﻿ 基于聚类分析的风电场短期功率预测方法研究 The Study of Short-Term Wind Power Generation Prediction Methods Based on Clustering Analysis in Wind Farm

Sustainable Energy
Vol.05 No.03(2015), Article ID:15456,6 pages
10.12677/SE.2015.53003

The Study of Short-Term Wind Power Generation Prediction Methods Based on Clustering Analysis in Wind Farm

Cun Dong1, Shuang Gao2, Ying Hao2, Yang Gao3

1State Grid Corporation of China, Beijing

2Beijing Institute of Technology, Beijing

3Shenyang Institute of Engineering, Shenyang Liaoning

Received: Jun. 2nd, 2015; accepted: Jun. 20th, 2015; published: Jun. 23rd, 2015

ABSTRACT

In order to make full use of information contained from historical wind data, this paper proposed a short-term power prediction method based on clustering analysis according to the daily similarity property of wind speed and wind power. By the preprocessing of the original sample data, when calculating the Euclidean distance among the characteristic parameters, the history data which are similar to the NWP characteristic parameter of the prediction day are used as the training sample; the NWP information provided by the meteorological department is used as the characteristic parameter of the prediction day. This Euclidean distance is used to be the basis of the similarity measure. Finally, this paper uses the similar samples after clustering to establish the short-term prediction model which is using the NWP data as the input parameter, using the actual wind power generation as the target data. Testing by the actual wind farms, the prediction precision is improved obviously.

Keywords:Short-Term Wind Power Generation Prediction, Clustering Analysis, K-Means Clustering Method, Daily Similarity Property, Numerical Weather Prediction (NWP)

1国家电网公司，北京

2北京理工大学，北京

3沈阳工程学院，辽宁 沈阳

1. 引言

2. 风电功率的日相似性

Figure 1. Some of the daily wind speed change curve

3. 相似日的聚类分析

3.1. 聚类分析的基本步骤

1) 找出分类对象的特征；

2) 确定分类对象的相似性；

3) 提出达到分类的步骤或聚类算法；

4) 对聚类结果做出评价。

Figure 2. Some of the daily trend curve of the wind power generation

3.2. 聚类分析的方法

K均值聚类法是动态聚类算法中最经典的一种，其基本思想是将每一个样本划分到离均值最近的类别中，它是以距离的远近为标准进行聚类的。

K均值聚类算法一般包括以下几个处理步骤：

1) 将所有数据分为K个初始类，选取K个样本点为初始聚类中心，记为，其中初始值

2) 按照最近邻规则将所有样本分配到各聚类中心所代表的K类中，各类所包含的样本数为

3) 计算各类的均值向量，并将该向量作为新的聚类中心：

(1)

4) 若，表示聚类结果并不是最佳的，则返回步骤2)，继续迭代计算；

5) 若，迭代过程结束，此时的聚类结果就是最优聚类结果。

3.3. 相似性的量度

(2)

4. 基于聚类分析的短期风电功率预测模型

4.1. 模型结构

4.2. 聚类计算与结果分析

4.3. 聚类结果用于短期预测

Figure 3. Short-term wind power generation prediction mode based on clustering analysis

Figure 4. The diagram of the criterion function and the classification number K

Figure 5. The comparison of the prediction curve from different prediction mode

Table 1. The sample clustering table

Table 2. The comparison of the prediction error from different prediction mode

(3)

(4)

5. 结论

1) 对风电功率预测模型进行恰当的前处理能够有效的提高短期风电功率的预测精度；

2) 采用聚类分析方法对NWP数据进行分析可有效的对不同天气类型的日数据进行分类；

3) 将聚类分析方法与神经网络进行衔接可建立有效的短期风电功率预测模型，提高预测精度。

The Study of Short-Term Wind Power Generation Prediction Methods Based on Clustering Analysis in Wind Farm. 可持续能源,03,17-23. doi: 10.12677/SE.2015.53003

1. 1. 朱峰, 孙辉, 周玮 (2008) 基于相似日聚类的神经网络风速预测. 新能源发电, 中国高等学校电力系统及其自动化专业第二十四届学术年会论文集, 北京, 2008年10月24日, 2627-2630.

2. 2. 殷君伟 (2013) K-均值聚类算法改进及在服装生产的应用研究. 硕士论文, 苏州大学, 苏州.

3. 3. 李尤丰 (2009) 图像处理技术在硬度测量系统中的应用研究. 硕士论文, 南京理工大学, 南京.

4. 4. 黄山山 (2011) 南京电信网厅用户行为分析系统的设计实现与应用. 硕士论文, 南京理工大学, 南京.

5. 5. 古家声 (2012) 数据挖掘技术在寿险客户分析中的应用. 硕士论文, 华南理工大学, 广州.

6. 6. 刘蕴 (2009) 基于启发式方法的集成生产-配送调度研究. 硕士论文, 天津大学, 天津.

7. 7. 骆永健 (2010) 基于聚类的数据流异常检测算法的研究. 硕士论文, 哈尔滨工程大学, 哈尔滨.

8. 8. 汪瑛 (2009) 数据挖掘在燃气系统中的应用研究. 硕士论文, 南京理工大学, 南京.