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

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.

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

所属期刊栏目：48

资助基金：中国博士后科学基金面上项目资助;国家自然科学基金项目资助;国网湖南省电力有限公司科技项目资助

在线出版日期：2020-12-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：151-158