HUNANUNIVERSITY畢業(yè)論文論文題目基于模糊聚類分析法的智能電網(wǎng)風(fēng)電功率預(yù)測方法與研究學(xué)生姓名學(xué)生學(xué)號專業(yè)班級電氣工程及其自動化2011級4班學(xué)院名稱電氣與信息工程學(xué)院指導(dǎo)老師學(xué)院院長2015年6月6日頁第一章緒論1.1論文研究的目的和意義隨著世界能源危機的到來，新能源和可再生能源的研究、開發(fā)和利用受到了全世界的重視，而風(fēng)能是近來發(fā)展最快也是最成熟的可再生能源之一，風(fēng)力發(fā)電也是最有效利用風(fēng)能的途徑。然而自然風(fēng)是波動的、隨機的、不可控的，這也造成了風(fēng)力發(fā)電的困難，也就是風(fēng)電的波動性。風(fēng)電的波動性致使風(fēng)電功率也呈現(xiàn)出波動性和間歇性，這會大大影響電力系統(tǒng)的穩(wěn)定，大幅度的風(fēng)電功率波動會對電網(wǎng)的功率平衡和頻率調(diào)節(jié)帶來不利影響，風(fēng)力發(fā)電的供電不可靠性導(dǎo)致其與其他可控發(fā)電相比具有較差的競爭力,提前預(yù)測風(fēng)電場的風(fēng)電功率可切實提高供電的可靠性,有效提高風(fēng)電在電力市場中的競爭力。所以，對風(fēng)電功率進行精確的預(yù)測不僅能達到降低系統(tǒng)的備用容量和運行成本的目的，而且對于中國風(fēng)電發(fā)展的前景與風(fēng)電并網(wǎng)在市場競爭中的競爭力都有大大的提高，這對于電力系統(tǒng)是極其重要的。論文所研究的就是如何設(shè)計出一個提高風(fēng)電功率預(yù)測精度的模型，利用所提供的歷史數(shù)據(jù)對未來24小時的風(fēng)電功率進行預(yù)測，分析比較以得出模型的可靠性和實用性。主要體現(xiàn)在加強風(fēng)能資源規(guī)律性的研究方面,將風(fēng)能的不確定性通過數(shù)據(jù)處理變?yōu)榭深A(yù)測性；通過BP神經(jīng)網(wǎng)絡(luò)建立風(fēng)能和風(fēng)電場輸出功率預(yù)測系統(tǒng),實現(xiàn)風(fēng)電場輸出功率的短期預(yù)測工作。以達到提高預(yù)測精度,解決風(fēng)電運行維護和調(diào)度管理技術(shù)方面的問題,提高電網(wǎng)運行的安全性和可靠性。1.2國內(nèi)外風(fēng)電功率預(yù)測現(xiàn)狀國外在風(fēng)電功率預(yù)測的研究領(lǐng)域有著近20年的歷史，丹麥是進行風(fēng)電功率預(yù)測系統(tǒng)開發(fā)最早的國家之一，早在上世紀90年代，由丹麥國家實驗室首先開發(fā)的Prediktor程序（基于物理法）就大范圍的投入到實際運營當(dāng)中。隨后丹麥技術(shù)大學(xué)開發(fā)了WPPT（WindPowerPredictionTool）系統(tǒng)，此系統(tǒng)是基于自回歸統(tǒng)計法，它將功率描述成一非線性且隨時間變化的隨機過程，并于1994年開始運營于丹麥西部電力系統(tǒng)，現(xiàn)在Prediktor和WPPT已經(jīng)整合為Zephry系統(tǒng)；Zephry融合了Prediktor和WPPT的優(yōu)點，可進行超短期預(yù)測（0～4小時）和日前預(yù)測（未來36～48小時），時間分辨率為15分鐘。Zephry系統(tǒng)中使用了在線實測數(shù)據(jù)和先進統(tǒng)計方法，使得它能夠給出很好的短期預(yù)測。另外，Zephry系統(tǒng)中還加入了HIRLAM等氣象模型，使得系統(tǒng)的長期預(yù)測精度有了較大提高。德國和美國也各自研究出新的風(fēng)電功率預(yù)測系統(tǒng)，德國奧爾登堡大學(xué)開發(fā)了Previento系統(tǒng)，可以對--個較大K域未來48小時內(nèi)的功率進行預(yù)測；德國太陽能研究所開發(fā)了風(fēng)電功率管理系統(tǒng)（WPMS），該系統(tǒng)根據(jù)德國氣象局提供的數(shù)值天氣預(yù)報,基于人工神經(jīng)網(wǎng)絡(luò)來對未來72小時以內(nèi)的風(fēng)電功率進行預(yù)測；美國AWSTruewind公司開發(fā)了eWind風(fēng)功率預(yù)測系統(tǒng)，它合理的運用了高分辨率的中尺度模型與統(tǒng)計學(xué)模型，主要包括一組高精度的三維大氣物理數(shù)學(xué)模型、適應(yīng)性統(tǒng)計模型、風(fēng)電場輸出模型和預(yù)測分發(fā)系統(tǒng)四個部分，并且使用ForeWind數(shù)值天氣預(yù)報數(shù)據(jù)作為中尺度模型。該系統(tǒng)為了得到高分辨率的數(shù)值天氣預(yù)報數(shù)據(jù)，使用了多個模型進行初始化，然后利用統(tǒng)計方法預(yù)測測風(fēng)塔處的氣象數(shù)據(jù)，最后使用“統(tǒng)計風(fēng)電場輸出模型”得到風(fēng)電功率。該系統(tǒng)主要以優(yōu)化風(fēng)電場的儲能系統(tǒng)和備用容量需求為目的的,用于陸地和海上風(fēng)電功率預(yù)測的系統(tǒng)；法國、英國、愛爾蘭等國家也都開發(fā)出了極具代表性的風(fēng)電功率預(yù)測系統(tǒng)。其中較為成熟的產(chǎn)品有法國EcoledesMinesdeParis公司開發(fā)的AWPPS系統(tǒng)、英國GarrardHassan公司開發(fā)的GHForecaster系統(tǒng)以及愛爾蘭國立科克大學(xué)與丹麥氣象研究所聯(lián)合開發(fā)的HIRPOM系統(tǒng)等。目前我國在風(fēng)電功率預(yù)測領(lǐng)域仍處在探索階段，由于缺乏大量長期有效的歷史數(shù)據(jù)，以及精確地數(shù)值氣象預(yù)報模型，我國主要在風(fēng)電功率預(yù)測算法上進行了大量研究，例如基于支持向量機、神經(jīng)網(wǎng)絡(luò)、時間序列等方法的短期風(fēng)速及功率預(yù)測。近年來我國風(fēng)電功率預(yù)測方向的研究與投入也取得了相應(yīng)的成果，通過國家電網(wǎng)公司國家電力調(diào)度通信中心的大力支持與組織，中國電力科學(xué)院投入到了風(fēng)電功率預(yù)測系統(tǒng)的開發(fā)與研究，目前已經(jīng)設(shè)計研究出了人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測模型和基于線性分析化和計算流體力學(xué)的物理模型等兩大系統(tǒng)模型，也同時進行著開展多種統(tǒng)計方法的聯(lián)合應(yīng)用研究與物理方法的混合預(yù)測模型的研究。目前已在全國大部分地區(qū)實施運行，取得了不錯的成果。1.3論文研究的方法本論文旨在對智能電網(wǎng)的風(fēng)電功率進行合理的預(yù)測，已達到所需的精度。所需要進行的步驟有：（1）研究并分析風(fēng)力發(fā)電系統(tǒng)功率輸出特性；（2）學(xué)習(xí)模糊聚類分析方法，掌握數(shù)據(jù)優(yōu)化預(yù)處理方法，從而提高模型預(yù)測精度；（3）學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法，選取一種或組合多種神經(jīng)網(wǎng)絡(luò)模型，對風(fēng)力發(fā)電系統(tǒng)功率進行預(yù)測；（4）將預(yù)測數(shù)據(jù)與實際功率值進行對比和誤差分析，整合并提出提高預(yù)測精度的理論方法。1.4論文的主要工作本文針對智能電網(wǎng)的風(fēng)電功率預(yù)測進行了分析和研究。運用單一的BP神經(jīng)網(wǎng)絡(luò)和徑向基網(wǎng)絡(luò)對某個風(fēng)電場未來24小時的風(fēng)電功率進行了預(yù)測。為了提高預(yù)測結(jié)果的精度，引入了模糊聚類分析算法對所提供的歷史數(shù)據(jù)進行了優(yōu)化和預(yù)處理，并采用優(yōu)化后的網(wǎng)絡(luò)對風(fēng)電功率進行預(yù)測。論文主要研究工作如下：（1）利用matlab編寫風(fēng)力發(fā)電系統(tǒng)功率預(yù)測程序；（2）利用matlab編寫模糊聚類數(shù)據(jù)優(yōu)化預(yù)處理程序；（3）繪制出風(fēng)力發(fā)電系統(tǒng)功率預(yù)測及實際圖形；（4）分析得出此模型的合理性以及可改進的地方；第二章基于單一神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測2.1人工神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)（NeuralNetworks,NN)也叫做人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks,ANN），或神經(jīng)計算（NeuralComputing,NC），是對人腦或生物神經(jīng)網(wǎng)絡(luò)的抽象和建模，具有從環(huán)境中學(xué)習(xí)的能力，以類似生物的交互方式適應(yīng)環(huán)境，即實現(xiàn)與大腦相似的學(xué)習(xí)、識別、記憶等信息處理的能力。近年來人工神經(jīng)網(wǎng)絡(luò)引起了人們極大的關(guān)注，主要是因為人工神經(jīng)網(wǎng)絡(luò)有以下突出的優(yōu)點：(1)人工神經(jīng)網(wǎng)絡(luò)可以將任意復(fù)雜的非線性關(guān)系進行充分的逼近；(2)人工神經(jīng)網(wǎng)絡(luò)可以將全部定性或者定量的信息儲存在網(wǎng)絡(luò)中的各個神經(jīng)元內(nèi)，使之等勢分布，大大提高了系統(tǒng)的容錯性；(3)人工神經(jīng)網(wǎng)絡(luò)通過并行分布的處理方法，可以使運算速度達到很快；(4)人工神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)和自適應(yīng)各種不知道以及不能確定的系統(tǒng)；(5)人工神經(jīng)網(wǎng)絡(luò)在處理各種知識時可以做到定性和定量的處理；主要的優(yōu)越性和特點表現(xiàn)在三個方面：第一，具有學(xué)習(xí)功能。比如實現(xiàn)圖像識別時，只需要先把不同的圖像樣板和對應(yīng)的識別結(jié)果輸入人工神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)就會通過自學(xué)習(xí)功能，漸漸學(xué)會識別出相似的圖像。自學(xué)習(xí)功能對于預(yù)測有特別重要的意義。預(yù)期未來的人工神經(jīng)網(wǎng)絡(luò)計算機將為人類提供經(jīng)濟預(yù)測、市場預(yù)測、效益預(yù)測，其應(yīng)用前途是很遠大的。第二，具有聯(lián)想存儲功能。用人工神經(jīng)網(wǎng)絡(luò)的反饋網(wǎng)絡(luò)就可以實現(xiàn)這種聯(lián)想。第三，具有高速尋找優(yōu)化解的能力。如果想要尋找出某一問題的最優(yōu)解，這通常會需要極大的計算量，但是通過建立針對這一問題所設(shè)計出來的反饋人工神經(jīng)網(wǎng)絡(luò)，可以充分發(fā)揮出計算機的運算能力，在計算機的高速運算下，可以很快找到其最優(yōu)解。人工神經(jīng)網(wǎng)絡(luò)的模型的主要構(gòu)成有連接網(wǎng)絡(luò)的拓撲結(jié)構(gòu)、神經(jīng)元特性、學(xué)習(xí)的方法與規(guī)律等。目前已經(jīng)開發(fā)出了各式各樣的人工神經(jīng)網(wǎng)絡(luò)模型，其中包括有感知器、反傳網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)、自組織映射、波耳茲曼機、適應(yīng)諧振理論等。根據(jù)人工神經(jīng)網(wǎng)絡(luò)所連接的拓撲構(gòu)成，神經(jīng)網(wǎng)絡(luò)模型有前向網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)兩大種類，在前向網(wǎng)絡(luò)中，各個神經(jīng)元接受上級的輸入然后輸出到下級，網(wǎng)絡(luò)中無反饋，一個有向的無環(huán)路圖可以將之表示出來，這種網(wǎng)絡(luò)將信號從輸入的空間轉(zhuǎn)變到輸出的空間，然后通過一些簡單非線性的函數(shù)計算方式運算來實現(xiàn)其信息處理能力。這種網(wǎng)絡(luò)拓撲結(jié)構(gòu)簡單，很容易實現(xiàn)。反傳網(wǎng)絡(luò)便是一種典型的前向網(wǎng)絡(luò)。而在反饋網(wǎng)絡(luò)中，網(wǎng)絡(luò)中的神經(jīng)元間有各種信息的反饋，可以用一個無向的完備圖表示。這種神經(jīng)網(wǎng)絡(luò)的信息處理主要是狀態(tài)的變換，可以通過動力學(xué)系統(tǒng)理論進行處理。其聯(lián)想記憶功能決定了系統(tǒng)的穩(wěn)定性。Hopfield網(wǎng)絡(luò)、波耳茲曼機均屬于反饋網(wǎng)絡(luò)。2.2BP神經(jīng)網(wǎng)絡(luò)輸入層隱藏層輸出層圖2.1神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)其本質(zhì)是誤差反向傳播算法的學(xué)習(xí)和模擬過程，包括信息正向傳播和誤差反向傳播兩個部分。輸入層中的各個神經(jīng)元通過接收外界所輸入的信息，傳遞到中間層各個神經(jīng)元以實現(xiàn)其信息的接受；中間層則是內(nèi)部信息的處理層，主要負責(zé)信息的轉(zhuǎn)換，由于信息變化的能力不同，中間層可以設(shè)計為單隱層結(jié)構(gòu)或多隱層結(jié)構(gòu)；由最后的隱層傳遞到輸出層各個神經(jīng)元的反饋信息，經(jīng)近一步處理后，完成學(xué)習(xí)的正向傳遞處理的過程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，其實就是實現(xiàn)對各層權(quán)值進行不斷的調(diào)整，同時也是神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程，這樣不斷調(diào)整所需要達到網(wǎng)絡(luò)輸出的誤差減少到允許范圍內(nèi)。BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的計算步驟:(1)初始化:在這一過程中,將所有的加權(quán)系數(shù)調(diào)整為最小隨機數(shù);(2)將輸入向量,,...,以及所希望得到的輸出向量,,...,看作是提供給神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集;(3)計算出隱含層和輸出層中各個神經(jīng)元實際的輸出；(4)通過（3）計算出所希望達到的輸出與實際的輸出之間存在的誤差;(5)通過以上幾個步驟后將輸出層加權(quán)的系數(shù),和隱含層加權(quán)的系數(shù)調(diào)整到合理值;(6)如果不滿足所需誤差要求則返回（3）繼續(xù)。2.3基于單一神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測本算例采用我國某風(fēng)電場某年一個月所采集到的歷史風(fēng)電功率數(shù)據(jù)（一天中每隔15分鐘采集一個數(shù)據(jù)）作為樣本數(shù)據(jù)，將該月（總共28天）前27天的歷史風(fēng)電功率數(shù)據(jù)用于建模訓(xùn)練，第28天的96個數(shù)據(jù)作為測試數(shù)據(jù)，具體數(shù)據(jù)見附錄A。首先我們需要創(chuàng)建一個新的前向神經(jīng)網(wǎng)絡(luò)（即BP神經(jīng)網(wǎng)絡(luò)）模型，其函數(shù)格式為net=newff(PR,[S1S2...SNl],{TF1TF2...TFNl},BTF,BLF,PF)其中PR指對于R維輸入，PR是一個Rx2的矩陣，每一行是相應(yīng)輸入的邊界值；此程序中將給出的歷史數(shù)據(jù)生成一個R（28，96）的矩陣。Si是指第i層的維數(shù)；此程序中根據(jù)相關(guān)算法得出Si為10。TFi是指第i層的傳遞函數(shù)；此程序中選用tansig雙極性S函數(shù)（即雙曲正切函數(shù)）和purelin線性函數(shù)。BTF是反向傳播的訓(xùn)練函數(shù)；此程序中選用trainlm函數(shù)（即L-M優(yōu)化函數(shù)）。BLF是反向傳播網(wǎng)絡(luò)的權(quán)值和閾值學(xué)習(xí)函數(shù)；PF是性能函數(shù)；可用于計算出MSE均方誤差。故由上可以建立一個前向神經(jīng)網(wǎng)絡(luò)模型，函數(shù)格式為：net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'trainlm')設(shè)置輸入層權(quán)值和閾值：inputWeights=net_1.IW{1,1}inputbias=net_1.b{1}設(shè)置當(dāng)前層權(quán)值和閾值：layerWeights=net_1.LW{2,1}layerbias=net_1.b{2}設(shè)置訓(xùn)練參數(shù)：net_1.trainParam.show=50;顯示時間的間隔次數(shù)為50net_1.trainParam.lr=0.05;學(xué)習(xí)率為0.05net_1.trainParam.mc=0.9;動量因子為0.9net_1.trainParam.epochs=10000;訓(xùn)練次數(shù)設(shè)置為1000次net_1.trainParam.goal=0.001;誤差性能目標值為0.001調(diào)用trainlm算法訓(xùn)練BP網(wǎng)絡(luò)：[net_1,tr]=train(net_1,P,T)對BP網(wǎng)絡(luò)進行仿真：B=sim(net_1,P)故此BP神經(jīng)網(wǎng)絡(luò)模型建立完成，具體程序可見附錄B。在本例中我們將歷史數(shù)據(jù)中的前26天作為訓(xùn)練樣本，將第27天的歷史數(shù)據(jù)作為目標函數(shù)來對模型進行訓(xùn)練，訓(xùn)練后的模型會產(chǎn)生相應(yīng)的函數(shù)關(guān)系，在將歷史數(shù)據(jù)中的第28天的數(shù)據(jù)帶入到測試程序中，將會產(chǎn)生預(yù)測的第28天的風(fēng)電功率值，在由實際值與預(yù)測值之間進行比較來分析模型的可用性。圖2.2為神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后的仿真圖圖2.2紅色曲線為仿真值，藍色曲線為歷史數(shù)據(jù)中的第27天的實際值，可見仿真曲線的大致走勢基本符合對實際值的預(yù)測。但是部分數(shù)據(jù)的偏差依然很大，說明單一的BP神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練之后的仿真過程中就呈現(xiàn)出精度不高的現(xiàn)象。隨后，我們在將第2天到第27天的歷史數(shù)據(jù)帶入此模型中，對第28天的風(fēng)電功率進行預(yù)測，此時這樣做能夠更加清晰的比較出通過此模型預(yù)測的第28天的功率值和實際中第28天的實際值之間的差別，如圖2.3：圖2.3由圖可知通過此模型所預(yù)測的第28天的風(fēng)電功率預(yù)測值與歷史數(shù)據(jù)中第28天的風(fēng)電功率值差別極大，部分曲線甚至只有實際值曲線的一半。產(chǎn)生這樣結(jié)果的原因主要有兩個方面，第一是因為單一BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度并不高，從圖1仿真圖便能看出，由于單一BP神經(jīng)網(wǎng)絡(luò)是未經(jīng)優(yōu)化的單一的、較為基本的神經(jīng)網(wǎng)絡(luò)，在風(fēng)電功率預(yù)測方面所得的結(jié)果依然不太精確，不符合風(fēng)電功率預(yù)測的要求；第二是因為數(shù)據(jù)本身的躍動性過高，可從附錄1中明顯看出在一個月的歷史數(shù)據(jù)中會有某幾天的數(shù)據(jù)變化極大，甚至出現(xiàn)負值，從數(shù)據(jù)預(yù)處理的角度上看，這些數(shù)據(jù)是需要單獨分類進行擬合的，正如圖2中第28天的數(shù)據(jù)與之前27天的歷史數(shù)據(jù)變化偏差極大，所以即便模型建立的成功與否，在進行第28天的風(fēng)電功率預(yù)測時也會出現(xiàn)誤差極大的現(xiàn)象。如圖2.4為誤差百分比的曲線圖：圖2.4由圖2.4可以看出來，預(yù)測數(shù)據(jù)的百分比誤差在第30到70個預(yù)測點的數(shù)據(jù)誤差是非常大的，而其余預(yù)測點的誤差百分比基本符合要求，這也能說明在某些天數(shù)的數(shù)據(jù)與整體數(shù)據(jù)的偏差是非常大的，所以對于數(shù)據(jù)的預(yù)處理是非常有必要的。2.4本章小結(jié)本章主要介紹了人工神經(jīng)網(wǎng)絡(luò)中的BP神經(jīng)網(wǎng)絡(luò)的基本概念、建模流程、原理圖和所在風(fēng)電功率預(yù)測中的應(yīng)用。將我過某風(fēng)電場的歷史數(shù)據(jù)帶入建立好的BP神經(jīng)網(wǎng)絡(luò)模型中，通過預(yù)測值與實際值比較可知，單一的BP神經(jīng)網(wǎng)絡(luò)模型在風(fēng)電功率預(yù)測結(jié)果上是不滿足精度要求的，想要提高預(yù)測精度，應(yīng)在數(shù)據(jù)處理和模型優(yōu)化方面進行改進。第三章基于模糊聚類分析法處理后的神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測通過前面基于BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測方法所得到的預(yù)測結(jié)果可知,該模型是將所提供的歷史數(shù)據(jù)分成兩部分，分別為訓(xùn)練數(shù)據(jù)和預(yù)測數(shù)據(jù)，并沒有對歷史數(shù)據(jù)做任何處理就全部輸入到模型網(wǎng)絡(luò)當(dāng)中。這樣會使得所得到的訓(xùn)練效果有時很好，有時候卻差強人意，因為未處理過的數(shù)據(jù)不但繁多，而且其樣本數(shù)據(jù)之間客觀存在的相似性也更容易被忽略。為了優(yōu)化該模型可以實施新的組合式的預(yù)測方法,即是先通過模糊聚類分析發(fā)對歷史數(shù)據(jù)進行優(yōu)化處理與刪減,再把預(yù)處理后的數(shù)據(jù)輸入到BP神經(jīng)網(wǎng)絡(luò)中對風(fēng)電功率進行預(yù)測。這樣不但優(yōu)化了數(shù)據(jù),也優(yōu)化了網(wǎng)絡(luò),結(jié)合兩者的優(yōu)勢,以期望能夠獲得更為精確地風(fēng)電功率預(yù)測的方法。3.1模糊聚類分析法模糊聚類分析是根據(jù)客觀事物間的特征、親疏程度、相似性，通過建立模糊相似關(guān)系對客觀事物進行聚類的分析方法。聚類分析是數(shù)理統(tǒng)計中的一種多元分析方法，它通過用相應(yīng)的數(shù)學(xué)方法定量地確定樣本之間的相似與不相似關(guān)系，能夠客觀地劃出分樣本之間的類型。事物之間所存在的界限有確切的，也有模糊的。例如人與人的相貌相似程度的界限是模糊的，氣候好與不好的界限也是模糊的。如果聚類樣本涉及到事物之間的模糊界限時，則需運用模糊聚類分析方法來解決問題。模糊聚類分析方法被廣泛的應(yīng)用在天氣預(yù)報、農(nóng)業(yè)、林業(yè)、地質(zhì)等方面。將聚類的事物稱之為樣本，將聚類中選取的一組事物稱之為樣本集。模糊聚類分析一般是通過研究對象本身所具有的屬性來構(gòu)造出相應(yīng)的模糊矩陣，并在此基礎(chǔ)上根據(jù)一定的隸屬度來確定它們的聚類關(guān)系，總的來說就是運用模糊數(shù)學(xué)定量的確定出樣本之間的關(guān)系，準確而客觀地確定聚類關(guān)系。聚類就是將數(shù)據(jù)集分成多個類或簇，使得各個類之間的數(shù)據(jù)差別應(yīng)盡可能大，類內(nèi)之間的數(shù)據(jù)差別應(yīng)盡可能小，即為“最小化類間相似性，最大化類內(nèi)相似性”原則。傳統(tǒng)的聚類分析就是將物理或抽象對象的集合分組為由類似的對象組成的多個類的過程,而聚類所劃分的類是未知的,將待劃分的數(shù)據(jù)劃分到不同的類或者簇中,被劃分到同一個類或族中的對象呈現(xiàn)相似性,不同類或簇中的對象呈現(xiàn)相異性。本文中將采用模糊聚類分析對給出的30天的風(fēng)電功率進行預(yù)處理，將呈現(xiàn)相似性的數(shù)據(jù)歸為一類，呈現(xiàn)相異性的數(shù)據(jù)歸為另一類，這樣不僅可以簡化繁雜的數(shù)據(jù)，也能更加清晰的分析出數(shù)據(jù)之間的關(guān)系，進而可以使風(fēng)BP神經(jīng)網(wǎng)絡(luò)模型中的訓(xùn)練部分效果更加，以此訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)在進行風(fēng)電功率預(yù)測更能貼近原有數(shù)據(jù)間的函數(shù)關(guān)系。3.2模糊聚類分析步驟模糊聚類分析的基本過程可以分為三個部分：（1）通過計算出樣本或者變量之間的相似系數(shù)，從而建立得到模糊相似矩陣；（2）利用模糊運算將相似矩陣進行合成改造從而生成模糊等價矩陣；（3）根據(jù)產(chǎn)生的不同的置信水平對模糊等價矩陣進行分類，從而得到合理的分類數(shù)據(jù)。模糊聚類分析的原理就是運用模糊等價關(guān)系進行分類的一種分析方法。將代分事物的全體作為論域，設(shè)論域為被分對象，每個對象又有m個指標表示其性狀，即,于是得到原始數(shù)據(jù)矩陣為其中表示第n個分類對象的第m個指標的原始數(shù)據(jù)。模糊聚類分析的實質(zhì)就是按照某種標準鑒別事物之間的接近程度，把彼此接近的事物歸為一類。具體的步驟如下：第一步：選取合適的分類指標這些指標要和聚類分析的目標密切相關(guān)，要反映分類對象的特征,在不同研究對象上的值具有明顯差異,指標之間不應(yīng)高度密切相關(guān)。第二步：數(shù)據(jù)的標準化在實際的數(shù)據(jù)標準化問題中，不同的數(shù)據(jù)有著不一樣的量綱，對數(shù)據(jù)做一些適當(dāng)?shù)淖儞Q也能夠使不同的量綱進行比較。然后這樣得到的數(shù)據(jù)也不一定在區(qū)間(0，1)上。所以這里所說的數(shù)據(jù)標準化，實際上是根據(jù)模糊矩陣所提出的要求，將數(shù)據(jù)歸類到區(qū)間（0，1）上。通常采用標準差標準化：（i=1,2,...,n;k=1,2,...,m）其中,經(jīng)過變換后，每個變量的均值為0，標準差為1，且消除了量綱的影響。第三步：建立模糊相似矩陣用表示分類對象與的相似程度，其中=R（,）,確定的具體方法有多種（相似系數(shù)法和距離法），相似系數(shù)法包括夾角余弦法、最大最小法、算術(shù)最小平均法、幾何平均最小法、數(shù)量積法、相關(guān)系數(shù)法、指數(shù)相似系數(shù)法；距離法包括直接距離法（海明距離、歐幾里德距離、切比雪夫距離）和倒數(shù)距離法等。其中直接距離法為常用的方法之一：c為適當(dāng)選取的參數(shù)，使得，表示它們之間的距離。通常為歐幾里德距離：第四步：建立模糊等價矩陣模糊相似矩陣通常滿足只自反和對稱的特性而不滿足傳遞的特性，所以需要應(yīng)用平方自合成法求得模糊相似矩陣R的傳遞閉包矩陣t（R），t（R）就是通過模糊相似矩陣合成改造而來的模糊等價矩陣。計算,直到實現(xiàn)時，t（R）=。其中：,，運算符“”即是矩陣的平方自合成運算符。第五步：對原始論域進行分類利用傳遞閉包t（R）的截矩陣對U進行分類，在0到1之間取值，具體取值可有專家預(yù)測或根據(jù)經(jīng)驗和實際情況取。如果傳遞閉包中的元素大于等于，則取其值為1，反之為0，此時所得矩陣為布爾矩陣。利用布爾矩陣直接對U進行分類。如果，則歸為一類；，則不歸為一類。顯然是否歸為一類受到取值的影響。3.3基于模糊聚類分析法處理后的神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測前面詳細闡述了僅基于BP神經(jīng)網(wǎng)絡(luò)模型的風(fēng)電功率預(yù)測以及關(guān)于模糊聚類分析法的原理和步驟，如何實現(xiàn)對歷史數(shù)據(jù)的模糊聚類處理為本節(jié)的重點，我們可以采用matlab編程實現(xiàn)，也可以使用matlab中的模糊聚類工具包來實現(xiàn)模糊聚類分析，以便將預(yù)處理后的數(shù)據(jù)再次輸入BP神經(jīng)網(wǎng)絡(luò)模型當(dāng)中來對未來風(fēng)電功率進行預(yù)測，并作出誤差分析，將得到的結(jié)果與基于單一BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測進行比較，試得出優(yōu)化后的模型在精度上是否有所提高。3.3.1風(fēng)電功率數(shù)據(jù)挖掘數(shù)據(jù)挖掘是從隨機的、大量的歷史實際應(yīng)用數(shù)據(jù)中，提取隱含在其中的、人們所不知的、但是又是潛在有用的信息和知識的過程。它主要應(yīng)用于分類、聚類、關(guān)聯(lián)和預(yù)測等方向的領(lǐng)域。針對風(fēng)電功率數(shù)據(jù)有大量、連續(xù)、隨機等特點，本文以數(shù)據(jù)挖掘作為模糊聚類的數(shù)據(jù)預(yù)處理方法，對功率時間序列依次進行分割、相似度判定。由于風(fēng)電機組的出力受到風(fēng)電場地形地貌，尾流效應(yīng)，和自然因素的約束，各個機組間即使在一個場內(nèi)，出力的大小也不會相同，但是按照順序排列的在一個風(fēng)向帶上的機組出力雖然大小不同，卻有著相同趨勢?；陲L(fēng)電機組的上述特性，本課題欲將風(fēng)電場中出力曲線相似的風(fēng)機進行聚類分析，通常通過度量兩個序列的歐式距離來分析其相似性。如果兩個等長的時間序列和，那它兩的歐式距離定義為。但是，即便找出了形態(tài)相同的機組群，也可能因為其歐氏距離過大而不滿足聚類條件。我們可以借助數(shù)據(jù)挖掘中時間序列的相似性度量方法解決上述問題。其基本思想是采用寬度為n的窗口，滑動地將要分析的序列進行分段，將原始序列分成m段，此時原始序列，用式（1）進行偏移的變化和幅度的縮放。（1）其中為子序列中的第j個值；、則是子序列中的最大值和最小值；則是子序列中第j個元素變化后的值。通過變換得到序列X，X中的值都歸一化到了[-1,1]之間，消除了由于幅值和上下偏移給相似性判斷帶來的影響。變換后的兩個序列和，如果，即變換后兩個曲線的任意子序列，其直接距離在一定的閾值范圍內(nèi)，則稱兩子序列相似，如果兩個序列相似的子序列個數(shù)達到了設(shè)定值，則稱兩個序列相似。將k臺機組的功率序列，兩兩進行相似性的判斷，達到相似條件設(shè)定聯(lián)系度為1，未達到相似條件的聯(lián)系度為0，于是得到了一個k×k的相似判定矩陣。3.3.2模糊算法的實現(xiàn)“聚類”就是按照一定的要求和規(guī)律對事物進行區(qū)分和分類的過程，把一個沒有類別標記的樣本集按某種準則劃分成若干個子集(類)，按照某種評價方式，相似程度高的樣本盡可能歸為一類，而不相似的樣本盡量劃分到不同的類中，用[0,1]來表示樣本間的相似程度。通過相似判定矩陣的求取，我們得到了歸一化的模糊聚類輸入數(shù)據(jù)集，通過設(shè)定合適的聚類類別數(shù)可以得到各個樣本到類內(nèi)中心的聚類，通過設(shè)定合適的隸屬度閾值，便得到所需要的分類結(jié)果。給定數(shù)據(jù)集是模式空間中的一組觀樣本，每一個對象有m個特性指標(反映對象特征的主要指標)，即可由如下m維特性指標向量來表示：。對于給定的樣本集X，聚類計算就是要對X做出劃分，得到X的c個子集。然后用隸屬函數(shù)：表示出樣本與子集的隸屬關(guān)系，而用U來表示c個子集的特征函數(shù)矩陣，其中矩陣U中的第i行為第i個子集的特征函數(shù)，而第k列為樣本相對于第c個子集的隸屬函數(shù)。本文中運用matlab程序?qū)崿F(xiàn)模糊聚類算法，具體程序可見附錄C。（1）標定（建立模糊相似矩陣）風(fēng)電機組在各個預(yù)測點的預(yù)測功率值，第t時刻第i天風(fēng)電功率值記為。相似矩陣R的構(gòu)建方法：NTV法.設(shè)時間序列表示風(fēng)電機組在時間t的風(fēng)電功率值，其中i=1，2…28；t=1，2…96。（其中i,j,k=1,2…28,m=96）（2）聚類計算R的傳遞閉包：對模糊相似矩陣R,依次用平方法計算,,,…,,…,當(dāng)?shù)谝淮纬霈F(xiàn)時，則稱為傳遞閉包。開始聚類：1）令T={1,2,3…28}，取,令X、Q為空集；2）令；3）若且，則令，；4）；5）若，返回（1）；6）若Q為空集，怎輸出聚類x,；7）,,返回2）。設(shè)置不同的置信水平值，就可以得到不同的分類。所得分類結(jié)果為：置信水平分類結(jié)果11；2；3；4；5；6；7；8；9；10；11；12；13；14；15；16；17；18；19；20；21；22；23；24；25；26；27；28；0.951；2；3；4；5；6；7；8；9；10；11；12；13；14；15；16；17；18；19；20；21；22；23；24；25；26；27；28；0.91；2；3；4；5；6；7；8；9；10；11；12；13；14；15；16；17；18；19；20；21；22；23；24；25；26；27；28；0.851；2；3；4；5；6；7；8；9；10；11；12；13；14；15；16；17；18；19；20；21；22；23；24；25；26；27；28；0.81；2；3；4；5；6；7；8；9；10；11；12；13；14；15；16；17；18；19；20；21；22；23；24；25；26；27；28；0.751；2；3；（4、9）；5；6；7；8；10；11；12；13；14；15；16；17；18；19；20；21；22；23；24；25；26；27；28；0.71；2；3；（4、9）；5；6；7；8；10；11；12；13；14；15；16；17；18；19；20；21；22；23；24；25；26；27；28；0.6551；2；3；（4、9）；5；6；7；8；10；11；12；13；14；15；16；17；18；19；20；21；22；23；24；25；26；27；28；0.651；2；3；（4、9）；5；6；7；8；10；11；12；13；14；15；16；17；18；19；20；21；22；23；24；25；26；27；28；0.61；2；3；（4、9、21、28）；5；6；7；8；10；11；12；13；14；15；16；17；18；（19、27）；20；22；23；24；25；26；27；28；0.551；2；3；（4、5、9、21、28）；（6、15）；7；8；10；11；（12、23）；13；14；16；17；18；（19、27）；20；22；24；25；26；0.51；2；3；（4、5、6、8、9、12、13、15、16、20、21、23、28）；7；10；11；14；17；18；（19、27）；22；24；25；26；0.451；（2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、20、21、22、23、25、26、28）；17；18；（19、27）；24；0.41；（2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、19、20、21、22、23、24、25、26、27、28）；18；0.3（1、2、3、4、5、6、7、8、9、10、11、12、13、14、15、16、17、19、20、21、22、23、24、25、26、27、28）；18；由不同的置信水平所得出的不同分類可從上圖反應(yīng)出來。模糊聚類需要先設(shè)定分類數(shù)c，設(shè)定的分類數(shù)過小的話，容易將一些距離類中心較遠的樣本也歸為類中，造成人為誤差。而設(shè)定的分類數(shù)過大，則易破壞樣本本身的最佳分類，使得樣本在各類的隸屬度相似，造成無法分類的現(xiàn)象。本文通過對歷史樣本的聚類分析，選取分類數(shù)為6。以相似判定矩陣為輸入數(shù)據(jù)進行模糊聚類，得到出力相似的機組聚類。即本算例選取置信水平為0.45，將數(shù)據(jù)分為6類，把其中數(shù)據(jù)較為集中的一類進行運用，摒棄了與主要數(shù)據(jù)相差過大的一些無關(guān)數(shù)據(jù)。3.3.3數(shù)據(jù)處理后的BP神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測經(jīng)過上述模糊聚類數(shù)據(jù)處理后，將處理過后的數(shù)據(jù)重新輸入到BP神經(jīng)網(wǎng)絡(luò)模型當(dāng)中，歷史數(shù)據(jù)的選取依然來自附錄A。圖3.1為經(jīng)過模糊聚類法將數(shù)據(jù)處理后的對第28天的風(fēng)電功率值的預(yù)測與實際第28天的風(fēng)電功率值的曲線圖。由圖4可以看出，經(jīng)過預(yù)處理后的數(shù)據(jù)帶入BP神經(jīng)網(wǎng)絡(luò)模型的風(fēng)電功率預(yù)測比單一BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測圖像要準確許多，這是因為對歷史數(shù)據(jù)進行模糊聚類處理后，將其中影響到神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試的偏差較大的數(shù)據(jù)過濾掉，剩下的數(shù)據(jù)充分的體現(xiàn)出風(fēng)電功率特性的走向，這決定了預(yù)測模型的精確與否，誠然此模型僅僅是較好于沒經(jīng)過數(shù)據(jù)處理的BP神經(jīng)網(wǎng)絡(luò)模型，想要使模型精度更高，需要做更多的改進。目前對神經(jīng)網(wǎng)絡(luò)模型在功率預(yù)測方面的優(yōu)化和改進主要體現(xiàn)圖3.1在對數(shù)據(jù)的處理和模型內(nèi)部結(jié)構(gòu)的優(yōu)化等方面，數(shù)據(jù)處理方面除了模糊聚類分析法外，還有粒子群優(yōu)化算法、遺傳算法等，在此不做介紹。3.4本章小結(jié)本章主要介紹了模糊聚類分析法的原理和應(yīng)用步驟，在前面的基礎(chǔ)上，對歷史數(shù)據(jù)引入模糊聚類技術(shù)將其進行預(yù)處理，在將處理后的數(shù)據(jù)輸入到前面所建好的模型中，并且將兩次的預(yù)測結(jié)果分析比較，我們可以得出，經(jīng)過模糊聚類分析法處理后所得出的預(yù)測結(jié)果比未經(jīng)處理的預(yù)測結(jié)果精度高許多，基本滿足風(fēng)電功率預(yù)測所要求的精度。第四章結(jié)論隨著我國風(fēng)力發(fā)電的日益發(fā)展，風(fēng)機裝機容量大幅度增加，風(fēng)電并網(wǎng)所產(chǎn)生的問題顯得不可忽視，所以能對風(fēng)電場中風(fēng)電功率進行較為準確的預(yù)測可以減少風(fēng)電并網(wǎng)對電力系統(tǒng)的影響與危害。在此背景下本文研究風(fēng)電功率預(yù)測的方法，研究數(shù)據(jù)也取自國內(nèi)某風(fēng)電場的歷史功率數(shù)據(jù)，論文得出的主要結(jié)論有：（1）針對基于單一BP神經(jīng)網(wǎng)絡(luò)法的風(fēng)電功率預(yù)測進行了研究，構(gòu)建出相應(yīng)的模型對未經(jīng)處理過的歷史數(shù)據(jù)進行仿真和預(yù)測，得出的預(yù)測值與實際值誤差較大，不滿足風(fēng)電功率預(yù)測的要求。（2）針對模糊聚類分析法對數(shù)據(jù)處理進行了研究分析，將歷史數(shù)據(jù)預(yù)處理后在通過神經(jīng)網(wǎng)絡(luò)模型進行仿真與預(yù)測，得出的預(yù)測值與實際值誤差相對于未經(jīng)處理過的結(jié)果有較大的改善，基本滿足風(fēng)電功率預(yù)測的要求。（3）該模型仍具有很多改進的地方，例如針對單一神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值的問題；針對模糊聚類算法對數(shù)據(jù)的分類處理中置信水平的選取是否滿足數(shù)據(jù)內(nèi)部規(guī)律等。致謝本文在羅滇生老師悉心指導(dǎo)和熱情關(guān)懷下完成的，在論文的選題、開題、寫作到最后定稿的各個階段，都對我進行了循循教導(dǎo)，傾注了大量心血。導(dǎo)師淵博的專業(yè)知識、嚴謹?shù)目蒲凶黠L(fēng)、不懈的進取精神、踏實穩(wěn)健的處事態(tài)度和寬廣博大的胸懷都給予了我極大的幫助和影響,使我終生受益。在此謹向羅老師表示衷心的感謝!同時感謝文中所有參考文獻的作者,是他們前期不懈的努力與辛勤的工作給與了我論文上很大的幫助。參考文獻：[1]雷亞洲,王偉勝,印永華,等.風(fēng)電對電力系統(tǒng)運行的價值分析[J].電網(wǎng)技術(shù),2002,26(5):10-14.[2]劉永前，韓爽，胡永生．風(fēng)電場出力短期預(yù)報研究綜述FJ]．現(xiàn)代電力，2007，24(5)：6-11．[3]高新波.模糊聚類分析及其應(yīng)用[M].西安電子科技大學(xué)出版,2004.[4]師洪濤,楊靜玲,丁茂生,等.基于小波-BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測方法[J][J].電力系統(tǒng)自動化,2011,35(16):44-48.[5]CostaA,CresPoA,NavarroJ,etal.Areviewontheyounghistoryofthewindpowershort-termprediction[J],RENEWABLE&SUSTAINABLEENERGYREVIEWS,Aug2008,12(6):1725-1744.[6]范高鋒,王偉勝,劉純,戴慧珠.基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測[J].中國電機工程學(xué)報.2008(34)[7]BossanyiEA.Short-termwindPredictionusingkalmanfilters[J].WindEngineering,1985,9(1):1-8.[8]劉瑞葉，黃磊.基于動態(tài)神經(jīng)網(wǎng)絡(luò)的風(fēng)電場輸出功率預(yù)測[J].電力系統(tǒng)自動化，2011，15.[9]陳穎，周海，王文鵬，曹瀟，丁杰.風(fēng)電場輸出功率超短期預(yù)測結(jié)果分析與改進[J].電力系統(tǒng)自動化，2011，15.[10] Mohrlen,Corinna,jorgensenju,etal.HRENSEMBLEHR:highresolutionensembleforhomsrev[C].EuropeanOffshoreWindEnergyConference,Berlin,2007.[11]劉耀年，張文生，張玉霞，殷立新.基于模糊聚類理論的電力系統(tǒng)短期負荷預(yù)測的方法[J].東北電力學(xué)院學(xué)報，2000，02.[12]JunrongXia,PanZhao,YipingDai.Neuro-fuzzynetworksforshort-termwindpowerforecasting.PowerSystemTechnology(POWERCON),2010InternationalConferenceon.24-28Oct.2010.[13]倪志偉，倪麗萍，劉慧挺，等．動態(tài)數(shù)據(jù)挖掘[M]．北京:科學(xué)出版社，2006.[14]楊茂；熊昊；嚴干貴；穆鋼；基于數(shù)據(jù)挖掘和模糊聚類的風(fēng)電功率實時預(yù)測研究[A].東北電力大學(xué)微通電力研究室,2013,1.[15]Siahkali,H.;Dept.ofElectr.Eng.,SharifUniv.ofTechnol.,Tehran,Iran;Vakilian,M.Fuzzybasedgenerationschedulingofpowersystemwithlargescalewindfarms.PowerTech,2009IEEEBucharest.2009,6.[16] SimonHaykin.神經(jīng)網(wǎng)絡(luò)原理[M].葉世偉,史忠植譯.北京:機械工業(yè)出版社,2004:109-121.[17]劉吉臻，柳玉，曾德良，等．單一風(fēng)電場的短期負荷調(diào)度優(yōu)化策略[J]．中國科學(xué)，2012,42(4):437-442.[18]王健，嚴干貴，宋薇，等．風(fēng)電功率預(yù)測技術(shù)綜述[J]．東北電力大學(xué)學(xué)報，2011,31(3):20-24.[19]陳祥光,裴旭東編著.