資源描述：
《基于優(yōu)化聚類的組合風速短期預測》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。
1、基于優(yōu)化聚類的組合風速短期預測陳記牢栗惠惠李富強郝飛張圓美呼和浩特職業(yè)學院機電學院國網(wǎng)吉林省電力有限公司經(jīng)濟技術(shù)研宄院摘要：準確的風功率預測對電力系統(tǒng)安全、穩(wěn)定運行具有重要意義，而風速預測是風功率預測的關(guān)鍵。文章提出一種基于優(yōu)化模糊C均值(OptimalFuzzyCmeans,OECM)聚類的組合風速短期預測方法。首先，采用模擬退火遺傳算法優(yōu)化模糊C均值聚類算法的初始聚類中心;其次，基于優(yōu)化模糊C均值聚類算法將初始風速屬性樣本數(shù)據(jù)進行分組;再根據(jù)不同風速樣本組，運用極限學習機(ExtremelyLearningMachine,ELM)構(gòu)建組合風速預
2、測模型;最后，通過風速實測值與預測值的對比，驗證了該方法的可行性。關(guān)鍵詞：風速預測;模擬退化遺傳算法;FCM聚類;極限學J機;作者簡介：陳記牢(1965-),男，博士，講師，研究方向為新能源技術(shù)。E-mail:1178185071@qq.com收稿日期：2017-07-13基金：國家高技術(shù)研究發(fā)展計劃“863”資助項目(SS2014AA052502)Short-termwindspeedforecastingofcombinedELMbasedonoptimalclusteringChenJilaoLiHuihuiLiFuqiangHaoFeiZh
3、angYuanmeiSchoolofMechanicalandElectricalEngineering,HohhotVocationalCollege;StateGridJilinElectricPowerCo.，Ltd.EconomicandTechnicalResearchInstitute;Abstract：Accuratewindspeedpredictionisthekeytowindpowerforecastingandveryimportanttothesafeandstableoperationofpowersystem.This
4、paperpresentsamethodofcombinedshort-termwindspeedforecastingbasedonoptimalfuzzyCmeans(OFCM)clustering.Firstofall，theinitialclusteringcenteroffuzzyCmeansclusteringalgorithmisoptimizedbyusingsimulatedannealinggeneticalgorithm.Then,theinitialwindspeedattributedataisclassified.Acc
5、ordingtothedifferentwindspeedsamples,combinedwindspeedforecastingmodelisbuiltbyusingextremelearningmachine(ELM).Finally,thefeasibilityofthemethodisverifiedbycomparingthemeasureddatawithpredictedvalue.Keyword：windspeedforecasting;geneticsimulatedannealingalgorithm;FCMclustering
6、;extremelearningmachine;Received：2017-07-130引言隨著環(huán)保危機的加劇及化石能源的大量消耗，風力發(fā)電由于其清潔、無污染等特點，越來越受到人們的廣泛關(guān)注［1］，［2］。風速存在隨機性、不確定性，大規(guī)模的風電并網(wǎng)會給電力系統(tǒng)的安全、穩(wěn)定運行帶來了巨大的挑戰(zhàn)，因此，準確的風速預測是至關(guān)重要的［3］。常用的風速預測方法有時間序列法、持續(xù)法及神經(jīng)網(wǎng)絡(luò)法等［4］~［7］。神經(jīng)網(wǎng)絡(luò)的抗噪性與非線性擬合能力強，基于歷史數(shù)據(jù)可有效擬合不同氣象屬性與風速的非線性關(guān)系，進而開展風速預測M2IM。影響風速預測的因素有很多，如溫度、濕
7、度、風向及氣壓等，由于風速在時間尺度范圍上是連續(xù)的，因此每個因素又包含前一時刻的值、前兩時刻的值、前三吋刻的值……，在預測模型中考慮過多的因素會增加預測模型的復雜度，消耗更多的計算資源，降低預測模型的精度。此外不同的氣候條件下，風速有很大的不同，單一神經(jīng)網(wǎng)絡(luò)仍然難以滿足不同氣象條件下的風速預測需要。因此，對風速屬性樣本集合進行聚類分析，構(gòu)建不同的風速預測模型，可提高不同氣候條件下風速預測精度。文獻［11］通過分析風速曲線極值點間線段斜率變化情況獲取相似樣木，用于訓練支持向量機預測模型，提高了模型的泛化能力。文獻［12］通過K-means聚類方法，構(gòu)
8、建不同類別的風速預測模型，提高Y模型的準確性。文獻［13］采用加權(quán)歐氏距離改進聚類方法對風速歷史數(shù)據(jù)進行聚類分析，構(gòu)建不同
