楊 茂，楊春霖

(東北電力大學(xué) 電氣工程學(xué)院，吉林 吉林 132012)

基于模糊粒計(jì)算的風(fēng)電功率實(shí)時(shí)預(yù)測(cè)研究

楊 茂，楊春霖

(東北電力大學(xué) 電氣工程學(xué)院，吉林 吉林 132012)

隨著風(fēng)電接入電網(wǎng)規(guī)模的日益擴(kuò)大，其波動(dòng)對(duì)電網(wǎng)的影響也日趨增大，而準(zhǔn)確的風(fēng)電功率預(yù)測(cè)可以有效地降低其對(duì)電力系統(tǒng)穩(wěn)定性的影響，因此風(fēng)電功率預(yù)測(cè)對(duì)接入大規(guī)模風(fēng)電的電力系統(tǒng)穩(wěn)定運(yùn)行具有相當(dāng)重要的意義。提出一種模糊粒計(jì)算和支持向量機(jī)相結(jié)合的風(fēng)電功率實(shí)時(shí)預(yù)測(cè)方法，利用模糊粒計(jì)算將風(fēng)電功率時(shí)間序列劃分為簡(jiǎn)單的子序列時(shí)間窗口，同時(shí)把具有相似屬性的對(duì)象組合在一起，通過提取核心信息減少冗余，利用支持向量機(jī)法對(duì)子序列進(jìn)行預(yù)測(cè)，得到最終的預(yù)測(cè)值。以東北地區(qū)某兩個(gè)風(fēng)電場(chǎng)的實(shí)測(cè)數(shù)據(jù)為例，根據(jù)國家能源局文件中的指標(biāo)驗(yàn)證了模型有效性。

風(fēng)電功率；實(shí)時(shí)預(yù)測(cè)；模糊集；粒計(jì)算

風(fēng)電功率的隨機(jī)性、波動(dòng)性和不確定性一直以來是影響風(fēng)電大規(guī)模接入電網(wǎng)的主要原因，而準(zhǔn)確的風(fēng)電功率預(yù)測(cè)能夠最大限度的減少其對(duì)電力系統(tǒng)的影響，因此風(fēng)電功率的預(yù)測(cè)已成為了電力系統(tǒng)安全穩(wěn)定運(yùn)行必不可少的關(guān)鍵一環(huán)[1，2]，而公認(rèn)的提高預(yù)測(cè)精度的最主要途徑是改進(jìn)預(yù)測(cè)方法，國內(nèi)和國外的有關(guān)學(xué)者在風(fēng)電功率預(yù)測(cè)方面做了很多工作，一種風(fēng)電功率組合預(yù)測(cè)方法在文獻(xiàn)[3]中被提出，組合的原則是采用交叉熵理論把預(yù)測(cè)模型的組合過程類比為信息融合的過程，模型優(yōu)點(diǎn)是考慮了預(yù)測(cè)信息的相互融合和支撐，但弱化了歷史功率樣本間的內(nèi)在聯(lián)系，會(huì)造成某些重要信息的缺失以致于對(duì)預(yù)測(cè)結(jié)果產(chǎn)生影響。一種基于支持向量機(jī)(Support Vector Machine，SVM)和經(jīng)驗(yàn)?zāi)B(tài)分解的短期風(fēng)電功率組合預(yù)測(cè)方法在文獻(xiàn)[4]中被提出，其對(duì)風(fēng)速時(shí)間序列進(jìn)行平穩(wěn)化處理，得到具有相同特征尺度的風(fēng)速數(shù)據(jù)序列，但此過程會(huì)丟失一些體現(xiàn)數(shù)據(jù)基本特征的信息，對(duì)預(yù)測(cè)精度的影響在所難免。文獻(xiàn)[5]提出了一種基于主成分與人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，提取出原始序列的主成分，將其作為神經(jīng)網(wǎng)絡(luò)的輸入對(duì)輸出功率進(jìn)行預(yù)測(cè)，但此過程也不能避免傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中諸如學(xué)習(xí)速度慢、存在局部極小點(diǎn)等各種固有缺陷。文獻(xiàn)[6]提出了一種基于自適應(yīng)擾動(dòng)量子粒子群算法參數(shù)優(yōu)化的支持向量機(jī)預(yù)測(cè)模型，在參數(shù)尋優(yōu)的過程中加入了一種自適應(yīng)早熟判定準(zhǔn)則，有效的克服了支持向量機(jī)參數(shù)選擇中依靠歷史經(jīng)驗(yàn)的弊端，但沒有對(duì)歷史數(shù)據(jù)間的聯(lián)系進(jìn)行研究。文獻(xiàn)[7]提出了一種基于動(dòng)態(tài)權(quán)重的風(fēng)電功率組合預(yù)測(cè)方法，將不同模型組合起來，用合作對(duì)策法和動(dòng)態(tài)權(quán)重法確定各單一模型的權(quán)重，然后用組合模型進(jìn)行預(yù)測(cè)，但使用的預(yù)測(cè)算法都為基本算法，沒有使用預(yù)測(cè)效果相對(duì)較好的智能預(yù)測(cè)算法。

本文提出了一種基于模糊粒計(jì)算和支持向量機(jī)的預(yù)測(cè)模型，模糊粒計(jì)算是把具有相似屬性的對(duì)象集合在一起，依據(jù)在各個(gè)粒度水平上的需要得到不同的信息粒，進(jìn)而可以將問題的求解轉(zhuǎn)化到不同的粒度水平上；因而原始數(shù)據(jù)的基本特點(diǎn)被完全保存，系統(tǒng)的透明度也隨之提高。另一方面模糊粒計(jì)算在信息粒化過程中抓住數(shù)據(jù)的核心，減少冗余信息，從而獲得系統(tǒng)行為的簡(jiǎn)單表示，這可以大大降低問題求解的復(fù)雜度，為實(shí)現(xiàn)高精度的風(fēng)電功率實(shí)時(shí)預(yù)測(cè)奠定了基礎(chǔ)。

1 模糊信息?；纠碚摷霸u(píng)價(jià)指標(biāo)

模糊信息?；切畔⑻幚淼牡湫头椒ǎ瑢?duì)于風(fēng)電功率預(yù)測(cè)而言，將相應(yīng)時(shí)間段的數(shù)據(jù)作為一個(gè)信息粒來研究，通過模糊信息?；姆椒ㄟM(jìn)行有效數(shù)據(jù)的提取，能夠有效簡(jiǎn)化運(yùn)算，改善預(yù)測(cè)結(jié)果[8-10]。

1.1 粒計(jì)算

粒是指元素的類、群或聚類。信息?；前岩活悓?duì)象劃分為若干個(gè)粒的過程，每一個(gè)粒是基于相似性、不可區(qū)分性關(guān)系和泛函性聚集得到的一個(gè)對(duì)象的組合。對(duì)微粒大小的平均度量被稱為粒度。在闡明信息時(shí)，從不同的層面對(duì)數(shù)據(jù)信息和知識(shí)抽象度用粒度來度量、分析和處理[11-13]。

定義1：粒度

設(shè)R：U→P(U)?U=∪Gi，i∈τ，則Gi為一個(gè)信息粒子，{Gi}i∈τ是論域的一種粒度。其中P(U)表示論域U的冪集，R表示不可區(qū)分關(guān)系、功能相近關(guān)系、等價(jià)關(guān)系等的函數(shù)。?i∈τ，i≠j，當(dāng)Gi∩Gj=?時(shí)，{Gi}i∈τ為論域的無重疊粒度劃分，即：{Gi}i∈τ=[U]，否則稱{Gi}i∈τ是論域的一種覆蓋，簡(jiǎn)記為：{Gi}i∈τ=。

定義2：粒子大小

目前，進(jìn)行粒計(jì)算時(shí)，主要有三種應(yīng)用模型，即商空間模型、模糊集合模型、粗糙集模型，本文主要采用基于模糊集的粒計(jì)算模型[15]。

1.2 模糊集

令U為論域，給定U的一個(gè)次序分割集為Ui={ui1，ui2，…，uin}，其元素uij為常數(shù)。Λi={Λi1，Λi2，…，Λin}，定義在Λi為論域Ui上的模糊集合，其中：

(1)

其中：fΛi為定義在Λi上的模糊隸屬函數(shù)；fΛi(uij)為uij在模糊集Λi上的隸屬度的值，1≤i≤n。

對(duì)模糊集合Λi的隸屬度通常用公式(2)來計(jì)算。

(2)

其中：lin為子區(qū)間的長度；t為時(shí)刻；Λij為集合Λi中的第j個(gè)元素。

將一定時(shí)間分辨率下的信息假設(shè)為一個(gè)粒子進(jìn)行分析時(shí)，可以利用粒計(jì)算提取出各個(gè)粒子中所蘊(yùn)含的有效信息，形成模糊粒，模糊粒既能將復(fù)雜時(shí)間序列劃分為簡(jiǎn)明的時(shí)間窗口又能確保其基本聯(lián)系不被破壞，同時(shí)也將具有相似屬性的對(duì)象組合在一起，通過提取核心信息減少冗余，提高了系統(tǒng)透明度[16-18]，也能夠簡(jiǎn)化計(jì)算過程，并提高預(yù)測(cè)精度。

1.3 模型評(píng)價(jià)指標(biāo)

國家能源局在關(guān)于風(fēng)電并網(wǎng)的文件中規(guī)定的有關(guān)風(fēng)電功率預(yù)測(cè)的主要指標(biāo)有日平均預(yù)測(cè)計(jì)劃曲線準(zhǔn)確率、日平均預(yù)測(cè)計(jì)劃曲線合格率和全天預(yù)測(cè)結(jié)果均方根誤差[19]。

(1)全天預(yù)測(cè)結(jié)果均方根誤差(EDRMSE)，其定義如下式：

(3)

(2)日平均預(yù)測(cè)計(jì)劃曲線準(zhǔn)確率(r1)，定義如下式：

(4)

(3)日平均預(yù)測(cè)計(jì)劃曲線合格率(r2)，定義如下式：

(5)

2 模糊粒計(jì)算預(yù)測(cè)模型

本文將一定時(shí)間分辨率下的有效信息作為一個(gè)粒子進(jìn)行分析，通過?；夹g(shù)來提取各個(gè)粒子的有效信息。將一個(gè)時(shí)段下的風(fēng)電功率序列X視為一個(gè)窗口進(jìn)行模糊化，即在風(fēng)電功率序列X上構(gòu)建一個(gè)模糊粒子P，即一個(gè)能夠合理描述X的模糊概念G(以X為論域的模糊集合)，一旦確定了G，即可得到模糊粒子P，其實(shí)質(zhì)就是對(duì)G的隸屬函數(shù)A=f(u)的確定過程。

具體實(shí)現(xiàn)步驟如下：

模糊信息粒化的主要過程可分為兩步：窗口劃分、信息模糊化。窗口劃分即根據(jù)需要對(duì)整個(gè)的預(yù)測(cè)序列進(jìn)行分割，形成若干個(gè)小的子序列，每一個(gè)子序列可視為一個(gè)操作窗口；信息模糊?；膶?shí)質(zhì)為一個(gè)有效信息提取的過程，也就是使用特定規(guī)則對(duì)獲得的每一個(gè)窗口的信息進(jìn)行模糊化處理，得到一系列模糊集。根據(jù)預(yù)測(cè)的需要對(duì)窗口進(jìn)行劃分處理，建立一個(gè)合理的模糊集，使其能夠取代原來窗口中的有用信息是模糊化過程的核心。對(duì)原始數(shù)據(jù)模糊粒化效果如圖1所示。

為了使得預(yù)測(cè)數(shù)據(jù)處于同一數(shù)量級(jí)，避免較大值對(duì)小值的覆蓋，使其具有可比性，利用下式：

(6)

其中：xl為歸一化的下界；xu為歸一化的上界；xmin，xmax分別為原始數(shù)據(jù)的最大值與最小值；x為待歸一化的原始數(shù)據(jù)。

將模糊?；蟮臄?shù)據(jù)由公式(6)進(jìn)行歸一化后如圖2所示。

圖1 原始數(shù)據(jù)模糊?；笮Ч麍D圖2 歸一化后效果圖

算法實(shí)現(xiàn)過程圖如下：

圖3 算法實(shí)現(xiàn)過程圖

3 算例分析

選取我國東北地區(qū)A、B兩個(gè)風(fēng)電場(chǎng)2015年7月份和8月份兩個(gè)月采樣間隔為1 min的歷史功率數(shù)據(jù)作為研究樣本，兩風(fēng)電場(chǎng)都有177臺(tái)風(fēng)機(jī)，單機(jī)容量均為1.5 MW，總裝機(jī)容量為265.5 MW。利用本文提出的模型對(duì)A、B兩風(fēng)電場(chǎng)未來一天(2015年7月16日)風(fēng)電功率進(jìn)行實(shí)時(shí)預(yù)測(cè)(訓(xùn)練集為2015年7月1日-7月15日數(shù)據(jù))，每天進(jìn)行96次的風(fēng)電功率實(shí)時(shí)滾動(dòng)預(yù)測(cè)，每次預(yù)測(cè)的風(fēng)電功率為16個(gè)時(shí)間點(diǎn)[20-22]。

首先，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行模糊信息?；?，以15 min(15個(gè)采樣點(diǎn))為一個(gè)窗口，即可將訓(xùn)練集劃分為1440個(gè)窗口，在每個(gè)窗口中對(duì)訓(xùn)練數(shù)據(jù)利用公式(2)進(jìn)行模糊?；撨^程中在每個(gè)窗口形成了3個(gè)模糊信息粒，再分別將這些模糊信息粒進(jìn)行歸一化，之后再利用支持向量機(jī)模型進(jìn)行預(yù)測(cè)，將預(yù)測(cè)后的值進(jìn)行反歸一化處理，能夠獲得不同的模糊信息粒的預(yù)測(cè)功率值，再由等權(quán)重法將不同模糊粒預(yù)測(cè)的功率值組合便可得到最終的預(yù)測(cè)值。

圖4、圖5為不同預(yù)測(cè)模型對(duì)不同風(fēng)電場(chǎng)預(yù)測(cè)結(jié)果，指標(biāo)如表1、表2所示。

表1 風(fēng)電場(chǎng)A未來一天不同預(yù)測(cè)方法的評(píng)價(jià)指標(biāo)

表2 風(fēng)電場(chǎng)B未來一天不同預(yù)測(cè)方法的評(píng)價(jià)指標(biāo)

圖4 風(fēng)電場(chǎng)A未來四小時(shí)不同方法預(yù)測(cè)值圖5 風(fēng)電場(chǎng)B未來四小時(shí)不同方法預(yù)測(cè)值

由表1可知，四種預(yù)測(cè)方法中本文方法的全天預(yù)測(cè)均方根誤差最小為0.094 5，其次為持續(xù)法的0.113 4和線性回歸法的0.128 8，誤差最大的為指數(shù)平滑法的0.131 5；日平均預(yù)測(cè)計(jì)劃曲線準(zhǔn)確率只有基于粒計(jì)算模型和持續(xù)法達(dá)到了0.9以上分別為0.911 9和0.900 8，指數(shù)平滑和線性回歸法分別為0.698 0和0.751 1；本文方法的日平均預(yù)測(cè)計(jì)劃曲線合格率為0.933 5，同樣優(yōu)于其他三種模型；而線性回歸、指數(shù)平滑和持續(xù)法分別為0.435 5、0.431 0和0.794 9。顯然本文提出的模糊粒計(jì)算模型的三個(gè)評(píng)價(jià)指標(biāo)均優(yōu)于其他三個(gè)經(jīng)典的預(yù)測(cè)模型，在表二中雖然本文方法的預(yù)測(cè)結(jié)果全天預(yù)測(cè)結(jié)果均方根誤差大于持續(xù)法，但合格率和準(zhǔn)確率分別為0.996 7和0.924 1均高于持續(xù)法的0.877 6和0.913 5，同時(shí)線性回歸和指數(shù)平滑的各項(xiàng)指標(biāo)均差于本文所提出的方法，由此可以確定該方法較持續(xù)法、線性回歸和指數(shù)平滑法預(yù)測(cè)性效果更加良好。四種不同預(yù)測(cè)方法分別對(duì)A、B兩風(fēng)電場(chǎng)功率進(jìn)行預(yù)測(cè)的準(zhǔn)確率如圖6和圖7所示。

圖6 風(fēng)電場(chǎng)A未來一天各預(yù)測(cè)點(diǎn)準(zhǔn)確率圖7 風(fēng)電場(chǎng)B未來一天各預(yù)測(cè)點(diǎn)準(zhǔn)確率

為了進(jìn)一步驗(yàn)證模型的有效性，對(duì)A、B兩風(fēng)電場(chǎng)未來一個(gè)月(2015年8月)進(jìn)行實(shí)時(shí)預(yù)測(cè)(原始訓(xùn)練集為2015年7月17日-2015年7月31日，每預(yù)測(cè)一步訓(xùn)練集將增加一個(gè)點(diǎn)形成新的訓(xùn)練集，訓(xùn)練集窗口的劃分和模糊粒的形成同上文)，結(jié)果如表3、表4所示。

表3 風(fēng)電場(chǎng)A未來一個(gè)月不同模型評(píng)價(jià)指標(biāo)的平均值

表4 風(fēng)電場(chǎng)B未來一個(gè)月模型評(píng)價(jià)指標(biāo)的平均值

在表3中對(duì)風(fēng)電場(chǎng)A利用不同的模型進(jìn)行未來一個(gè)月的預(yù)測(cè)，本文模型預(yù)測(cè)結(jié)果的平均均方根誤差為0.103 9，顯然為最小，其次為持續(xù)法的0.124 7，線性回歸和指數(shù)平滑法預(yù)測(cè)效果最差,均方根誤差分別為0.141 6和0.144 6，本文模型的合格率和準(zhǔn)確率同樣較其他三種算法更高分別為0.884 5、0.896 1，而其余三種算法的合格率則較低，分別為線性回歸的0.728 5和0.718 0,指數(shù)平滑的0.677 0和0.737 6,持續(xù)法的0.873 7和0.793 1。表4為對(duì)風(fēng)電場(chǎng)B利用不同模型預(yù)測(cè)的結(jié)果，本文方法預(yù)測(cè)結(jié)果的評(píng)價(jià)指標(biāo)同樣明顯優(yōu)于其他三個(gè)模型。

綜上，可知本文所提的基于模糊粒計(jì)算的風(fēng)電功率預(yù)測(cè)模型較持續(xù)法、指數(shù)平滑法和線性回歸法具有更高的預(yù)測(cè)精度。

4 結(jié) 論

本文提出了一種基于模糊粒計(jì)算的預(yù)測(cè)模型，將相應(yīng)時(shí)間尺度下的有效信息作為一個(gè)粒子來進(jìn)行研究，通過?；夹g(shù)來提取各個(gè)粒子的有效信息。信息?；夹g(shù)具有對(duì)大規(guī)模數(shù)據(jù)進(jìn)行挖掘并根據(jù)需要有效提取有用信息的能力，支持向量機(jī)有具有較好的學(xué)習(xí)能力。兩種方法相結(jié)合建立的預(yù)測(cè)模型可有效進(jìn)行風(fēng)電功率預(yù)測(cè)。

以東北地區(qū)某兩個(gè)風(fēng)電場(chǎng)A、B的歷史功率數(shù)據(jù)作為研究樣本將基于模糊粒計(jì)算模型的預(yù)測(cè)結(jié)果與持續(xù)法、線性回歸法、指數(shù)平滑法比較可知，本文提出的粒計(jì)算模型的三個(gè)評(píng)價(jià)指標(biāo)均為最優(yōu)。由此可知基于粒計(jì)算的模型預(yù)測(cè)效果明顯優(yōu)于其它三種預(yù)測(cè)模型，預(yù)測(cè)精度顯著提高。

[1] 劉波，賀志佳，金昊.風(fēng)力發(fā)電現(xiàn)狀與發(fā)展趨勢(shì)[J].東北電力大學(xué)學(xué)報(bào)，2016，36(2)：7-13.

[2] 楊茂，陳新鑫，張強(qiáng)，等.基于支持向量機(jī)的短期風(fēng)速預(yù)測(cè)研究綜述[J].東北電力大學(xué)學(xué)報(bào)，2017，37(4)：1-7.

[3] 陳寧，沙倩，湯奕，等.基于交叉熵理論的風(fēng)電功率組合預(yù)測(cè)方法[J].中國電機(jī)工程學(xué)報(bào)，2012，32(4)：29-34，22.

[4] 葉林，劉鵬.基于經(jīng)驗(yàn)?zāi)B(tài)分解和支持向量機(jī)的短期風(fēng)電功率組合預(yù)測(cè)模型[J].中國電機(jī)工程學(xué)報(bào)，2011，31(31)：102-108.

[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.

[6] 盧志剛，陳月敏.基于改進(jìn)聚類的輸電線路參數(shù)多代理辨識(shí)與估計(jì)[J].電氣工程學(xué)報(bào)，2015，10(4)：70-81.

[7] 楊茂，季本明.基于局域一階加權(quán)法的風(fēng)電功率超短期預(yù)測(cè)研究[J].東北電力大學(xué)學(xué)報(bào)，2015，35(5)：6-10.

[8] 吳珺.基于粒計(jì)算的數(shù)據(jù)挖掘研究及應(yīng)用[D].武漢：武漢理工大學(xué)，2009.

[9] 伍軍云，張麗萍，洪勝華.粒計(jì)算及其在數(shù)據(jù)挖掘中的應(yīng)用[J].科技廣場(chǎng)，2005，34(06)：43-45.

[10] 顧潔，楊熠娟，施偉國.基于粒計(jì)算的電力系統(tǒng)中長期負(fù)荷動(dòng)態(tài)聚類預(yù)測(cè)模型[J].電網(wǎng)技術(shù)，2009，33(20)：120-124.

[11] 邱桃榮.面向本體學(xué)習(xí)的粒計(jì)算方法研究[D].北京：北京交通大學(xué)，2009.

[12] 王賀，胡志堅(jiān)，仉夢(mèng)林.基于模糊信息?；妥钚《酥С窒蛄繖C(jī)的風(fēng)電功率波動(dòng)范圍組合預(yù)測(cè)模型[J].電工技術(shù)學(xué)報(bào)，2014，29(12)：218-224.

[13] 孫文越，張建華，王如彬.基于粒計(jì)算的模糊神經(jīng)建模方法在電能輸出預(yù)測(cè)中的應(yīng)用[J].華東理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2015，41(4)：529-537.

[14] 朱旻辰.基于加權(quán)SVM與粒計(jì)算的金融時(shí)間序列波動(dòng)范圍預(yù)測(cè)研究[D].上海：上海交通大學(xué)，2014.

[15] 孫軼軒.基于數(shù)據(jù)挖掘的道路交通事故分析研究[D].北京：北京交通大學(xué)，2014.

[16] 王軍.粒計(jì)算及其在圖像分類中的應(yīng)用研究[D].南昌：南昌大學(xué)，2007.

[17] 左吉峰.信息粒度與決策樹[D].保定：河北大學(xué)，2009.

[18] 鄧飛，潘華.基于粒計(jì)算的入侵檢測(cè)系統(tǒng)研究[J].現(xiàn)代電子技術(shù)，2011，34(10)：115-117.

[19] 國家能源局.風(fēng)電廠功率預(yù)測(cè)預(yù)報(bào)管理暫行辦法[S].北京：國家能源局，2011.

[20] 王永翔，陳國初，張?chǎng)?基于PF-RBF神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)[J].上海電機(jī)學(xué)院學(xué)報(bào)，2014，17(6)：324-328，333.

[21] 楊茂，孫涌，王東，等.基于時(shí)間序列的多采樣尺度風(fēng)電功率多步預(yù)測(cè)研究[J].電測(cè)與儀表，2014，51(23)：55-59，109.

[22] 嚴(yán)干貴，王東，楊茂，等.兩種風(fēng)電功率多步預(yù)測(cè)方式的分析及評(píng)價(jià)[J].東北電力大學(xué)學(xué)報(bào)，2013，33(1/2)：126-130.

Abstract：With the expansion of the wind power the fluctuation of the impact on the grid is increasing，and the accurate wind power forecasting can valid decrease its affect to power system stability，so the wind power prediction is very important to the stability of power system operation，when large-scale wind power access to power system.This paper proposed a kind of fuzzy granular computing and support vector machine united wind power forecasting method based on fuzzy granular computing，the wind power time series is divided into sub-sequences of simple time window，while the objects with similar attributes together，reduce redundancy by extracting core information，prediction using support vector machine sub sequence，to get the final prediction value.Taking the measured data of a two wind farm in Northeast China as an example，the validity of the model is verified on the basis the index of the National Energy Bureau.

Keywords：Wind power；Real-time forecasting；Fuzzy set；Granular computing

ResearchonWindPowerReal-TimeForecastingBasedonFuzzyGranularComputing

YangMao，YangChunlin

(Electrical Engineering College，Northeast Electric Power University，Jilin Jilin 132012)

TM614

A

2017-03-12

國家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃項(xiàng)目(973計(jì)劃) (2013CB228201)；國家自然科學(xué)基金(51307017)；吉林省產(chǎn)業(yè)技術(shù)研究與開發(fā)專項(xiàng)項(xiàng)目(2014Y124)；吉林省科技發(fā)展計(jì)劃(20140520129JH).

楊 茂(1982-)，男，博士，副教授，主要研究方向：電力系統(tǒng)分析與風(fēng)力發(fā)電技術(shù).

電子郵箱：yangmao820@163.com(楊茂)；425161220@qq.com(楊春霖)

1005-2992(2017)05-0001-07