基于K-means和改進KNN算法的風電功率短期預測系統(tǒng)

何建強，張玉萍，滕志軍

(1.商洛學院，陜西 商洛 726000；2.商洛市人工智能研究中心，陜西 商洛 726000；3.北京四方繼保自動化股份有限公司,北京 100085；4.東北電力大學 現(xiàn)代電力系統(tǒng)仿真控制與綠色電能新技術教育部重點實驗室,吉林 吉林 132012)

0 引言

風能作為一種可再利用的、清潔的新型替代能源，能夠優(yōu)化能源結構，增強能源供應能力，保障能源安全可靠。由于風具有隨機性、間歇性和不可控性，導致風電具有間斷性，致使風電并網會增加電力系統(tǒng)運行的不穩(wěn)定性，極大地影響電網的供電質量。因此，科學、準確的預測風電場的輸出功率能夠平衡大規(guī)模風電對電網的影響，促進風電健康持續(xù)地發(fā)展。文獻[2]和文獻[3]闡述了由于風電的間斷性，致使風電功率預測大多主要集中于短期預測。目前短期預測技術被廣泛研究和應用，主要研究方法有物理法、統(tǒng)計方法、機器學習法和空間相關性法。文獻[4]對風電功率預測的物理方法和統(tǒng)計方法進行了綜述。物理預測方法由于受風電場所處環(huán)境地形和地貌以及周圍大氣環(huán)境的影響比較大，所以預測精度往往相對低。統(tǒng)計方法建模相對簡單、計算速度快、預測成本低，但是輸入的預測參數(shù)單一，不斷地擴大預測時間尺度會降低預測精度。文獻[5-7]對卡爾曼濾波法、時間序列法、最小二乘法、灰色預測法等常用的統(tǒng)計方法在風電功率預測中的應用進行研究，但都存在易陷入局部最優(yōu)的缺點。機器學習方法預測精度相對較高，但預測模型比較復雜，建模相對困難，而且樣本訓練需要大量歷史數(shù)據的支持，訓練速度慢?！?br>