)部比較緊湊、各聚類之間比較獨(dú)立，也就表明聚類分析結(jié)果較為合理[14]。

2 基于聚類分析的風(fēng)電功率預(yù)測(cè)模型

2.1 模型評(píng)價(jià)指標(biāo)的確定

為了能夠全面對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)，本文選取可以體現(xiàn)預(yù)測(cè)值偏離實(shí)際值最大幅度的最大絕對(duì)誤差(Emax)、可以體現(xiàn)預(yù)測(cè)模型對(duì)系統(tǒng)誤差的宏觀評(píng)價(jià)的平均絕對(duì)誤差(EMA)、用來(lái)衡量誤差的分散程度的均方根誤差(ERMS)、可以體現(xiàn)預(yù)測(cè)模型總體性能的平均絕對(duì)百分比誤差(EMAP)以及反映預(yù)測(cè)誤差分布的誤差標(biāo)準(zhǔn)差(ESD)作為評(píng)價(jià)指標(biāo)，各指標(biāo)的計(jì)算公式如下：

Emax=max(|et|) .

(8)

(9)

(10)

(11)

(12)

2.2 神經(jīng)網(wǎng)絡(luò)模型的選取

訓(xùn)練樣本經(jīng)過(guò)聚類之后會(huì)得到若干個(gè)聚類集，編號(hào)為D1,D2,…,Dc，c為聚類集的總個(gè)數(shù)。同時(shí)選取課題組建立小波神經(jīng)網(wǎng)絡(luò)模型M1、GABP神經(jīng)網(wǎng)絡(luò)模型M2、Elman神經(jīng)網(wǎng)絡(luò)模型M3、GRNN廣義回歸神經(jīng)網(wǎng)絡(luò)模型M4、T-S模糊神經(jīng)網(wǎng)絡(luò)模型M5作為預(yù)測(cè)模型。根據(jù)風(fēng)電功率預(yù)測(cè)的時(shí)序性和對(duì)功率影響較大的因素的相關(guān)性分析，選取前一時(shí)刻風(fēng)速X1、當(dāng)前時(shí)刻風(fēng)速X2、風(fēng)向的正弦值X3、風(fēng)向的余弦值X4以及溫度X5共5個(gè)因素作為模型的輸入，風(fēng)電功率作為模型的輸出Y.

采用D1,D2,…,Dn分別訓(xùn)練上述5種神經(jīng)網(wǎng)絡(luò)模型，得到模型M1,M2,…,M5.比較每一個(gè)聚類集對(duì)應(yīng)的5種神經(jīng)網(wǎng)絡(luò)的誤差指標(biāo)Emax、EMA、ERMS、EMAP、ESD，合理選取模型作為該聚類集的解。具體的選取原則分以下兩種情況。

2.2.1 單模型預(yù)測(cè)

綜合考慮5種模型的預(yù)測(cè)誤差評(píng)價(jià)指標(biāo)，若第i個(gè)神經(jīng)網(wǎng)絡(luò)模型Mi的各項(xiàng)指標(biāo)均最佳，即將Mi模型作為聚類集Di上對(duì)應(yīng)的預(yù)測(cè)模型。

2.2.2 多指標(biāo)融合評(píng)價(jià)

模型Mi和模型Mj的預(yù)測(cè)效果指標(biāo)各有優(yōu)劣，直接觀察并不能分出哪個(gè)模型的預(yù)測(cè)效果最好。當(dāng)單指標(biāo)評(píng)價(jià)結(jié)果不一致時(shí)，采用多指標(biāo)融合評(píng)價(jià)方法對(duì)模型進(jìn)行融合評(píng)價(jià)[15]，該方法中將離差最大化與主觀修正系數(shù)相結(jié)合，確定各模型的綜合權(quán)重，計(jì)算綜合評(píng)價(jià)值，得到模型的排序。將5種模型的融合評(píng)價(jià)值的平均值作為閾值，選取融合評(píng)價(jià)值大于閾值的模型作為該聚類集對(duì)應(yīng)的預(yù)測(cè)模型。

當(dāng)數(shù)據(jù)集對(duì)應(yīng)一個(gè)模型時(shí)，則直接用該模型進(jìn)行預(yù)測(cè)。當(dāng)數(shù)據(jù)集對(duì)應(yīng)多個(gè)模型時(shí)，采用融合預(yù)測(cè)方法，融合權(quán)重采用誘導(dǎo)有序加權(quán)平均(induced ordered weighted average,IOWA)算子[16]確定。與傳統(tǒng)的方法不同，它考慮到單模型在不同時(shí)刻點(diǎn)的預(yù)測(cè)精度可能不同，因此把單模型各個(gè)時(shí)刻點(diǎn)上的預(yù)測(cè)精度值作為誘導(dǎo)值，并以最小誤差平方和為準(zhǔn)則建立目標(biāo)函數(shù)來(lái)求解權(quán)重系數(shù)，進(jìn)行融合預(yù)測(cè)。具體步驟如下：

設(shè)經(jīng)過(guò)模型融合評(píng)價(jià)后共有m種單一模型，t時(shí)刻的實(shí)際風(fēng)電功率序列為{yt}(t=1,2,…,n)，用m種單一模型對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)，第i種預(yù)測(cè)模型在第t時(shí)刻的風(fēng)電功率預(yù)測(cè)值為yit，(i=1,2,…,m).設(shè)m種單一模型在融合模型中的權(quán)重為ω=(ω1,ω2,…,ωm)，且滿足：

(13)

令第i種模型在第t時(shí)刻的預(yù)測(cè)精度為ait，其表達(dá)式為：

(14)

顯然，ait∈[0,1].

若將預(yù)測(cè)精度ait作為預(yù)測(cè)值yit的誘導(dǎo)值，則m種單模型在第t時(shí)刻的預(yù)測(cè)精度和預(yù)測(cè)值構(gòu)成了m個(gè)二維數(shù)組：

(〈a1t,y1t〉,〈a2t,y2t〉,…,〈ait,yit〉,…,〈amt,ymt〉)，

其中，ait為預(yù)測(cè)值yit排序的誘導(dǎo)值。將m種單一模型在第t時(shí)刻的預(yù)測(cè)精度a1t,a2t,…,ait,…,amt,按照從大到小的順序排列，由預(yù)測(cè)精度序列產(chǎn)生的基于IOWA算子融合預(yù)測(cè)值為：

(15)

式中，a-index(it)表示第t時(shí)刻第i種模型的預(yù)測(cè)精度下標(biāo)。

令ea-index(it)=yt-ya-index(it)，則n個(gè)時(shí)刻總的融合預(yù)測(cè)誤差平方和為：

(16)

則以預(yù)測(cè)誤差平方和為準(zhǔn)則的基于IOWA算子的融合預(yù)測(cè)模型可以表示成如下最優(yōu)化模型：

(17)

其約束條件為：

(18)

通過(guò)求取式(17)的值就可以得到ωi的值。

2.3 預(yù)測(cè)樣本歸類

本文首先根據(jù)預(yù)測(cè)樣本到聚類中心的距離來(lái)判斷該樣本點(diǎn)屬于哪個(gè)數(shù)據(jù)集，然后采用該數(shù)據(jù)集對(duì)應(yīng)的預(yù)測(cè)模型對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)。由于高斯指標(biāo)法[17]易于處理非線性數(shù)據(jù)，本文采用此方法對(duì)預(yù)測(cè)樣本進(jìn)行歸類，步驟如下：

假設(shè)樣本第s個(gè)風(fēng)電功率影響因素的權(quán)重ωs∈[0,1]，且∑ωs=1.預(yù)測(cè)樣本和數(shù)據(jù)集第s個(gè)因素的歐氏距離為：

(19)

式中：Xas為預(yù)測(cè)樣本第s個(gè)因素；Xbs為數(shù)據(jù)集聚類中心第s個(gè)因素，則其第s個(gè)值的高斯指標(biāo)為：

(20)

σs=σ×(smax-smin) .

(21)

式中：a為預(yù)測(cè)樣本；b為數(shù)據(jù)集對(duì)應(yīng)的聚類中心；σs為撓曲點(diǎn)；smax為第s個(gè)因素的最大值；smin為第s個(gè)因素的最小值；σ為常數(shù)，取值范圍為[0,1].

計(jì)算出高斯指標(biāo)后，利用式(22)即可求出預(yù)測(cè)樣本和樣本集的相似度：

(22)

式中：SIM(a,b)為相似度；ωs是權(quán)重值，通過(guò)計(jì)算相關(guān)性系數(shù)確定。SIM(a,b)越大，表明預(yù)測(cè)樣本與該樣本集越相似，則把該預(yù)測(cè)樣本歸為該數(shù)據(jù)集中。

3 仿真分析

筆者采用山西某風(fēng)電場(chǎng)的實(shí)際數(shù)據(jù)進(jìn)行了大量的仿真實(shí)驗(yàn)。由于篇幅所限，僅給出以下數(shù)據(jù)進(jìn)行說(shuō)明：以2015年一整年的數(shù)據(jù)作為訓(xùn)練樣本進(jìn)行聚類，采用2016年1月1日—1月4日的數(shù)據(jù)作為預(yù)測(cè)樣本。

3.1 初始聚類中心及聚類數(shù)的確定

1) 本文取δ=0.5，采用減法聚類得到聚類數(shù)cmax=11和初始聚類中心V*：

2) 由上一步得到的聚類數(shù)和聚類中心對(duì)模糊聚類算法進(jìn)行初始化。然后根據(jù)式(3)和式(4)可得到最終的隸屬矩陣U和聚類中心V，然后計(jì)算聚類有效性函數(shù)值Vxie(U,V,c)，公式如下：

(12)

根據(jù)上面得到的聚類數(shù)和聚類中心對(duì)模糊聚類算法進(jìn)行初始化。然后通過(guò)計(jì)算聚類有效性函數(shù)值Vxie(U,V,c)得出最合適的聚類數(shù)和聚類中心，求得不同的類對(duì)應(yīng)的Vxie如表1所示。

表1 聚類數(shù)和對(duì)應(yīng)的有效性函數(shù)值Table 1 The number of cluster and the values of validity function

由表1可知，當(dāng)聚類數(shù)為8時(shí)，所得Vxie的值最小，因此將聚類數(shù)定為8個(gè)。

對(duì)預(yù)測(cè)樣本進(jìn)行聚類，得到的數(shù)據(jù)集為8個(gè)，數(shù)據(jù)集編號(hào)分別為D1，D2，D3，D4，D5，D6，D7，D8.

3.2 神經(jīng)網(wǎng)絡(luò)模型的選取

采用D1—D8分別對(duì)5種神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。比較每一個(gè)數(shù)據(jù)集對(duì)應(yīng)的5種模型的誤差，根據(jù)2.2節(jié)的原則，合理選取模型作為該聚類集的解，得到每種數(shù)據(jù)集對(duì)應(yīng)的預(yù)測(cè)模型如表2所示。

表2 每種數(shù)據(jù)集對(duì)應(yīng)的預(yù)測(cè)模型Table 2 Each data set corresponding to the forecasting model

3.3 聚類建模結(jié)果

由表2可知，當(dāng)聚類集對(duì)應(yīng)唯一的預(yù)測(cè)模型時(shí)，就采用該模型進(jìn)行預(yù)測(cè)；當(dāng)聚類集對(duì)應(yīng)多個(gè)模型時(shí)，則采用2.2節(jié)給出的融合方法求取融合模型的權(quán)重，最終的結(jié)果如表3所示。

表3 聚類建模結(jié)果Table 3 Results of clustering modeling

由表3可知，不同聚類集對(duì)應(yīng)不同的模型進(jìn)行風(fēng)電功率的預(yù)測(cè)。將基于模糊聚類的神經(jīng)網(wǎng)絡(luò)建模用M6表示。

3.4 預(yù)測(cè)數(shù)據(jù)歸類結(jié)果

預(yù)測(cè)模型庫(kù)建立好以后，采用2.3節(jié)所述的方法對(duì)96組預(yù)測(cè)樣本進(jìn)行歸類，歸類結(jié)果如表4所示。

表4 每種聚類集對(duì)應(yīng)的預(yù)測(cè)樣本個(gè)數(shù)Table 4 Each data set corresponding to the number of samples

3.5 仿真分析

根據(jù)表4的聚類結(jié)果，歸于不同聚類集的預(yù)測(cè)樣本需要采用不同的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)。而傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)方法沒(méi)有對(duì)預(yù)測(cè)樣本進(jìn)行聚類，所有預(yù)測(cè)樣本都采用同一種神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)。下面對(duì)兩類方法的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析。

3.5.1 單模型預(yù)測(cè)效果分析

采用未經(jīng)聚類的訓(xùn)練樣本分別訓(xùn)練5種神經(jīng)網(wǎng)絡(luò)模型，利用每個(gè)模型分別對(duì)預(yù)測(cè)樣本進(jìn)行預(yù)測(cè)，以M1和M3模型為例說(shuō)明單一模型的預(yù)測(cè)效果，其風(fēng)電功率預(yù)測(cè)結(jié)果分別如圖1和圖2所示。

圖1 M1模型的風(fēng)電功率預(yù)測(cè)結(jié)果Fig.1 Wind power forecasting results of model M1

圖2 M3模型的風(fēng)電功率預(yù)測(cè)結(jié)果Fig.2 Wind power forecasting results of model M3

以預(yù)測(cè)誤差絕對(duì)值為例，將預(yù)測(cè)誤差超過(guò)42 kW(平均絕對(duì)誤差值的120%)的時(shí)刻作為大誤差點(diǎn)時(shí)刻，由圖1和圖2可知，神經(jīng)網(wǎng)絡(luò)模型單獨(dú)預(yù)測(cè)時(shí)，在某些點(diǎn)的預(yù)測(cè)誤差較大，比較明顯的是M1模型中的第9點(diǎn)、12點(diǎn)、32點(diǎn)、75點(diǎn)等共25個(gè)大誤差點(diǎn)數(shù)；M3模型中的26點(diǎn)、44點(diǎn)、53點(diǎn)、69點(diǎn)等共28個(gè)大誤差點(diǎn)數(shù)。

3.5.2 基于聚類的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果分析

由表4可知，預(yù)測(cè)樣本中有9組數(shù)據(jù)歸為D1，再由表3可知這9組數(shù)據(jù)應(yīng)該采用M1模型進(jìn)行預(yù)測(cè)；有15組數(shù)據(jù)歸為D2，應(yīng)采用M4和M5模型進(jìn)行融合預(yù)測(cè)；有7組數(shù)據(jù)歸為D3，應(yīng)采用M3模型進(jìn)行預(yù)測(cè)，其他的預(yù)測(cè)樣本也是根據(jù)其歸屬的聚類集不同，而選擇不同的模型進(jìn)行預(yù)測(cè)。所有樣本最終的預(yù)測(cè)結(jié)果如圖3所示。

圖3 基于聚類的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果Fig.3 Wind power forecasting results of neural network model based on Clustering

由圖3可知，基于聚類的神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果相對(duì)較好，如單一神經(jīng)網(wǎng)絡(luò)模型中出現(xiàn)誤差較大的9點(diǎn)、26點(diǎn)、32點(diǎn)、44點(diǎn)、69點(diǎn)、75點(diǎn)等，在本方法中得到了較大的改善，大誤差點(diǎn)數(shù)只有12個(gè)，整體預(yù)測(cè)精度明顯提高。

3.5.3 各模型預(yù)測(cè)誤差對(duì)比分析

為進(jìn)一步說(shuō)明不同方法的預(yù)測(cè)效果，將不同神經(jīng)網(wǎng)絡(luò)模型的各個(gè)預(yù)測(cè)誤差指標(biāo)列表如表5所示。

由表可知，5種單一神經(jīng)網(wǎng)絡(luò)模型中M4預(yù)測(cè)效果最好，EMA為21.07，EMAP為8.98%，而基于聚類的神經(jīng)網(wǎng)絡(luò)模型M6中EMA為16.74，EMAP為7.35%，相比較于M4，EMA減小18.1%，EMAP減小21%，其他指標(biāo)均有不同幅度的減小。

表5 各個(gè)模型預(yù)測(cè)誤差指標(biāo)Table 5 Forecasting error of each model

為了進(jìn)一步驗(yàn)證M6的預(yù)測(cè)效果，在2015年11月數(shù)據(jù)的基礎(chǔ)上，同時(shí)增加2015年3月、6月和9月的各100組數(shù)據(jù)作為檢驗(yàn)數(shù)據(jù)，每種模型的大誤差點(diǎn)個(gè)數(shù)統(tǒng)計(jì)如表6所示。

表6 各個(gè)預(yù)測(cè)模型大誤差點(diǎn)統(tǒng)計(jì)Table 6 The number of large error of each model

由表6可知，M6的風(fēng)電功率預(yù)測(cè)誤差在大的預(yù)測(cè)誤差點(diǎn)上有了很大的改善，進(jìn)而提高了模型的整體預(yù)測(cè)精度和穩(wěn)定性。

4 結(jié)語(yǔ)

風(fēng)的間歇性和隨機(jī)性給風(fēng)電功率預(yù)測(cè)帶來(lái)了很大困難，針對(duì)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度對(duì)訓(xùn)練樣本依賴性較強(qiáng)的問(wèn)題，本文提出采用基于聚類算法的神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)，研究結(jié)果表明：

1) 通過(guò)減法聚類來(lái)確定FCM的聚類中心，解決了FCM人為確定聚類數(shù)和初始聚類中心的問(wèn)題，提高了FCM的聚類有效性。

2) 采用基于FCM的方法對(duì)數(shù)據(jù)進(jìn)行聚類分析，然后進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，既充分考慮了樣本空間的特征，又使得模型具有針對(duì)性。采用山西某風(fēng)電場(chǎng)的實(shí)際數(shù)據(jù)進(jìn)行仿真研究，結(jié)果表明本文方法減少了預(yù)測(cè)模型的大誤差點(diǎn)數(shù)，提高了模型的整體預(yù)測(cè)精度。該方法原理簡(jiǎn)單、步驟清晰、易操作，為提高風(fēng)電功率的預(yù)測(cè)精度提供了一種可行的方法。

[1] 韓肖清,張健,張友民,等.風(fēng)電場(chǎng)諧波分析與計(jì)算[J].太原理工大學(xué)學(xué)報(bào),2009,40(5):540-544.

HAN X Q,ZHANG J,ZHANG Y M,et al.Analysis of harmonics in pinglu wind power plants in Shanxi province[J].Journal of Taiyuan University of Technology,2009,40(5):540-544.

[2] JUNG J,BROADWATER R P.Current status and uture advances for wind speed and power forecasting[J].Renewable and Sustainable Energy Reviews,2014,31(2):762-777.

[3] 胡亞偉,王筱,晁勤,等.采用橫縱向誤差平移插值修正的風(fēng)電預(yù)測(cè)精度改善方法[J].電網(wǎng)技術(shù),2015,39(10):2758-2765.

HU Y W,WANG Y,CAO Q,et al.Improvement of wind power forecasting accuracy using transverse error interpolation interpolation method[J].Power System Technology,2015,39(10):2758-2765.

[4] 張露,盧繼平,梅亦蕾,等.基于不同優(yōu)化準(zhǔn)則的風(fēng)電功率預(yù)測(cè)[J].電力自動(dòng)化設(shè)備,2015,35(5):139-145.

ZHANG L,LU J P,MEI Y L,et al.Wind power prediction based on different optimization criteria[J].Electric Power Automation Equipment,2015,39(10):2758-2765.

[5] 翟軍昌,葛延峰,梁鵬,等.一種參數(shù)自調(diào)整風(fēng)電功率預(yù)測(cè)模型[J].東北大學(xué)學(xué)報(bào),2016,37(2):153-156.

ZHAI J C,GE Y F,LIANG P,et al.A parameter self-adjusting wind power forecasting model[J].Journal of Northeastern University,2016,37(2):153-156.

[6] ZHANG F.Effect analysis of NWP wind speed at different height on the improvement of wind power forecast accuracy[C]∥4th International Conference on Energy and Environmental Protection (ICEEP).2015:3383-3387.

[7] 何東,劉瑞葉.基于主成分分析的神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)集成風(fēng)功率超短期預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制,2013,41(4):50-54.

HE D,LIU R Y.Ultra-short-term wind power prediction using ANN ensemble based on the principal components analysis[J].Power System Protection and Control,2013,41(4):50-54.

[8] 武妍,張立明.神經(jīng)網(wǎng)絡(luò)的泛化能力與結(jié)構(gòu)優(yōu)化算法研究[J].計(jì)算機(jī)應(yīng)用研究,2002,19(6):21-25.

WU Y,ZHANG L M.Research on generalization ability and structure optimization algorithm of neural networks[J].Computer Application Research,2002,19(6):21-25.

[9] 紀(jì)浩林,彭亮.基于聚類的超閉球算法短期風(fēng)速預(yù)測(cè)研究[J].測(cè)控技術(shù),2016,35(8):138-141.

JI H L,PENG L.Research on short-term wind speed prediction based on clustering algorithm[J].Journal of Measurement & Control Technology,2016,35(8):138-141.

[10] DUNN J C.A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters[J].Journal of Cybernetics,1974,3(3):32-57.

[11] GABRIELLA C,NICOLETTA D,CORRADO M.Subtractive clustering for seeding non-negative matrix factorizations[J].Information Sciences,2014,257(2):369-387.

[12] 董瑞,黃民翔.基于減法聚類的FCM算法在電力負(fù)荷分類中的應(yīng)用[J].華東電力,2014,42(5):917-921.

DONG R,HUANG M X.Application of FCM algorithm based on subtractive clustering in power load classification[J].East China Electric Power,2014,42(5):917-921.

[13] NIKHIL R P,CHAKRABORTY D.Mountain and subtractive clustering method:improvements and generalizations[J].International Journal of Intelligent Systems,2000,15(4):329-341.

[14] WANG W N,ZHANG Y J.On fuzzy cluster validity indices[J].Fuzzy Sets and Systems,2007,158(19):2095-2117.

[15] TIAN J,LIU T,AMIT B,et al.Wind power forecasting model fusion evaluation based on comprehensive weights[C]∥Proceedings of ASME's International Mechanical Engineering Congress and Exposition.2016:1-9.

[16] YAGER R R.Induced aggregation operators[J].Fuzzy Sets and Systems,2003,137(1):59-69.

[17] 鄭康寧,李向陽(yáng),楊凱.高斯-案例推理方法的預(yù)測(cè)模型及應(yīng)用[J].運(yùn)籌與管理,2011,20(6):99-105.

ZHENG K N,LI X Y,YANG K.Gaussian method in case-based reasoning and appIications[J].Operations Research and Management Science,2011,20(6):99-105.