文献类型：期刊文章

作　　者：李福东[1] 曾旭华[2] 魏梅芳[2] 丁敏[3]

LI Fudong;ZENG Xuhua;WEI Meifang;DING Min(Beijing Information Science and Technology University,Beijing 100192,China;Changsha Electric Power Vocational and Technical College,Changsha 410131,China;China University of Geosciences,Wuhan 430074,China)

机构地区：[1]北京信息科技大学,北京100192 [2]长沙电力职业技术学院,湖南长沙410131 [3]中国地质大学,湖北武汉430074

出　　处：《电力系统保护与控制》

基　　金：中国博士后科学基金面上项目资助(163612);国家自然科学基金项目资助(61503348);国网湖南省电力有限公司科技项目资助(SGTYHT/19-JS-217)。

年　　份：2020

卷　　号：48

期　　号：22

起止页码：151-158

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

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  

分 类 号：TP18] TM614]