基于聚类分析和混合自适应进化算法的短期风电功率预测

发布时间：2021-09-16 19:22

　　针对传统风电功率预测方法难以满足精细化、动态化建模要求,存在易陷入局部最优等问题,提出了基于聚类分析和混合自适应进化算法（KHEA）的风电功率智能预测方法。首先,采用K均值聚类算法对全年风速和功率数据进行聚类,剔除不合理的数据。然后,采用小波变换（WT）识别功率数据的行为特征,获得解构序列集,进而建立BP神经网络模型对未来时间段的功率解构序列进行预测。为减少预测误差,采用进化粒子群算法（EPSO）对模型的权值和阈值进行调整和优化,实现EPSO进化特性与神经网络自学习能力的功能互补。最后,运用逆小波变换对预测序列进行重构,获得最终的功率预测值。运用中国南方某风电场数据开展仿真实验,并与其他模型进行对比,表明KHEA具有更高的风电功率短期预测精度和可靠性,为提高风电功率预测精度和优化调度管理提供了新的技术方案。 

【文章来源】：电力系统保护与控制. 2020,48(22)北大核心CSCD

【文章页数】：8 页

【部分图文】：

风速和功率K均值聚类结果图

A)、BP神经网络、小波-神经网络(BPWT)等模型进行对比，验证了本文提出的KHEA预测模型的性能。1风电场季节和时段特征识别1.1数据预处理本论文是基于风电场历史数据开展分析和建模，考虑现场数据采集和调节控制之间的时间滞后、测量误差、数据噪点等影响数据准确性的因素，对原有以1min为采集周期的各类原始数据，均按15min为时间间隔求取平均值进行预处理。图1为该风电场某一台风机历史运行数据中风速及有功功率曲线。经关联分析可知，风速是影响有功功率及发电绘制风速-功率关系量的关键因素。图1风速和功率关系图Fig.1Windturbineoutputpowerandwindspeed1.2风电场数据聚类分析利用历史数据进行风电功率预测，数据的质量对预测准确度有很大的影响，此外，了解风速、功率在不同时段的变化特性，有助于建立预测模型时，采取针对性、差异化的参数配置，提高预测算法的效率和模型对具体数据的适应性。基于以上考虑，

风电功率预测流程图

【参考文献】：
期刊论文
[1]基于APSO-GSA和相关向量机的短期风电功率预测[J]. 田壁源,刘琪,张新燕,王昱洁,张怡帆,郭红艳,常喜强.  电力系统保护与控制. 2020(02)
[2]风电预测方法与新趋势综述[J]. 韩自奋,景乾明,张彦凯,拜润卿,郭空明,章云.  电力系统保护与控制. 2019(24)
[3]基于改进乌鸦算法和ESN神经网络的短期风电功率预测[J]. 琚垚,祁林,刘帅.  电力系统保护与控制. 2019(04)
[4]短期风电功率动态云模型不确定性预测方法[J]. 阎洁,李宁,刘永前,李莉,孔德明,龙泉.  电力系统自动化. 2019(03)
[5]基于神经网络平均影响值的超短期风电功率预测[J]. 徐龙博,王伟,张滔,杨莉,汪少勇,李煜东.  电力系统自动化. 2017(21)
[6]提高风电功率预测精度的方法[J]. 乔颖,鲁宗相,闵勇.  电网技术. 2017(10)
[7]基于LS-SVM算法的多场景风功率预测研究[J]. 杨阳,杨璐,郎劲,张颜颜.  智慧电力. 2017(07)
[8]基于离散量优化初始聚类中心的k-means算法[J]. 刘美玲,黄名选,汤卫东.  计算机工程与科学. 2017(06)
[9]基于改进EEMD-SE-ARMA的超短期风功率组合预测模型[J]. 田波,朴在林,郭丹,王慧.  电力系统保护与控制. 2017(04)
[10]风电功率预测技术研究综述[J]. 黎静华,桑川川,甘一夫,潘毅.  现代电力. 2017(03)



本文编号：3397152