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

被引：42

作者：

李福东 ^{[1
]}

曾旭华 ^{[2
]}

魏梅芳 ^{[2
]}

丁敏 ^{[3
]}

机构：

[1] 北京信息科技大学

[2] 长沙电力职业技术学院

[3] 中国地质大学

来源：

电力系统保护与控制 | 2020年 / 48卷 / 22期

基金：

中国博士后科学基金;

关键词：

风电功率预测; K均值聚类算法; 进化粒子群算法; 小波变换; 神经网络;

D O I：

暂无

中图分类号：

TP18 [人工智能理论]; TM614 [风能发电];

学科分类号：

080811 [新能源发电与电能存储]; 140502 [人工智能];

摘要：

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。

引用

页码：151 / 158

页数：8

共 19 条

[1]

A survey of artificial neural network in wind energy systems.[J].Alberto Pliego Marugán;Fausto Pedro García Márquez;Jesus María Pinar Perez;Diego Ruiz-Hernández.Applied Energy.2018,

[2]

An intelligent method for wind power forecasting based on integrated power slope events prediction and wind speed forecasting [J].

Li, Fudong ;

Liao, Huan-yu .

IEEJ TRANSACTIONS ON ELECTRICAL AND ELECTRONIC ENGINEERING, 2018, 13 (08) :1099-1105

[3]

A review of combined approaches for prediction of short-term wind speed and power.[J].A. Tascikaraoglu;M. Uzunoglu.Renewable and Sustainable Energy Reviews.2014,

[4]

ARMA based approaches for forecasting the tuple of wind speed and direction.[J].Ergin Erdem;Jing Shi.Applied Energy.2010, 4

[5]

A hybrid PSO–ANFIS approach for short-term wind power prediction in Portugal.[J]..Energy Conversion and Management.2010, 1

[6]

Locally recurrent neural networks for long-term wind speed and power prediction.[J].T.G. Barbounis;J.B. Theocharis.Neurocomputing.2005, 4

[7]

A novel approach for the forecasting of mean hourly wind speed time series [J].