基于分區(qū)建模的復(fù)雜山地風(fēng)電功率預(yù)測(cè)

黃定國(guó) 陳渝 楊勇

摘? 要：受地表粗糙度、復(fù)雜地形等因素的影響，對(duì)山地風(fēng)電場(chǎng)整體風(fēng)電功率進(jìn)行預(yù)測(cè)存在較大困難。為解決此問(wèn)題，提出利用K-means聚類(lèi)算法對(duì)風(fēng)電機(jī)組進(jìn)行分區(qū)建模，根據(jù)風(fēng)電機(jī)組的預(yù)測(cè)精度以及風(fēng)電機(jī)組與子區(qū)域的相關(guān)系數(shù)，選擇每個(gè)子區(qū)域內(nèi)的參考風(fēng)電機(jī)組。采用BP神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型對(duì)參考風(fēng)電機(jī)組的風(fēng)電功率進(jìn)行預(yù)測(cè)?；趨⒖硷L(fēng)電機(jī)組的預(yù)測(cè)結(jié)果，利用核密度估計(jì)（KDE）和稀疏貝葉斯學(xué)習(xí)（SBL）形成的組合預(yù)測(cè)模型對(duì)子區(qū)域的風(fēng)電功率進(jìn)行預(yù)測(cè)，將子區(qū)域的預(yù)測(cè)結(jié)果相加即可得到整體區(qū)域功率預(yù)測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明采用分區(qū)建模的方法可有效提升復(fù)雜山地風(fēng)電場(chǎng)功率預(yù)測(cè)的準(zhǔn)確性。

關(guān)鍵詞：K-means聚類(lèi)算法；風(fēng)電功率預(yù)測(cè)；復(fù)雜地形；分區(qū)建模；BP神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TP183? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）23-0162-05

Wind Power Prediction in Complex Mountainous Region Based on Partition Modeling

HUANG Dingguo， CHEN Yu， YANG Yong

（Chongqing Qingdian New Energy Development Co.， Ltd.， Chongqing? 401120， China）

Abstract： In order to solve the problem that the mountain wind farm is affected by factors such as surface roughness and complex terrain， the overall wind power prediction is difficult. The K-means clustering algorithm is used to model the wind turbine partition. According to the prediction accuracy of the wind turbine and the correlation coefficient between the wind turbine and the sub-region， the reference wind turbine in each sub-region is selected. The BP neural network quantile regression model is used to predict the wind power of the reference wind turbine. Based on the prediction results of reference wind turbines， a combined prediction model formed by kernel density estimation （KDE） and sparse Bayesian learning （SBL） is used to predict the wind power of sub regions. The overall regional power prediction results can be obtained by adding the prediction results of sub regions. The experimental results indicate that the method of partition modeling can effectively improve the accuracy of power prediction for complex mountain wind farms.

Keywords： K-means clustering algorithm; wind power prediction; complex terrain; partition modeling; BP neural network

0? 引? 言

為應(yīng)對(duì)環(huán)境污染加劇和傳統(tǒng)能源減少的問(wèn)題，低碳綠色能源戰(zhàn)略已成為全球范圍內(nèi)的主流能源發(fā)展戰(zhàn)略[1，2]，風(fēng)力發(fā)電規(guī)模不斷增加。風(fēng)具有隨機(jī)性和間歇性的特點(diǎn)，風(fēng)力發(fā)電也具有不確定性，這將影響電力系統(tǒng)安全可靠的運(yùn)行[3]。因此高效準(zhǔn)確地預(yù)測(cè)風(fēng)電功率對(duì)電網(wǎng)的穩(wěn)定和安全調(diào)度起著關(guān)鍵性的作用。

傳統(tǒng)的風(fēng)電功率預(yù)測(cè)模型主要分為兩類(lèi)：物理預(yù)測(cè)模型和統(tǒng)計(jì)預(yù)測(cè)模型[4–6]。物理預(yù)測(cè)模型利用物理規(guī)律和邊界條件模擬風(fēng)速變化，CFD（Computational Fluid Dynamics）模型是物理預(yù)測(cè)的主要技術(shù)之一，在長(zhǎng)期風(fēng)速預(yù)測(cè)中往往具有較好的預(yù)測(cè)性能[7]。此外，近年來(lái)引入一些數(shù)學(xué)算法來(lái)提高物理模型的預(yù)測(cè)性能，統(tǒng)計(jì)預(yù)測(cè)模型利用歷史樣本或時(shí)空樣本對(duì)風(fēng)力或風(fēng)速進(jìn)行預(yù)測(cè)，在短期風(fēng)速預(yù)測(cè)中能取得較好的估計(jì)效果[8]。統(tǒng)計(jì)模型的主要技術(shù)可分為三類(lèi)：線性方法、非線性方法和混合方法[9]。Lydia等人[10]研究了一些線性和非線性自回歸模型的預(yù)測(cè)性能。Maatallah等人[11]結(jié)合Hammerstein算法和自回歸方法開(kāi)發(fā)了風(fēng)速預(yù)測(cè)模型，這些模型具有較好的線性預(yù)測(cè)性能。以上方法都有各自的適用性和局限性，同時(shí)有一個(gè)共同點(diǎn)：僅預(yù)測(cè)風(fēng)速或風(fēng)電功率時(shí)間序列并對(duì)該時(shí)間序列數(shù)據(jù)進(jìn)行統(tǒng)計(jì)處理，建立預(yù)測(cè)模型對(duì)未來(lái)風(fēng)電功率或風(fēng)速進(jìn)行預(yù)測(cè)。但這些方法往往忽略風(fēng)電場(chǎng)內(nèi)風(fēng)向、粗糙度、氣壓以及各個(gè)風(fēng)電機(jī)組之間的位置關(guān)系等物理因素的影響，因此預(yù)測(cè)方法體系和預(yù)測(cè)模型在復(fù)雜地形下的應(yīng)用有待進(jìn)一步優(yōu)化。

分區(qū)建模是針對(duì)大型風(fēng)電場(chǎng)占地面積較大、風(fēng)機(jī)分布較廣、地形復(fù)雜等特定情況而制定的一種風(fēng)電功率預(yù)測(cè)方法。目前關(guān)于分區(qū)風(fēng)電功率預(yù)測(cè)的研究大多是對(duì)區(qū)域內(nèi)所有風(fēng)電機(jī)組的預(yù)測(cè)功率結(jié)果進(jìn)行累加，但該方法會(huì)極大地消耗計(jì)算資源且耗費(fèi)時(shí)間，也難以對(duì)數(shù)據(jù)不完備的風(fēng)電場(chǎng)建立準(zhǔn)確的風(fēng)電功率預(yù)測(cè)模型[12]。近年來(lái)，國(guó)內(nèi)外已有一些關(guān)于分區(qū)建模的功率預(yù)測(cè)的研究。文獻(xiàn)[13]將德國(guó)境內(nèi)的風(fēng)電場(chǎng)按裝機(jī)容量均分成多個(gè)小區(qū)域，每個(gè)小區(qū)域選定一個(gè)標(biāo)準(zhǔn)風(fēng)電場(chǎng)代表這一小區(qū)域的風(fēng)電功率，最后將每個(gè)小區(qū)域的預(yù)測(cè)結(jié)果相加得到整個(gè)德國(guó)的風(fēng)電功率預(yù)測(cè)結(jié)果。文獻(xiàn)[14]使用數(shù)理統(tǒng)計(jì)的方法計(jì)算了各個(gè)代表區(qū)域的權(quán)重系數(shù)，對(duì)代表區(qū)域的預(yù)測(cè)值加權(quán)計(jì)算得到整體區(qū)域的功率預(yù)測(cè)結(jié)果，但其在選擇代表區(qū)域環(huán)節(jié)缺少嚴(yán)格的選取方法。

針對(duì)上述問(wèn)題，本文提出一種基于組合模型的分區(qū)建模的風(fēng)電功率預(yù)測(cè)模型。采用K-means聚類(lèi)算法對(duì)區(qū)域進(jìn)行劃分。利用子區(qū)域內(nèi)風(fēng)電機(jī)組的相關(guān)系數(shù)和預(yù)測(cè)精度選擇參考風(fēng)電場(chǎng)。通過(guò)遵循BP神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸（BNQR），可以得到參考風(fēng)電機(jī)組的預(yù)測(cè)結(jié)果。該方法利用核密度估計(jì)（KDE）和稀疏貝葉斯學(xué)習(xí)（SBL）形成的組合模型對(duì)子區(qū)域的風(fēng)電功率進(jìn)行預(yù)測(cè)，模型輸出各參考風(fēng)電機(jī)組的風(fēng)電功率預(yù)測(cè)結(jié)果，最后將各個(gè)子區(qū)域預(yù)測(cè)結(jié)果相加得到風(fēng)電場(chǎng)功率預(yù)測(cè)結(jié)果。

1? 基于分區(qū)建模的風(fēng)電功率預(yù)測(cè)

本文提出的復(fù)雜地形下分區(qū)建模的風(fēng)電功率預(yù)測(cè)方法包括5個(gè)步驟，分別是：子區(qū)域劃分、參考風(fēng)電機(jī)組選取、參考風(fēng)電機(jī)組功率預(yù)測(cè)、子區(qū)域風(fēng)電功率預(yù)測(cè)、風(fēng)電場(chǎng)功率預(yù)測(cè)。

1.1? 子區(qū)域劃分

根據(jù)地理位置、電網(wǎng)拓?fù)浣Y(jié)構(gòu)、歷史功率等將區(qū)域劃分為不同的子區(qū)域。根據(jù)區(qū)域內(nèi)m個(gè)風(fēng)電機(jī)組的歷史風(fēng)電功率數(shù)據(jù)得到特征向量X，如式（1）所示：

其中，m為區(qū)域內(nèi)風(fēng)電機(jī)組的個(gè)數(shù)；N為樣本點(diǎn)個(gè)數(shù)。

為了更合理的劃分簇，本文采用K-means聚類(lèi)算法對(duì)區(qū)域進(jìn)行劃分[15，16]，具體步驟為：

1）從數(shù)據(jù)中選取k個(gè)對(duì)象作為初始聚類(lèi)中心。

2）計(jì)算每個(gè)樣本與聚類(lèi)中心的距離，將樣本分配到距離最近的類(lèi)中。

3）計(jì)算新的聚類(lèi)中心。

4）判斷是否收斂，如果收斂，則當(dāng)前聚類(lèi)為最優(yōu)聚類(lèi)，如果不收斂，返回步驟2）。

5）最優(yōu)聚類(lèi)數(shù)是子區(qū)域的個(gè)數(shù)。

1.2? 參考風(fēng)電機(jī)組選取

在進(jìn)行分區(qū)建模后，通常在每個(gè)子區(qū)域內(nèi)選取幾個(gè)具有代表性的風(fēng)電機(jī)組。選取的參考風(fēng)電機(jī)組的地理位置、數(shù)量、裝機(jī)容量以及數(shù)據(jù)質(zhì)量都會(huì)影響風(fēng)電場(chǎng)功率預(yù)測(cè)的精度?；诟黠L(fēng)電機(jī)組和各子區(qū)域的歷史風(fēng)電功率數(shù)據(jù)建立相關(guān)系數(shù)r，如式（2）所示：

其中，i為第i個(gè)風(fēng)電機(jī)組；N為功率測(cè)量點(diǎn)數(shù)；xik為第i個(gè)風(fēng)電機(jī)組第k個(gè)測(cè)量點(diǎn)的實(shí)測(cè)功率； 為第i個(gè)風(fēng)電機(jī)組n個(gè)測(cè)量點(diǎn)的平均功率值；yk為子區(qū)k個(gè)測(cè)量點(diǎn)對(duì)應(yīng)的子區(qū)實(shí)際輸出功率； 為子區(qū)域n個(gè)測(cè)量點(diǎn)的平均輸出功率。

相關(guān)系數(shù)越高，表明風(fēng)電機(jī)組功率與子區(qū)域風(fēng)電功率的相關(guān)性越強(qiáng)，采用分區(qū)建模風(fēng)電功率時(shí)誤差越小。除了考慮相關(guān)性外，還需要考慮各風(fēng)電機(jī)組的預(yù)測(cè)精度，選取預(yù)測(cè)精度較高的風(fēng)電機(jī)組作為參考風(fēng)電機(jī)組。采用歸一化平均絕對(duì)誤差（NMAE）作為判斷各風(fēng)電場(chǎng)預(yù)測(cè)水平的指標(biāo)。

1.3? 參考風(fēng)電機(jī)組功率預(yù)測(cè)

本文采用3層BP神經(jīng)網(wǎng)絡(luò)對(duì)參考風(fēng)電機(jī)組的功率進(jìn)行預(yù)測(cè)。BP神經(jīng)網(wǎng)絡(luò)是一種基于誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò)，能夠以任意精度逼近任意非線性映射。因此，BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的輸入層神經(jīng)元信息采用風(fēng)速、風(fēng)向等NWP數(shù)據(jù)。隱藏層神經(jīng)元個(gè)數(shù)由試探法確定，輸出層為風(fēng)電機(jī)組功率?；谟?xùn)練樣本均方根誤差最小為目標(biāo)函數(shù)，隱藏層神經(jīng)元傳遞函數(shù)采用S正切函數(shù)。為了提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率，提高參考風(fēng)電機(jī)組的預(yù)測(cè)精度，需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

本文將BP神經(jīng)網(wǎng)絡(luò)與分位數(shù)回歸模型結(jié)合作為BNQR模型，得到風(fēng)電功率概率預(yù)測(cè)結(jié)果。x1，x2，x3，…，xp為解釋變量，響應(yīng)變量為yt，對(duì)于三層BP神經(jīng)網(wǎng)絡(luò)，解釋變量作為輸入層，響應(yīng)變量作為輸出層，隱含層包含j個(gè)節(jié)點(diǎn)，則模型描述為：

其中，τ為分位數(shù)；Qi（τ）為yi的τ條件分位數(shù)； 為輸出層權(quán)重；b（0）為輸出層偏移量；f （0）為輸出層變換函數(shù)；gj（τ）為隱含層節(jié)點(diǎn)，滿足：

其中， 為隱藏層權(quán)值； 為隱藏層偏移量；f （h）為隱藏層的變換函數(shù)。

輸入輸出層表現(xiàn)出復(fù)雜的非線性關(guān)系：

其中，θ（τ）為由連接權(quán)值和偏值組成的參數(shù)向量。

BNQR模型最小化目標(biāo)函數(shù)的參數(shù)θ（τ）估計(jì)為：

其中，T為樣本數(shù)。

在目標(biāo)函數(shù)中加入懲罰項(xiàng)，避免BNQR模型陷入過(guò)擬合。于是BNQR模型參數(shù)估計(jì)問(wèn)題轉(zhuǎn)化為如下優(yōu)化問(wèn)題：

其中，w（h）（τ）為隱含層權(quán)向量；| |·| |2為界范數(shù)；λ為懲罰參數(shù)。

利用上述公式可以得到響應(yīng)變量yi在不同分e位數(shù)水平下的分位數(shù)Qi（τ）。Qi（τ）作為核密度估計(jì)的輸入變量，用于估計(jì)預(yù)測(cè)對(duì)象的概率密度函數(shù)。最終得到完整的概率密度曲線。

核密度估計(jì)的思想是通過(guò)核密度的估計(jì)得到合理的密度函數(shù)，核密度估計(jì)形式描述如式（8）所示：

其中，k（·）為核函數(shù)，這里選擇高斯核；h為窗寬，h越大，估計(jì)的密度函數(shù)f（x）越平滑。

隨機(jī)變量X的密度函數(shù)為f（x），遵循f（x） = F（x）′，f的簡(jiǎn)單估計(jì)為：

F（x）為隨機(jī)變量X的經(jīng)驗(yàn)分布函數(shù)；當(dāng)n→∞，h→0且nh→∞時(shí)，F(xiàn)n（x）具有良好的性質(zhì)。

1.4? 子區(qū)域風(fēng)電功率預(yù)測(cè)

通過(guò)參考風(fēng)機(jī)組裝機(jī)容量得到的子區(qū)域風(fēng)電功率預(yù)測(cè)值忽略了子區(qū)域內(nèi)風(fēng)電機(jī)組的差異性。目前沒(méi)有一種預(yù)測(cè)方法可以適用于所有的風(fēng)場(chǎng)，所選取的單一預(yù)測(cè)模型不一定是針對(duì)現(xiàn)有數(shù)據(jù)的最優(yōu)模型。因此，如果采用直接累加參考風(fēng)電機(jī)組的預(yù)測(cè)功率，則會(huì)放大參考風(fēng)電機(jī)組的預(yù)測(cè)誤差。使用組合預(yù)測(cè)方法則可以結(jié)合一些單一方法的優(yōu)點(diǎn)，在不同情況下得到優(yōu)勢(shì)互補(bǔ)的預(yù)測(cè)結(jié)果，提高子區(qū)域的預(yù)測(cè)精度。

本文基于貝葉斯平均法，提出了一種結(jié)合BDE、KDE和SBL優(yōu)點(diǎn)的組合預(yù)測(cè)模型來(lái)訓(xùn)練參考風(fēng)電機(jī)組與子區(qū)域之間的非線性關(guān)系。SBL和BDE均為參數(shù)概率預(yù)測(cè)方法，而KDE為非參數(shù)概率預(yù)測(cè)模型。本文分別采用BDE、KDE和SBL三種模型進(jìn)行預(yù)測(cè)，并采用粒子群算法（PSO）為各子模型設(shè)定合理權(quán)重，最終得到能夠反映參考風(fēng)電機(jī)組與子區(qū)域之間非線性關(guān)系的模型?；谟?xùn)練好的組合模型和各參考風(fēng)電機(jī)組的風(fēng)電功率預(yù)測(cè)值，可以得到子區(qū)域的預(yù)測(cè)值。

粒子群算法源于對(duì)鳥(niǎo)類(lèi)覓食行為的研究，用一個(gè)粒子來(lái)模擬鳥(niǎo)類(lèi)個(gè)體，每個(gè)粒子都可以看作是N維搜索空間中的一個(gè)搜索個(gè)體，粒子當(dāng)前的位置就是對(duì)應(yīng)優(yōu)化問(wèn)題的一個(gè)候選解，粒子的飛行過(guò)程就是個(gè)體的搜索過(guò)程。粒子的飛行速度可以根據(jù)粒子歷史最優(yōu)位置和種群歷史最優(yōu)位置進(jìn)行動(dòng)態(tài)調(diào)整。粒子只有速度和位置兩種屬性，速度代表運(yùn)動(dòng)的速度，位置代表運(yùn)動(dòng)的方向。每個(gè)粒子單獨(dú)搜索的最優(yōu)解稱為個(gè)體極值，粒子群中的最優(yōu)個(gè)體極值作為當(dāng)前全局最優(yōu)解。通過(guò)不斷迭代更新速度和位置，最終得到終止條件i的最優(yōu)解。

1.5? 風(fēng)電場(chǎng)功率預(yù)測(cè)

如果一個(gè)區(qū)域包含單位小于或等于2個(gè)，可不進(jìn)行區(qū)域劃分，即該風(fēng)電機(jī)組的功率預(yù)測(cè)結(jié)果就是該區(qū)域的預(yù)測(cè)結(jié)果。如果將區(qū)域劃分為若干個(gè)子區(qū)域，那么可以通過(guò)子區(qū)域的風(fēng)電功率預(yù)測(cè)結(jié)果相加得到區(qū)域的預(yù)測(cè)結(jié)果。一個(gè)地區(qū)風(fēng)電機(jī)組的規(guī)模和位置不同，每個(gè)風(fēng)電機(jī)組的預(yù)測(cè)誤差也不同，因此需要通過(guò)風(fēng)電場(chǎng)功率預(yù)測(cè)來(lái)平滑預(yù)測(cè)誤差。

目前，中國(guó)NWP（數(shù)值天氣預(yù)報(bào)）數(shù)據(jù)尚不完善，數(shù)據(jù)缺失使得無(wú)法利用加總法實(shí)現(xiàn)該地區(qū)風(fēng)電功率的高精度預(yù)測(cè)?；诮M合模型的分區(qū)建模風(fēng)電功率預(yù)測(cè)模型能夠有效解決上述問(wèn)題，為風(fēng)電場(chǎng)以及電網(wǎng)調(diào)度提供更準(zhǔn)確的功率預(yù)測(cè)信息。

2? 算例分析

2.1? 數(shù)據(jù)集預(yù)處理

應(yīng)用上述方法對(duì)重慶某風(fēng)電場(chǎng)進(jìn)行短期風(fēng)電功率預(yù)測(cè)。數(shù)據(jù)集包含數(shù)值天氣預(yù)報(bào)和風(fēng)電機(jī)組實(shí)測(cè)功率數(shù)據(jù)，實(shí)測(cè)功率數(shù)據(jù)的分辨率為1 min，風(fēng)電日前預(yù)測(cè)功率數(shù)列的分辨率為15 min，預(yù)測(cè)功率數(shù)列的分辨率為15 min。

數(shù)據(jù)集用于訓(xùn)練KDE、BDE和SBL的模型，驗(yàn)證集用于優(yōu)化各個(gè)子模型的權(quán)重，測(cè)試集用于驗(yàn)證所提模型的性能。

2.2? 模型預(yù)測(cè)結(jié)果評(píng)估

本文從可靠性、準(zhǔn)確性和概率密度函數(shù)綜合評(píng)價(jià)三個(gè)方面對(duì)功率預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)。

2.2.1? 準(zhǔn)確性分析

PINAW用來(lái)驗(yàn)證準(zhǔn)確性，表示預(yù)測(cè)區(qū)間帶寬。PINAW表示為：

其中，N為樣本數(shù)。PINAW值越小代表結(jié)果越尖銳。

2.2.2? PDF綜合評(píng)價(jià)

采用式（11）中的覆蓋帶寬指數(shù)（CWC）作為功率預(yù)測(cè)精度評(píng)價(jià)指標(biāo)。該指標(biāo)綜合了PICP和PINAW兩個(gè)指標(biāo)的評(píng)分，可以綜合評(píng)價(jià)置信度和準(zhǔn)確度，CWC評(píng)分越小，模型性能越好：

其中，μ為置信水平；η為設(shè)定的懲罰因子。

2.3? 預(yù)測(cè)結(jié)果分析

采用BNQR模型對(duì)區(qū)域內(nèi)風(fēng)電機(jī)組功率進(jìn)行預(yù)測(cè)，通過(guò)對(duì)各子區(qū)域的累加得到整體區(qū)域風(fēng)電功率預(yù)測(cè)結(jié)果。

通過(guò)基于減法聚類(lèi)的K-means聚類(lèi)算法，將區(qū)域劃分為6個(gè)子區(qū)域，每個(gè)子區(qū)域包含的風(fēng)電機(jī)組個(gè)數(shù)分別為6、3、8、4、1、2。本文以r＞0.8且NMAE＜10%為標(biāo)準(zhǔn)選取參考機(jī)組。對(duì)于風(fēng)電機(jī)組數(shù)量較少的子區(qū)域5和子區(qū)域6，未選取其參考機(jī)組。對(duì)于其他子區(qū)域的參考風(fēng)電機(jī)組，以子區(qū)域1為例。由于風(fēng)電機(jī)組1～5與子區(qū)域1的相關(guān)系數(shù)分別為0.351、0.885、0.143、0.966、0.859，風(fēng)電機(jī)組1～5的NMAE值分別為11.61%、8.63%、7.63%、5.51%、7.77%。因此，選擇風(fēng)電機(jī)組2、風(fēng)電機(jī)組4和風(fēng)電機(jī)組5作為參考風(fēng)電機(jī)組。

圖2給出了兩種方法的可靠性對(duì)比。從圖中可以發(fā)現(xiàn)，本文所用模型的大部分偏差小于5%。直接累加的預(yù)測(cè)模型的偏差甚至超過(guò)10%。因此，結(jié)果表明本文提出的模型具有良好的可靠性。

圖3給出了本文模型和直接累加預(yù)測(cè)模型的準(zhǔn)確度結(jié)果對(duì)比。從圖中可以看出，PINAW值隨著置信水平從10%到90%的增加而增加。本文所用模型的PINAW值最低，說(shuō)明所提模型的準(zhǔn)確度最高。本文所用模型與直接累加模型的平均CWC值分別為9.25%和13.33%。數(shù)據(jù)對(duì)比證明本文所用方法的CWC值最低，因此本文所用方法具有良好的預(yù)測(cè)性能。

3? 結(jié)? 論

本文提出了一種基于組合模型的分區(qū)建模風(fēng)電功率預(yù)測(cè)方法。通過(guò)K-means聚類(lèi)算法將整體區(qū)域劃分為多個(gè)子區(qū)域。通過(guò)BNQR模型選取各子區(qū)域內(nèi)的參考風(fēng)電機(jī)組并進(jìn)行預(yù)測(cè)。利用KDE、BDE和SBL三種算法形成的組合模型可以得到子區(qū)域與參考風(fēng)電機(jī)組之間的關(guān)系。最后，將各子區(qū)域的預(yù)測(cè)結(jié)果求和即可得到該區(qū)域的預(yù)測(cè)結(jié)果。通過(guò)算例分析，結(jié)果表明本文提出的預(yù)測(cè)方法能夠降低區(qū)域預(yù)測(cè)模型對(duì)單個(gè)風(fēng)電機(jī)組數(shù)據(jù)的依賴性，有利于進(jìn)一步提升復(fù)雜地形風(fēng)電場(chǎng)功率預(yù)測(cè)的水平。

參考文獻(xiàn)：

[1] ZHAO H R，WU Q W，HU S J，et al. Review of energy storage system for wind power integration support [J].Applied Energy，2015，137：545-553.

[2] TIAN C S，HAO Y，HU J M. A novel wind speed forecasting system based on hybrid data preprocessing and multi-objective optimization [J].Applied Energy，2018，231：301-319.

[3] WANG J Z，CHENG Z S. Wind speed interval prediction model based on variational mode decomposition and multi-objective optimization [J/OL].Applied Soft Computing，2021，113：1078480[2023-04-05].https：//doi.org/10.1016/j.asoc.2021.107848.

[4] 劉洋.基于NWP數(shù)據(jù)優(yōu)化下的風(fēng)電場(chǎng)功率預(yù)測(cè)算法研究 [D].太原：太原科技大學(xué)，2021.

[5] 李根銀，郁冶，王異成，等.風(fēng)電場(chǎng)功率預(yù)測(cè)的研究進(jìn)展及發(fā)展趨勢(shì) [J/OL].排灌機(jī)械工程學(xué)報(bào)：2023：1-8[2023-

09-19].http：//kns.cnki.net/kcms/detail/32.1814.TH.20230323.1652.002.html.

[6] 王騰洲，李森文，黃宇軒，等.基于IWOA-SVM的風(fēng)電功率預(yù)測(cè) [J].機(jī)械與電子，2022，40（5）：9-12.

[7] SU Z Y，WANG J Z，LU H Y，et al. A new hybrid model optimized by an intelligent optimization algorithm for wind speed forecasting [J].Energy Conversion and Management，2014，85：443-452.

[8] WANG J Z，WANG Y，JIANG P. The study and application of a novel hybrid forecasting model – A case study of wind speed forecasting in China [J].Applied Energy，2015，143：472-488.

[9] AK?AY H，F(xiàn)ILIK T. Short-term wind speed forecasting by spectral analysis from long-term observations with missing values [J].Applied Energy，2017，191：653-662.

[10] LYDIA M，KUMAR S S，SELVAKUMAR A I，et al. Linear and non-linear autoregressive models for short-term wind speed forecasting [J].Energy Conversion and Management，2016，112：115-124.

[11] MAATALLAH O A，ACHUTHAN A，JANOYAN K，et al. Recursive wind speed forecasting based on Hammerstein Auto-Regressive model [J].Applied Energy，2015，145：191-197.

[12] PENG X S，CHEN Y Z，CHENG K，et al. Wind Power Prediction for Wind Farm Clusters Based on the Multi-feature Similarity Matching Method [J].IEEE Transactions on Industry Applications，2020：56（5）：4679-4688.

[13] NIELSEN T S，MADSEN H，NIELSEN H A，et al. Short-term Wind Power Forecasting Using Advanced Statistical Methods [C]//The European Wind Energy Conference，Athens：[s.n.]，2006：1-9.

[14] 陳穎，孫榮富，吳志堅(jiān)，等.基于統(tǒng)計(jì)升尺度方法的區(qū)域風(fēng)電場(chǎng)群功率預(yù)測(cè) [J].電力系統(tǒng)自動(dòng)化，2013，37（7）：1-5.

[15] YANG J R，WANG X C，LUO X F，et al. Intelligent Combined Prediction of Wind Power Based on Numerical Weather Prediction and Fuzzy Clustering [J].IFAC-PapersOnLine，2015，48（28）：538-543.

[16] LIN Y H，YIH J M，CHEN M Y. Polytomous IRS with Application in Concepts Diagnosis and Clustering on Fraction Subtraction for Pupils [C]//2008 Second International Symposium on Intelligent Information Technology Application.Shanghai：IEEE，2008：463-467.

作者簡(jiǎn)介：黃定國(guó)（1971—），男，漢族，重慶梁平人，助理政工師，主要研究方向：電力生產(chǎn)運(yùn)行、工程安全管理。