????????歡迎來(lái)到本博客????????

??博主優(yōu)勢(shì)：??????博客內(nèi)容盡量做到思維縝密，邏輯清晰，為了方便讀者。

??座右銘：行百里者，半于九十。

??????本文目錄如下：??????

目錄

??1 概述

??2 運(yùn)行結(jié)果

2.1 Python

2.2 Matlab

??3?參考文獻(xiàn)

??4 Matlab代碼、數(shù)據(jù)、文章講解

---

??1 概述

文獻(xiàn)來(lái)源：

摘要：對(duì)任意來(lái)流條件下的風(fēng)電場(chǎng)發(fā)電功率進(jìn)行準(zhǔn)確預(yù)測(cè),是提高電網(wǎng)對(duì)風(fēng)電接納能力的有效措施。針對(duì)大型風(fēng)電場(chǎng)的功率預(yù)測(cè)采用單點(diǎn)位風(fēng)速外推預(yù)測(cè)代表性差的局限,提出基于高斯混合模型(GMM)聚類(lèi)的風(fēng)電場(chǎng)短期功率預(yù)測(cè)方法。方法結(jié)合數(shù)據(jù)分布特征,利用GMM聚類(lèi)將大型風(fēng)電場(chǎng)劃分為若干機(jī)組群,借助貝葉斯信息準(zhǔn)則指標(biāo)評(píng)價(jià),獲得風(fēng)電場(chǎng)內(nèi)最優(yōu)機(jī)組分組方案。實(shí)際算例驗(yàn)證表明,按照小時(shí)級(jí)、月度級(jí)、年度級(jí)等時(shí)間尺度進(jìn)行統(tǒng)計(jì),所建立的GMM聚類(lèi)模型均極大地提高了未分組的風(fēng)電功率預(yù)測(cè)模型的準(zhǔn)確性。相較于應(yīng)用廣泛的k-means聚類(lèi)、層次凝聚聚類(lèi)等方法,GMM聚類(lèi)方法在分組功率預(yù)測(cè)中表現(xiàn)出了顯著優(yōu)勢(shì),為大型風(fēng)電場(chǎng)短期功率預(yù)測(cè)模型的優(yōu)化及運(yùn)行經(jīng)濟(jì)性的提升提供了技術(shù)支持與依據(jù)。

關(guān)鍵詞：

風(fēng)電機(jī)組;高斯混合模型聚類(lèi);合理性評(píng)價(jià);功率預(yù)測(cè);

?隨著風(fēng)力發(fā)電的大規(guī)模并網(wǎng)，風(fēng)能的間歇性和波動(dòng)性帶來(lái)的問(wèn)題凸顯，對(duì)風(fēng)電場(chǎng)發(fā)電功率進(jìn)行準(zhǔn)

確預(yù)測(cè)，將不確定的風(fēng)電轉(zhuǎn)變?yōu)榭烧{(diào)度的友好型電源，是提高風(fēng)力發(fā)電市場(chǎng)競(jìng)爭(zhēng)力的有效方式［

1-2］ 。面向日前電力平衡的風(fēng)電場(chǎng)短期功率預(yù)測(cè)方法主要有基于學(xué)習(xí)算法的統(tǒng)計(jì)方法［3-4］和基于求解大氣運(yùn)動(dòng)方程的物理方法［5-7］ 兩大類(lèi)。神經(jīng)網(wǎng)絡(luò)法、時(shí)間序列法、卡爾曼濾波法等統(tǒng)計(jì)方法能夠自發(fā)地適應(yīng)不同的風(fēng)電場(chǎng)特征，具有計(jì)算速度快、預(yù)測(cè)精度高的特點(diǎn)，在風(fēng)電功率預(yù)測(cè)領(lǐng)域得到了廣泛應(yīng)用［8］。但由于統(tǒng)計(jì)方法具有黑箱性，預(yù)測(cè)功率的準(zhǔn)確性提升仍是困擾研究及工程人員的重要難題，尤其對(duì)于復(fù)雜地形及大型風(fēng)電場(chǎng)。因氣候、地形及風(fēng)電機(jī)組排布等的綜合作用，風(fēng)電場(chǎng)內(nèi)不同機(jī)組表現(xiàn)出相異的出力特征，利用單一點(diǎn)位的風(fēng)速外推預(yù)測(cè)整場(chǎng)發(fā)電功率，將難以保證預(yù)測(cè)精度；若針對(duì)單臺(tái)機(jī)組分別建模，將極大地影響功率預(yù)測(cè)的時(shí)效性和經(jīng)濟(jì)性［9］，且會(huì)增加整場(chǎng)預(yù)測(cè)的不確定性。因此，將整場(chǎng)的風(fēng)電機(jī)組劃分為若干機(jī)組群，建立考慮風(fēng)電場(chǎng)內(nèi)機(jī)組分群的功率預(yù)測(cè)模型，對(duì)于提高風(fēng)電場(chǎng)短期功率預(yù)測(cè)的準(zhǔn)確性和經(jīng)濟(jì)性具有重要意義。在風(fēng)電功率預(yù)測(cè)及分析領(lǐng)域，分組聚類(lèi)方法已得到廣泛應(yīng)用。文獻(xiàn)［10］提出在神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法

中引入基于劃分的 k-means聚類(lèi)算法，對(duì)包含氣象和歷史功率信息的樣本進(jìn)行分類(lèi)，克服了神經(jīng)網(wǎng)絡(luò)的不穩(wěn)定性和過(guò)擬合風(fēng)險(xiǎn)；文獻(xiàn)［11］基于模型的自組織特征映射（SOM）聚類(lèi)算法與 K 折驗(yàn)證相結(jié)合，將訓(xùn)練樣本按照數(shù)據(jù)分布特征分類(lèi)，提高了功率預(yù)測(cè)模型中不同基學(xué)習(xí)器的預(yù)測(cè)能力；文獻(xiàn)［6，12］基于多種常用聚類(lèi)方法建立風(fēng)電機(jī)組分組模型，研究了不同分組方法在風(fēng)電功率預(yù)測(cè)統(tǒng)計(jì)及物理模型中的適應(yīng)性，顯著提高了未分組模型的功率預(yù)測(cè)準(zhǔn)確性。上述方法利用有限參數(shù)實(shí)現(xiàn)了風(fēng)電場(chǎng)內(nèi)機(jī)組分組，但仍難以全面反映不同機(jī)組的多峰、多模式特征。針對(duì)以上局限，結(jié)合風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)的分布特 征 ，提 出 了 基 于 非 參 數(shù) 化 的 高 斯 混 合 模 型（Gaussian mixture model，GMM）聚類(lèi)的風(fēng)電場(chǎng)短期功 率 預(yù) 測(cè) 方 法 。 利 用 貝 葉 斯 信 息 準(zhǔn) 則（Bayesian information criterion，BIC）判定最優(yōu)聚類(lèi)個(gè)數(shù)，依托基于徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)的功率預(yù)測(cè)方法，驗(yàn)證所提聚類(lèi)方法的有效性以及相較于其他聚類(lèi)方法的優(yōu)越性，為風(fēng)電場(chǎng)短期功率預(yù)測(cè)方法的優(yōu)化奠定了基礎(chǔ)。

基于風(fēng)電機(jī)組分組的功率預(yù)測(cè)流程圖：

??2 運(yùn)行結(jié)果

2.1 Python

2.2 Matlab

?

?

??3?參考文獻(xiàn)

部分理論來(lái)源于網(wǎng)絡(luò)，如有侵權(quán)請(qǐng)聯(lián)系刪除。

[1]王一妹,劉輝,宋鵬等.基于高斯混合模型聚類(lèi)的風(fēng)電場(chǎng)短期功率預(yù)測(cè)方法[J].電力系統(tǒng)自動(dòng)化,2021,45(07):37-43.文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-550219.html

??4 Matlab代碼、數(shù)據(jù)、文章講解

到了這里，關(guān)于基于高斯混合模型聚類(lèi)的風(fēng)電場(chǎng)短期功率預(yù)測(cè)方法（Python&matlab代碼實(shí)現(xiàn)）的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！