基于数据挖掘和模糊聚类的风电功率实时预测研究.pdf

第４１卷第１期２０１３年１月１曰电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌＶ０ｌ＿４１Ｎｏ．１Ｊａｎ．１．２０１３［编者按］电力系统在发、输、配、用等各环节面临的不确定性正在以前所未有的速度增加，不确定性已经成为影响电力系统安全可靠、经济高效、节能环保运行的重要因素。为此，本刊特邀清华大学电机系康重庆教授作为特约主编，策划和组织了“”国内外３２篇相关研究论文，形成了电力系统不确定性分析与决策专刊。康重庆教授是ＩＥＴＦｅｌｌｏｗ，ＩＥＥＥＳｅｎｉｏｒＭｅｍｂｅｒ，中国电机工程学会高级会员，先后主持国家自然科学基金５项、博士点基金２项，担任ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＰｏｗｅｒａｎｄＥｎｅｒｇｙＳｙｓｔｅｍｓ等三家国际杂志编委，担任多家国内期刊编委，担任中国电机工程学会电工数学专委会、中国电工技术学会电力系统控制与保护专委会委员，获霍英东基金会优选资助，入选教育部新世纪人才计划。出版第一作者专著３部，发表论文２００余篇，获２００８年中国百篇最具影响学术论文。在此，特别感谢康重庆教授及国内外专家学者对本期专刊的关注和支持！欢迎国内外学者就此专题继续交流投稿。基于数据挖掘和模糊聚类的风电功率实时预测研究杨茂，熊昊，严干贵，穆钢（东北电力大学微通电力研究室，吉林吉林１３２０１２）摘要：准确的风电功率预测是实现风能大规模开发利用的有效手段，实时预测能够滚动地修正日出力计划曲线，保证电力系统运行的安全性和经济性。在分析风电场不同机组出力特性的基础上，利用数据挖掘和模糊聚类技术将不同的机组进行分类，并分别进行实时预测，将预测结果进行累加得到最终的预测结果。以中国吉林省某风电场的实测风电数据为例，进行了实时预测，结合国家能源局对风电功率实时预测预报管理要求中的指标进行了分析。结果表明，所提出的方法准确率最大提高２．５７％，合格率最大提高４．２３％，均方根误差最大下降３．２１％，说明了该方法的有效性。关键词：风电功率，实时预测，数据挖掘，模糊Ｃ均值聚类Ｒｅａｌ－ｔｉｍｅｐｒｅｄｉｃｔｉｏｎｏｆｗｉｎｄｐｏｗｅｒｂａｓｅｄｏｎｄａｔａｍｉｎｉｎｇａｎｄｆｕｚｚｙｃｌｕｓｔｅｒｉｎｇＹＡＮＧＭａｏ，ＸＩＯＮＧＨａｏ，ＹＡＮＧａｎ－ｇｕｉ，ＭＵＧａｎｇ（ＭａｇｉｑｕｅＰｏｗｅｒＳｙｓｔｅｍＲｅｓｅａｒｃｈＧｒｏｕｐ，ＮｏｒｔｈｅａｓｔＤｉａｎｌｉＵｎｉｖｅｒｓｉｔｙ，Ｊｉｌｉｎ１３２０１２，Ｃｈｉｎａ）—Ａｂｓｔｒａｅｔ：ＡｃｃｕｒａｔｅｒｅａｌｔｉｍｅｐｒｅｄｉｃｔｉｏｎｏｆｗｉｎｄｐｏｗｅｒｉＳａｎｅｆｆｅｃｔｉｖｅｍｅａｎｓｔｏａｃｈｉｅｖｅｒａｔｉｏｎａｌｍａｎａｇｅｍｅｎｔｏｆｗｉｎｄｅｎｅｒｇｙｉｎ———ｌａｒｇｅｓｃａｌｅ．Ｒｅａｌｔｉｍｅｐｒｅｄｉｃｔｉｏｎｃａｎｍｏｄｉｆｙｔｈｅｄａｙｏｕｔｐｕｔｐｌａｎｎｅｄｃｕｒｖｅ，ｔｈｅｎｅｎｓｕｒｅｔｈｅｓｅｃｕｒｉｔｙａｎｄｅｃｏｎｏｍｙｏｆｐｏｗｅｒｓｙｓｔｅｍ．Ｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｄｉｆｆｅｒｅｎｔｕｎｉｔｏｕｔｐｕｔｏｆｔｈｅｗｉｎｄｆａｒｍａｒｅａｎａｌｙｚｅｄ，ｄａｔａｍｉｎｉｎｇａｎｄｆｕｚｚｙｃｌｕｓｔｅｒｉｎｇｔｅｃｈｎｉｑｕｅｓａｒｅａｄｏｐｔｅｄｔｏｃｌａｓｓｉｆｙｔｈｅｄｉｆｆｅｒｅｎｔｕｎｉｔｓｏｆｗｉｎｄｆａｒｍ，ｒｅａ１．ｔｉｍｅｐｒｅｄｉｃｔｉｏｎｉＳｐｅｒｆｏｒｍｅｄｆｏｒｅａｃｈｃｌａｓｓ，ａｎｄｔｈｅｐｒｅｄｉｃｔｅｄｒｅｓｕｌｔｓａｒｅｃｕｍｕｌａｔｉｖｅｆｏｒｔｈｅｆｉｎａ１ｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓ．ＴｈｒｏｕｇｈｔｈｅｍｅａｓｕｒｅｄｄａｔａｏｆｗｉｎｄｆａｒｍｓｉｎＪｉｌｉｎＰｒｏｖｉｎｃｅ．ｗｅｐｅｒｆｏｒｌＴｌｔｈｅｒｅａ１．ｔｉｍｅｐｒｅｄｉｃｔｉｏｎａｎｄｍａｋｅａｎａｎａｌｙｓｉｓｃｏｍｂｉｎｉｎｇｗｉｔｈｔｈｅｉｎｄｅｘｉｎｔｈｅｍａｎａｇｅｍｅｎｔｒｅｑｕｉｒｅｍｅｎｔｓａｂｏｕｔｗｉｎｄｐｏｗｅｒｒｅａ１．ｔｉｍｅｐｒｅｄｉｃｔｉｏｎｆｒｏｍｔｈｅＮａｔｉｏｎａｌＥｎｅｒｇｙＢｏａｒｄ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｅｃｉｓｉｏｎｒａｔｅｗｉｔｈｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｒｉｓｅｓｂｙ２．５７％ａｔｍａｘｉｍｕｍ．ｔｈｅｑｕａｌｉｆｉｅｄｒａｔｅｒｉｓｅｓｂｙ４．２３％ａｔｍａｘｉｍｕｍ，ａｎｄｔｈｅｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒｄｅｃｌｉｎｅｓｂｙ３．２１％ａｔｍａｘｉｍｕｍ，ｉｎｄｉｃａｔｉｎｇｔｈｅｅｔｃｔｉｖｅｎｅｓｓｏｆｔｈｉｓｍｅｔｈｏｄ．ＴｈｉｓＷＯｒｋｉＳｓｕｐｐｏｒｔｅｄｂｙＮａｔｉｏｎａ１ＮａｔｕｒａｌＳｃｉｅｎｃｅＦｏｕｎｄａｔｉｏｎｏｆＣｈｉｎａ（Ｎｏ．６０９３４００５）．—Ｋｅｙｗｏｒｄｓ：ｗｉｎｄｐｏｗｅｒ；ｒｅａ１．ｔｉｍｅｐｒｅｄｉｃｔｉｏｎ；ｄａｔａｍｉｎｉｎｇ；ｆｕｚｚｙＣｍｅａｎｓ中图分类号：ＴＭ７１５文献标识码：Ａ—文章编号：１６７４３４１５（２０１３）０１．０００１０６０引言随着世界各国对能源危机和环境问题的逐步重视，新能源发电越来越受到人们的关注，作为最基金项目：国家自然科学基金重点项目（６０９３４００５）；吉林省产业技术研究与开发专项项目（ＪＦ２０１２Ｃ０１８）具大规模开发商业价值的清洁能源，风能在我国得到了大力的发展＿ＪＪ。相比常规能源，随机变化的风速和风向使得风电功率具有波动性、间歇性和不完全可控性等特征，这对电力系统运行的稳定性和可靠性造成了不利影响。大量研究表明，准确的风电功率预测是解决这一问题最经济、有效的手段之一。将有利于提高电一２一电力系统保护与控制力系统安全稳定性以及电网接纳风电的能力Ｊ。在实际工程应用中，风电功率预测分为日预测和实时预测两种方式。日预测是指对次日０时至２４时的预测，实时预测是指自上报时刻起未来１５分钟至４小时的预测预报。其中实时预报可滚动地修正日出力计划曲线，及时调整有功出力。近年来，国内外学者对风电功率预测进行了大量研究，并取得了一系列的成果。文献［３］通过分析风电场内机组的功率特性，以风电机组实际的输出功率平均值和标准差作为聚类指标，忽略了风电机组的功率曲线在完全相反的形态下（如正弦和余弦函数曲线）也可能出现平均值和标准差一致的情况。文献［４．６］将聚类分析运用在风电功率预测时，基本思路是将需要的历史样本进行聚类分析分为若干个样本，然后按照最大相似度原则，选取与预测日最相似的历史样本作为建模样本，得到整个风电场发电功率预测值。但上述文献没有对风电场内机组间出力的差异性问题进行研究。本文在对风电场中不同机组出力特性分析的基础上，通过使用数据挖掘（ＤａｔａＭｉｎｉｎｇ，ＤＭ）技术和模糊ｃ均值聚类（ＦｕｚｚｙＣ．Ｍｅａｎｓ）分析，对风电场内机组历史出力曲线进行相似性判定，然后将出力曲线形态相似的机组进行聚类。对各聚类机组运用时间序列模型进行实时预测，将预测值累加后得到最后的预测结果。经过实例验证，该方法有效地揭示出风电出力的内在规律，提高风电功率实时预测的精度。１风电功率预测的空间特性在我国主要采用集中开发的方式开发风电，各风电机组功率汇聚通过风电场或风电场群（多个风电场汇聚而成）接入电网。众多风电机组的汇聚会改变风电功率波动的属性，从而可能影响预测的误差。风电场输出功率与单机输出功率存在较大的差异，若对单台风机组出力进行预测，预测误差往往具有单一陛；而对整场风电功率进行预测时，由于风机数量众多，预测误差呈现正负交替的多样性，“”进而预测误差会大大降低，即汇聚效应。然而对汇聚后的整场功率进行预测，又不能准确地把握风电场出力的内部规律。若可以准确地掌握不同风电机的出力特性，有利于减小预测的误差，提高风电功率预测的精度，因而有必要对风电场的出力类别进行研究。数据挖掘与模糊聚类是处理这一类问题的有效方法。２数据挖掘与模糊聚类２．１风电功率数据挖掘数据挖掘是从大量的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但是又是潜在有用的信息和知识的过程【７Ｊ。它主要应用于分类、聚类、关联和预测Ｊ。针对风电功率数据有连续、大量、随机等特点，本文以数据挖掘作为模糊聚类的数据预处理方法，对功率时问序列依次进行分割、相似度判定。由于风电机组的出力受到风电场地形地貌，尾流效应，和自然因素的约束，各个机组问即使在一个场内，出力的大小也不尽相同，然而按照顺序排列的在一个风向带上的机组出力虽然大小不同，却有着相同趋势。基于风电机组的上述特性，本文欲将风电场中出力曲线相似的风机进行聚类分析，通常通过度量两个序列的欧式距离来分析其相似性。……如果两个等长的时间序列＝｛ＸＸ１，，，Ｘ１）和＝｛，一，Ｘ，｝，那它两的欧式距离定义为Ｄ＝。然而在聚类时，即便找到了出力形态相同的机组群，也可能由于其欧式距离太大而不满足聚类条件，如图１所示。８６４２至０２４＿６８ｌＯＢ，ＩＪ￣（１５ｍｉｎ／个）图１两个形态相似序列示意图Ｆｉｇ．１Ｄｉａｇｒａｍｏｆｔｗｏｓｉｍｉｌａｒｓｅｑｕｅｎｃｅｓｏｎｓｈａｐｅ为了解决上述问题，本文借助数据挖掘中时问序列的相似性度量方法，应用了Ａｇｒａｗｌ提出的基ｌｊ规范变换的方法来求取功率序列的相似判定矩阵，充分考虑功率序列幅度、偏移、噪声等问题【９Ｊ，町以很好地解决这一问题。其基本思想是采用宽度为的窗口，滑动地将要分析的序列进行分段，将原始序列分成ｍ段，此时原始序列Ｘ＝｛１，，１，一，１，｝，用式（１）进行偏移的变化和幅度的缩放。ｖ｜｛２ｖ，ｊ一（＋１，ｉ）杨茂，等基于数据挖掘和模糊聚类的风电功率实时预测研究其中：Ｖ为子序列中的第个值；、ｉ则是子序列１，，中的最大值和最小值；ｖ则是子序列Ｖｉ中第，个元素变化后的值。通过变换得到序列，中的值都归一化到了［＿＿１，１］之间，消除了由于幅值和上下偏移给相似性判断带来的影响，如图２所示，经过变化后两条曲线重叠相似度为１００％。：躲：时序（１５ｒａｉｎ／个）图２经过规范变换后两序列示意图Ｆｉｇ．２Ｄｉａｇｒａｍｏｆｔｗｏｓｅｑｕｅｎｃｅａｆｔｅｒｓｔａｎｄａｒｄｔｒａｎｓｆｏｒｍａｔｉｏｎ…变换后的两个序列Ｘ１＝ｆｖｌ，ｖｌ，ｖ１，．，｝和…Ｘ２＝｛ｖ２１，ｖ２２ｖ２＇ｍ｝，Ｖｉ如果Ｉ１，ｌ一ｖ２ｆＩ＜￡，即变换后两个曲线的任意子序列，其直接距离在一定的阈值范围内，则称两子序列相似，如果两个序列相似的子序列个数达到了设定值，则称两个序列相似。将ｋ台机组的功率序列，两两进行相似性的判断，达到相似条件设定联系度为１，未达到相似条件的联系度为０，于是得到了一个×ｋ的相似判定矩阵。２．２模糊ｃ均值算法的实现。“”聚类就是按照一定的要求和规律对事物进行区分和分类的过程，把一个没有类别标记的样本集按某种准则划分成若干个子集（类），按照某种评价方式，相似程度高的样本尽可能归为一类，而不相似的样本尽量划分到不同的类中，用［０，１］来表示样本问的相似程度。模糊聚类目前发展最为成熟、经典的便是基于目标函数的模糊ｃ均值聚类算法。通过相似判定矩阵的求取，我们得到了归一化的模糊聚类输入数据集，通过设定合适的聚类类别数可以得到各个样本到类内中心的聚类，通过设定合适的隶属度阈值，便得到所需要的分类结果。给定数据集…１，Ｘ２，，Ｘｎ｝是模式空间中的一组观样本，每一个对象有ｍ个特性指标（反映对象特征的主要指标），即ｘ可由如下ｍ维特性指标向量来表示：ｆ＝……，Ｘｉｍ），ｉ＝１，２，，ｍ。对于给定的样本集聚类分析就是要对ｘ做出划分，得到的ｃ个子集。然后用隶属函数：＝（ｘ）表示出样本溉与子集的隶属关系，而用来表示ｃ个子集的特征函数矩阵，其中矩阵中的第ｉ行为第ｉ个子集的特征函数，而第ｋ列为样本相对于第ｃ个子集的隶属函数。因此模糊ｃ划分的空间为∈∈∑Ｍ＝Ｒ】，Ｖｉ，后；＝ｌ，Ｖ后；（２）∑０＜＜＂，｝用表示各类中样本与其典型样本的误差ｒｃ亚音壬∑∑ＪＪ（Ｕ，Ｊｐ）＝（）平方和我们得到：｛一∈Ｉｓ．ｔ．ＵＭ其中，表示第ｉ类中的样本与第ｆ类典型样本Ｐ之间的失真度，用两个矢量间的距离来表示。表达式为ｄｉ＝（Ｘ一Ｐ）Ａ（ｘ一Ｐｉ）（３）其中，Ａ为对称的正定矩阵，当Ａ取，阵时，上式对应于欧几里德（欧式）距离。在求解时，我们输入数据集和分类数ｃ，然后代入求解带约束条件的非线性函数∑∑Ｆ＝腑（）＋（一１）（４）ｉ＝１ｉ＝ｌ通过不断地修改类中心和分类矩阵，最终得到需要的聚类划分矩阵。３基于相似曲线聚类的ＡＲＭＡ预测模型时间序列预测模型是一种以过去时间的历史数据作为输入，预测未来某个时刻或某一时间段数据值的一种预测方法。假设平稳的时间序列符合ＡＲＭＡ（ｐ，ｇ）过程，则有下式…—ＸｔＯｌＸｔ一１＋Ｘｔ一２＋＋Ｘｔｐ一一一一ｏ２一…－一一∈—其中：Ｘｉ，ｆ［Ｐ，］是序列中的随机变量；，∈∈—ｆ［１，Ｐ］称为自回归系数；，ｆ［ｇ，】为随机∈干扰项；，［１，ｑ］称为移动平均系数；预测时Ｘｔ是需要预测的变量。４算例分析以中国吉林省某风场２０１２年４月连续两周的实测数据为例，数据样本为５０台机组，每台风机的额定装机容量为１．５Ｍｗ，各台每次１５ｍｉｎ记录风电功率序列，每天９６个记录值，共６７２００个测试样本。．．４．．电力系统保护与控制４．１预测模型评价指标的选取根据国家能源局对现行风电场风电功率实时预测预报的管理规定¨ｌ，选取如下三个指标分析：（１）均方根误差Ｅ＝√喜（）ＣａｐＯｎ（６）（２）准确率＝（１－．（Ｃａｐ］×１ｏ０％㈩（３）合格率＝㈦￣ｅＯ（１一）×１００％＞８５％，：ｌＣａｐ（１一生－）×ｌＯＯ％＜８５％，Ｂ．＝０Ｃａｐ‘式中：，２为目标风电场机组数量；为时刻的实际功率值；为时刻的预测功率值；Ｃａｐ为开机容量。４．２预测步骤（１）风电机组的相似性判定首先将预测时刻前一天的５０台机组每天的功…率序列矩阵＝｛，Ｘ，，｝按公式（１）进行变…换等成Ｘ＝｛，，，），其中为第ｉ台机组一天的功率序列。然后将Ｘ内的数据进行相似判定，等到相似判定矩阵Ｇ，若第ｉ台风机的功率序列值与第，台风机的功率序列值相似，则矩阵内的值Ｇ（ｉ，，＿）＝１。（２）风电机组的模糊聚类模糊聚类需要先设定分类数Ｃ，设定的分类数过小的话，容易将一些距离类中心较远的样本也归为类中，造成人为误差。而设定的分类数过大，则易破坏样本本身的最佳分类，使得样本在各类的隶属度相似，造成无法分类的现象。本文通过对历史样本的聚类分析，选取分类数为３。以相似判定矩阵为输入数据进行模糊聚类，得到出力相似的机组聚类。包括两个不同的聚类的机组群Ｇ、Ｇ和剩余机组群—Ｇ＝｛Ｃｌ１一Ｃ２）。表１为以第七日为例在００：００时刻，将风电机组进行模糊聚类的聚类结果。表１第七日０Ｕ，－Ｊ＇￣Ｕ风电机组群实时聚类结果ＴａｂｌｅｌＲｅａｌｔｉｍｅｃｌｕｓｔｅｒｉｎｇｒｅｓｕｌｔｏｆｗｉｎｄｔｕｒｂｉｎｅｇｒｏｕｐａｔｔｈｅｔｉｍｅｏｆ００：００ｉｎ７ｄａｙ聚类类别风机编号图３整场出力曲线与三类聚类机组群的出力曲线对比Ｆｉｇ．３Ｃｏｍｐａｒｉｓｏｎｏｆｔｈｅｏｕｔｐｕｔｃｕｒｖｅｓｏｆｗｉｎｄｆａｒｍａｎｄｔｈｒｅｅｃｌａｓｓｅｓｏｆｃｌｕｓｔｅｒｉｎｇｗｉｎｄｔｕｒｂｉｎｅｇｒｏｕｐｓ图４第一类中三台机组出力示例Ｆｉｇ．４Ｏｕｔｐｕｔｏｆｔｈｒｅｅｓｅｔｓｏｆｗｉｎｄｔｕｒｂｉｎｅｉｎｔｈｅｆｉｒｓｔｃｌａｓｓ图４为以第七天整场功率曲线和三类聚类机组出力曲线；图４为ＣｆＩ类中的三台风机出力曲线，由图可知同一类的风电功率数据相似。（３）不同聚类机组的风电功率预测将得到的３个分类分别进行时间序列建模，建模前需对数据进行平稳性检验，满足平稳条件后，得到３类的ＡＲＭＡ预测模型，经假设检验和显著性检验后，通过ＡＩＣ准则确定相应ＡＲＭＡ预测模型，将得到的三类预测值累加后得到最终预测结果。—图５为运用ＡＲＭＡ和ＤＭ．ＦＣＭＡＲＭＡ方法在一次实时预测的预测值与实际功率值对比效果图，图中ＤＭ．ＦＣＭ．ＡＲＭＡ更加准确地捕捉到了整体开始阶段的功率下降趋势，尽管随着步长的增加，实际功率出现增长，预测趋势出现偏差，却总体上比，１８，佻７¨一４州６４俐１５～４４３３＿．＝３螂瑚。《６３＆川王弛㈣删㈣㈣。每杨茂，等基于数据挖掘和模糊聚类的风电功率实时预测研究．５．ＡＲＭＡ有着更好的趋势追踪性。—表３２ｈ窗宽下第３日至第１１ＢＡＲＭＡ和ＤＭ－ＦＣＭＡＲＭＡ２￣０：０６０２４６８１０１２１４１６时序（１５ｒａｉｎ／个）图５两种预测方法多步预测值与实际值对比图—Ｆｉｇ．５Ｃｏｍｐａｒｉｓｏｎｏｆｍｕｌｔｉｓｔｅｐｆｏｒｅｃａｓｔｅｄｄａｔａｂｙｔｗｏｋｉｎｄｓｏｆｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄａｎｄａｃｔｕａｌｄａｔａ４．３对预测结果的分析本文将预测时刻前两天的数据作为时间序列平稳性检验和预测模型确定的建模域数据，预测时刻前一天的数据作为机组聚类的建模域数据。预测时建模域数据也随着实时数据进行滚动。在求取相似矩阵判定时，用不同长度的窗口对样本进行分割，本文分别采用的８ｈ、４ｈ、２ｈ、１ｈ时间窗口进行滚动划分，采用ＡＲＭＡ法和ＤＭ．ＦＣＭ．ＡＲＭＡ法分别对上述风场的功率样本进行连续１１天的功率预测，得到均方根误差、准确率和合格率如表２、表３所示。通过计算发现不同窗宽对时间序列样本分割对精度有一定的影响。最佳分割窗宽为２ｈ，当分割的宽度增加时，预测的准确率和合格率均出现了相应程度的下降；均方根误差出现正相关的增长。而窗宽减小时，虽然预测精度有所提高，却伴随着合格率的下降和均方根误差的增加。表２为不同滑动窗宽宽度时均方根误差、准确率和合格率与相应ＡＲＭＡ预测结果变化的情况。—表３为采用２ｈ窗宽，ＡＲＭＡ方法和ＤＭ．ＦＣＭＡＲＭＡ方法对上述地区进行风电功率实时预测的预测结果对比。通过对数据分析，准确率最大提高２．５７％，合格率最大提高４．２３％，均方根误差最大下降３．２１％。表２不同滑动窗口宽度下预测结果的变化Ｔａｂｌｅ２Ｃｈａｎｇｅｏｆｆｏｒｅｃａｓｔｅｄｒｅｓｕｌｔｉｎｄｉｆｆｅｒｅｎｔｓｌｉｄｉｎｇｗｉｎｄｏｗｗｉｄｔｈ的预测结果对比Ｔａｂｌｅ３ＦｏｒｅｃａｓｔｉｎｇｒｅｓｕｌｔｂａｓｅｄｏｎＡＲＭＡａｎｄＤＭ．ＦＣＭ．ＡＲＭＡｉｎ２ｈｗｉｎｄｏｗｗｉｄｔｈｆｒｏｍ３一ｔｏ１１ｄａｙ５结论本文在考虑了风电场不同风机出力特性的基础上，提出了基于数据挖掘和模糊聚类的风电功率实时预测方法，通过相似机组的聚类，可以更准确地刻画出风电场汇聚效应中的出力类别。利用中国东北某风场５０台风机的实际数据进行建模分析。与传统的时间序列预测方法比较，本文提出的预测方法准确率最大提高２．５７％，合格率最大提高４．２３％，均方根误差最大下降３．２１％。在实际应用时，根据风场的检修、维护及调度的时间情况予以划分风机类别，可以获得更加满意的结果。该方法下聚类数量及阈值的选取对预测结果的影响是下一步研究的重点内容。参考文献［１］王健，严干贵，宋薇，等．风电功率预测技术综述【ＪＪ．东北电力大学学报，２０１１，３１（３）：２０．２４．Ｅ２］常康，丁茂生，薛峰，等．超短期风电功率预测及其在安全稳定预警系统中的应用ｆＪ１．电力系统保护与控—制，２０１２．４０（１２）：１９２４．—ＣＨＡＮＧＫａｎｇ，ＤＩＮＧＭａｏｓｈｅｎｇ，ＸＵＥＦｅｎｇ，ｅｔａ１．—Ｕｌｔｒａ・ｓｈｏｒｔ・－ｔｅｒｍｗｉｎｄｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎａｎｄｉｔｓ—ａｐｐｌｉｃａｔｉｏｎｉｎｅａｒｌｙｗａｒｎｉｎｇｓｙｓｔｅｍｏｆｐｏｗｅｒｓｙｓｔｅｍｓｓｅｃｕｒｉｔｙａｎｄｓｔａｂｉｌｉｔｙ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２Ｏ１２，４０（１２）：１９－２４．．６一电力系统保护与控制［３］方江晓，周晖，黄梅，等．基于统计聚类分析的短期风电功率预测［Ｊ］．电力系统保护与控制，２０１１，３９（１１）：—６８７３．ＦＡＮＧＪｉａｎｇ－ｘｉａｏ，ＺＨＯＵＨｕｉ，ＨＵＡＮＧＭｅｉ，ｅｔａ１．—Ｓｈｏｒｔｔｅｒｍｗｉｎｄｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｓｔａｔｉｓｔｉｃａｌｃｌｕｓｔｅｒｉｎｇａｎａｌｙｓｉｓ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄ—Ｃｏｎｔｒｏｌ，２０１１，３９（１１）：６８７３．『４］丁志勇，杨节，杨曦，等．基于连续时问段聚类的支持向量机风电功率预测方法『Ｊ１．电力系统自动化，—２０１２．３６（１４）：１３１１３５．—ＤＩＮＧＺｈｉｙｏｎｇ，ＹＡＮＧＰｉｎｇ，ＹＡＮＧＸｉ，ｅｔａ１．Ｗｉｎｄｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｓｅｑｕｅｎｔｉａｌｔｉｍｅｃｌｕｓｔｅｒｉｎｇｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ［Ｊ］．Ａｕｔｏｍａｔｉｏｎｏｆ—ＥｌｅｃｔｒｉｃＰｏｗｅｒＳｙｓｔｅｍｓ，２０１２，３６（１４）：１３１１３５．［１５］杨锡运，孙宝君，张新房，等．基于相似数据的支持…向量机短期风速预测仿真研究．中国电机．Ｉ＝程学报，—２０１２，３４（４）：３５４１．——ＹＡＮＧＸｉｙｕｎ，ＳＵＮＢａｏ－ｊｕｎ，ＺＨＡＮＧＸｉｎｆａｎｇ，ｅｔａ１．—Ｓｈｏｒｔｔｅｒｍｗｉｎｄｓｐｅｅｄｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄｏｎｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｗｉｔｈｓｉｍｉｌａｒｄａｔａ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ—ＣＳＥＥ，２０１２，３４（４）：３５４１．［６］刘吉臻，柳，曾德良，等．单一风电场的短期负荷—调度优化策略［Ｊ］．中国科学，２０１２，４２（４）：４３７４４２．——ＬＩＵＪｉｚｈｅｎ，ＬＩＵＹｕ，ＺＥＮＧＤｅｌｉａｎｇ，ｅｔａ１．Ｏｐｔｉｍａｌ—ｓｈｏｒｔｔｅｒｍｌｏａｄｄｉｓｐａｔｃｈｓｔｒａｔｅｇｙｉｎｗｉｎｄｆａｒｍ［Ｊ］．ＳｃｉｅｎｃｅＣｈｉｎａ，２０１２，４２（４）：４３７－４４２．［７］马超群，兰秋军，陈为民．金融数据挖掘［Ｍ】．北京：科学出版社，２００６．［８］崔和瑞，宋秀莉，葛曼倩．基于数据挖掘的ＦＮＮ短期电力负荷预测方法研究ｆＪ］．电力系统保护与控制，２００９，—３７（２２）：５４５７．——ＣＵＩＨｅ－ｒｕｉ，ＳＯＮＧＸｉｕｌｉ，ＧＥＭａｎｑｉａｎ．Ｒｅｓｅａｒｃｈｏｎ—ＦＮＮｓｈｏｒｔｔｅｒｍｅｌｅｃｔｒｉｃｌｏａｄｆｏｒｅｃａｓｔｉｎｇｂａｓｅｄｏｎｄａｔａｍｉｎｉｎｇｔｅｃｈｎｏｌｏｇｙ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄ—Ｃｏｎｔｒｏｌ，２００９，３７（２２）：５４５７．［９］倪志伟，倪丽萍，刘慧挺，等．动态数据挖掘［Ｍ】．北京：科学出版社，２００６．———ＮＩＺｈｉｗｅｉ，ＮＩＬｉｐｉｎｇ，ＬＩＵＨｕｉｔｉｎｇ，ｅｔａ１．Ｄｙｎａｍｉｃｄａｔａｍｉｎｉｎｇ［Ｍ］．ＢｅＯｉｎｇ：ＳｃｉｅｎｃｅＰｒｅｓｓ，２００６．［１０］高新波．模糊聚类分析及其应用【Ｍ］．西安：西安电子科技大学出版社，２００４．—ＧＡＯＸｉｎｂｏ．Ｆｕｚｚｙｃｌｕｓｔｅｒａｎａｌｙｓｉｓａｎｄｉｔｓ’ａｐｐｌｉｃａｔｉｏｎｓ［Ｍ］．Ｘｉａｎ：ＸｉｄｉａｎＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ，２００４．［１１］风电场功率预测预报管理暂行办法『ＥＢ／ＯＬ］．—ｈｔｔｐ：／／ｗｗｗ．ｃｎｋｉ．ｃｏｍ．ｃｒｄＡｒｔｉｃｌｅ／ＣＪＦＤＴｏｔａｌＴＹＮＺ２０１１１４００４．ｈｔｍ．—收稿日期：２０１２－０９１４作者简介：杨茂（１９８２一），男，博士，讲师，硕士生导师，主要—研究方向为风电功率预测；Ｅｍａｉｌ：ｙａｎｇｍａｏ８２０＠ｙａｈｏｏ．ｃｏｒｎ．ｃｎ熊昊（１９８９一），男，硕士研究生，主要研究方向为风电功率预测。