基于云推理的短期风电功率预测模型.pdf

第４０卷第１８期２０１２年９月１６日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌｖ０ｌ＿４０Ｎｏ．１８Ｓｅｐ．１６，２０１２基于云推理的短期风电功率预测模型李如琦，凌武能，李芝荣，唐林权，王维志（广西电力系统最优化与节能技术重点实验室（广西大学），广西南宁５３０００４）摘要：针对风速、风向和风功率之间的关联知识，提出了一种短期风电功率预测的云推理模型。利用云变换将风速等历史数据转换成多个云的定性概念，并用云的合并方法得到跃升概念，再用极大判定法进行概念隶属判定，得到约简数据库，用Ａｐｒｉｏｒｉ算法挖掘得到风速、风向和风功率之间的关联规则，最后形成云推理的规则发生器，利用规则发生器的不确定性推理来完成未来２４个小时的风电功率预测。实验得到一系列有稳定倾向的预测值集合，取其期望值与Ａｒｉｍａ模型和ＲＢＦ神经网络的预测值比较，相对误差均有不同程度的减小，显示了该模型较高的实用和推广价值。关键词：风电预测；云模型；云变换；概念跃升；关联规则挖掘；规则发生器；云推理Ｓｈｏｒｔ－ｔｅｒｍｗｉｎｄｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎｃｌｏｕｄｒｅａｓｏｎｉｎｇ——ＬＩＲｕ－ｑｉ，ＬＩＮＧＷｕｎｅｎｇ，ＬＩＺｈｉ－ｒｏｎｇ，ＴＡＮＧＬｉｎｑｕａｎ，ＷＡＮＧＷｅｉ－ｚｈｉｒＫｅｙＬａｂｏｒａｔｏｒｙｏｆＧｕａｎｇｘｉＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍＯｐｔｉｍｉｚａｔｉｏｎａｎｄＥｎｅｒｇｙＳａｖｉｎｇＴｅｃｈｎｏｌｏｇｙ，ＧｕａｎｇｘｉＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｎｉｎｇ５３０００４，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎｖｉｅｗｏｆｔｈｅａｓｓｏｃｉａｔｉｏｎａｍｏｎｇｔｈｅｗｉｎｄｓｐｅｅｄ，ｄｉｒｅｃｔｉｏｎａｎｄｐｏｗｅｒ，ａｃｌｏｕｄｒｅａｓｏｎｉｎｇｍｏｄｅｌｆｏｒｓｈｏｒｔ－ｔｅｒｍｗｉｎｄｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎｉｓｐｒｏｐｏｓｅｄ．Ｔｈｅｃｌｏｕｄｔｒａｎｓｆｏｒｍａｔｉｏｎｉｓｕｓｅｄｔｏｔｒａｎｓｆｏｒｍｔｈｅｗｉｎｄｓｐｅｅｄａｎｄｏｔｈｅｒｈｉｓｔｏｒｉｃａｌｄａｔａｔｏｔｈｅｑｕａｌｉｔａｔｉｖｅｃｏｎｃｅｐｔｓｏｆｃｌｏｕｄｍｏｄｅ１．Ｔｈｅｚｏｏｍｉｎｇｃｏｎｃｅｐｔｓａｒｅｏｂｔａｉｎｅｄａｆｔｅｒｃｌｏｕｄｓｙｎｔｈｅｓｉｚａｔｉｏｎ．Ｔｈｅｎ，ｂｙｔｈｅｇｒｅａｔｄｅｔｅｒｍｉｎａｔｉｏｎｌａｗｏｆｍｅｍｂｅｒｓｈｉｐ，ａｌｌｔｈｅｈｉｓｔｏｒｉｃａｌｄａｔａａｒｅｅｌａｓｔｉｃａｌｌｙｃｌａｓｓｉｆｉｅｄｔｏｔｈｅｎｅｗｃｏｎｃｅｐｔｓａｎｄａｓｉｍｐｌｉｆｉｅｄｄａｔａｂａｓｅｉｓｅｓｔａｂｌｉｓｈｅｄ．Ａｐｒｉｏｒｉａｌｇｏｒｉｔｈｍｉｓａｄｏｐｔｅｄｔｏａｃｑｕｉｒｅｔｈｅａｓｓｏｃｉａｔｉｖｅｒｕｌｅｓａｍｏｎｇｔｈｅｗｉｎｄｓｐｅｅｄ，ｄｉｒｅｃｔｉｏｎａｎｄｐｏｗｅｒ．Ｆｉｎａｌｌｙ，ａｒｕｌｅｓｇｅｎｅｒａｔｏｒｆｏｒｃｌｏｕｄｒｅａｓｏｎｉｎｇｉｓｂｕｉｌｔａｎｄｔｈｅｕｎｃｅｒｔａｉｎｔｙｒｅａｓｏｎｉｎｇｉｓｐｒｏｃｅｅｄｅｄｔｏｆｏｒｅｃａｓｔｔｈｅｗｉｎｄｐｏｗｅｒｉｎｔｈｅｎｅｘｔ２４ｈｏｕｒｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｉｓ—ａｓｅｔｏｆａｓｅｒｉｅｓｏｆｓｔａｂｌｅｔｒｅｎｄｅｄｐｒｅｄｉｃｔｉｏｎｖａｌｕｅｓ．Ｃａｌｃｕｌａｔｉｎｇｔｈｅｅｘｐｅｃｔｅｄｖａｌｕｅｆｒｏｍｔｈｅｐｒｅｄｉｃｔｉｏｎｖａｌｕｅｓ，ｔｈｅｒｅｌｍｉｖｅｅｒｒｏｒｉｓｒｅｄｕｃｅｄｔｏｖａｒｙｉｎｇｄｅｇｒｅｅｓ，ｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｒｅｓｕｌｔｓｆｒｏｍＡｒｉｍａｍｏｄｅｌａｎｄＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｉｔｓｈｏｗｓｔｈａｔｔｈｅｍｏｄｅｌｉｓｐｒａｃｔｉｃａｌａｎｄｐｒｏｐａｇａｂｌｅ．Ｋｅｙｗｏｒｄｓ：ｗｉｎｄｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎ；ｃｌｏｕｄｍｏｄｅｌ；ｃｌｏｕｄｔｒａｎｓｆｏｒｍａｔｉｏｎ；ｃｏｎｃｅｐｔｉｏｎｚｏｏｍｉｎｇ；ａｓｓｏｃｉａｔｉｏｎｒｕｌｅｓｍｉｎｉｎｇ；ｒｕｌｅｓｇｅｎｅｒａｔｏｒ；ｃｌｏｕｄｒｅａｓｏｎｉｎｇ中图分类号：ＴＭ７１５文献标识码：Ａ—文章编号：１６７４－３４１５（２０１２）１８－０１０６０６０引言有效的风电功率预测，是保证电力系统安全运行和优化调度的前提，但风电具有较强的随机性和间歇性，这无疑增加了预测的许多难度。虽然起步比较晚，但我国的研究人员在这方面还是做出了许…多贡献，时间序列、灰色模型、神经网络【２ｊ、支持向量机Ｌ３】、小波分析等方法得到了较好地运用。部分方法采用了间接预测，即通过预测风速，再建立功率曲线求取风电功率。其中的每一步都存在些许误差，总和之后自然会增大误差。另外，以上方法都是得到一个或一系列确定的预测点，用户只能接受这些确定值而没有选择的余地。云理论是由李德毅院士提出的一种不确定性人工智能方法，该方法已经成功运用在空间负荷预测［４】、电价预测［５］等多个电力系统的研究领域中。本文给出的云推理模型用云变换将风速等定量数据转换成多个云的定性概念，并通过挖掘多个云概念之间的关联规则，找出内部规律，最后利用云推理得到一系列有稳定倾向的预测值。虽然预测结果是不确定的，但所有的点都在某个值附近小幅波动，用户可以利用自身经验或借助其他信息恰当选取其中一个点作为预测结果，还可以求取所有离散点的期望值作为确定性结果。李如琦，等基于云推理的短期风电功率预测模型１云模型云是定性概念和定量数值之间的不确定转换模型。云模型一般由三个数字特征（期望、熵、超熵）来描述。云的期望（）是最能代表该定性概念的数值；熵）反映了该定性概念的模糊程度，它的大小决定了能被该概念接受的范围；超熵（）反映了云的离散程度，它的大小反映了云的厚度，是随机“”程度的体现。比如风速的一个定性概念较快及其数字特征如图１所示。－‘＼２＿６０７＿ｌ＿５５３７‘Ｈ。；：：．冬６８ｌ０ｌ２ｌ４ｌ６ｌ８风速／（１ｎ／ｓ）“”图１风速的一个定性概念较快及其数字特征“’Ｆｉｇ．１Ｏｎｅｑｕａｌｉｔａｔｉｖｅｃｏｎｃｅｐｔｏｆｗｉｎｄｓｐｅｅｄｆａｓｔｅｒ＇ａｎｄｉｔｓｎｕｍｅｒｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓ２云变换云变换是指把风速、风向、风功率等定量数据转换成由多个云叠加而成的定性概念。首先，以某风电场ｌ０月份的历史数据为依据，对所有的数据进行归一化处理，然后求取各类数据的频率分布，风功率的频率分布如图２所示。最后采用基于峰值的云变换算法［６］，即∑ｆ（ｘ）（１ｃ（Ｇ，Ｅｎｆ，Ｈｅｆ）），ｌ…ｌ∑０＜ｌ厂（）一（ｃ（ｆ，Ｅ，Ｈｅｆ））ｌ＜，Ｉｆｌ０其中：ｆ（ｘ）为频率分布函数；为幅度系数；ｃ（，，）为变换后的其中一个云概念；Ｂｕｍ为变换后的云概念的个数；￡为云变换的最大误差。数据频率分布的局部最高点（峰值）是数据的汇聚中心，将它所对应的横坐标作为某个云概念的期望值。峰值越大，表示数据汇集越多，越能反映某个定性概念。具体的峰值云变换如下，以风功率为例：（１）找到风功率频率分布（图２）中的各个峰值位置，将其对应横坐标定义为云的期望…Ｅ￣ｉ（ｉ＝ｌ，２，，，ｚ）。霄梧．＿ｊ｛ｒ骤风功率（归一化后）图２风功率的频率分布Ｆｉｇ．２Ｆｒｅｑｕｅｎｃｙｏｆｗｉｎｄｐｏｗｅｒ（２）计算用于拟合原频率分布函数ｆ（ｘ）的以为期望的各个云概念的熵ｆ【７】，并计算云概念的一概率密度期望函数（）＝Ｐ作为各个云的分布函数，如图３所示。Ｓ挺求糌风功率（归一化后）图３云变换得到的各个云概率密度期望曲线的叠加Ｆｉｇ．３Ｓｕｐｅｒｐｏｓｉｔｉｏｎｏｆａｌｌｔｈｅｅｘｐｅｃｔａｔｉｏｎｃｕｒｖｅｓｏｆｔｈｅｃｌｏｕｄｍｏｄｅｌｓａｆｔｅｒｃｌｏｕｄｔｒａｎｓｆｃ＇ｒｍａｔｉｏｎ（３）用不带确定度的逆向云算法ｊ求取各个云概念的超熵，整合之后得到所有云概念的３个数字特征ｃ（ＥＥ），并最终得到云变换之后风功率的１６个定性概念。用同样的方法可分别得到风速和风向的１６个和１２个定性概念。但上述变换得到的云概念还比较粗糙，相邻两个云之间有可能距离太近，甚至一个云已把另一个云完全包含在内，造成概念的重复和多余，所以有必要对云变换之后的概念进行跃升，使每个云概念的意义更加独立和清晰。３概念跃升所谓概念跃升，是指将云变换得到的基本概念作为泛概念树的叶结点，逐步合并距离最近的两个概念，以得到想要的概念层次。通常有两种方法：用户指定概念个数，直接跃升；不指定概念个数，根据人的认知特点（人们同时只能认知至多７±２个概念）自动跃升Ｌ９Ｊ。这里采用第一种方法，并考虑云之间的幅度系数影响ＬｌＵＪ来进行概念合并，多次设Ｏ９８７６５４３２１Ｏ●ＯＯＯＯ０ＯＯ０ＯＯ．１０８一电力系统保护与控制定概念个数进行实验后，选取疏密合适的概念个数作为云概念跃升的结果。最终得到风功率的９个跃升概念，如图４所示。图４概念跃升后得到的９个风功率概念Ｆｉｇ．４Ｎｉｎｅｃｏｎｃｅｐｔｓｏｆｗｉｎｄｐｏｗｅｒａｆｔｅｒｃｏｎｃｅｐｔｉｏｎｚｏｏｍｉｎｇ一般情况下，可用半云（或半梯形云）来描述最接近论域边界的两个定性概念，相邻概念之间出现交叠，体现了云模型的不确定性。假设风功率的９个云概念分别为：ｆ极低，很低，低，较低，中等，较高，高，很高，极高１，则它们的数字特征如表１所示。用类似的方法对风速和风向进行多次概念跃升实验，从中选取较合适的概念个数，最终得到相应的５个和９个跃升概念，分别如表２和表３所示。表１风功率各个云概念的数字特征Ｔａｂｌｅ１Ｎｕｍｅｒｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆａｌｌｔｈｅｃｌｏｕｄｍｏｄｅｌｓａｂｏｕｔｗｉｎｄｐｏｗｅｒ表２风速各个云概念的数字特征＿ｌ１ａｂｌｅ２Ｎｕｍｅｒｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆａｌｌｔｈｅｃｌｏｕｄｍｏｄｅｌｓａｂｏｕｔｗｉｎｄｓｐｅｅｄ表３风向各个云概念的数字特征Ｔａｂｌｅ３Ｎｕｍｅｒｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆａｌｌｔｈｅｃｌｏｕｄｍｏｄｅｌｓａｂｏｕｔｗｉｎｄｄｉｒｅｃｔｉｏｎ４关联挖掘４．１概念隶属判定概念跃升之后，需要判定所有的历史数据属于相应类别的哪个概念，从而精简数据库，促进关联规则挖掘的成效。概念隶属判定有随机判定法和极大判定法两种方法，两者都需先求出某个数据对相应云概念的所有隶属程度，然后，随机判定法从隶属程度大的前几个概念中随机选择某个定性概念，而极大判定法选择隶属度最大的那个概念作为隶属概念。选用极大判定法，以风速的某个待判定数据ａ为例：首先，生成以风速概念的Ｅ为期望，Ｈ为方差的５个正态随机数Ｅｎ。Ｎｏｒｍ（Ｅ日）一！！二墨…（ｉ＝１，２，，５）；然后计算＝ｅｎ厂，得到ａ对风速概念的５个隶属程度；最后将最大的所对应的概念作为ａ的隶属概念。为了便于挖掘规则，把风功率、风速和风向的定性概念改用阿拉伯数字命名，则风功率的９个云…概念命名为｛１，２。，９｝，风速的５个云概念命名为…｛１０，１Ｉ，，ｌ４），风向的９个云概念命名为……｛Ｉ５，１６，，２３）。这样，得到仅包含｛Ｉ，２，，２３｝的简化数据库，如表４所示。表４概念隶属判定后的部分数据库（和原数据库对比）Ｔａｂｌｅ４Ｐａｒｔｉａ１．ｄａｔａｂａｓｅａｆｔｅｒｍｅｍｂｅｒｓｈｉｐｄｅｔｅｒｍｉｎａｔｉｏｎｏｆｔｈｅｃｏｎｃｅｐｔｓ（ｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｉｎｉｔｉａｌｄａｔａｂａｓｅ）李如琦，等基于云推理的短期风电功率预测模型．１０９．４．２关联规则挖掘采用改进的Ａｐｒｉｏｒｉ算法【１ｌｌ对概念隶属判定后的数据库进行规则挖掘，总共有５００组历史数据，只要某组数据重复出现２次，就认为该组数据对关联知识有一定的贡献，因此设置支持度阂值为０．００４，信任度阈值为０．２。得到３０条符合条件的关联规则，如表５所示。其中第一条规则｛１，１０，２０｝可“”“”以这样理解，如果风速很低，并且风向为东北，“”则风功率极低。５规则发生器云推理是基于规则发生器的不确定性推理，而规则发生器由规则前件和规则后件组成。设有定性“”规则ｉｆＡｔｈｅｎＢ，Ａ和Ｂ分别为对应于论域和的定性概念。把Ａ叫作规则前件，Ｂ叫作规则后件。表５挖掘出的部分关联规则Ｔａｂｌｅ５Ｐａｒｔｉａｌａｓｓｏｃｉａｔｉｏｎｒｕｌｅｓａｆｔｅｒｍｉｎｉｎｇ给定论域中的一个特定点，通过正向云算法生成该特定点属于定性概念的确定度Ｙ，称为前件∈云发生器；给定一个确定度），［０，１］，通过逆向云算法生成论域中满足这个确定度的云滴，称为后件云发生器。一个前件云发生器和一个后件云发生器连接起来就构成了一个单条件单规则发生器。规则发生器的前件可以是多个的（即多维），而后件通常只有一个。“本文采用双条件单规则发生器，即ｉｆＡＩ，Ａ”ｔｈｅｎＢＯ其中，Ａ１和Ａ２作为规则前件，分别代表风速和风向的某个云概念，Ｂ作为规则后件，代表风功率的某个云概念。如果用一个双条件单规则发生器来描述一条关联规则，那么，前面挖掘出的３０条定性规则便可用３０个双条件单规则发生器来描述，相当于一个组合规则发生器。６云推理预测设预测点前一时刻的风速和风向值为ｌ２），输入前述组合发生器中将得到３０个预测结果，这显然是不可取的。预测中如果考虑历史数据隐含着的某种历史规律，那么它体现的是一种整体的预测策略；而若考虑最近数据呈现出的某种当前趋势，则它体现的是一种局部的预测策略。单纯将历史规律作为预测知识是有些陈旧的，唯有综合考虑这两种策略，用当前趋势对历史规律惯性加权，才能进行较准确地推理和预测。首先考虑历史规律：把２）输入每个双条件单规则发生器的前件会得到一个隶属度，该隶属度体现Ｔ（ｘ）对该条规则的激活强度。那么，我们将得…到３０个激活强度１，，，Ｙ３０）。从中找到最大“”值，则对应的规则ｉｆＡＡ２ｔｈｅｎＢ最能反映点１，）所具有的历史特性，因而该规则的后件Ｂ可作为相应预测知识的历史规律。其次考虑当前趋势：越靠近预测点的数据越能反映其当前趋势，因此，可选邻近预测点的ｆ个数据，通过逆向云算法得到当前趋势的云模型ｃ。最后综合考虑历史规律和当前趋势：采用第２节中提到的概念合并算法，将Ｂ和Ｃ，合并得到，“”从而构造新的预测规则ｉｆｌ，Ａｆ２ｔｈｅｎＤ进行推理预测。由以上方法可以得到云推理的组合规则发生器，如图５所示。具体的算法步骤如下Ｉ】：（１）将预测点前一时刻的风速和风向值】２）输入３０个双条件单规则发生器的前件（ＣＧＡ１，ＣＧＡ２，…，…ＣＧＡ３ｏ）得到ｌ，Ｙ２，，Ｙ３０），找到最大值所对“”应的规则ｉｆＡＡｆ２ｔｈｅｎＢｆ，将其后件Ｂｆ（ＥｘＢ，Ｂ，Ｂ）作为预测知识的历史规律。（２）取邻近预测点的个数据，通过逆向云算法得到当前趋势的云模型（Ｅ）。（３）综合Ｂ和Ｃ，得到新的预测知识Ｄ（Ｄ，Ｄ，Ｄ），将其作为组合规则发生器的后件Ｃ６『Ｄ～。“”构造新规则ｉｆＡＡｆ２ｔｈｅｎＤ进行预测。（４）生成一个期望值为（Ａｎ，），方差为（９２１，２）的二维正态随机数（Ａ订，）。（５）生成一个期望值为，方差为的正态随机数。≤≤（６）若Ｘ１Ａｆｌ，Ｘ２ＥＡ，则预测值ＸＤ＝一一’■■——厂＿一—ｘＤｌ￣，ｕ９×、／一２Ｉｎｍ。．１１Ｏ．电力系统保护与控制（７）若ｘＩ＞ＥｘＡｉｌ，ｘ２＞ＥｘＡｉ２，则预测值ＸＤ＝ｔ————————’———ｒ一卜×√＿２ＩｎＹｍ。一！＝墨！（８）若Ｘ１＜￣ＥｘＡｆ１，娩Ａｆ２，则Ｙ１＝Ｐｌ，…＝２１：１：Ｅ一×√一２ｌｎ１，Ｙ２＝Ｐ２（Ｅ＇ｏＡ￣２）２，ＸＤ２＝＋×√＿２】ｎ，预测值＝（ｘｏ１＋２）／２。一＝墨≤（９）若ｌ＞ＥＡｆ１，ＥＡ忍，贝０Ｙ＝Ｐ（ＥｔＡｆｌ，．．一！＝２ｊ‰＝＋ｘ￣ＩｎＹｌ，２＝８２，２＝一×√一２１ｎｙ２，预测值＝（１＋ＸＤ２）／２。７预测实例预测采用我国某风电场１Ｏ月份的５００组历史数据，每组数据包含风速、风向和风功率三类数据。根据风功率的数据特点，采用邻近预测点的５个数…据迭代地构造当前趋势的云模型ＣＣ，，Ｃｆ２４，再用第５节的云推理方法迭代地预测未来值…，。。虽然云推理属于不确定性推理，但每个点的预测结果都在某一可靠范围内，如未来…第２４个小时的预测结果为｛０．３６４１，０．３６２７，，０．３３９８，……０．３５８７，，０．３４１１，０．３６２２，０．３６４８，｝。如图５所示。ｌｌＨ１Ｉ２ｊ２Ｈ，ＡｔＺ瑶嵋图５云推理的组合规则发生器Ｆｉｇ．５Ｒｕｌｅｓｇｅｎｅｒａｔｏｒｆｏｒｃｌｏｕｄｒｅａｓｏｎｉｎｇ为了便于分析比较，运行云推理程序１０次，并取其期望值与ＡＲＩＭＡ（１，ｌ，１）模型［１３１和ＲＢＦ神经网络的预测结果进行比较，如图６所示。三种预测方法的误差分析如表６所示。可以看出，无论是最大相对误差、最小相对误差，还是平均相对误差，云推理模型都具有一定的优势。其中，最大相对误差较ＡＲＩＭＡ模型和ＲＢＦ神经网络分别下降了１０．９３％和５６．６２％，最小相对误差分别下降了４．７９％和１．７４％，平均相对误差分别下降了４．４３％和２．８４％。ＡＲＩＭＡ模型０５１０１５２Ｏ２５未来２４个小时的预测点图６云推理与其他方法的预测结果比较Ｆｉｇ．６Ｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆｃｌｏｕｄｒｅａｓｏｎｉｎｇｃｏｍｐａｒｅｄｗｉｔｈｏｔｈｅｒｍｅｔｈｏｄｓ表６三种预测方法的误差分析Ｔａｂｌｅ６Ｅｒｒｏｒａｎａｌｙｓｉｓｏｆａｌｌｔｈｅａｂｏｖｅｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｓ最大相对最，Ｊ、相对平均相对误差／％误差／％误差８结论云模型是随机性和模糊性的完美结合。根据风电的特点，提出了一种基于云推理的短期风电功率预测模型，通过与ＡＲＩＭＡ模型和ＲＢＦ神经网络比较发现，该模型具有明显的优势和特点：（１）预测结果灵活。云推理预测得到的是一系列有稳定倾向的预测值，且所有的预测值均在一定范围内小幅波动。用户可以利用多年的经验或借助其它各方面的信息，在该预测范围内恰当选择预测值，也可取其期望作为确定性结果，显示了该模型较强的选择性，且易与其他知识结合的特点。（２）适用于短期预测，预测误差较小。通过多次运行实验，并取其期望与其它预测方法比较发现，该模型的风电功率预测在２４小时之内效果较好，各方面的误差都有不同程度地减小，具有一定的预测精度。（３）扩展性能好。除风速和风向之外，如能利用气温、气压、降雨量等方面的历史资料，将云推７６５４３２１ＯＯＯＯＯＯ０一Ｅｆｉ一嚣鞲僻区李如琦，等基于云推理的短期风电功率预测模型理发生器的前件从２维扩展到５维甚至更高维度，将有利于提高预测的效果，显示了该模型较高的推广价值。［７］（４）适用于离线预测。为了降低云变换的误差，可以在频率分布曲线的峰值附近选取若干个有代表性的点，对云概念的熵进行多次人工调整，进而充分提取数据的特征，提高预测精度。参考文献［１］李俊芳，张步涵，谢光龙，等．基于灰色模型的风速一风电功率预测研究［Ｊ】．电力系统保护与控制，２０１０，３８（１９）：１５１－１５９．—ＬＩＪｕｎ－ｆａｎｇ，ＺＨＡＮＧＢｕ－ｈａｎ，ＸＩＥＧｕａｎｇｌｏｎｇ，ｅｔａ１．Ｇｒｅｙｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｓｆｏｒｗｉｎｄｓｐｅｅｄ．ｗｉｎｄｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１０，３８（１９）：１５１－１５９．［２］武小梅，白银明，文福拴．基于ＲＢＦ神经元网络的风电功率短期预测［Ｊ］．电力系统保护与控制，２０１１，—３９（１５）：８０８３．——ＷＵＸｉａｏｍｅｉ，ＢＡＩＹｉｎｍｉｎｇ，ＷＥＮＦｕ・ｓｈｕａｎ．Ｓｈｏｒｔ－ｔｅｒｍｗｉｎｄｐｏｗｅｒｆｏｒｅｃａｓｔｂａｓｅｄｏｎｔｈｅＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍ—ＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１１，３９（１５）：８０８３．［３］杨洪，古世甫，崔明东，等．基于遗传优化的最小二乘支持向量机风电场风速短期预测［Ｊ］．电力系统保护与—控制，２０Ｉ１，３９（１１）：４４６１．——ＹＡＮＧＨｏｎｇ，ＧＵＳｈｉｆｕ，ＣＵＩＭｉｎｇｄｏｎｇ，ｅｔａ１．Ｆｏｒｅｃａｓｔｏｆｓｈｏｒｔ－ｔｅｒｍｗｉｎｄｓｐｅｅｄｉｎｗｉｎｄｆａｒｍｓｂａｓｅｄｏｎＧＡ—ｏｐｔｉｍｉｚｅｄＬＳＳＶＭ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄ—Ｃｏｎｔｒｏｌ，２０１１，３９（１１）：４４６１．［４］杨薛明，苑津莎，王剑锋，等．基于云理论的配电网空间负荷预测方法研究［Ｊ】．中国电机工程学报，２００６，—２６（６）：３０３６．——ＹＡＮＧＸｕｅｍｉｎｇ，ＹＵＡＮＪｉｎｓｈａ，ＷＡＮＧＪｉａｎ－ｆｅｎｇ，ｅｔａ１．Ａｎｅｗｓｐａｔｉａｌｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄｆｏｒｄｉｓｔｒｉｂｕｔｉｏｎｎｅｔｗｏｒｋｂａｓｅｄｏｎｃｌｏｕｄｔｈｅｏｒｙ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２００６，２６（６）：３０－３６．［５］栗然，崔天宝，肖进永．基于云模型的短期电价预测—［Ｊ］＿电网技术，２００９，３３（１７）：１８５１９０．ＬＩＲａｎ，ＣＵＩＴｉａｎ－ｂａｏ，ＸＩＡＯＪｉｎ－ｙｏｎｇ．Ｓｈｏｒｔ－ｔｅｒｍｅｌｅｃｔｒｉｃｉｔｙｐｒｉｃｅｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄｏｎｃｌｏｕｄｍｏｄｅｌ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２００９，３３（１７）：１８５－１９０．［６］李兴生，李德毅．一种基于云模型的决策表连续属性离散化方法［Ｊ］．模式识别与人工智能，２００３，１６（１）：３３．３７．ＬＩＸｉｎｇ・ｓｈｅｎｇ，ＬＩＤｅ－ｙｉ．Ａｎｅｗｍｅｔｈｏｄｂａｓｅｄｏｎｃｌｏｕｄｍｏｄｅｌｆｏｒｄｉｓｃｒｅｔｉｚａｔｉｏｎｏｆｃｏｎｔｉｎｕｏｕｓａｔｔｒｉｂｕｔｅｓｉｎｒｏｕｇｈｓｅｔｓ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎａｎｄＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，２００３，１６（１）：３３－３７．秦昆，王佩．基于云变换的曲线拟合新方法［Ｊ］．计算—机工程与应用，２００８，４４（２３）：５６５８．ＱｒＮＫｕｎ，ＷＡＮＧＰｅｉ．Ｎｅｗｍｅｔｈｏｄｏｆｃｕｒｖｅｆｉｔｔｉｎｇｂａｓｅｄｏｎｃｌｏｕｄｔｒａｎｓｆｏｒｍ［Ｊ］．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄ—Ａｐｐｌｉｃａｔｉｏｎｓ，２００８，４４（２３）：５６５８．［８］刘常昱，冯芒，戴晓军，等．基于云ｘ信息的逆向云新—算法【Ｊ］．系统仿真学报，２００４，１６（１１）：２４１７２４２０．—ＬＩＵＣｈａｎｇｙｕ，ＦＥＮＧＭａｎｇ，ＤＡＩＸｉａｏ－ｊｕｎ，ｅｔａ１．Ａｎｅｗａｌｇｏｒｉｔｈｍｏｆｂａｃｋｗａｒｄｃｌｏｕｄ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｙｓｔｅｍ—Ｓｉｍｕｌａｔｉｏｎ，２００４，１６（１１）：２４１７２４２０．［９］李德毅，杜鹋．不确定性人工智能【Ｍ］．北京：国防工业出版社，２００５．［１Ｏ］孟晖，王树良，李德毅．基于云变换的概念提取及概念层次构建方法［ＪＪ．吉林大学学报：工学版，２０１０，—４０（３）：７８２７８７．—ＭＥＮＧＨｕｉ，ＷＡＮＧＳｈｕｌｉａｎｇ，ＬＩＤｅ－ｙｉ．Ｃｏｎｃｅｐｔｅｘｔｒａｃｔｉｏｎａｎｄｃｏｎｃｅｐｔｈｉｅｒａｒｃｈｙｃｏｎｓｔｒｕｃｔｉｏｎｂａｓｅｄｏｎｃｌｏｕｄｔｒａｎｓｆｏｒｍａｔｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＪｉｌｉｎＵｎｉｖｅｒｓｉｔｙ：ＥｎｇｉｎｅｅｒｉｎｇａｎｄＴｅｃｈｎｏｌｏｇｙＥｄｉｔｉｏｎ，２０１０，４Ｏ（３）：７８２．７８７．［１１］冯兴杰，周谆．Ａｐｒｉｏｒｉ算法的改进［Ｊ］＿计算机工程，２００５．３１（增刊）：１７２．１７３．ＦＥＮＧＸｉｎｇ￣ｉｅ，ＺＨＯＵＺｈｕｎ．ＩｍｐｒｏｖｅｍｅｎｔｆｏｒｔｈｅＡｐｒｉｏｒｉａｌｇｏｒｉｔｈｍ［Ｊ］．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ，２００５，３１（Ｓ）１７２一ｌ７３．［１２］陈吴，李兵．云推理方法及其在预测中的应用［Ｊ１．计—算机科学，２０１１，３８（７）：２０９２１１．ＣＨＥＮＨａｏ，ＬＩＢｉｎｇ．Ｃｌｏｕｄｒｅａｓｏｎｉｎｇｍｅｔｈｏｄａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｉｎｐｒｅｄｉｃｔｉｏｎ［Ｊ］．ＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，２０１１，３８（７）：２０９－２１１．［１３］王黎明，王连，杨楠．应用时间序列分析［Ｍ】．上海：复旦大学出版社２００９．—ＷＡＮＧＬｉＭｉｎｇ，ＷＡＮＧＬｉａｎ，ＹＡＮＧＮａｎ．Ｔｈｅａｎａｌｙｓｉｓｏｆａｐｐｌｉｃａｔｉｏｎｔｉｍｅｓｅｒｉｅｓ［Ｍ］．Ｓｈａｎｇｈａｉ：ＦｕｄａｎＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ，２００９．—收稿日期：２０１卜１０３０；修回日期：２０１１－１２－１２作者简介：李如琦（１９５９一），女，教授，硕士研究生导师，主要研究方向为负荷预测、风电预测、智能电网、电力系统最优运行与规划：凌武能（１９８３－），男，博士研究生，主要研究方向为风电预测及可再生能源并网技术。Ｅ－ｍａｉｌ：ｌｉｎｇｗｕｎｅｎｇ＠１６３．ｃｏｍ