基于FCM和AFSA-Elman的短期风电功率预测方法.pdf

《基于FCM和AFSA-Elman的短期风电功率预测方法.pdf》由会员分享，可在线阅读，更多相关《基于FCM和AFSA-Elman的短期风电功率预测方法.pdf（13页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910971600.5 (22)申请日 2019.10.14 (71)申请人 南京信息工程大学 地址 210044 江苏省南京市江北新区宁六 路219号 (72)发明人 邓华张颖超宗阳章璇 成金杰 (74)专利代理机构 南京钟山专利代理有限公司 32252 代理人 刘林峰 (51)Int.Cl. G06K 9/62(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/06(20。

2、12.01) (54)发明名称 一种基于FCM和AFSA-Elman的短期风电功率 预测方法 (57)摘要 本发明公开了一种基于FCM和AFSA-Elman的 短期风电功率预测方法， 涉及风电功率预测领 域， 包括以下步骤： 对风场历史数据进行清洗与 标准化处理； 初次选择聚类模型的输入向量， 采 用模糊C聚类算法对风机样本进行训练， 选择出 合适的分群指标； 根据分群指标构建新的输入 集， 再次用FCM对其进行训练， 得到不同机群的划 分结果； 将聚类的各类机群采用风机容量加权聚 合的方法得到各机群等值机组的参数值， 此参数 值即可表征对应的机群； 根据等值参数， 建立不 同机群的AFSA-。

3、Elman预测模型， 即可得到不同机 群的预测结果； 将各机群预测的功率进行容量加 权， 即可达到整个风电场的总预测功率。 达到了 避免电力系统 “维数灾” 的发生， 准确有效地预测 短期风电功率的效果。 权利要求书1页 说明书8页 附图3页 CN 110738253 A 2020.01.31 CN 110738253 A 1.一种基于FCM和AFSA-Elman的短期风电功率预测方法， 其特征在于： 包括以下步骤： 步骤1： 对风场历史数据进行清洗与标准化处理， 建立目标风电场内各台风电机组的观 测数据； 步骤2： 初次选择聚类模型的输入向量， 采用模糊C聚类算法对风机样本进行训练， 选择 。

4、出合适的分群指标； 步骤3： 根据分群指标构建新的输入集， 再次用FCM对其进行训练， 得到不同机群的划分 结果； 步骤4： 将聚类的各类机群采用风机容量加权聚合的方法得到各机群等值机组的参数 值， 此参数值即可表征对应的机群； 步骤5： 根据等值参数， 建立不同机群的AFSA-Elman预测模型， 即可得到不同机群的预 测结果； 步骤6： 将各机群预测的功率进行容量加权， 即可达到整个风电场的总预测功率。 2.根据权利要求1所述的一种基于FCM和AFSA-Elman的短期风电功率预测方法， 其特征 在于： 步骤1中， 观测数据包括各个风机的风速、 风向、 有功功率及温度数据形成的时间序列。 。

5、3.根据权利要求1所述的一种基于FCM和AFSA-Elman的短期风电功率预测方法， 其特征 在于： 步骤2中， 采用基于空间度量特征的距离为聚类算法的相似性度量， 通过引入距离的 思想对相关系数进行适当转化， 根据公式计算基于空间度量特征的距离， 其中， xy为相关系数， dxy为基于空间度量特征的距离。 4.根据权利要求1所述的一种基于FCM和AFSA-Elman的短期风电功率预测方法， 其特征 在于： 步骤3中， 以风速、 风向和有功功率三种要素综合为分群指标。 5.根据权利要求1所述的一种基于FCM和AFSA-Elman的短期风电功率预测方法， 其特征 在于： 步骤5采用AFSA-El。

6、man算法为风电功率预测模型， 利用人工鱼群算法的可并行处理和 自动实现全局寻优的特点来优化Elman神经网络的权阈值。 权利要求书 1/1 页 2 CN 110738253 A 2 一种基于FCM和AFSA-Elman的短期风电功率预测方法 技术领域 0001 本发明涉及风电功率预测领域， 特别涉及一种基于FCM和AFSA-Elman的短期风电 功率预测方法。 背景技术 0002 随着经济的快速发展， 能源供应紧张， 世界能源结构已从化石能源系统转变到基 于可再生能源的可持续新能源系统， 因此世界各国都非常重视可持续新能源的发展。 风能 作为一种可再生能源， 具有分布广泛、 永不枯竭、 蕴藏。

7、量大等特点， 风力发电在降低温室气 体排放量、 放缓全球变暖的过程中发挥着突出作用。 如今， 世界上有一百多个国家正在大力 推广风能的使用， 风电产业发展迅速， 未来全球风电行业也将持续快速发展。 根据世界风能 协会统计数据显示， 2017年全球新增装机达52492兆瓦， 比2016年的新增装机量54642兆瓦 低3.8。 0003 中国在发展清洁能源的政策推动下大力发展风力发电事业。 为了能在可再生能源 开发方面起到促进作用， 也能为电力系统运行管理提供指导作用， 较高精度的风电功率预 测的工作是非常需要的。 风电功率预测是根据风电场气象信息有关数据利用物理模拟计算 和科学统计方法， 对风电。

8、场的出力风速进行短期预报， 从而预报出风电场的发电功率。 0004 由于风的随机波动会使得风能具有较强的不确定性， 在日益扩大的风场规模和电 网调度的难度加大的背景下， 对风电功率预测的研究意义日益凸显。 对电力部门来说， 功率 预测的极值可以帮助及时修改与制定电网调度策略， 既有效减少风能资源的消耗， 也高效 确保国家电力系统安全稳定运行； 从电力市场来说， 高效的功率预测可以提高风电在电力 市场的评价指标， 保证更多的风能资源得以利用； 对风场本身而言， 检修人员可根据预测模 拟出的功率曲线有选择性的对风机进行维护， 既保证风机免受恶劣天气的破坏， 也能够将 风资源损耗降到最小化， 从而进。

9、一步提高了风电场的经济效益。 0005 故而针对目标风电场地形复杂、 场内机组众多等特点， 亟需一种风电功率预测方 法来对风电功率进行预测。 发明内容 0006 本发明的目的是提供一种基于FCM和AFSA-Elman的短期风电功率预测方法， 可以 较好地避免电力系统 “维数灾” 的发生， 对评估大容量风电场和电力系统之间的相互影响具 有重要意义， 为短期风电功率预测提供了一种准确有效的方法。 0007 本发明的上述技术目的是通过以下技术方案得以实现的： 0008 一种基于FCM和AFSA-Elman的短期风电功率预测方法， 包括以下步骤： 0009 步骤1： 对风场历史数据进行清洗与标准化处理。

10、， 建立目标风电场内各台风电机组 的观测数据； 0010 步骤2： 初次选择聚类模型的输入向量， 采用模糊C聚类算法对风机样本进行训练， 选择出合适的分群指标； 说明书 1/8 页 3 CN 110738253 A 3 0011 步骤3： 根据分群指标构建新的输入集， 再次用FCM对其进行训练， 得到不同机群的 划分结果； 0012 步骤4： 将聚类的各类机群采用风机容量加权聚合的方法得到各机群等值机组的 参数值， 此参数值即可表征对应的机群； 0013 步骤5： 根据等值参数， 建立不同机群的AFSA-Elman预测模型， 即可得到不同机群 的预测结果； 0014 步骤6： 将各机群预测的功。

11、率进行容量加权， 即可达到整个风电场的总预测功率。 0015 更进一步地， 步骤1中， 观测数据包括各个风机的风速、 风向、 有功功率及温度数据 形成的时间序列。 0016 更进一步地， 步骤2中， 采用基于空间度量特征的距离为聚类算法的相似性度量， 通过引入距离的思想对相关系数进行适当转化， 根据公式计算基于空间度 量特征的距离， 其中， xy为相关系数， dxy为基于空间度量特征的距离。 0017 更进一步地， 步骤3中， 以风速、 风向和有功功率三种要素综合为分群指标。 0018 更进一步地， 步骤5采用AFSA-Elman算法为风电功率预测模型， 利用人工鱼群算法 的可并行处理和自动实。

12、现全局寻优的特点来优化Elman神经网络的权阈值。 0019 综上所述， 本发明具有以下有益效果： 0020 1.通过基于空间度量特征的距离充分体现了相关性与距离间的密切联系， 通过对 相关系数的转换， 可得到能够反映变量间相关性的空间度量特征的距离， 其对风机相关性 的研究更具有应用价值。 0021 2 .AFSA-Elman算法较未优化的Elman算法、 常用的BP算法， 相对均方根误差 (rRMSE)和相对平均绝对误差(rMAE)明显较小， 且误差值相对较为平稳， 预测曲线也更接近 于实际功率曲线。 因此， 提出的FCM-AFSA-Elman短期风电功率模型的效果较为理想。 附图说明 0。

13、022 图1是本发明实施例中风电场的风机分布位置图； 0023 图2是本发明实施例中AFSA-Elman算法与BP算法预测曲线对比； 0024 图3是本发明实施例中AFSA-Elman算法与Elman算法预测曲线对比； 0025 图4是本发明实施例中BP算法预测绝对误差图； 0026 图5是本发明实施例中Elman算法预测绝对误差图； 0027 图6是本发明实施例中AFSA-Elman算法预测绝对误差图。 具体实施方式 0028 下面结合附图对本发明的具体实施方式作进一步说明， 本实施例不构成对本发明 的限制。 0029 本发明揭示了一种基于FCM和AFSA-Elman的短期风电功率预测方法，。

14、 其中包括采 用FCM对风电机组进行聚类， 对聚类后的各个机群分别建立AFSA-Elman模型， 将各个机群的 预测结果叠加获得最终的短期风电功率预测结果， 具体包括以下步骤： 0030 步骤1： 对风场历史数据进行清洗与标准化处理； 说明书 2/8 页 4 CN 110738253 A 4 0031 其中， 观测的数据包括各个风机的风速、 风向、 有功功率及温度数据形成的时间序 列。 0032 步骤2： 初次选择聚类模型的输入向量(所有特征量)， 采用基于空间度量特征的距 离的模糊C聚类算法对风机样本进行训练， 根据不同分群指标对于聚类结果的影响情况， 选 择出合适的分群指标； 0033 其。

15、中， 采用基于空间度量特征的距离为聚类算法的相似性度量， 通过引入距离的 思想对相关系数进行适当转化， 距离公式参考式为 0034 上式主要计算基于空间度量特征的距离， 其中xy为相关系数， dxy为基于空间度量 特征的距离。 将dxy应用到FCM中， 比较好地解决了欧氏距离的问题， 这也解决了FCM聚类算法 只适用于处理类内紧密、 类间分离较好的数据及球形数据， 而不能处理非凸形状的数据的 问题。 0035 步骤3： 根据得出的分群指标构建新的输入集， 再次用FCM对其进行训练， 得到不同 机群的划分结果； 0036 本实施例中， 由于温度要素对聚类结果的影响较小， 因此省略温度要素， 以风。

16、速、 风向和有功功率三种要素综合为分群指标； 0037 步骤4： 将聚类的各类机群采用风机容量加权聚合的方法得到各机群等值机组的 等值参数， 此参数值即可表征对应的机群； 0038 聚类结果判断准则利用方差思想定义度量类内距离和类间距离测度， 类间距离越 大越好， 类内距离越小越好， 所述的聚类结果的内部评价指标参考式为： 0039 0040 其中， STDI为类间距离与类内距离之比， ck是类簇k的质心， xt是所有样本的质心， xi是类簇k的第i个样本， nk是类簇k的样本数， K是数据集的类簇数。 0041 步骤5： 根据等值参数， 建立不同机群的AFSA-Elman预测模型， 即可得到。

17、不同机群 的预测结果， 其中， 采用AFSA-Elman算法为风电功率预测模型， 利用人工鱼群算法的可并行 处理和自动实现全局寻优的特点来优化Elman神经网络的权阈值； 0042 为了提高Elman算法的预测精度， 引入人工鱼群算法(AFSA)对Elman算法的权阈值 进行寻优， 所述的寻优过程满足如下两式： 0043 0044 0045其中， M(m1,m2,mn)为虚拟人工鱼当前状态，为某时刻视 点所在位置状态， Rand函数产生0到1之间的随机数， Step为步长， Visual为视野范围。 0046 步骤6： 基于步骤5建立的不同机群的AFSA-Elman预测模型， 即可得到不同机群。

18、的 预测结果， 将各机群预测的功率进行容量加权， 即可达到整个风电场的总预测功率。 说明书 3/8 页 5 CN 110738253 A 5 0047 如图1所示， 以云南磨豆山风电场为例： 磨豆山风电场地处低纬度高海拔地形， 场 内场内共有型号相同的风机24台， 每台风机的装机容量为2MW， 风场总容量为48MW。 风机的 切入风速为3m/s， 额定风速为12m/s， 切出风速为25m/s， 额定功率为2MW。 0048 由于此风电场位于山地特殊地形， 风电机组的位置分布与风速空间分布等对风电 出力的影响较大， 可见， 对风电场内的风电机组进行详细建模与分析是必要的。 0049 风电机组的地。

19、理分布如图1所示， 其中， 0号位置为测风塔位置， 1-24号位置分别代 表1号至24号风机的位置， 由于7号风机自身故障， 无法准确获取有效数据， 因此该风机不作 为研究对象。 以下对本发明进一步说明： 0050 1.在对风力机数据进行去除无效观测数据、 去除数据异常值及数据归一化处理 后， 建立目标风电场内各台风电机组观测数据， 表示为DiDi1,Di2,Di3,Di4， 其中i1, 24,表示风机编号， Di1,Di2,Di3,Di4分别表示风机风速、 风向、 有功功率及温度数据形成的时 间序列。 0051 2.风电场地处山地地形， 场内风电机组布局是不规则的。 由于地形、 海拔、 其他。

20、机 组的影响等因素， 场内每台风机捕获的运行数据有较大的差异， 使得风速具有较强的波动 性及间歇性,故引入聚类算法对场内不同运行状态的风机进行分析。 聚类分析的关键在于 分群指标及相似度测量上。 0052 (1)在风机特征量选取上， 应该保证既能显著影响风机发电过程， 且这些特征指标 能在发电发生前容易获得的选择。 0053 为了充分体现相关性与距离间的密切关系， 通过对相关系数的转换， 可得到能够 反映变量间相关性的空间度量特征的距离其中， xy为相关系数， dxy为基 于空间度量特征的距离， 其对风机相关性的研究更具有应用价值。 以基于空间度量特征的 距离为相似性度量， 分类为4类， 采用。

21、模糊C均值聚类(FCM)算法对不同分群指标的情况进行 分析， 分析结果如表1所示。 0054 表1不同分群指标下FCM聚类结果表 说明书 4/8 页 6 CN 110738253 A 6 0055 0056 0057 从表1可以看出， 在不同分群指标下， 聚类的分群情况大不相同。 其中， 温度这一要 素对聚类结果的影响微乎其微， 因此我们省略这一要素， 仅研究风速、 风向、 有功功率这三 大要素的影响。 以STDI为聚类结果评价指标来分析聚类效果。 0058 以STDI为聚类结果评价指标来分析聚类效果， 如表2所示。 以风速、 风向和有功功 率结合的综合分群指标的STDI值为0.7325， 大。

22、于以风速、 风速+风向为分群指标的STDI值， 证明前者的聚类效果较好， 因此确定用风速、 风向与有功功率三种要素综合为分类指标。 0059 表2不同指标下的STDI值 0060 分群指标STDI值 风速0.4329 风速+风向0.5663 风速+风向+有功功率0.7325 0061 (2)相似性度量也是聚类分析中重要环节。 分别选用欧氏距离(Euclidean distance)、 皮尔逊系数(Pearson)以及基于空间度量特征的距离(Space distance)为相似 性度量做对比， 以模糊C均值聚类为聚类算法对风电场内风机进行聚类， 其聚类结果及STDI 值如表3所示。 说明书 5/。

23、8 页 7 CN 110738253 A 7 0062 表3不同相似性度量下FCM聚类结果表 0063 0064 从表3中可知， 虽然聚类方法相同， 但不同的相似性度量导致了不同的机群分组， 说明了相似性度量对机组间的划分有很大影响。 从STDI值来看， 基于空间度量特征的距离 下的分群聚类效果较其他两类都要好。 0065 3.为进一步评价不同相似性度量的效果， 采用AFSA-Elman预测模型对不同机群的 数据进行实验。 Elman神经网络的动态处理信息能力使其在时间序列的预测问题上得以广 泛应用。 为提高Elman算法的预测精度， 引入人工鱼群算法(AFSA)对Elman算法的权阈值进 行。

24、寻优， 寻优过程为： 0066 0067 0068其中， M(m1,m2,mn)为虚拟人工鱼当前状态，为某时刻视 点所在位置状态， Rand函数产生0到1之间的随机数， Step为步长， Visual为视野范围。 0069 选取风电场1月份前27天数据即2592组数据作为训练样本训练AFSA-Elman预测模 型， 再将训练好的模型去预测最后三天即288组数据， 将预测后的数据与风场实测数据做对 比， 求出各项误差值。 为评价不同相似性度量情况下的分群结果， 均用AFSA-Elman模型训练 并检验。 0070 本发明选用了均方根误差(RMSE)、 平均绝对误差(MAE)、 相对均方根误差(r。

25、RMSE) 和相对平均绝对误差(rMAE)四种误差指标对风电场的短期风速预测结果进行评价， 其计算 公式如下所示： 0071 (1)均方根误差(RMSE) 0072 0073 (2)平均相对误差(MAE) 0074 0075 (3)相对均方根误差(rRMSE) 0076 0077 (4)相对平均绝对误差(rMAE) 说明书 6/8 页 8 CN 110738253 A 8 0078 0079其中， N表示样本的个数，表示的是第i个预测值， xk(i)表示的是第i个实际 值。 0080 不同相似性度量情况下的相应预测误差结果如表4所示。 0081 表4不同相似性度量情况下的预测精度对比 0082。

26、 0083 从表4可知， 采用基于空间度量特征的距离为相似性度量下的模型误差rRMSE和 rMAE值分别为22.25、 16.53， 以欧氏距离为相似性度量下的模型误差值为25.41、 19.04， 以皮尔逊系数为相似性度量下的模型误差值为23.48、 17.85， 相比之下， 基于 空间度量特征的距离为相似性度量方法下的模型精度较高， 功率预测的效果较好。 验证了 提出的相似性度量方法即基于空间度量特征的距离的可行性。 0084 为进一步评估AFSA-Elman算法的预测效果， 分别将AFSA-Elman算法与未优化的 Elman算法和常用的BP神经网络算法做对比， 预测曲线对比分别如图2和。

27、图3所示。 0085 由于数据量较大， 在测试集288个数据中抽取48个数据做具体分析。 图2分别对比 了AFSA-Elman算法预测曲线、 BP算法预测曲线和实际功率曲线， 图3中对比了AFSA-Elman算 法预测曲线、 Elman算法预测曲线和实际功率曲线， 通过两张图可以看出， AFSA-Elman算法 预测曲线比BP算法预测曲线、 Elman算法预测曲线更接近于实际功率曲线， AFSA-Elman算法 的拟合效果更好。 图4、 图5、 图6分别为BP算法、 Elman算法、 AFSA-Elman算法模型在对应时间 内每个预测功率值与实测值的绝对误差对比图。 通过三张图对比可看出， A。

28、FSA-Elman模型 的绝对误差相比较BP和Elman明显较小， 且误差值相对较为平稳。 为了更直观的了解三种算 法的预测效果， 表5罗列出不同算法下各种预测误差指标。 0086 表5几种预测预测算法预测精度对比 说明书 7/8 页 9 CN 110738253 A 9 0087 0088 从表5中可以看出， AFSA-Elman算法的预测精确度明显高于BP神经网络算法和 Elman算法。 对于误差指标最大的夏、 秋季， 该算法也有很好的预测效果， 预测后的功率序列 与实际功率序列更加接近。 说明了该算法在功率预测中的有效性， 与目前使用较为广泛的 算法相比， 也具有很高的精准度。 实验结果。

29、分析表明， AFSA-Elman模型预测误差相比较 Elman和BP明显较小， 验证了AFSA-Elman的预测效果都优于Elman和BP算法。 因此本文提出 的基于聚类分析和AFSA-Elman算法的短期风电功率预测方法可以更好的提高预测精度。 0089 以上所述， 仅是本发明的较佳实施例而已， 不用于限制本发明， 本领域技术人员可 以在本发明的实质和保护范围内， 对本发明做出各种修改或等同替换， 这种修改或等同替 换也应视为落在本发明技术方案的保护范围内。 说明书 8/8 页 10 CN 110738253 A 10 图1 图2 说明书附图 1/3 页 11 CN 110738253 A 11 图3 图4 图5 说明书附图 2/3 页 12 CN 110738253 A 12 图6 说明书附图 3/3 页 13 CN 110738253 A 13 。