王麗婕 冬 雷 高 爽

(1.北京信息科技大學(xué)電氣工程系 北京 100192 2.北京理工大學(xué)自動(dòng)化學(xué)院 北京 100081)

?

基于多位置NWP與主成分分析的風(fēng)電功率短期預(yù)測(cè)

王麗婕1冬 雷2高 爽2

(1.北京信息科技大學(xué)電氣工程系 北京 100192 2.北京理工大學(xué)自動(dòng)化學(xué)院 北京 100081)

數(shù)值天氣預(yù)報(bào)(NWP)信息對(duì)風(fēng)電功率短期預(yù)測(cè)模型的準(zhǔn)確性起著重要作用?？紤]風(fēng)電場(chǎng)周圍多個(gè)位置的NWP信息，提出聚類分析與主成分分析相結(jié)合的方法對(duì)風(fēng)力發(fā)電功率短期預(yù)測(cè)進(jìn)行研究。通過聚類分析提取歷史數(shù)據(jù)中與預(yù)測(cè)日NWP最相近的樣本，然后用主成分分析法對(duì)樣本日信息進(jìn)行處理，獲得更加準(zhǔn)確反映風(fēng)電場(chǎng)特性的參數(shù)。通過對(duì)依蘭風(fēng)電場(chǎng)的發(fā)電功率進(jìn)行預(yù)測(cè)，證實(shí)了該方法的有效性，其準(zhǔn)確度比基于單位置NWP的預(yù)測(cè)模型提高了4.65%。

風(fēng)電功率預(yù)測(cè) 數(shù)值天氣預(yù)報(bào) 多位置 主成分分析 聚類分析

0 引言

隨著風(fēng)力發(fā)電技術(shù)的不斷發(fā)展，風(fēng)電單機(jī)容量和并網(wǎng)型風(fēng)電場(chǎng)的規(guī)模都在不斷增加，在電力需求中所占比例也越來越大。如果穿透率過高，風(fēng)速的間歇性和波動(dòng)性將會(huì)對(duì)電力系統(tǒng)的安全穩(wěn)定運(yùn)行以及電能質(zhì)量帶來不利影響[1]。如果能對(duì)風(fēng)速和風(fēng)電功率進(jìn)行較準(zhǔn)確的預(yù)測(cè)，可大幅降低電網(wǎng)旋轉(zhuǎn)備用容量，從而有效降低風(fēng)力發(fā)電系統(tǒng)成本，并為電網(wǎng)運(yùn)行調(diào)度提供可靠的依據(jù)[2]。

風(fēng)電功率預(yù)測(cè)按照預(yù)測(cè)的時(shí)間長(zhǎng)度可分為超短期預(yù)測(cè)和短期預(yù)測(cè)。超短期預(yù)測(cè)主要使用風(fēng)電場(chǎng)SCADA系統(tǒng)記錄的風(fēng)速、功率等歷史數(shù)據(jù)來建模，可預(yù)測(cè)的尺度一般是幾個(gè)小時(shí)，主要用于對(duì)風(fēng)電場(chǎng)的運(yùn)行進(jìn)行控制和穩(wěn)定電能質(zhì)量。短期預(yù)測(cè)必須使用數(shù)值天氣預(yù)報(bào)(NWP)數(shù)據(jù)，能預(yù)測(cè)提前幾十個(gè)小時(shí)到幾天的發(fā)電量，用于電網(wǎng)調(diào)度及風(fēng)電功率競(jìng)價(jià)上網(wǎng)[3]。

我國(guó)用于風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)的專用數(shù)值天氣預(yù)報(bào)的開發(fā)較晚，所以之前很多研究及成果都集中在風(fēng)電功率的超短期預(yù)測(cè)上。文獻(xiàn)[4，5]所采用的主成分分析法是對(duì)SCADA系統(tǒng)采集的風(fēng)速、風(fēng)向、溫度、濕度等進(jìn)行處理，僅能預(yù)測(cè)未來幾小時(shí)的發(fā)電功率。預(yù)測(cè)時(shí)間較短，不能滿足電力系統(tǒng)運(yùn)行調(diào)度的需要。

國(guó)外對(duì)風(fēng)電功率預(yù)測(cè)的研究起步較早，已經(jīng)出現(xiàn)了很多商業(yè)軟件，所以預(yù)測(cè)所需的數(shù)據(jù)比較完善。數(shù)值天氣預(yù)報(bào)會(huì)直接影響風(fēng)電功率預(yù)測(cè)模型的準(zhǔn)確性[6]。文獻(xiàn)[7]采用風(fēng)電場(chǎng)周邊多個(gè)位置的NWP信息來提高模型的準(zhǔn)確度，但只考慮了10 m高度處的風(fēng)速、風(fēng)向。文獻(xiàn)[8，9]都是使用多個(gè)NWP模型參與風(fēng)電場(chǎng)功率預(yù)報(bào)，一個(gè)模型的分辨率低，提供初值和邊值條件，另一個(gè)模型的分辨率高，提供更準(zhǔn)確的氣象信息。而我國(guó)目前還沒有多個(gè)獨(dú)立的天氣預(yù)報(bào)系統(tǒng)同時(shí)進(jìn)行風(fēng)電場(chǎng)需要的氣象預(yù)測(cè)。

因此，在僅有一個(gè)天氣預(yù)報(bào)系統(tǒng)的條件下，本文提出了主成分分析法與多位置NWP相結(jié)合的短期風(fēng)電功率預(yù)測(cè)方法。綜合考慮風(fēng)電場(chǎng)周圍多個(gè)位置多個(gè)高度的NWP信息，首先采用聚類分析法提取出與預(yù)測(cè)日信息最相近的樣本，然后用主成分分析法對(duì)樣本日信息進(jìn)行處理，得到對(duì)風(fēng)功率影響較大的主要成分作為神經(jīng)網(wǎng)絡(luò)模型的輸入。將該方法應(yīng)用于我國(guó)依蘭風(fēng)電場(chǎng)的實(shí)際功率預(yù)測(cè)中，取得了令人滿意的結(jié)果。

1 聚類分析

聚類分析是將研究對(duì)象按照一定度量標(biāo)準(zhǔn)分成不同類別的統(tǒng)計(jì)分析技術(shù)。目前較常用的一種聚類算法是K均值聚類法，其基本思想是將每一個(gè)樣本劃分到離均值最近的類別中，它是以距離的遠(yuǎn)近為標(biāo)準(zhǔn)進(jìn)行聚類的。

K均值聚類算法一般包括以下處理步驟[10]：

(1)將所有數(shù)據(jù)分為K個(gè)初始類，選取K個(gè)樣本點(diǎn)為初始聚類中心，記為z1(l),z2(l),…,zk(l)， 其中初始值l=1；

(2)按照最近鄰規(guī)則將所有樣本分配到各聚類中心所代表的K類ωj(K)中，各類所包含的樣本數(shù)為Nj(l)；

(3)計(jì)算各類的均值向量，并將該向量作為新的聚類中心

(1)

式中，j=1,2,…,k；i=1,2,…,Nj(l)；

(4)若zj(l+1)≠zj(l)， 表示聚類結(jié)果并不是最佳的，則返回步驟(2)，繼續(xù)迭代計(jì)算；

(5)若zj(l+1)=zj(l)， 迭代過程結(jié)束，此時(shí)的聚類結(jié)果就是最優(yōu)聚類結(jié)果。

2 主成分分析的基本原理

主成分分析也稱主分量分析，是揭示大樣本、多變量數(shù)據(jù)或樣本之間內(nèi)在關(guān)系的一種方法，旨在利用降維的思想，把多變量轉(zhuǎn)換為少數(shù)幾個(gè)變量，降低觀測(cè)空間的維數(shù)，以獲取最主要的信息。

設(shè)原始變量X1，X2，…，Xp的觀測(cè)n次數(shù)據(jù)矩陣為

主成分分析法的計(jì)算步驟如下[5]：

(1)將原始數(shù)據(jù)標(biāo)準(zhǔn)化，即對(duì)同一變量減去其均值再除以標(biāo)準(zhǔn)差，以消除量綱影響。

(2)

(3)

(4)

(2)求相關(guān)系數(shù)矩陣M。

(5)

且有mij=mji,mii=1。

(3)求M的特征值及特征向量。

(k=1,2,…,n;j=1,2,…,n)

(6)

(4)確定主成分的個(gè)數(shù)m。

方差貢獻(xiàn)率和累計(jì)方差貢獻(xiàn)率分別為

(7)

(8)

根據(jù)累計(jì)方差貢獻(xiàn)率來選取主成分的個(gè)數(shù)。通常累計(jì)方差貢獻(xiàn)率大于75%～95%時(shí)，對(duì)應(yīng)的前m個(gè)主成分便包含p個(gè)原始變量所能提供的絕大部分信息，主成分個(gè)數(shù)就是m個(gè)，后面其他的主成分可以舍棄。

3 預(yù)測(cè)模型的建立

由于NWP的位置對(duì)于風(fēng)電場(chǎng)的功率預(yù)測(cè)模型有一定程度的影響，建模時(shí)可選用風(fēng)電場(chǎng)中多個(gè)位置的NWP信息綜合起來考慮。NWP信息的數(shù)據(jù)間隔通常為15 min，每組信息中包含多個(gè)區(qū)域不同高度的風(fēng)速、風(fēng)向、溫度、氣壓，每天的NWP數(shù)據(jù)量非常大，過多的數(shù)據(jù)加入到模型中會(huì)降低模型的泛化能力。為了獲取對(duì)預(yù)測(cè)準(zhǔn)確度影響最大的數(shù)據(jù)，首先利用聚類分析法在歷史數(shù)據(jù)中查找與預(yù)測(cè)當(dāng)天NWP數(shù)據(jù)最相似的樣本日作為訓(xùn)練樣本。

選取的相似樣本中，每一時(shí)刻的NWP信息包含有多個(gè)位置不同高度的氣象信息。通常情況下，影響風(fēng)力發(fā)電功率的因素之間有一定的相關(guān)性，從而使得多位置NWP提供的信息在一定程度上有所重疊，這會(huì)增加計(jì)算的復(fù)雜性，甚至給預(yù)測(cè)帶來較大誤差。利用主成分分析法對(duì)這些信息進(jìn)行特征提取，消除不必要的干擾項(xiàng)，得到對(duì)風(fēng)功率影響較大的主要成分作為神經(jīng)網(wǎng)絡(luò)模型的輸入，風(fēng)電場(chǎng)的功率作為模型的輸出。圖1為基于多位置NWP與主成分分析的風(fēng)電功率預(yù)測(cè)方法結(jié)構(gòu)圖。

圖1 基于多位置NWP與主成分分析的功率預(yù)測(cè)結(jié)構(gòu)圖Fig.1 Structure diagram of prediction based on principal component analysis of NWP from multiple locations

4 實(shí)際風(fēng)力發(fā)電功率預(yù)測(cè)

對(duì)我國(guó)黑龍江依蘭風(fēng)電場(chǎng)2012年1～2月的NWP數(shù)據(jù)和實(shí)測(cè)風(fēng)功率數(shù)據(jù)進(jìn)行分析、建模和預(yù)測(cè)。數(shù)據(jù)分辨率為15 min。選擇2012年2月4日作為預(yù)測(cè)日，預(yù)測(cè)長(zhǎng)度為一天(96步)。

歐洲中尺度氣象預(yù)報(bào)中心提供了依蘭風(fēng)電場(chǎng)4個(gè)典型區(qū)域的NWP數(shù)據(jù)，4個(gè)區(qū)域的經(jīng)度、緯度如圖2所示。每個(gè)區(qū)域包含3個(gè)高度(34 m、67 m、112 m)，共12個(gè)位置。每個(gè)高度包括風(fēng)速、氣溫、風(fēng)向3個(gè)信息，氣壓信息不分位置，所以整個(gè)風(fēng)電場(chǎng)某一時(shí)刻的NWP信息為37個(gè)：1個(gè)氣壓、12個(gè)風(fēng)速、12個(gè)氣溫、12個(gè)風(fēng)向。

圖2 依蘭風(fēng)電場(chǎng)4個(gè)典型區(qū)域NWP數(shù)據(jù)的位置Fig.2 Four locations of NWP in Yilan wind farm

4.1 聚類分析結(jié)果

為了方便處理，將每天作為一個(gè)數(shù)據(jù)對(duì)象，由一個(gè)7維向量表示，稱為日NWP向量，表示為X=[Pav，Vmin，Vmax，Tmin，Tmax，Dsin，Dcos]，其中的變量依次代表日氣壓平均值、日風(fēng)速最小值、日風(fēng)速最大值、日氣溫最小值、日氣溫最大值、日風(fēng)向正弦平均值、日風(fēng)向余弦平均值。

由于日NWP向量中各分量的量綱不同，需要進(jìn)行歸一化處理，氣壓、風(fēng)速和氣溫分別除以各自的歷史最大值，風(fēng)向正弦和余弦值均為歸一化數(shù)值，不需再作處理。

距離定義為

(9)

式中，di為預(yù)測(cè)日與歷史樣本i的歐氏距離；xm為預(yù)測(cè)日的日NWP向量；xi為歷史數(shù)據(jù)的日NWP向量，i=1，2，…，n，其中n為樣本數(shù)。

選擇2012年2月4日之前的20天歷史數(shù)據(jù)做聚類分析，采用K均值聚類算法，得到準(zhǔn)則函數(shù)與分類數(shù)K的關(guān)系曲線如圖3所示。取準(zhǔn)則函數(shù)曲線拐點(diǎn)處的K作為最佳分類數(shù)，得到K=3。

圖3 準(zhǔn)則函數(shù)與分類數(shù)K的關(guān)系Fig.3 Relationship between the criterion function and the number of categories K

在分類數(shù)K=3的情況下，20個(gè)歷史樣本日的所屬類別情況如表1所示。其中有4天屬于第3類，有1天屬于第2類，其他均屬于第1類。由式(1)計(jì)算出這3類的聚類中心(歸一化)分別為：

第1類：[0.988 0.183 0.438 -1.130 -0.804 0.042 0.051]

第2類：[0.988 0.555 0.863 -1.151 -0.853 0.119 0.189]

第3類：[0.993 0.047 0.268 -0.856 -0.551 -0.020 -0.125]

表1 樣本所在聚類情況Tab.1 The clustering of the samples

預(yù)測(cè)日2月4日的歸一化日NWP向量為[0.981 0.340 0.801 -0.932 -0.579 0.113 -0.052]，與3類聚類中心的歐式距離分別為0.51、0.48和0.63，距離第2類聚類中心最近，所以預(yù)測(cè)日所屬分類為第2類。由表1可看出，屬于第2類的樣本為2012年2月2日，將其用于模型的訓(xùn)練中。

4.2 主成分提取

相似樣本中一共有96個(gè)數(shù)據(jù)點(diǎn)，每個(gè)數(shù)據(jù)點(diǎn)有37個(gè)NWP信息，包含1個(gè)氣壓、12個(gè)風(fēng)速、12個(gè)溫度和12個(gè)風(fēng)向信息。氣壓用P表示，由于氣壓只有一個(gè)，所以不做主成分提取，將其直接作為網(wǎng)絡(luò)模型的一個(gè)輸入量。v1～v12依次表示區(qū)域1高度34 m、67 m和112 m的風(fēng)速、區(qū)域2高度34 m、67 m和112 m的風(fēng)速、區(qū)域3高度34 m、67 m和112 m的風(fēng)速、區(qū)域4高度34 m、67 m和112 m的風(fēng)速；和風(fēng)速的表示形式類似，t1～t12依次表示區(qū)域1、2、3、4高度34 m、67 m和112 m的氣溫，d1～d12依次表示區(qū)域1、2、3、4高度34 m、67 m和112 m的風(fēng)向。

按照第2節(jié)介紹的主成分計(jì)算步驟分別對(duì)2月2日樣本12維的風(fēng)速向量、12維的風(fēng)向向量和12維的氣溫向量進(jìn)行主成分提取。計(jì)算各指標(biāo)標(biāo)準(zhǔn)化后的相關(guān)系數(shù)矩陣M，M的特征值、相應(yīng)的單位特征向量以及貢獻(xiàn)率，并依據(jù)累積貢獻(xiàn)率提取主成分。

風(fēng)速主成分計(jì)算結(jié)果如表2所示，由于第一主成分的貢獻(xiàn)率已達(dá)95%以上，所以僅選第一主成分即可。

表2 風(fēng)速主成分特征值及方差貢獻(xiàn)率Tab.2 Eigenvalues and contribution rate of wind speed principal component

氣溫主成分計(jì)算結(jié)果如表3所示，由于第一主成分的貢獻(xiàn)率已達(dá)99%以上，所以僅選第一主成分即可。

風(fēng)向主成分計(jì)算結(jié)果如表4所示，由于第一主成分的貢獻(xiàn)率已達(dá)95%以上，所以僅選第一主成分即可。

經(jīng)過主成分提取，得到了更加準(zhǔn)確反映風(fēng)電場(chǎng)特性的參數(shù)。其中，12維的風(fēng)速向量降低到1維，第一主成分分量記為VPCA1；12維的氣溫向量降低到1維，第一主成分分量記為TPCA1；12維的風(fēng)向向量降低到1維，第一主成分分量記為DPCA1。

表3 氣溫主成分特征值及方差貢獻(xiàn)率Tab.3 Eigenvalues and contribution rate of temperature principal component

表4 風(fēng)向主成分特征值及方差貢獻(xiàn)率Tab.4 Eigenvalues and contribution rate of wind direction principal component

4.3 模型建立與仿真結(jié)果

選取VPCA1、DPCA1、TPCA1這3個(gè)主成分分量和氣壓作為預(yù)測(cè)模型的輸入，記為PCA-4維，預(yù)測(cè)模型采用GRNN神經(jīng)網(wǎng)絡(luò)，GRNN窗口寬度參數(shù)s=0.5，對(duì)應(yīng)時(shí)刻的風(fēng)功率作為模型的輸出，用2月2日數(shù)據(jù)進(jìn)行訓(xùn)練，得到預(yù)測(cè)模型。隨后，對(duì)2月4日的發(fā)電功率進(jìn)行預(yù)測(cè)。

圖4為各種模型的預(yù)測(cè)曲線，其中持續(xù)模型是國(guó)外普遍使用的一種參考模型[11]。從圖中可看出，利用多位置NWP建模包含的信息量多，預(yù)測(cè)值最接近于實(shí)際值。而基于單位置NWP的模型只考慮了風(fēng)電場(chǎng)中一個(gè)位置的氣象信息，天氣預(yù)報(bào)的誤差導(dǎo)致多個(gè)點(diǎn)的風(fēng)電功率預(yù)測(cè)值低于真實(shí)值。

圖4 各種模型預(yù)測(cè)結(jié)果對(duì)比Fig.4 Comparison of different prediction models

表5列出了各種模型的平均絕對(duì)誤差(NMAE)、均方根誤差(NRMSE)和最大預(yù)測(cè)誤差(δmax)[12]。由表5可知，采用多位置NWP的神經(jīng)網(wǎng)絡(luò)模型的各種預(yù)測(cè)誤差最小，平均絕對(duì)誤差和均方根誤差分別為風(fēng)電場(chǎng)總裝機(jī)容量的12.35%和15.66%，整體預(yù)測(cè)效果較好，可滿足工程應(yīng)用的需要。其平均絕對(duì)誤差比采用單位置NWP建模提高了4.65%，比持續(xù)模型提高了近10%。多個(gè)位置的NWP包含的信息量多，充分考慮了風(fēng)電場(chǎng)周圍的氣象狀況，可顯著提高模型的預(yù)測(cè)準(zhǔn)確度，使預(yù)測(cè)值更接近于實(shí)際值。

表5 預(yù)測(cè)模型的誤差對(duì)比Tab.5 Errors of different prediction models

5 結(jié)論

由于數(shù)值天氣預(yù)報(bào)信息對(duì)風(fēng)電功率預(yù)測(cè)的準(zhǔn)確性有較大影響，本文將聚類分析、主成分分析、多位置NWP三者結(jié)合起來，進(jìn)行風(fēng)力發(fā)電功率的預(yù)測(cè)。多位置NWP包含了風(fēng)電場(chǎng)周圍不同地點(diǎn)不同高度的氣象信息，聚類分析能提取出與預(yù)測(cè)日NWP最接近的歷史數(shù)據(jù)來作為訓(xùn)練樣本，主成分分析能獲得更加準(zhǔn)確反映風(fēng)電場(chǎng)特性的參數(shù)。該方法有效降低了訓(xùn)練數(shù)據(jù)量，減少了輸入樣本的維數(shù)，降低了網(wǎng)絡(luò)訓(xùn)練的難度，提高了模型的預(yù)測(cè)準(zhǔn)確度。與只使用一個(gè)位置NWP建模相比，風(fēng)電功率預(yù)測(cè)的平均絕對(duì)誤差由17%降低到12.35%。

[1] 張麗英，葉廷路，辛耀中，等.大規(guī)模風(fēng)電接入電網(wǎng)的相關(guān)問題及措施[J].中國(guó)電機(jī)工程學(xué)報(bào)，2010，30(25)：1-9. Zhang Liying，Ye Tinglu，Xin Yaozhong，et al.Problems and measures of power grid accommodating large scale wind power[J].Proceedings of the CSEE，2010，30(25)：1-9.

[2] 王賀，胡志堅(jiān)，張翌暉，等.基于聚類經(jīng)驗(yàn)?zāi)B(tài)分解和最小二乘支持相量機(jī)的短期風(fēng)速組合預(yù)測(cè)[J].電工技術(shù)學(xué)報(bào)，2014，29(4)：237-245. Wang He，Hu Zhijian，Zhang Yihui，et al.A hybrid model for short-term wind speed forecasting based on ensemble empirical mode decomposition and least squares support vector machines[J].Transactions of China Electrotechnical Society，2014，29(4)：237-245.

[3] Soman S S，Zareipour H，Malik O，et al.A review of wind power and wind speed forecasting methods with different time horizons[C].North American Power Symposium (NAPS)，Arlington，TX，2010：1-8.

[4] 何東，劉瑞葉.基于主成分分析的神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)集成風(fēng)功率超短期預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2013，41(4)：50-54. He Dong，Liu Ruiye.Ultra-short-term wind power prediction using ANN ensemble based on the principal components analysis[J].Power System Protection and Control，2013，41(4)：50-54.

[5] 周松林，茆美琴，蘇建徽.基于主成分分析與人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)[J].電網(wǎng)技術(shù)，2011，35(9)：128-132. Zhou Songlin，Mao Meiqin，Su Jianhui.Prediction of wind power based on principal component analysis and artificial neural network[J].Power System Technology，2011，35(9)：128-132.

[6] Ernst B，Oakleaf B，Ahlstrom M L，et al.Predicting the wind[J].IEEE Power & Energy Magazine，2007，10(11)：79-89.

[7] Khalid M，Savkin A V.A method for short-term wind power prediction with multiple observation points[J].IEEE Transactions on Power Systems，2012，27(2)：579-586.

[8] Stathopoulos Christos，Kaperoni Akrivi，Galanis George，et al.Wind power prediction based on numerical and statistical models[J].Journal of Wind Engineering and Industrial Aerodynamics，2013，112(1)：25-38.

[9] Lazic Lazar，Pejanovic Goran，Zivkovic Momcilo.Wind forecasts for wind power generation using the Eta model[J].Renewable Energy，2010，35(6)：1236-1243.

[10]Wei Wei，Zhang Yajie，Wu Guilian，et al.Ultra-short-term/short-term wind power continuous prediction based on fuzzy clustering analysis[C].IEEE Innovative Smart Grid Technologies-Asia，2012：1-6.

[11]Sideratos G，Hatziargyriou N.Using radial basis neural networks to estimate wind power production[C].IEEE Power Engineering Society General Meeting，2007：1-7.

[12]Q/GDW 588-2011.風(fēng)電功率預(yù)測(cè)功能規(guī)范[S].

Wind Power Short-term Prediction Based on Principal Component Analysis of NWP of Multiple Locations

WangLijie1DongLei2GaoShuang2

(1.Beijing Information Science and Technology University Beijing 100192 China 2.Beijing Institute of Technology Beijing 100081 China)

Numerical weather prediction (NWP) plays an important role in the accuracy of the short-term wind power prediction models.Considering NWP information of multiple locations around a wind farm，this paper introduces a method based on the cluster analysis and the principal component analysis to study the short-term prediction of the wind power generating capacity.The sample in the historical data closest to the NWP of the forecast day is extracted by the clustering analysis.Then the principal component analysis of the sample information is proceeded to obtain the parameters which reflects the characteristics of the wind farm.Simulation is performed consideringthe wind power generation of Yilan wind farm.The results show that the method is effective and its precision improves 4.65% than the prediction model based on NWP of single location.

Wind power prediction，numerical weather prediction，multiple locations，principal component analysis，cluster analysis

2014-11-20 改稿日期2015-01-05

TM614

王麗婕 女，1983年生，博士，研究方向?yàn)轱L(fēng)力發(fā)電功率預(yù)測(cè)及風(fēng)電并網(wǎng)后的運(yùn)行控制。(通信作者)

冬 雷 男，1967年生，副教授，博士，研究方向?yàn)殡娏﹄娮优c電力傳動(dòng)以及新能源發(fā)電等。

北京市教委科技計(jì)劃面上項(xiàng)目(KM201511232007)資助。