針對(duì)傳統(tǒng)風(fēng)電功率預(yù)測(cè)方法難以滿足精細(xì)化、動(dòng)態(tài)化建模要求,存在易陷入局部最優(yōu)等問題,提出了基于聚類分析和混合自適應(yīng)進(jìn)化算法（KHEA）的風(fēng)電功率智能預(yù)測(cè)方法。首先,采用K均值聚類算法對(duì)全年風(fēng)速和功率數(shù)據(jù)進(jìn)行聚類,剔除不合理的數(shù)據(jù)。然后,采用小波變換（WT）識(shí)別功率數(shù)據(jù)的行為特征,獲得解構(gòu)序列集,進(jìn)而建立BP神經(jīng)網(wǎng)絡(luò)模型對(duì)未來時(shí)間段的功率解構(gòu)序列進(jìn)行預(yù)測(cè)。為減少預(yù)測(cè)誤差,采用進(jìn)化粒子群算法（EPSO）對(duì)模型的權(quán)值和閾值進(jìn)行調(diào)整和優(yōu)化,實(shí)現(xiàn)EPSO進(jìn)化特性與神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)能力的功能互補(bǔ)。最后,運(yùn)用逆小波變換對(duì)預(yù)測(cè)序列進(jìn)行重構(gòu),獲得最終的功率預(yù)測(cè)值。運(yùn)用中國南方某風(fēng)電場(chǎng)數(shù)據(jù)開展仿真實(shí)驗(yàn),并與其他模型進(jìn)行對(duì)比,表明KHEA具有更高的風(fēng)電功率短期預(yù)測(cè)精度和可靠性,為提高風(fēng)電功率預(yù)測(cè)精度和優(yōu)化調(diào)度管理提供了新的技術(shù)方案。 

【文章來源】：電力系統(tǒng)保護(hù)與控制. 2020,48(22)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

風(fēng)速和功率K均值聚類結(jié)果圖

A)、BP神經(jīng)網(wǎng)絡(luò)、小波-神經(jīng)網(wǎng)絡(luò)(BPWT)等模型進(jìn)行對(duì)比，驗(yàn)證了本文提出的KHEA預(yù)測(cè)模型的性能。1風(fēng)電場(chǎng)季節(jié)和時(shí)段特征識(shí)別1.1數(shù)據(jù)預(yù)處理本論文是基于風(fēng)電場(chǎng)歷史數(shù)據(jù)開展分析和建模，考慮現(xiàn)場(chǎng)數(shù)據(jù)采集和調(diào)節(jié)控制之間的時(shí)間滯后、測(cè)量誤差、數(shù)據(jù)噪點(diǎn)等影響數(shù)據(jù)準(zhǔn)確性的因素，對(duì)原有以1min為采集周期的各類原始數(shù)據(jù)，均按15min為時(shí)間間隔求取平均值進(jìn)行預(yù)處理。圖1為該風(fēng)電場(chǎng)某一臺(tái)風(fēng)機(jī)歷史運(yùn)行數(shù)據(jù)中風(fēng)速及有功功率曲線。經(jīng)關(guān)聯(lián)分析可知，風(fēng)速是影響有功功率及發(fā)電繪制風(fēng)速-功率關(guān)系量的關(guān)鍵因素。圖1風(fēng)速和功率關(guān)系圖Fig.1Windturbineoutputpowerandwindspeed1.2風(fēng)電場(chǎng)數(shù)據(jù)聚類分析利用歷史數(shù)據(jù)進(jìn)行風(fēng)電功率預(yù)測(cè)，數(shù)據(jù)的質(zhì)量對(duì)預(yù)測(cè)準(zhǔn)確度有很大的影響，此外，了解風(fēng)速、功率在不同時(shí)段的變化特性，有助于建立預(yù)測(cè)模型時(shí)，采取針對(duì)性、差異化的參數(shù)配置，提高預(yù)測(cè)算法的效率和模型對(duì)具體數(shù)據(jù)的適應(yīng)性�；谝陨峡紤]，

風(fēng)電功率預(yù)測(cè)流程圖

【參考文獻(xiàn)】：
期刊論文
[1]基于APSO-GSA和相關(guān)向量機(jī)的短期風(fēng)電功率預(yù)測(cè)[J]. 田壁源,劉琪,張新燕,王昱潔,張怡帆,郭紅艷,常喜強(qiáng).  電力系統(tǒng)保護(hù)與控制. 2020(02)
[2]風(fēng)電預(yù)測(cè)方法與新趨勢(shì)綜述[J]. 韓自奮,景乾明,張彥凱,拜潤卿,郭空明,章云.  電力系統(tǒng)保護(hù)與控制. 2019(24)
[3]基于改進(jìn)烏鴉算法和ESN神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)[J]. 琚垚,祁林,劉帥.  電力系統(tǒng)保護(hù)與控制. 2019(04)
[4]短期風(fēng)電功率動(dòng)態(tài)云模型不確定性預(yù)測(cè)方法[J]. 閻潔,李寧,劉永前,李莉,孔德明,龍泉.  電力系統(tǒng)自動(dòng)化. 2019(03)
[5]基于神經(jīng)網(wǎng)絡(luò)平均影響值的超短期風(fēng)電功率預(yù)測(cè)[J]. 徐龍博,王偉,張?zhí)?楊莉,汪少勇,李煜東.  電力系統(tǒng)自動(dòng)化. 2017(21)
[6]提高風(fēng)電功率預(yù)測(cè)精度的方法[J]. 喬穎,魯宗相,閔勇.  電網(wǎng)技術(shù). 2017(10)
[7]基于LS-SVM算法的多場(chǎng)景風(fēng)功率預(yù)測(cè)研究[J]. 楊陽,楊璐,郎勁,張顏顏.  智慧電力. 2017(07)
[8]基于離散量?jī)?yōu)化初始聚類中心的k-means算法[J]. 劉美玲,黃名選,湯衛(wèi)東.  計(jì)算機(jī)工程與科學(xué). 2017(06)
[9]基于改進(jìn)EEMD-SE-ARMA的超短期風(fēng)功率組合預(yù)測(cè)模型[J]. 田波,樸在林,郭丹,王慧.  電力系統(tǒng)保護(hù)與控制. 2017(04)
[10]風(fēng)電功率預(yù)測(cè)技術(shù)研究綜述[J]. 黎靜華,桑川川,甘一夫,潘毅.  現(xiàn)代電力. 2017(03)



本文編號(hào)：3397152