基于粗糙集理论-主成分分析的Elman神经网络短期风速预测.pdf

第４２卷第１１期２０１４年６月１日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌＶｌｏＩ．４２ＮＯ．１１Ｊｕｎ．１．２０１４基于粗糙集理论一主成分分析的Ｅｌｍａｎ神经网络短期风速预测尹东阳，盛义发，蒋明洁，李永胜，谢曲天（南华大学电气工程学院，湖南衡阳４２１００１）摘要：为了解决传统静态前馈神经网络（ＦＮＮ）在短期风速预测中易陷入局部最优值及动态性能的不足，引入Ｅｌｍａｎ动态神经网络建立风速预测模型，采用主成分分析法（ＰＣＡ）对原始风速数据进行特征提取以优化神经网络的输入，改进激励函数和网络结构以寻求函数收敛速度和预测精度的最优解。针对Ｅｌｍａｎ￣经网络预测模型在风速波动的峰值处预测误差较大及预测精度存在波动性，提出采用粗糙值理论对模型预测值进行修正与补偿，进一步提高预测精度。实验证明：所提出的方法能有效提高预测精度，增强神经网络模型的泛化能力，具有较好的实用性。关键词：风速预测；Ｅｉｍａｎ神经网络；主成分分析；粗糙集理论；预测值修正—ＳｈｏｒｔｔｅｒｍｗｉｎｄｓｐｅｅｄｆｏｒｅｃａｓｔｉｎｇｕｓｉｎｇＥｌｍａｎｎｅｕｒａｌｎｅｔｗｏｒｋｂａｓｅｄｏｎｒｏｕｇｈｓｅｔｔｈｅｏｒｙａｎｄｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔｓａｎａｌｙｓｉｓ——Ｙ１ＮＤｏｎｇｙａｎｇ，ＳＨＥＮＧＹｉ－ｆａ，ＪＩＡＮＧＭｉｎｇ￣ｉｅ，ＬＩＹｏｎｇ・ｓｈｅｎｇ，ＸＩＥＱｕｔｉａｎ（ＣｏｌｌｅｇｅｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＵｎｉｖｅｒｓｉｔｙｏｆＳｏｕｔｈＣｈｉｎａ，Ｈｅｎｇｙａｎｇ４２１００１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｂｅｃａｕｓｅｔｈｅｔｒａｄｉｔｉｏｎａｌｓｔａｔｉｃｆｅｅｄｆｏｒｗａｒｄｎｅｕｒａｌｎｅｔｗｏｒｋｓ（ＦＮＮ）ａｒｅｅａｓｙｔｏｆａｌｌｉｎｔｏｌｏｃａｌｏｐｔｉｍｕｍａｎｄｌａｃｋｏｆｄｙｎａｍｉｃｐｅｒｆｏｒｍａｎｃｅ，ｔｈｅｗｉｎｄｓｐｅｅｄｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｕｓｉｎｇＥｌｍａｎｎｅｕｒａｌｎｅｔｗｏｒｋ（ＥｌｍａｎＮＮ）ｉｓｅｓｔａｂｌｉｓｈｅｄ，ｔｈｅｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ（ＰＣＡ）ｉｓｕｓｅｄｔｏｅｘｔｒａｃｔｔｈｅｆｅａｔｕｒｅｏｆｗｉｎｄｓｐｅｅｄｄａｔａ，ｗｈｉｃｈｏｐｔｉｍｉｚｅｓｔｈｅｉｎｐｕｔｓｏｆＥｌｍａｎＮＮ．Ｆｕｒｔｈｅｒｍｏｒｅ，ｅｘｃｉｔａｔｉｏｎｆｕｎｃｔｉｏｎａｎｄｔｈｅｓｔｒｕｃｔｕｒｅｓｏｆｎｅｔｗｏｒｋａｒｅｉｍｐｒｏｖｅｄｔｏｓｅａｒｃｈｆｏｒｔｈｅｏｐｔｉｍｕｍｓｏｌｕｔｉｏｎｏｆｆｕｎｃｔｉｏｎｃｏｎｖｅｒｇｅｎｃｅｒａｔｅａｎｄｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙ．ＴｏｓｏｌｖｅｌａｒｇｅｅｒｒｏｒａｎｄｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｆｌｕｃｔｕａｔｉｏｎｓｏｆｔｈｅＥｌｍａｎＮＮｍｏｄｅｌａｔｔｈｅｐｅａｋｖａｌｕｅｏｆｗｉｎｄｓｐｅｅｄ，ｔｈｅｒｏｕｇｈｓｅｔｔｈｅｏｒｙｉｓｐｒｏｐｏｓｅｄｔｏｃｏｍｐｅｎｓａｔｅａｎｄｃｏｒｒｅｃｔｔｈｅｐｒｅｄｉｃｔｅｄｖａｌｕｅｓｔｏｆｕｒｔｈｅｒｉｍｐｒｏｖｅｔｈｅｆｏｒｅｃａｓｔｅｄｒｅｓｕｌｔｓ．ＥｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｉｓｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｄｍａｄｔｈｅｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙｏｆＥｌｍａｎＮＮｉｓｅｎｈａｎｃｅｄｕｓｉｎｇｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄ．Ｔｈｉｓｍｏｄｅｌｈａｓｐｒｅｃｉｓｅｆｏｒｅｃａｓｔｉｎｇａｎｄｓｔｒｏｎｇｐｒａｃｔｉｃａｂｉｌｉｔｙ，ＳＯｉｔｈａｓｐｒｏｍｏｔｅｄｖａｌｕｅ．ＴｈｉｓｗｏｒｋｉｓｓｕｐｐｏｓｅｄｂｙＮａｔｉｏｎａｌＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（Ｎｏ．５１２７７０５６）．Ｋｅｙｗｏｒｄｓ：ｗｉｎｄｓｐｅｅｄｆｏｒｅｃａｓｔｉｎｇ；Ｅｌｍａｎｎｅｕｒａｌｎｅｔｗｏｒｋ；ｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔｓａｎａｌｙｓｉｓ（ＰＣＡ）；ｒｏｕｇｈｓｅｔｔｈｅｏｒｙ；ｐｒｅｄｉｃｔｅｄｖａｌｕｅｃｏｒｒｅｃｔｉｏｎ中图分类号：ＴＭ６１４文献标识码：Ａ—文章编号：１６７４－３４１５（２０１４）１１００４６－０６０引言风速的随机性和间歇性导致风电功率具有波动性的特点，对风电功率进行准确预测是提高电网运行稳定性，保障电力系统制定合理调度计划的有效途径［¨。目前，我国已强制性要求风电场每天按照电力系统调度机构规定的时间上报次日０～２４ｈ基金项目：国家自然科学基金项目（５１２７７０５６）；湖南省自然基金项目（１０ＪＪ６０７６）；湖南省科技厅资助项目（２０１１ＧＫ３０３４，２０１０６Ｋ３１８３）；湖南省教育厅重点资助项目（１２Ａｌ１５）；南华大学博士启动基金项目（２０１１ＸＱＤ４１）风电场发电功率预测曲线ｌ。准确预测风电场风速不但是风电功率预测的基础，而且对风电场的规划设计、开停机计划安排、电力系统安全运行以及提高经济效益等都具有重要意义。目前，用于风速预测的方法主要分为两类：基于物理模型和基于历史数据的方法。前者一般选用数值天气预报（Ｎｕｍｅｒｉｃａｌｗｅａｔｈｅｒｐｒｅｄｉｃｔｉｏｎ，ＮＷＰ）数据进行风速预Ｎｌｌ。但ＮＷＰ的预测对象通常是一片风电场区域的风速而不是单个风电机组，需要将风电场的风速转化为单个机组的风速，计算量庞大，算法实时性不高。后者主要有时间序列法Ｌ５Ｊ，卡尔曼滤波法［６】，支持向量机法【７Ｊ，空问相关法ｌ８Ｊ，尹东阳，等基于粗糙集理论．主成分分析的Ｅｌｍａｎ神经网络短期风速预测．４７．神经网络法Ｉ９］等。其中，神经网络法对训练样本具有较好的自组织自学习拟合能力，相对于其他算法预测精度较高，是目前研究的热点。文献［１０１用遗传算法分别对ＢＰ神经网络的参数进行优化，在短时间内提高了预测精度，但静态前馈神经网络容易陷入局部最优值，且收敛速度慢。文献［１１］采用主成分分析法（ＰＣＡ）对风速数据进行特征提取，建立ＢＰ神经网络预测模型，该方法加快了程序的运行时间，提高了网络的泛化性能，提高了预测精度，但在风速波动较大的时刻，误差随之增大。文献［１２１将粗糙集理论应用于电力负荷的预测，补偿神经网络模型在峰值附近误差较大的预测值，有效提高了预测精度。本文将粗糙集理论应用于风速预测值的补偿与修正，结合具有动态性能的Ｅｌｍａｎ神经网络，建立风速预测模型。该模型基于主成分分析法对原始风速样本进行特征提取得到的综合变量作为Ｅｌｍａｎ神经网络的输入，改进激励函数和网络结构以寻求函数收敛速度和预测精度的最优解，最后采用粗糙集理论对风速预测值进行修正，使预测模型在风速变化平缓和波动幅度较大的情况下均具有较高的精度。１Ｅｌｍａｎ神经网络原理１．１Ｅｌｍａｎ神经网络结构Ｅｌｍａｎ神经网络（ＥｌｍａｎＮＮ）与传统静态前馈神经网络（ＦＮＮ）相比，具有四层结构：输入层、隐含层、输出层，还有一个特殊的关联层，其结构如图１所示。关联层的作用在于与隐含层一起形成神经网络内部的反馈连接，因而比ＦＮＮ具有更强的动态记忆性，更适合用来建立时间序列的预测模型。Ｅｌｍａｎ￣经网络的非线性状态空间的表达式可写成如下形式：输入层到隐含层的输出ＭＮ∑∑ＲＬ（ｔ）＝厂［（ｆ）（）＋（ｆ）足（）］（１）ｉ＝１ｒ＝ｌ其中，足（ｆ）为关联层在ｆ时刻到隐含层的反馈输出，Ｒ（ｆ）＝Ｒ，一１）。隐含层到输出层的输出Ⅳ（ｆ）＝ｇＥＥ为（ｆ）（）］（２）ｊ＝ｌ式中，（，）、（，）、（）分别为输入层到隐含层、关联层到隐含层、隐含层到输出层的权值矩阵。输出层隐含层‘ｃ（，）（，）图１ＥｌｍａｎＮＮ结构图Ｆｉｇ．１ＳｔｒｕｃｔｕｒｅｏｆＥｌｍａｎＮＮ关联层输入层、输出层和关联层均采用线性函数，隐含层为单层网络结构，采用经修正的ｓｉｇｍｏｉｄ函数，以加快Ｅｌｍａｎ神经网络模型的收敛速度，减少程序运行时间，其修正激励函数为］‘／（，，，，七）＝ａ４丁南３）式中：常数项ａ；可调偏置参数ｂ；扩大函数增益Ｃ；白变量因子ｋ的值根据Ｅｌｍａｎ神经网络的输入量确定。１．２学习算法Ｅｌｍａｎ神经网络的学习算法采用误差反向传播算法（ＢＰ算法），定义在［０，时间段内，误差目标函数１∑Ｅ（ｆ）＝去（（）一（ｆ））（４）式中：ｙ（ｔ）为实际输出值；ｄ（ｔ）为期望输出值。本文中设定学习目标函数闽值Ｅｒｒｇｏａｌ＝１０～。首先初始化样本的权值和网络结构，然后使用ＢＰ算法对Ｅｌｍａｎ神经网络的（ｆ）、向（）进行调整和训练，当网络的误差平方和低于阈值或达到迭代次数时，结束训练并保存网络偏差和权值。（ｆ）的修正采用链式导数规则［１３】求取。△∑（ｆ）＝［（ｄ（ｔ）－ｙｐ（ｔ））Ｗ３ｊｑ（ｔ）］ｆ。（Ｒ（ｔ））ＲＬ（ｔ－１）（５）２主成分分析原理影响风速预测的因素很多，每种因素对预测精度的影响不尽相同，有些甚至是多余的，因此需要对预测模型的输入变量进行筛选。本文采用ＰＣＡ对预测因子数据进行特征提取与预测结果相关性最大的变量作为神经网络输入变量，减少预测模型输入维数的同时提高预测精度。．４８．电力系统保护与控制对风速时间序列进行主成分提取的步骤如下。Ｓｔｅｐ１：计算原始风速样本向量的自相关性系数，确定进行主成分提取的输入向量ｌｒ和输入维数ｍ；…ⅣＸ＝ＩＩ（６）…Ｌ１ＪⅣ式中：ｍ为对象的特性个数；为对象个数。Ｓｔｅｐ２：对】，进行标准化处理，计算其相关系数…矩阵Ｒ、Ｒ的特征根（，，，）、相应的特征向…量（啊，ｕ２，，）和方差累计贡献率７７，其中Ｒ＝Ｘ／（Ｎ一１１（７）∑∑ｒ／＝（１Ｏ０％Ａ￣／）（８）ｉｆ式中，Ｘ是标准化后的数据矩阵。Ｓｔｅｐ３：选取７７大于７５％－９５％时对应的前Ｐ个主成分个数作为神经网络预测模型的输入个数。３基于粗糙集理论的风速预测值修正算法３．１粗糙集风速预测修正算法的提出由于风速具有随机波动性的特点，如果在较短的时间内风速波动幅度很大，采用神经网络预测模型对风速进行预测时，在风速的峰值处附近预测误差较大，导致预测精度出现波动性。因此，本文提出基于粗糙集理论对峰值点附近的风速预测值进行修正和补偿的算法。３．２风速预测值修正算法的实现基于Ｅｌｍａｎ神经网络模型的预测风速值，可采用式（９）进行修正［１。’ＩＶ：＋＋ｌｔ＋。一ｌ｛＋＝＋：一＋（９）ｌ＝＋一式中：为，＋１时刻修正后的风速预测值；＋，、分别表示修正前ｆ＋２、＋１、时刻Ｅｌｍａｎ神经网络模型风速预测值；分别表示预测函数在＋１时刻两侧的斜率；Ｓ为尺度因子。Ｓ可通过建立基于粗糙集理论的信息系统确定。若给定信息系统Ｋ＝（Ａ，Ｖ，厂），其中为Ｅｌｍａｎ神经网络模型输出风速预测值的非空集合，称为论域；Ａ＝ＣＵＤ为属性的非空有限集合，其中条件属性集ｃ是风速数据特征组成的集合，决策属性集Ｄ＝｛１，ｄ即为所求的尺度因子Ｓ；＝∈Ｕ，ＶａｅＡ，ｘＵ都有一个信息函数∈ｆ（ｘ，口）。定义Ｃ＝｛，ｂ，ｃ】，则有：（１０）———＝ｌＵ”ｂ＝ｓｇｎＧ＋１一）（１１）”式中：ｓｇｎ表示符号函数；为时刻的实际风速值；为数据点的个数。根据式（１０）～式（１２）从Ｅｌｍａｎ神经网络模型输出的风速预测值中提取出条件属性集Ｃ，根据专家经验确定决策属性集Ｄ，从而构成一个完整的信息系统。分别对Ｃ和ｊ［＇进行等频划分离散化ｌ１１处理后得到决策表，对该决策表进行属性约简和值约简，即可得到最小决策规则，从而确定尺度因子Ｓ，实现对Ｅｌｍａｎ神经网络模型的风速预测值的修正。４基于粗糙集一主成分分析的Ｅｌｍａｎ：￣￥经网络风速预测影响风速预测的因素主要有风速、温度、气压、湿度等，这些数据构成了原始风速样本向量空间，本文首先基于主成分分析法对以上空间向量进行主成分提取，得到的优化输入变量作为Ｅｌｍａｎ神经网络的输入，再选择ＢＰ算法优化神经网络的结构和权值，得到风速预测值，然后基于粗糙集理论对其进行修正和补偿，得到补偿后的风速预测值。风速预测模型见图２所示。譬（图２粗糙集．主成分分析ＥｌｍａｎＮＮ风速预测模型—Ｆｉｇ．２ＷｉｎｄｓｐｅｅｄｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｏｆｒｏｕｇｈｓｅｔＰＣＡＥｌｍａｎＮＮ以我国湖南某风电场２０１３年７月的实测风速序列作为数据样本，采样问隔为１０ｍｉｎ，收集平均风速、温度、湿度和气压等原始数据。将前２００组数据作为训练样本集，后１２０组数据作为测试样本集，采用滚动预测法进行预测。首先对基于主成分分析法的ＥｌｍａｎＮＮ模型进尹东阳，等基于粗糙集理论．主成分分析的Ｅｌｍａｎ神经网络短期风速预测．４９．行实验验证。对原始风速数据进行主成分分析，由式（６）～式（８）得到风速样本的方差及各主成分贡献率如表１。表１方差及各主成分贡献率ＴａｂｌｅｌＥｉｇｅｎｖａｌｕｅａｎｄｐｒｉｎｃｉｐｌｅｃｏｍｐｏｎｅｎｔｓｃｏｎｔｒｉｂｕｔｉｏｎｒａｔｅｓ取方差累计贡献率上限为９５％，从表１可以看出，前４个主成分的方差累计贡献率达到９５．８３０２％，因此求得主成分个数是４个，即风速预测模型的输入个数为４个，从而确定ＥｌｍａｎＮＮ隐含层函数中ｂ，ｃ，ｋ的值分别为一１，３，５，１。采用ＢＰ算法训练网络—权值，确定网络结构为４－９１．１。选取四种模型对预测结果进行对比分析，模型一：ＲＢＦＮＮ采用原始样本作为输入量；模型二：ＥｌｍａｎＮＮ采用原始样本作为输入量；模型三：采用主成分分析法的—ＥｌｍａｎＮＮ（ＰＣＡＥｌｍａｎＮＮ）；模型四：采用主成分—分析法的ＲＢＦＮＮ（ＰＣＡＲＢＦＮＮ），其中ＲＢＦＮＮ的径向基函数为高斯函数，最小二乘法确定ＲＢＦＮＮ的中心和网络权值。模型均未采用粗糙集理论对风速预测值进行修正。模型检验结果如图３和表２所示。图３四种模型的风速预测输出值Ｆｉｇ．３Ｗｉｎｄｓｐｅｅｄｆｏｒｅｃａｓｔｉｎｇｒｅｓｕｌｔｓｂａｓｅｄｏｎｆｏｕｒｍｏｄｅｌｓ表２四种模型的预测误差Ｔ＿ａｂ１ｅ２ＰｒｅｄｉｃｔｉｏｎｅｒｒｏｒｓｏｆｆｏＤｒｍｏｄｅｌｓ表２中ＡＰＥ、ｅＭ为国际上通用的两种误差评价指标：平均百分比误差（ＭＡＰＥ）和均方根误差（ＭＳＥ），分别按如下公式计算：‰＝Ｉ×ｌ００％＝雁。％，式中，ｍ，、ｕ分别表示样本个数，实际风速值和预测风速值。由图３和表２可知，ＥｌｍａｎＮＮ的预测精度比ＲＢＦＮＮ高，这是因为ＥｌｍａｎＮＮ的关联层起着内部反馈连接的作用，使之具有动态递归性能，和ＲＢＦＮＮ这种静态前馈神经网络相比，增强了网络的—计算能力和泛化能力。而ＰＣＡＥｌｍａｎＮＮ较之ＥｌｍａｎＮＮ，ＰＣＡ．ＲＢＦＮＮ较之ＲＢＦＮＮ的平均百分比误差分别降低了５．４９％，８．３３８％，预测精度进一步提高，原因在于采用主成分分析法优化预测模型的输入量减少了输入维数，去除了相关性小的因素的干扰，简化了网络结构。其次验证粗糙集风速预测修正算法的优越性。采用ＥｌｍａｎＮＮ，ＰＣＡ．ＥｌｍａｎＮＮ，粗糙集ＥｌｍａｎＮＮ，粗糙集ＰＣＡ．ＥｌｍａｎＮＮ四种模型分别对训练样本进行预测。从Ｅｌｍａｎ神经网络输出值中选取条件属性集，根据专家经验确定决策属性集，从而确定尺度因子Ｓ，其中Ｍ：１２０。条件属性集合决策属性集的编码表见表３和表４。绘制风速预测曲线和相应的预测误差比较表如图４和表５所示。３５３。要２０１５１０虫际风速髓ＲＢＦＮＮｆｉＪｉｉ￣值ＥｂｎａｎＮＮ预测悄ＰＣＡ－ＲＢＦＮＮ】碘０值预测值‘０２Ｏ４０６０８０１００１２Ｏｔ／ｍｌｎ图４粗糙集修正前后风速预测效果图Ｆｉｇ．４Ｆｏｒｅｃａｓｔｉｎｇｒｅｓｕｌｔｓｂｅｔｗｅｅｎｂｅｆｏｒｅａｎｄａｆｔｅｒｒｏｕｇｈｓｅｔｃｏｒｒｅｃｔｉｏｎ表３条件属性编码表Ｔａｂｌｅ３Ｃｏｄｉｎｇｔａｂｌｅｆｏｒｃｏｎｄｉｔｉｏｎａｔｔｒｉｂｕｔｅｓ．５０．电力系统保护与控制表４决策属性编码表Ｔａｂｌｅ４Ｃｏｄｉｎｇｔａｂｌｅｆｏｒｄｅｃｉｓｉｏｎａｔｔｒｉｂｕｔｅｓ表５粗糙集修正前后风速预测误差比较Ｔａｂｌｅ５Ｃｏｍｐａｒｉｓｏｎｏｆｗｉｎｄｓｐｅｅｄｆｏｒｅｃａｓｔｉｎｇｖａｌｕｅｅｒｒｏｒｓｂｅｆｏｒｅａｎｄａｆｔｅｒｒｏｕｇｈｓｅｔｃｏｒｒｅｃｔｉｏｎ从图４和表５可以看出，在风速变化较为平缓的０～５０ｍｉｎ范围内，四种模型均能较好地跟踪实际风速曲线，预测效果较好，５０～１２０ｍｉｎ范围内，风速波动幅度变大，进行粗糙集修正算法的模型（粗糙集ＥｌｍａｎＮＮ、粗糙集ＰＣＡ．ＥｌｍａｎＮＮ）和未采用粗糙集修正算法的风速预测模型（ＥｌｍａｎＮＮ、ＰＣＡ．ＥｌｍａｎＮＮ）相比，预测精度有所提高，且在整个时间范围内，预测精度均提高５０％左右，在四种预测模型中，粗糙集ＰＣＡ．ＥｌｍａｎＮＮ的预测精度最高，平均百分比误差和均方根误差分别为２．３５６％、１．５４８ｍ／ｓ，说明结合粗糙集理论对风速预测值进行修正补偿的算法和主成分分析法可有效提高模型预测精度。４结论（１）针对传统静态前馈神经网络只能实现静态非线性映射功能，对风速的动态变化预测效果有待改善的问题，提出具有优越动态性能的Ｅｌｍａｎ神经网络用于风速预测，改进激励函数和网络结构以寻求函数收敛速度和预测精度的最优解，在一定程度上提高了预测精度。（２）基于ＰＣＡ对多维、互相关的原始风速数据进行主成分提取，优化预测模型的输入变量，增强了数据问的相关性，具有更短的模型训练时间，提高了预测实时性。（３）针对Ｅｌｍａｎ神经网络预测模型在风速波动的峰值处预测误差较大，提出基于粗糙集理论对风速预测值的修正补偿算法，算例结果表明，该方法对风速预测值的补偿效果较好，进一步提高预测精度，具有一定的工程实用价值。参考文献［１］黄学良，刘志仁，祝瑞金，等．大容量变速恒频风电机组接入对电网运行的影响分析［Ｊ１．电工技术学报，２０１０，２５（４）：１４２－１４９．—ＨＵＡＮＧＸｕｅｌｉａｎｇ，ＬＩＵＺｈｉ－ｒｅｎ，ＺＨＵＲｕｉ－ｊｉｎ，ｅｔａ１．Ｉｍｐａｃｔｏｆｐｏｗｅｒｓｙｓｔｅｍｉｎｔｅｇｒａｔｅｄｗｉｔｈｌａｒｇｅｃａｐａｃｉｔｙｏｆｖａｒｉａｂｌｅｓｐｅｅｄｃｏｎｓｔａｎｔｆｒｅｑｕｅｎｃｙｗｉｎｄｔｕｒｂｉｎｅｓ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２０１０．２５（４）：１４２－１４９．—［２］国家电力监管标准化委员会．ＧＢ／Ｔ１９９６３２０１１风电场接入电力系统技术规定［ｓ】．北京：中华人民共和国质量监督检验检疫总局，２０１１．’ＳｔａｔｅＥｌｅｃｔｒｉｃｉｔｙＲｅｇｕｌａｔｏｒｙＣｏｍｍｉｓｓｉｏｎｏｆＰｅｏｐｌｅＳ—ＲｅｐｕｂｌｉｃｏｆＣｈｉｎａ．ＧＢ／Ｔ１９９６３２０１１ｔｅｃｈｎｉｃａｌｒｕｌｅｆｏｒｃｏｎｎｅｃｔｉｎｇｗｉｎｄｆａｒｍｔｏｐｏｗｅｒｓｙｓｔｅｍ［Ｓ］．Ｂｅｉｊｉｎｇ：ＧｅｎｅｒａｌＡｄｍｉｎｉｓｔｒａｔｉｏｎｏｆＱｕａｌｉｔｙＳｕｐｅｒｖｉｓｉｏｎ，’ＩｎｓｐｅｃｔｉｏｎａｎｄＱｕａｒａｎｔｉｎｅｏｆｔｈｅＰｅｏｐｌｅＳＲｅｐｕｂｌｉｃｏｆＣｈｉｎａ．２０１１．【３］李莉，刘永前，杨勇平，等．基于ＣＦＤ流场预计算的短期风速预测方法［Ｊ】．中国电机工程学报，２０１３，３３（７）２７．３２．—ＬＩＬｉ，ＬＩＵＹｏｎｇｑｉａｎ，ＹＡＮＧＹｏｎｇ－ｐｉｎｇ，ｅｔａ１．—ＳｈｏｒｔｔｅｒｍｗｉｎｄｓｐｅｅｄｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄｏｎＣＦＤ—ｐｒｅｃａｌｃｕｌａｔｅｄｆｌｏｗｆｉｅｌｄｓ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２０１３，３３（７）：２７－３２．［４］ＰＥＬＩＫＡＮＥ，ＥＢＥＮＫ，ＲＥＳＬＥＲＪ，ｅｔａ１．ＷｉｎｄｐｏｗｅｒｆｏｒｅｃａｓｔｉｎｇｂｙａｎｅｍｐｉｒｉｃａｌｍｏｄｅｌｕｓｉｎｇＮＷＰｏｕｔｐｕｔｓ［Ｃ】／／ｌｎｔｅｍａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＥｎｖｉｒｏｎｍｅｎｔａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ．Ｐｒａｇｕｅ，ＣｚｅｃｈＲｅｐｕｂｌｉｃ，２０１０：４５．４８．［５］刘纯，吕振华，黄越辉，等．长时问尺度风电出力时间序列建模新方法研究［Ｊ］．电力系统保护与控制，２０１３，４１（１）：７－１３．—ＬＩＵＣｈｕｎ，ＬｔｉＺｈｅｎ－ｈｕａ，ＨＵＡＮＧＹｕｅｈｕｉ，ｅｔａ１．Ａｎｅｗｍｅｔｈｏｄｔｏｓｉｍｕｌａｔｅｗｉｎｄｐｏｗｅｒｔｉｍｅｓｅｒｉｅｓｏｆｌａｒｇｅｔｉｍｅｓｃａｌｅ［Ｊ］，ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０ｌ３，４１（１１：７－１３。［６］ＣＡＳＳＯＬＡＦ，ＢＵＲＬＡＮＤＯＭ．ＷｉｎｄｓｐｅｅｄａｎｄｗｉｎｄｅｎｅｒｇｙｆｏｒｅｃａｓｔｔｈｒｏｕｇｈＫａｌｍａｎｆｉｌｔｅｒｉｎｇｏｆｎｕｍｅｒｉｃａｌｗｅａｔｈｅｒｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｏｕｔｐｕｔ［Ｊ］．ＡｐｐｌｉｅｄＥｎｅｒｇｙ，—２０１２，９９：１５４１６６．［７］罗文，王莉娜．风电场短期风速预测研究【Ｊ】．电工技术学报，２０１１，２６（７）：６８－７４．尹东阳，等基于粗糙集理论．主成分分析的Ｅｌｍａｎ神经网络短期风速预测．５１．—ＬＵＯＷｅｎ，ＷＡＮＧＬｉｎａ．Ｓｈｏｒｔ＿ｔｅｒｍｗｉｎｄｓｐｅｅｄｆｏｒｅｃａｓｔｉｎｇｆｏｒｗｉｎｄｆａｒｍ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａ—ＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２０１１，２６（７）：６８７４．［８］陈妮亚，钱政，孟晓风，等．基于空间相关法的风电场风速多步预测模型［Ｊ］．电工技术学报，２０１３，２８（５）：—１５２１．——ＣＨＥＮＮｉｙａ，ＱＩＡＮＺｈｅｎｇ，ＭＥＮＧＸｉａｏｆｅｎｇ，ｅｔａ１．—Ｍｕｌｔｉｓｔｅｐａｈｅａｄｗｉｎｄｓｐｅｅｄｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｂａｓｅｄｏｎｓｐａｔｉａｌｃｏｒｒｅｌａｔｉｏｎａｎｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆＣｈｉｎａＥｌｅｃｔｒｏｔｅｃｈｎｉｃａｌＳｏｃｉｅｔｙ，２０１３，２８（５）：１５－２１．［９］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、：８０－８３．—ＷＵＸｉａｏｍｅｉ，ＢＡＩＹｉｎ－ｍｉｎｇ，ＷＥＮＦｕｓｈｕａｎ．Ｓｈｏｒｔ－ｔｅｒｍｗｉｎｄｐｏｗｅｒｆｏｒｅｃａｓｔｂａｓｅｄｏｎｔｈｅｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄ—Ｃｏｎｔｒｏｌ，２０１１，３９（１５）：８０８３．［１０］王德明，王莉，张广明．基于遗传ＢＰ神经网络的短期风速预测模型［Ｊ］＿浙江大学学报：工学版，２０１２，—４６（５）：８３７８４２．——ＷＡＮＧＤｅｍｉｎｇ，ＷＡＮＧＬｉ，ＺＨＡＮＧＧｕａｎｇｍｉｎｇ．Ｓｈｏｒｔ－ｔｅｒｍｗｉｎｄｓｐｅｅｄｆｏｒｅｃａｓｔｍｏｄｅｌｆｏｒｗｉｎｄｆａｒｍｓｂａｓｅｄｏｎｇｅｎｅｔｉｃＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＪｏｕｒｎａｌｏｆＺｈ￣ｉａｎｇＵｎｉｖｅｒｓｉｔｙ：ＥｎｇｉｎｅｅｒｉｎｇＳｃｉｅｎｃｅ，２０１２，４６（５）：８３７．８４２．［１１］何东，刘瑞叶．基于主成分分析的神经网络动态集成风功率超短期预测［Ｊ］．电力系统保护与控制．２０１３，４１（４）：５Ｏ一５４．ＨＥＤｏｎｇ，ＬＩＵＲｕｉ－ｙｅ．Ｕｌｔｒａ－ｓｈｏｒｔ－ｔｅｒｍｗｉｎｄｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎｕｓｉｎｇＡＮＮｅｎｓｅｍｂｌｅｂａｓｅｄｏｎｔｈｅｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔｓａｎａｌｙｓｉｓ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２０１３，４１（４）：５０－５４．［１２］庞清乐．基于粗糙集理论的神经网络预测算法及其在短期负荷预测中的应用［Ｊ］．电网技术，２０１０，３４（１２）：—１６５１７３．——ＰＡＮＧＱｉｎｇｌｅ．Ａｒｏｕｇｈｓｅｔｂａｓｅｄｎｅｕｒａｌｎｅｔｗｏｒｋｌｏａｄｆｏｒｅｃａｓｔｉｎｇａｌｇｏｒｉｔｈｍａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｉｎｓｈｏｒｔ－ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＴｅｃｈｎｏｌｏｇｙ，２０１０，—３４（１２）：１６５１７３．［１３３刘荣，方鸽飞．改进Ｅｌｍａｎ神经网络的综合气象短期负荷预测［Ｊ］．电力系统保护与控制，２０１２，４０（２２）：１１３．１１７．—ＬＩＵＲｏｎｇ，ＦＡＮＧＧｅｆｅｉ．Ｓｈｏｒｔ－ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇｗｉｔｈｃｏｍｐｒｅｈｅｎｓｉｖｅｗｅａｔｈｅｒｆａｃｔｏｒｓｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＥｌｍａｎｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄ—Ｃｏｎｔｒｏｌ，２０１２，４０（２２）：１１３１１７．［１４］夏非，范莉，苏浩益．基于粗糙集理论和启发式径向基函数神经网络的中长期电力负荷预测模型［Ｊ］＿电力系统保护与控制，２０１２，４０（１６）：２１２６．ＸＩＡＦｅｉ．ＦＡＮＬｉ．ＳＵＨａｏ－ｙｉ．Ａｍｏｄｅｌｆｏｒｍｅｄｉｕｍａｎｄｌｏｎｇｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄｏｎｒｏｕｇｈｓｅｔｔｈｅｏｒｙａｎｄｈｅｕｒｉｓｔｉｃｒａｄｉａｌｂａｓｉｃｆｕｎｃｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．Ｐｏｗｅｒ—ＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１２，４０（１６）：２１２６．收稿１３期：２０１３－０８－１１；修回Ｅｔ期：２０１３－０９－３０作者简介：尹东阳（１９９卜），女，硕士研究生，研究方向为风电场风速与风电功率预测；Ｅ．ｍａｉｌ：ｙｄｙ７１２＠１６３．ｃｏｒｎ盛义发（１９７３一），男，通信作者，博士，教授，硕士生导师，研究方向为电力系统运行分析与控制、电机系统及其智能控制、电力电子与电气传动；Ｅ．ｍａｉｌ：ｓｙｆ８７１＠１６３．ｃｏｍ蒋明洁（１９８８－），女，硕士研究生，研究方向为智能变电站的设计与改造。