黃秋紅，王 霄，楊 靖，范圓成

（1.貴州大學(xué) 電氣工程學(xué)院，貴州 貴陽(yáng) 550025；2.中國(guó)電建集團(tuán) 貴州工程有限公司，貴州 貴陽(yáng) 550025）

0 引言

作為一種清潔能源，風(fēng)能目前已經(jīng)成為能源結(jié)構(gòu)中的重要組成部分。風(fēng)電固有的隨機(jī)性、波動(dòng)性給電力系統(tǒng)穩(wěn)定運(yùn)行帶來(lái)了諸多挑戰(zhàn)。風(fēng)電功率的準(zhǔn)確預(yù)測(cè)，對(duì)風(fēng)能利用的發(fā)展進(jìn)步具有重大意義[1-3]。

近幾年，機(jī)器學(xué)習(xí)在非線(xiàn)性系統(tǒng)控制方面的應(yīng)用不斷成熟，這為風(fēng)電功率預(yù)測(cè)問(wèn)題的解決提供了新的研究方向[4,5]。文獻(xiàn)[6]提出了一種基于LSTM 及循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)模型。借助循環(huán)神經(jīng)網(wǎng)絡(luò)的序列依賴(lài)特性，該模型可以通過(guò)更小的數(shù)據(jù)集進(jìn)行訓(xùn)練，實(shí)現(xiàn)更準(zhǔn)確的風(fēng)電預(yù)測(cè)。文獻(xiàn)[7]提出了基于魯棒回歸和變分模態(tài)分解LSTM 的風(fēng)電功率預(yù)測(cè)方法；仿真結(jié)果表明，該方法能顯著改善預(yù)測(cè)性能。文獻(xiàn)[8]將由變分模態(tài)分解、卷積長(zhǎng)短記憶網(wǎng)絡(luò)和誤差分析構(gòu)成的組合模型用于短期風(fēng)電功率預(yù)測(cè)；結(jié)果表明，此模型具有很高的預(yù)測(cè)精度。

由上述文獻(xiàn)可知，在風(fēng)電功率預(yù)測(cè)方面，LSTM 模型具有較高的預(yù)測(cè)精度；但上述模型的LSTM 網(wǎng)絡(luò)是通過(guò)實(shí)驗(yàn)確定的，這將導(dǎo)致獲得最優(yōu)參數(shù)的計(jì)算成本較大，并可能在一定程度上影響預(yù)測(cè)精度。

文獻(xiàn)[9]考慮到風(fēng)速具有高自相關(guān)性和固有波動(dòng)性等特點(diǎn)，將原始風(fēng)速序列進(jìn)行分解，并采用交叉優(yōu)化算法優(yōu)化后的反向傳播神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分解后不同頻帶分量的風(fēng)速；結(jié)果表明，該方法預(yù)測(cè)的絕對(duì)誤差較小。該文獻(xiàn)介紹了機(jī)器學(xué)習(xí)在風(fēng)電功率預(yù)測(cè)方面的應(yīng)用，但研究對(duì)象均僅針對(duì)單一風(fēng)電場(chǎng)。

文獻(xiàn)[10]將主成分分析用于區(qū)域空間特征氣象參數(shù)的提取，建立了基于集群劃分的區(qū)域風(fēng)電功率預(yù)測(cè)技術(shù)框架。文獻(xiàn)[11]提出了一種考慮時(shí)空分布特性的區(qū)域風(fēng)電功率預(yù)測(cè)方法。上述區(qū)域風(fēng)電功率預(yù)測(cè)方法未考慮到集群風(fēng)電功率預(yù)測(cè)精度對(duì)區(qū)域風(fēng)電功率預(yù)測(cè)精度的影響，且對(duì)于基準(zhǔn)風(fēng)電場(chǎng)的功率預(yù)測(cè)僅采用了現(xiàn)有的神經(jīng)網(wǎng)絡(luò)模型，未對(duì)基準(zhǔn)風(fēng)電場(chǎng)的功率預(yù)測(cè)方法進(jìn)行研究。

目前風(fēng)電功率預(yù)測(cè)方法大多只針對(duì)單個(gè)風(fēng)電場(chǎng)。隨著風(fēng)電的集中式開(kāi)發(fā)，各地電網(wǎng)和發(fā)電企業(yè)迫切需要建成區(qū)域風(fēng)電功率預(yù)測(cè)系統(tǒng)；但是，大多現(xiàn)存的區(qū)域風(fēng)電功率預(yù)測(cè)模型未考慮集群功率預(yù)測(cè)精度對(duì)區(qū)域風(fēng)電功率預(yù)測(cè)精度的影響。

針對(duì)上述問(wèn)題，本文提出區(qū)域風(fēng)電功率預(yù)測(cè)方法：采用自適應(yīng)K-means聚類(lèi)算法對(duì)區(qū)域內(nèi)的風(fēng)電場(chǎng)進(jìn)行集群劃分；針對(duì)每個(gè)集群，分析集群內(nèi)各風(fēng)電場(chǎng)歷史功率數(shù)據(jù)與集群總歷史功率數(shù)據(jù)的相關(guān)性，選取各集群特征點(diǎn)，并采用IPSO-LSTM模型預(yù)測(cè)各集群特征點(diǎn)的風(fēng)電功率。以所選集群特征點(diǎn)的預(yù)測(cè)功率值為輸入，利用IPSO-LSTM模型預(yù)測(cè)出集群的風(fēng)電功率。各集群風(fēng)電功率預(yù)測(cè)值之和即為整個(gè)區(qū)域的預(yù)測(cè)結(jié)果。

1 區(qū)域風(fēng)電功率預(yù)測(cè)模型框架

建立如圖1所示的模型整體框架。

圖1 區(qū)域風(fēng)電功率預(yù)測(cè)模型整體框架Fig.1 Overall framework of prediction model for regional wind power

如圖1所示，該模型由5部分構(gòu)成，分別為基于自適應(yīng)K-means的集群劃分、基于相關(guān)性分析的集群特征點(diǎn)選擇、基于IPSO-LSTM的集群特征點(diǎn)功率預(yù)測(cè)、基于IPSO-LSTM的集群功率預(yù)測(cè)以及區(qū)域風(fēng)電功率求和。

2 區(qū)域風(fēng)電功率預(yù)測(cè)模型算法

2.1 基于自適應(yīng)K-means的集群劃分

風(fēng)電場(chǎng)的出力受地理地形、氣候等條件的影響較大，因此需要對(duì)風(fēng)電場(chǎng)進(jìn)行集群劃分，將出力情況相似、具有較強(qiáng)相關(guān)性的風(fēng)電場(chǎng)劃分在一個(gè)集群內(nèi)。

文獻(xiàn)[12，13]針對(duì)傳統(tǒng)K-means的聚類(lèi)數(shù)目k難以準(zhǔn)確估定的問(wèn)題，通過(guò)引入 Davies-Bouldin指數(shù)對(duì)K-means聚類(lèi)進(jìn)行評(píng)估，從而建立了自適應(yīng)K-means聚類(lèi)算法，實(shí)現(xiàn)了聚類(lèi)個(gè)數(shù)的自動(dòng)設(shè)置。Davies-Bouldin指數(shù)定義如下：

式中：Ci和Cj分別為i和j樣本到相應(yīng)簇中心的距離的平均值；Di,j為集群i的中心到集群j之間的歐氏距離。

DBI值越小，則集群性能越好。將得到的最佳聚類(lèi)數(shù)記為kbest。為了避免生成過(guò)多的簇，利用閾值限制簇的數(shù)量，最大值記為kmax。自適應(yīng)K-means聚類(lèi)過(guò)程如圖2所示。

圖2 自適應(yīng)K-means聚類(lèi)流程圖Fig.2 Flow chart of adaptive K-means clustering

本文采用該自適應(yīng)K-means聚類(lèi)算法完成風(fēng)電場(chǎng)的劃分，并選擇風(fēng)電場(chǎng)的歷史功率值為聚類(lèi)對(duì)象。

以某區(qū)域25個(gè)風(fēng)電場(chǎng)2017年12月—2018年1月1日的實(shí)際數(shù)據(jù)為算列，對(duì)本文所提方法進(jìn)行校驗(yàn)。

圖3示出了采用自適應(yīng)K-means聚類(lèi)算法，以歷史輸出作為聚類(lèi)對(duì)象的集群劃分結(jié)果。

圖3 集群劃分結(jié)果Fig.3 Result of cluster partitioning

由圖3可知，根據(jù)風(fēng)電場(chǎng)的出力情況，可將整個(gè)區(qū)域劃分為4個(gè)集群，各集群分別含9、6、6、4個(gè)風(fēng)電場(chǎng)。區(qū)域內(nèi)各風(fēng)電場(chǎng)所屬集群如表1所示。

表1 表1各集群中風(fēng)電場(chǎng)編號(hào)Tab.1 Number of wind farms in each cluster

圖1中，集群1有一個(gè)明顯的離群點(diǎn)，并沒(méi)有按位置進(jìn)行劃分；這意味著2個(gè)風(fēng)電場(chǎng)雖然地理位置相近，但其風(fēng)電輸出可能具有不同的特點(diǎn)。該結(jié)果說(shuō)明了根據(jù)風(fēng)力發(fā)電歷史數(shù)據(jù)劃分集群的必要性。

2.2 基于相關(guān)性分析的集群特征點(diǎn)選擇

在完成區(qū)域風(fēng)電場(chǎng)的集群劃分后，需要對(duì)每個(gè)集群選取相應(yīng)的特征點(diǎn)。集群特征點(diǎn)的選擇對(duì)于區(qū)域功率預(yù)測(cè)精度有重要影響。

本文利用各風(fēng)電場(chǎng)歷史功率數(shù)據(jù)與集群總歷史功率數(shù)據(jù)的相關(guān)性選擇該集群的特征點(diǎn)。經(jīng)多次試驗(yàn)，結(jié)果顯示：在選取特征點(diǎn)時(shí)，所選風(fēng)電場(chǎng)的功率數(shù)據(jù)達(dá)到該集群功率數(shù)據(jù)的 80%時(shí)，區(qū)域風(fēng)電場(chǎng)的功率預(yù)測(cè)精度最高。

首先，計(jì)算集群內(nèi)各風(fēng)電場(chǎng)與該集群歷史功率數(shù)據(jù)的相關(guān)系數(shù)；其次，依次選擇相關(guān)系數(shù)大的風(fēng)電場(chǎng)作為該集群的特征點(diǎn)，直到所選風(fēng)電場(chǎng)的功率數(shù)據(jù)達(dá)到該集群功率數(shù)據(jù)的80%為止。

相關(guān)系數(shù)：

式中：n為風(fēng)電場(chǎng)功率測(cè)量點(diǎn)的個(gè)數(shù)；xik為第i個(gè)風(fēng)電場(chǎng)的第k個(gè)功率測(cè)量點(diǎn)；為第i個(gè)風(fēng)電場(chǎng)n個(gè)測(cè)量功率的平均值；yk為該集群第k個(gè)測(cè)量點(diǎn)的實(shí)際功率值；為該集群n個(gè)測(cè)量點(diǎn)的平均值。

各集群與集群內(nèi)各風(fēng)電場(chǎng)的相關(guān)性系數(shù)如圖4所示。

圖4 集群內(nèi)各風(fēng)電場(chǎng)相關(guān)性分析Fig.4 Correlation analysis of wind farms in the cluster

通過(guò)對(duì)各集群內(nèi)風(fēng)電場(chǎng)的相關(guān)性分析，按照各風(fēng)電場(chǎng)與各集群的實(shí)際風(fēng)電功率，選擇集群 1的特征點(diǎn)為風(fēng)電場(chǎng)6、8、9、17、18、19、25；集群2的特征點(diǎn)為風(fēng)電場(chǎng)5、11、13、16、21；集群3的特征點(diǎn)為風(fēng)電場(chǎng)2、3、4、15、20、23；集群4的特征點(diǎn)為風(fēng)電場(chǎng)1、14、22。

2.3 基于IPSO-LSTM的集群功率預(yù)測(cè)

集群特征點(diǎn)的功率預(yù)測(cè)精度對(duì)于區(qū)域風(fēng)電場(chǎng)功率預(yù)測(cè)精度的影響較大。

在風(fēng)電功率預(yù)測(cè)方面，LSTM 模型具有較高的預(yù)測(cè)精度[14,15]；但是，LSTM 的神經(jīng)元數(shù)量、學(xué)習(xí)率和迭代次數(shù)難以確定，這對(duì)模型泛化能力、訓(xùn)練時(shí)間、模型預(yù)測(cè)精度影響較大。因此，本文通過(guò)改進(jìn)粒子群（particle swarm optimization，PSO）算法，得到IPSO算法以增強(qiáng)PSO算法的尋優(yōu)能力。利用IPSO對(duì)LSTM的學(xué)習(xí)率、迭代次數(shù)、隱含層神經(jīng)元節(jié)點(diǎn)數(shù)等參數(shù)進(jìn)行尋優(yōu)——建立IPSO-LSTM模型，并利用該模型進(jìn)行各特征點(diǎn)與集群的功率預(yù)測(cè)。

2.3.1 IPSO算法

PSO算法具有陷入局部最優(yōu)解的缺陷。在實(shí)際應(yīng)用中，對(duì)其進(jìn)行了改進(jìn)，以獲得更好的參數(shù)來(lái)優(yōu)化LSTM。

本文對(duì)PSO算法做了如下改進(jìn)。

（1）由于PSO算法中固定的慣性權(quán)重w會(huì)減弱算法的全局尋優(yōu)能力和收斂速度，部分學(xué)者在PSO算法中引入慣性權(quán)重系數(shù)，以實(shí)現(xiàn)對(duì)粒子飛行速度的有效控制。本文對(duì)w進(jìn)行改善以提高PSO的性能：

式中：wmax和wmin分別為w的最大值和最小值；t為當(dāng)前迭代次數(shù)；tmax為最大迭代次數(shù)。

由式（3）可以看出：隨著t的增加，w會(huì)逐漸減少，即前期權(quán)重大，后期權(quán)重小。這樣可以使模型在尋優(yōu)前期沒(méi)有找到全局最優(yōu)解時(shí)，更新速度加快，進(jìn)而提升全局尋優(yōu)能力；在后期到達(dá)全局最優(yōu)解附近時(shí)，模型更新速度減慢，局部尋優(yōu)能力增強(qiáng)。

（2）在 PSO算法中，加入遺傳算法中的變異操作進(jìn)行自適應(yīng)變異，即

式中：t為當(dāng)前迭代次數(shù)；rand表示[0,1]區(qū)間的一個(gè)隨機(jī)數(shù)。

由式（4）可看出，隨著進(jìn)化代數(shù)的增加，不等式右邊會(huì)從0.5逐漸增加到1。因?yàn)椴坏仁接疫呏饾u增大，則不等式成立的機(jī)率就會(huì)逐漸減??；于是，粒子變異的機(jī)率越小，從而減小了粒子陷入局部最優(yōu)解的風(fēng)險(xiǎn)。

為驗(yàn)證IPSO算法的尋優(yōu)能力，分別用IPSO與PSO算法對(duì)5維sphere函數(shù)的極值（極值為0）尋優(yōu)。為使結(jié)果更直觀，本文對(duì)尋優(yōu)結(jié)果取對(duì)數(shù)，如圖5所示。

圖5 5維sphere函數(shù)的極值尋優(yōu)結(jié)果Fig.5 Extreme value optimization results of the 5-dimensional sphere function

由圖5可看出，PSO算法迭代約40次時(shí)就陷入了局部最優(yōu)解，其尋優(yōu)結(jié)果約為 1.2；而 IPSO算法在迭代1 000次時(shí)仍然具有尋優(yōu)能力，且其尋優(yōu)結(jié)果約為10–7，與PSO算法的尋優(yōu)結(jié)果相差約6個(gè)數(shù)量級(jí)。該結(jié)果表明，與PSO算法相比，IPSO算法明顯增強(qiáng)了尋優(yōu)能力。

2.3.2 IPSO-LSTM算法

在神經(jīng)網(wǎng)絡(luò)模型中，測(cè)試集的均方差可以直接反映模型的預(yù)測(cè)效果。但在已有的研究中，大部分適應(yīng)度值只選擇訓(xùn)練樣本的均方差，這就造成一旦發(fā)生過(guò)擬合就會(huì)導(dǎo)致模型預(yù)測(cè)效果失去最優(yōu)性。因此，本文將訓(xùn)練集與測(cè)試集的均方差都加入適應(yīng)度函數(shù)，并使兩者權(quán)重都為0.5，把兩者乘以權(quán)重之和作為該模型的適應(yīng)度函數(shù)，即

式中：F1為訓(xùn)練集均方差；F2為測(cè)試集均方差。

該優(yōu)化算法流程如圖6所示。

圖6 IPSO-LSTM算法流程Fig.6 Flow of IPSO-LSTM algorithm

3 算例分析

仍以前文所述的 25個(gè)風(fēng)電場(chǎng)為例進(jìn)行算法驗(yàn)證。

為了保證算法的有效性，以2017年12月的數(shù)據(jù)進(jìn)行模型訓(xùn)練，僅將2018年1月1日共24 h的數(shù)據(jù)用于模型測(cè)試。

3.1 集群特征點(diǎn)功率預(yù)測(cè)

采用 IPSO-LSTM 模型進(jìn)行集群特征點(diǎn)的功率預(yù)測(cè)。模型輸入為各特征點(diǎn)的數(shù)值預(yù)報(bào)要素，包括風(fēng)速、環(huán)境溫濕度、氣壓、相對(duì)濕度以及組件溫度；輸出為風(fēng)電場(chǎng)實(shí)際發(fā)電功率。

將IPSO-LSTM模型與PSO-LSTM及LSTM模型的預(yù)測(cè)值進(jìn)行對(duì)比。

由于風(fēng)電場(chǎng)較多，本文僅展示集群2和集群4特征點(diǎn)的不同模型風(fēng)電功率預(yù)測(cè)結(jié)果，如圖7、圖8所示。

圖7 集群2特征點(diǎn)的預(yù)測(cè)功率Fig.7 Predicted power of cluster 2 feature points

圖8 集群4特征點(diǎn)的預(yù)測(cè)功率Fig.8 Predicted power of cluster 4 feature points

由圖7～8可知，與其他模型相比，IPSO-LSTM模型對(duì)于各集群特征點(diǎn)預(yù)測(cè)結(jié)果最接近真實(shí)值。相較于LSTM模型，IPSO-LSTM模型利用IPSO對(duì)LSTM的神經(jīng)元數(shù)量、學(xué)習(xí)率和迭代次數(shù)進(jìn)行尋優(yōu)，自動(dòng)尋找合適參數(shù)，克服了人為確定LSTM參數(shù)的缺點(diǎn)，進(jìn)而有效地提高了預(yù)測(cè)精度。此外，從圖中還可以看出，IPSO-LSTM模型比PSO-LSTM模型的預(yù)測(cè)結(jié)果更準(zhǔn)確，這表明IPSO在迭代過(guò)程中相比PSO可以得到更好的參數(shù)來(lái)優(yōu)化LSTM。

為了更清楚顯示各模型性能和預(yù)測(cè)精度的差異，本文采用均方根誤差（root mean square error,RMSE）、平均絕對(duì)誤差（mean absolute error,MAE）、決定系數(shù)（R-square，R2）3個(gè)誤差指標(biāo)來(lái)評(píng)價(jià)精度。集群2和集群4特征點(diǎn)的各模型結(jié)果評(píng)價(jià)指標(biāo)如表2～3所示。

表2 集群2特征點(diǎn)不同模型評(píng)價(jià)指標(biāo)對(duì)比Tab.2 Comparison of evaluation indexes of different models in cluster 2 feature points

表3 集群4特征點(diǎn)不同模型評(píng)價(jià)指標(biāo)對(duì)比Tab.3 Comparison of evaluation indexes of different models in cluster 4 feature points

由表2～3中各評(píng)價(jià)指標(biāo)值可以看出：由于各風(fēng)電場(chǎng)的規(guī)模、位置及風(fēng)機(jī)周?chē)沫h(huán)境不同，同一模型對(duì)不同風(fēng)電場(chǎng)的預(yù)測(cè)水平存在一定程度上的差異。而針對(duì)同一風(fēng)電場(chǎng)，IPSO-LSTM模型的預(yù)測(cè)精度相比其他模型而言最高，這進(jìn)一步驗(yàn)證了本文所用 IPSO-LSTM 模型對(duì)于提高風(fēng)電場(chǎng)預(yù)測(cè)精度的有效性。

3.2 基于IPSO-LSTM的風(fēng)電場(chǎng)集群功率預(yù)測(cè)

依然選擇IPSO-LSTM模型進(jìn)行集群功率預(yù)測(cè)。

以該集群中各特征點(diǎn)的功率預(yù)測(cè)值為輸入，該集群實(shí)際風(fēng)電功率數(shù)據(jù)為輸出。預(yù)測(cè)結(jié)果和各評(píng)價(jià)指標(biāo)如圖9及表4所示。

表4 各集群評(píng)價(jià)指標(biāo)值對(duì)比Tab.4 Comparison of evaluation index value of each cluster

圖9 各集群的風(fēng)電功率預(yù)測(cè)值Fig.9 Predicted values of wind power of each cluster

由圖9可以看出，利用IPSO-LSTM模型預(yù)測(cè)的各集群風(fēng)電功率值能較準(zhǔn)確地?cái)M合實(shí)際值。從表4中各評(píng)價(jià)指標(biāo)可看出，該預(yù)測(cè)結(jié)果具有較高的預(yù)測(cè)精度。

3.3 區(qū)域的風(fēng)電功率求和

各集群的風(fēng)電功率預(yù)測(cè)值之和即為該區(qū)域的風(fēng)電功率預(yù)測(cè)結(jié)果。

用直接相加法預(yù)測(cè)區(qū)域風(fēng)電功率可能導(dǎo)致部分風(fēng)電場(chǎng)的預(yù)測(cè)誤差發(fā)生疊加，進(jìn)而影響區(qū)域風(fēng)電功率預(yù)測(cè)精度；同時(shí)，在風(fēng)電場(chǎng)部分?jǐn)?shù)據(jù)丟失時(shí)，該方法存在無(wú)法進(jìn)行區(qū)域風(fēng)電功率預(yù)測(cè)的問(wèn)題。

為了說(shuō)明本文所提集群劃分的方法相較于直接相加法能提高區(qū)域風(fēng)電功率預(yù)測(cè)精度，本文將2種方法的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。

為了使對(duì)比合理，直接相加法中各預(yù)測(cè)模型均采用本文提出的IPSO-LSTM模型。

預(yù)測(cè)結(jié)果及各評(píng)價(jià)指標(biāo)如圖10及表5所示。

圖10 區(qū)域風(fēng)電功率預(yù)測(cè)值Fig.10 Predicted value of regional wind power

表5 區(qū)域風(fēng)電功率預(yù)測(cè)評(píng)價(jià)指標(biāo)對(duì)比Tab.5 Comparison of evaluation index of regional wind power prediction

由圖10可看出，集群劃分法對(duì)于區(qū)域風(fēng)電功率的預(yù)測(cè)效果明顯好于直接相加法。分析其中原因?yàn)椋河捎谠诓捎弥苯酉嗉臃A(yù)測(cè)區(qū)域風(fēng)電功率時(shí)，單一風(fēng)電場(chǎng)的預(yù)測(cè)值相加成為區(qū)域風(fēng)電功率預(yù)測(cè)值時(shí)可能發(fā)生誤差疊加；本文提出的集群劃分方法可有效剔除各風(fēng)電場(chǎng)間的冗余因素、平滑各集群特征點(diǎn)的預(yù)測(cè)誤差，進(jìn)而提高了區(qū)域風(fēng)電功率預(yù)測(cè)的精確性。

對(duì)比表5中的評(píng)價(jià)指標(biāo)可以發(fā)現(xiàn)，相比于直接相加法，集群劃分法的RMSE值降低了13.784 9，MAE值降低了1.562 7，R2值提高了0.430 7。該結(jié)果驗(yàn)證了本文使用集群劃分方法預(yù)測(cè)區(qū)域風(fēng)電功率的有效性。

4 結(jié)論

為了提高區(qū)域風(fēng)電場(chǎng)的功率預(yù)測(cè)精度，本文提出了基于集群劃分的區(qū)域短期風(fēng)電功率預(yù)測(cè)模型，其特點(diǎn)是：利用各風(fēng)電場(chǎng)歷史功率數(shù)據(jù)與集群總歷史功率數(shù)據(jù)的相關(guān)性選擇集群特征點(diǎn)，無(wú)需大量歷史數(shù)據(jù)支撐，其原理簡(jiǎn)單且易于實(shí)現(xiàn)。

以實(shí)際數(shù)據(jù)為算例的仿真結(jié)果表明：

（1）基于自適應(yīng)K-means的區(qū)域風(fēng)電場(chǎng)集群劃分方法可有效對(duì)風(fēng)電場(chǎng)的出力特性進(jìn)行識(shí)別，并能對(duì)風(fēng)電場(chǎng)群進(jìn)行合理劃分。

（2）本文對(duì)PSO算法w的改進(jìn)以及加入遺傳算法中的變異操作，不僅增強(qiáng)了該算法的全局尋優(yōu)能力、減少了粒子陷入局部最優(yōu)解的風(fēng)險(xiǎn)，且利用IPSO優(yōu)化后的LSTM模型克服了人為確定參數(shù)的缺點(diǎn)，使模型對(duì)于各集群特征點(diǎn)和風(fēng)電場(chǎng)集群都有較好的風(fēng)電功率預(yù)測(cè)效果，進(jìn)而提高了區(qū)域風(fēng)電場(chǎng)的預(yù)測(cè)精度。

（3）對(duì)于區(qū)域風(fēng)電功率預(yù)測(cè)，相比于直接相加法，本文提出的集群劃分方法有效解決了因區(qū)域風(fēng)電場(chǎng)部分?jǐn)?shù)據(jù)丟失或異常而導(dǎo)致的無(wú)法預(yù)測(cè)的問(wèn)題；且該方法可有效剔除各風(fēng)電場(chǎng)間數(shù)據(jù)的冗余因素、平滑各集群特征點(diǎn)的預(yù)測(cè)誤差，使預(yù)測(cè)結(jié)果更加準(zhǔn)確。