摘 要：精準(zhǔn)的風(fēng)電集群區(qū)域功率預(yù)測(cè)對(duì)電源側(cè)的競(jìng)價(jià)上網(wǎng)具有重要意義。由于同一地區(qū)多個(gè)風(fēng)電場(chǎng)受氣候影響波動(dòng)程度相近，可看作具有時(shí)空相關(guān)性的風(fēng)電場(chǎng)群，并以此進(jìn)行集群的合理劃分。為此，提出一種基于自適應(yīng)優(yōu)化近鄰傳播（AP）聚類與反向傳播（BP）加權(quán)神經(jīng)網(wǎng)絡(luò)的多區(qū)域復(fù)合短期風(fēng)電功率預(yù)測(cè)模型。首先，通過粒子群優(yōu)化算法（PSO）優(yōu)化AP聚類方法對(duì)風(fēng)電場(chǎng)群的歷史數(shù)據(jù)進(jìn)行集群的聚類與劃分；然后，根據(jù)得到的最優(yōu)聚類結(jié)果構(gòu)建風(fēng)電場(chǎng)群子區(qū)域樣本訓(xùn)練集；最后，利用基于相關(guān)系數(shù)權(quán)重的BP神經(jīng)網(wǎng)絡(luò)對(duì)各子區(qū)域進(jìn)行功率預(yù)測(cè)。算例結(jié)果表明：所提方法在24 h日前預(yù)測(cè)相較傳統(tǒng)疊加法與單一BP神經(jīng)網(wǎng)絡(luò)可提高1.35%和2.62%的精度，可表明該模型具有優(yōu)越的預(yù)測(cè)性能。

關(guān)鍵詞：風(fēng)電場(chǎng)；聚類分析；粒子群算法；反向傳播；相關(guān)性理論；功率預(yù)測(cè)

中圖分類號(hào)：TM614 文獻(xiàn)標(biāo)志碼：A

0 引 言

近些年來，中國(guó)的風(fēng)電預(yù)測(cè)技術(shù)飛速發(fā)展，風(fēng)力發(fā)電容量逐年增加，很多地區(qū)風(fēng)電場(chǎng)向著集群化、規(guī)?；较虬l(fā)展［1］。然而，大部分研究主要集中在對(duì)單臺(tái)風(fēng)力機(jī)以及單個(gè)風(fēng)電場(chǎng)的精準(zhǔn)功率預(yù)測(cè)上，對(duì)風(fēng)電場(chǎng)集群的整體功率預(yù)測(cè)研究相對(duì)較少［2］。因此有必要進(jìn)一步展開對(duì)風(fēng)電場(chǎng)集群預(yù)測(cè)的深入研究。精準(zhǔn)的集群預(yù)測(cè)可降低風(fēng)電時(shí)空特性對(duì)電網(wǎng)運(yùn)行的影響，有利于電源側(cè)的競(jìng)價(jià)上網(wǎng)，然而采用不同的集群預(yù)測(cè)方法可對(duì)原始數(shù)據(jù)集有著不同程度的挖掘，其經(jīng)濟(jì)性和準(zhǔn)確性也將得到不同的體現(xiàn)［3］。目前，風(fēng)功率預(yù)測(cè)方法根據(jù)數(shù)值天氣預(yù)報(bào)（numerical weather prediction，NWP）數(shù)據(jù)與風(fēng)電輸出功率的關(guān)系，主要分為以物理參數(shù)計(jì)算風(fēng)場(chǎng)輸出的物理方法［4］、基于大量歷史數(shù)據(jù)訓(xùn)練的統(tǒng)計(jì)方法、智能化方法以及復(fù)合方法，包括支持向量機(jī)［5］，反向傳播（back propagationneural network，BP）神經(jīng)網(wǎng)絡(luò)［6］等具有較強(qiáng)非線性映射能力、泛化與自適應(yīng)能力的預(yù)測(cè)方法已廣泛應(yīng)用于風(fēng)功率預(yù)測(cè)。

同時(shí)，深度學(xué)習(xí)算法因其較強(qiáng)的擬合能力近年來也得到快速發(fā)展，其中深度學(xué)習(xí)復(fù)合模型有多變量長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（multivariable long and short-term memory neural network，MLSTM）［7］、卷積長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（convolution long-shortterm memory neural network，CNN-LSTM）［8］、卷積長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（recurrent long-short term memory neural network，RNN-LSTM）等。文獻(xiàn)［9］構(gòu)建并訓(xùn)練增強(qiáng)遺忘門長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（long short-term memory-enhanced forget -gatenetwork model，LSTM-EFG）模型用于預(yù)測(cè)風(fēng)電功率，通過聚類進(jìn)一步優(yōu)化風(fēng)電的預(yù)測(cè)結(jié)果； 文獻(xiàn)［10］利用多目標(biāo)灰狼優(yōu)化器和極限學(xué)習(xí)機(jī)構(gòu)建模型預(yù)測(cè)預(yù)測(cè)誤差，進(jìn)一步提高功率預(yù)測(cè)精度；文獻(xiàn)［11］利用風(fēng)電場(chǎng)功率數(shù)據(jù)取值分布不均勻的特點(diǎn)，提出雙隱層BP 神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)風(fēng)功率預(yù)測(cè)。

為進(jìn)一步實(shí)現(xiàn)風(fēng)電場(chǎng)群的精細(xì)化預(yù)測(cè)，本文提出一種基于自適應(yīng)優(yōu)化近鄰傳播聚類與加權(quán)BP 神經(jīng)網(wǎng)絡(luò)的復(fù)合短期風(fēng)功率預(yù)測(cè)模型。首先依據(jù)風(fēng)場(chǎng)所在區(qū)域的歷史數(shù)據(jù)，采用粒子群優(yōu)化算法（particle swarm optimization，PSO）與近鄰傳播（affinity propagation，AP）聚類優(yōu)化算法獲取與功率波動(dòng)曲線密切相關(guān)的聚類結(jié)果，結(jié)合相關(guān)系數(shù)優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性能，強(qiáng)化“一場(chǎng)一測(cè)”風(fēng)電預(yù)測(cè)功率與多區(qū)域?qū)崪y(cè)總功率的映射關(guān)系，最后構(gòu)造包含PSO-AP 聚類算法與BP 優(yōu)化網(wǎng)絡(luò)的復(fù)合模型，通過BP 網(wǎng)絡(luò)訓(xùn)練，在未知風(fēng)電場(chǎng)預(yù)測(cè)模型條件下學(xué)習(xí)場(chǎng)站歷史預(yù)測(cè)數(shù)據(jù)集和區(qū)域?qū)崪y(cè)數(shù)據(jù)集的互聯(lián)特征，從而實(shí)現(xiàn)風(fēng)電場(chǎng)群區(qū)域功率精細(xì)化預(yù)測(cè)。

1 PSO-AP-BP網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建

1.1 自適應(yīng)優(yōu)化AP聚類

風(fēng)電功率按照所劃分空間區(qū)域大小的不同可分為3 種，包括單機(jī)預(yù)測(cè)、單場(chǎng)預(yù)測(cè)和區(qū)域風(fēng)電場(chǎng)預(yù)測(cè)。通常情形下，由于在同一區(qū)域內(nèi)的風(fēng)電場(chǎng)群存在著相近的氣象條件，為區(qū)域風(fēng)電預(yù)測(cè)提供了可行性。因此有必要在完成風(fēng)電場(chǎng)群功率預(yù)測(cè)之前實(shí)現(xiàn)對(duì)不同特征種類風(fēng)電場(chǎng)的自動(dòng)聚類。AP 聚類算法是一種基于代表點(diǎn)的聚類算法。根據(jù)數(shù)據(jù)點(diǎn)自身代表性的原理，其主要利用各數(shù)據(jù)點(diǎn)的負(fù)歐式距離作為數(shù)據(jù)點(diǎn)之間的相似度，并依據(jù)數(shù)據(jù)點(diǎn)的自相似度與互相似度構(gòu)建相應(yīng)矩陣，通過迭代求精確定最佳聚類中心，并按照相似程度歸類，確保聚類質(zhì)量與聚類數(shù)目。AP 聚類算法自提出以來在圖像分割［12］、文本數(shù)據(jù)挖掘［13］等方面得到廣泛應(yīng)用。因此，本文通過引用AP 聚類算法，依據(jù)同一區(qū)域多個(gè)風(fēng)電場(chǎng)歷史功率波動(dòng)曲線相關(guān)性原理［14］，由此獲取代表風(fēng)電場(chǎng)以及聚類數(shù)量，從而利用評(píng)價(jià)系數(shù)選取最佳聚類結(jié)果，為場(chǎng)群功率預(yù)測(cè)提供數(shù)據(jù)支持，以供后續(xù)研究使用。

1.1.1 AP 聚類算法

AP 聚類算法以各風(fēng)電場(chǎng)場(chǎng)級(jí)功率數(shù)據(jù)之間的數(shù)據(jù)相似度（similarity）為基礎(chǔ)。

S （i，k）=-||xi -xk||2 （1）

式中：S （i，k）—— 負(fù)歐氏距離，表示風(fēng)電場(chǎng)間的互相關(guān)性；xi——第i 風(fēng)電場(chǎng)功率時(shí)間序列；xk——第k 風(fēng)電場(chǎng)功率時(shí)間序列。

同時(shí)運(yùn)用吸引度（responsibility，R）和歸屬度（availability，A）兩種機(jī)制實(shí)現(xiàn)代表風(fēng)電場(chǎng)的選取，進(jìn)而實(shí)現(xiàn)代表風(fēng)電場(chǎng)區(qū)域下的其他風(fēng)電場(chǎng)歸類。

式中：R （i，k）、R （i，k）old——本次、上一次競(jìng)選聚類代表風(fēng)電場(chǎng)k對(duì)其他風(fēng)電場(chǎng)i 的吸引程度；λ—— 阻尼因子；A（i，k）、A（i，k）old——本次、上一次其他風(fēng)電場(chǎng)i 支持競(jìng)選聚類代表風(fēng)電場(chǎng)k 作為聚類中心的程度。R （i，k）+A（i，k） 越大，候選數(shù)據(jù)點(diǎn)k 作為聚類中心的可能性就越大。

其傳遞過程如圖1 所示。

1.1.2 粒子群優(yōu)化參數(shù)模型

傳統(tǒng)的AP 聚類中，偏向參數(shù)值p 作為S （i，k） 主對(duì)角線上的元素，且一般將p 設(shè)定為S （i，k） 的中值，λ 取固定值。與傳統(tǒng)AP 聚類不同，本文采用PSO 算法，以動(dòng)態(tài)尺度對(duì)p 和λ完成尋優(yōu)，獲取最優(yōu)雙參數(shù)組合，進(jìn)而利用輪廓系數(shù)作為聚類質(zhì)量的評(píng)價(jià)指標(biāo)，得到最優(yōu)聚類數(shù)量，為風(fēng)電場(chǎng)群分區(qū)預(yù)測(cè)提供理論基礎(chǔ)。

PSO 算法以初始化AP 聚類雙參數(shù)來構(gòu)建種群數(shù)量為N且具有搜索空間和搜索能力的粒子群，以輪廓系數(shù)作為適應(yīng)度目標(biāo)函數(shù)分配位置和速度屬性進(jìn)而實(shí)現(xiàn)粒子群更新迭代，實(shí)現(xiàn)粒子群內(nèi)部信息共享和協(xié)作［15］。

Vi = Vi +c1 × r a n d （ ） ×（bi -Zi ） +c2 ×r a n d （ ） ×（gi -Zi ）（6）

式中：Vi——粒子更新速度；c1、c2——學(xué)習(xí)因子；bi——粒子歷史最優(yōu)參數(shù)；Zi——當(dāng)前位置；gi——種群歷史最優(yōu)參數(shù)。

位置更新如式（7）所示：

Zi = Zi + Vi （7）

利用輪廓系數(shù)Silhouette（sil）指標(biāo)對(duì)得到的聚類質(zhì)量和聚類數(shù)目進(jìn)行評(píng)估，sil 越大，表示聚類質(zhì)量越好，對(duì)應(yīng)的聚類數(shù)量K 即最優(yōu)聚類數(shù)量［16］。對(duì)比傳統(tǒng)AP 聚類算法，通過不同月份進(jìn)行聚類，如表1 所示，基于PSO 優(yōu)化的AP 聚類對(duì)風(fēng)電場(chǎng)群可顯著提高聚類質(zhì)量。根據(jù)風(fēng)電歷史數(shù)據(jù)聚類可知，8 月份所得到的聚類質(zhì)量最好，更能表現(xiàn)該地多區(qū)域風(fēng)電場(chǎng)群的真實(shí)聚類場(chǎng)景，該聚類算法可將該地區(qū)分為3 個(gè)子區(qū)域，為后續(xù)進(jìn)行多區(qū)域功率預(yù)測(cè)研究提供可靠的聚類結(jié)果。聚類結(jié)果如圖2 所示。

1.2 BP加權(quán)優(yōu)化網(wǎng)絡(luò)

1.2.1 BP 神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是一種3 層、正向傳遞與反饋相結(jié)合的前饋神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層以及輸出層，如圖3 所示，具有高度的認(rèn)知能力和自適應(yīng)能力以及較強(qiáng)的非線性映射和泛化能力等特點(diǎn)，能高效地進(jìn)行風(fēng)電功率預(yù)測(cè)［17］。BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程由特征參數(shù)數(shù)據(jù)的雙向傳播組成。正向傳播，即根據(jù)輸入得到一個(gè)輸出；反向傳播，根據(jù)所得到的預(yù)測(cè)值，將其與真實(shí)值對(duì)比，計(jì)算損失，然后再由損失反向傳播，對(duì)權(quán)重和偏置進(jìn)行更新，優(yōu)化參數(shù)，以使得損失最小，模型最優(yōu)。

1.2.2 基于相關(guān)系數(shù)權(quán)重的BP 神經(jīng)網(wǎng)絡(luò)模型

時(shí)間尺度的劃分通常受到多種因素的共同影響，一般情況下短期預(yù)測(cè)要求幾十小時(shí)到幾天的風(fēng)電功率［18］。然而在實(shí)際短期功率預(yù)測(cè)過程中，基于原始數(shù)據(jù)時(shí)間序列與場(chǎng)群輸出功率的預(yù)測(cè)結(jié)果，往往會(huì)出現(xiàn)部分預(yù)測(cè)時(shí)間節(jié)點(diǎn)誤差較大，如圖4 所示，其中BP 預(yù)測(cè)在前10 個(gè)節(jié)點(diǎn)時(shí)間段預(yù)測(cè)值與實(shí)際值相差較大，從而影響整體預(yù)測(cè)效果。

因此，本文提出一種基于相關(guān)系數(shù)權(quán)重的BP 神經(jīng)網(wǎng)絡(luò)模型，為得到單個(gè)風(fēng)電場(chǎng)實(shí)際出力與場(chǎng)群總出力功率的關(guān)聯(lián)關(guān)系，依據(jù)單場(chǎng)風(fēng)電實(shí)測(cè)功率與多區(qū)域?qū)崪y(cè)總功率的相關(guān)性原理［19］，使得相關(guān)性越大的風(fēng)場(chǎng)在預(yù)測(cè)過程中獲得更大的權(quán)重。

可采用皮爾森相關(guān)系數(shù)計(jì)算相應(yīng)的權(quán)重系數(shù)。權(quán)重計(jì)算方法為：

式中：ρ——皮爾森相關(guān)系數(shù)，ρ gt;0，表示兩個(gè)向量正相關(guān)，其絕對(duì)值越大，其相關(guān)程度越高；Xi——風(fēng)電場(chǎng)實(shí)際功率序列；Yi——場(chǎng)群實(shí)際總輸出功率。

皮爾森相關(guān)系數(shù)可用來衡量風(fēng)電場(chǎng)功率與場(chǎng)群出力之間的相關(guān)程度。不同風(fēng)電場(chǎng)與場(chǎng)群出力的相關(guān)系數(shù)如圖5所示。

式中：P——場(chǎng)群總預(yù)測(cè)功率序列；w——“一場(chǎng)一測(cè)”模式下風(fēng)功率預(yù)測(cè)序列。

如圖6 所示，基于相關(guān)系數(shù)權(quán)重的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)曲線能有效追蹤輸出功率的功率波動(dòng)，減小因部分節(jié)點(diǎn)預(yù)測(cè)精度較差引起的整體預(yù)測(cè)效果不理想的影響。

2 算例分析

采用北歐地區(qū)13 座風(fēng)電場(chǎng)的出力數(shù)據(jù)作為原始數(shù)據(jù)集，時(shí)間跨度為2022 年2 月1 日—12 月31 日，采樣分辨率為1 h，共7944 個(gè)原始風(fēng)電功率數(shù)據(jù)，使用風(fēng)電場(chǎng)數(shù)據(jù)類型為場(chǎng)站級(jí)出力預(yù)測(cè)數(shù)據(jù)集和場(chǎng)站級(jí)出力數(shù)據(jù)集，其中挪威、瑞典地區(qū)的風(fēng)電場(chǎng)站數(shù)量分別為4 座，丹麥地區(qū)2 座以及愛沙尼亞、法國(guó)和立陶宛地區(qū)的風(fēng)電場(chǎng)站數(shù)量各1 座。雖然13座風(fēng)電場(chǎng)空間地理特征差異較大，且空間距離較遠(yuǎn)，但在一定程度上，受該地區(qū)臨海天氣的影響趨勢(shì)具有相似之處，可近似看作具有時(shí)空相關(guān)性的風(fēng)電場(chǎng)群［20］。其北歐多區(qū)域風(fēng)電場(chǎng)群分布位置如圖7 所示。

2.1 數(shù)據(jù)處理

風(fēng)電功率預(yù)測(cè)中常見的數(shù)據(jù)質(zhì)量問題包括數(shù)據(jù)缺失與異常。一般情況下，風(fēng)電數(shù)據(jù)異常值的存在對(duì)于機(jī)組級(jí)風(fēng)力機(jī)預(yù)測(cè)結(jié)果影響顯著［21］，但在實(shí)際場(chǎng)站級(jí)別的風(fēng)電場(chǎng)出力數(shù)據(jù)中，單個(gè)或多個(gè)風(fēng)力機(jī)出力異常值產(chǎn)生的消極作用影響較小，可近似將可能出現(xiàn)的異常值作為正常數(shù)據(jù)處理。針對(duì)功率數(shù)據(jù)的部分缺失，如圖8 所示，其比例較少且分布不集中，并不影響數(shù)據(jù)連續(xù)性，可做簡(jiǎn)單數(shù)據(jù)清洗處理，最終得到7646 個(gè)可用的風(fēng)電功率數(shù)據(jù)。

2.2 評(píng)價(jià)指標(biāo)

本文提出一種基于相關(guān)系數(shù)權(quán)重的PSO-AP-BP 復(fù)合模型實(shí)現(xiàn)多區(qū)域風(fēng)電場(chǎng)群短期風(fēng)電功率預(yù)測(cè)，綜合考慮評(píng)價(jià)預(yù)測(cè)準(zhǔn)確度和預(yù)測(cè)快慢，采用均方根誤差（root mean square error，RMSE）以及平均絕對(duì)百分比誤差（mean absolute percentageerror，MAPE）作為該模型預(yù)測(cè)結(jié)果性能評(píng)價(jià)指標(biāo)［22］。

為更加清晰地比較各模型之間的預(yù)測(cè)性能，用預(yù)測(cè)準(zhǔn)確率（prediction accuracy，PA）和相關(guān)性（correlation coefficient，CC）等評(píng)價(jià)指標(biāo)來量化風(fēng)電預(yù)測(cè)模型。計(jì)算公式為：

式中：E—— 均方根誤差；l—— 風(fēng)電場(chǎng)群預(yù)測(cè)值數(shù)量，p ∧k、pk——功率預(yù)測(cè)值和實(shí)際值；M——平均絕對(duì)百分比誤差；Q——預(yù)測(cè)準(zhǔn)確率；C——預(yù)測(cè)值序列與實(shí)際值序列相關(guān)性；P ∧、P——預(yù)測(cè)值序列和實(shí)際值序列；D——方差。

2.3 實(shí)驗(yàn)過程

預(yù)測(cè)模型通過Matlab 搭建虛擬環(huán)境完成模型訓(xùn)練以及數(shù)據(jù)的預(yù)測(cè)。模型流程如圖9 所示。

實(shí)驗(yàn)步驟如下：

1）采用數(shù)據(jù)整理辦法，處理異常值，清洗缺失值，生成7646 個(gè)信任度較高的風(fēng)電場(chǎng)群及各風(fēng)電場(chǎng)小時(shí)級(jí)預(yù)測(cè)功率數(shù)據(jù)序列和實(shí)際出力數(shù)據(jù)序列。

2）取場(chǎng)群歷史出力數(shù)據(jù)集作為聚類對(duì)象，應(yīng)用AP 聚類算法結(jié)合粒子群優(yōu)化算法，通過輪廓系數(shù)評(píng)價(jià)指標(biāo)得到最佳聚類結(jié)果。

3）將前7622 個(gè)小時(shí)級(jí)功率值作為訓(xùn)練集，后24 個(gè)作為測(cè)試集以及驗(yàn)證集，并完成數(shù)據(jù)的歸一化。利用各風(fēng)電場(chǎng)預(yù)測(cè)系統(tǒng)得出的預(yù)測(cè)數(shù)據(jù)作為模型輸入，風(fēng)電場(chǎng)群的實(shí)際總出力作為輸出，實(shí)現(xiàn)BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的數(shù)據(jù)準(zhǔn)備。

4）將可信任數(shù)據(jù)輸入到基于相關(guān)系數(shù)權(quán)重的PSO-APBP復(fù)合模型當(dāng)中，利用聚類結(jié)果分別對(duì)聚類區(qū)域應(yīng)用BP 神經(jīng)網(wǎng)絡(luò)，得出子區(qū)域預(yù)測(cè)值。

5）完成各聚類區(qū)域預(yù)測(cè)以及實(shí)際出力數(shù)據(jù)的反歸一化。

6）利用上述評(píng)價(jià)指標(biāo)選擇最優(yōu)風(fēng)電場(chǎng)群功率預(yù)測(cè)模型，獲得最終的風(fēng)電場(chǎng)群風(fēng)電出力。

2.4 對(duì)比分析

分別采用BP 預(yù)測(cè)、基于相關(guān)系數(shù)權(quán)重的BP 預(yù)測(cè)、PSOAP-BP 預(yù)測(cè)、基于相關(guān)系數(shù)權(quán)重的PSO-AP-BP 預(yù)測(cè)方法對(duì)風(fēng)電場(chǎng)群總出力進(jìn)行預(yù)測(cè)，不同模型預(yù)測(cè)的結(jié)果如圖10 所示。

從圖10 得出結(jié)論，與BP 預(yù)測(cè)等前3 種單一預(yù)測(cè)或復(fù)合模型相比較，本文所提出的基于相關(guān)系數(shù)權(quán)重PSO-AP-BP 預(yù)測(cè)模型的預(yù)測(cè)結(jié)果與真實(shí)數(shù)據(jù)的出力趨勢(shì)基本吻合，預(yù)測(cè)誤差不大，與真實(shí)出力曲線基本擬合且能更好地表現(xiàn)日前功率出力的變化趨勢(shì)。對(duì)于評(píng)價(jià)上述模型性能的指標(biāo)，其計(jì)算結(jié)果如表2 所示。

相較傳統(tǒng)的BP 單一預(yù)測(cè)模型，本文提及的基于相關(guān)系數(shù)權(quán)重的PSO-AP-BP 模型預(yù)測(cè)顯著減小均方根誤差，預(yù)測(cè)準(zhǔn)確率提高了2.62 %，相關(guān)系數(shù)可達(dá)到0.936。

圖11 展示了疊加法和基于相關(guān)系數(shù)權(quán)重的PSO-AP-BP復(fù)合模型這兩種方法的對(duì)比，本文所提出的模型得到的預(yù)測(cè)結(jié)果更接近真實(shí)值，在預(yù)測(cè)精度方面表現(xiàn)了良好性能。

3 結(jié) 論

1）利用PSO 粒子群算法改進(jìn)AP 聚類算法，改善了算法可能無法找到最優(yōu)解情況，有效增加了全局搜索能力，獲得最優(yōu)的偏向參數(shù)和阻尼系數(shù)組合解。

2）在風(fēng)電場(chǎng)群總功率預(yù)測(cè)中，自適應(yīng)優(yōu)化AP 聚類劃分方法相較傳統(tǒng)的AP 聚類劃分方法聚類效果更有效。利用輪廓系數(shù)作為聚類質(zhì)量的評(píng)價(jià)指標(biāo)，本文所提基于PSO 算法的參數(shù)自適應(yīng)AP 聚類方法相較靜態(tài)參數(shù)AP 聚類方法而言系數(shù)均可提高，其中6 月輪廓系數(shù)增幅高達(dá)19.1%，10 月系數(shù)增幅14.4%，4 月系數(shù)增幅10.8%。

3）采用單風(fēng)電場(chǎng)風(fēng)電出力波動(dòng)與集群風(fēng)電場(chǎng)總出力波動(dòng)的相關(guān)系數(shù)為加權(quán)的優(yōu)化方法，相較與之對(duì)應(yīng)的單一BP 預(yù)測(cè)和PSO-AP-BP 預(yù)測(cè)，本文提出的相關(guān)系數(shù)復(fù)合模型均能取得更高的短期風(fēng)電功率預(yù)測(cè)精度，采用相關(guān)系數(shù)加權(quán)在24 h日前短期風(fēng)電功率預(yù)測(cè)中可分別提高0.33% 和0.36%。

4）本文提出的基于相關(guān)系數(shù)權(quán)重的PSO-AP-BP 風(fēng)電場(chǎng)群短期功率預(yù)測(cè)方法相較與一般預(yù)測(cè)方法可提升預(yù)測(cè)精度。相較目前較常用的疊加法，本文所提方法可提高1.35% 的24 h 日前預(yù)測(cè)精度。

5）相較于單個(gè)風(fēng)電場(chǎng)的點(diǎn)預(yù)測(cè)結(jié)果，風(fēng)電場(chǎng)集群功率預(yù)測(cè)在日常調(diào)度過程中更加具有實(shí)用性，能合理規(guī)劃供電側(cè)的機(jī)組投切計(jì)劃以及負(fù)荷側(cè)的分配，從而使供電側(cè)和負(fù)荷側(cè)達(dá)到更合理的供需平衡。

［參考文獻(xiàn)］

［1］ 閻潔， 張永蕊， 張浩. 區(qū)域風(fēng)電場(chǎng)群集中式功率預(yù)測(cè)系統(tǒng)設(shè)計(jì)與應(yīng)用［J］. 分布式能源， 2022， 7（1）： 28-36.

YAN J， ZHANG Y R， ZHANG H. Design and applicationof centralized power forecasting system for regional windfarm cluster［J］. Distributed energy， 2022， 7（1）： 28-36.

［2］ 劉光輝. 風(fēng)電不確定性對(duì)系統(tǒng)的影響研究［J］. 山東工業(yè)技術(shù)， 2017（16）： 220.

LIU G H. 風(fēng)電不確定性對(duì)系統(tǒng)的影響研究［J］. Journalof Shandong industrial technology， 2017（16）： 220.

［3］ HANIFI S， LIU X L， LIN Z， et al. A critical review ofwind power forecasting methods： past， present and future［J］. Energies， 2020， 13（15）： 3764.

［4］ 楊茂， 楊瓊瓊， 蘇欣. 基于風(fēng)電場(chǎng)等效平均風(fēng)速的風(fēng)電功率日前預(yù)測(cè)研究［J］. 太陽能學(xué)報(bào)， 2020， 41（2）： 85-92.

YANG M， YANG Q Q， SU X. Research of day-ahead windpower forecast based on wind farm equivalent mean windspeed［J］. Acta energiae solaris sinica， 2020， 41（2）： 85-92.

［5］ 劉文斌， 謝麗蓉， 張革榮. 基于VMD-HS-LSSVM的風(fēng)電功率短期預(yù)測(cè)［J］. 現(xiàn)代電子技術(shù)， 2022， 45（11）： 176-181.

LIU W B， XIE L R， ZHANG G R. Short-term wind powerprediction based on VMD-HS-LSSVM［J］. Modernelectronics technique， 2022， 45（11）： 176-181.

［6］ 李海玲. 基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)功率預(yù)測(cè)［J］. 現(xiàn)代信息科技， 2021， 5（15）： 119-121， 124.

LI H L. Wind power prediction based on BP neural network［J］. Modern information technology， 2021， 5（15）： 119-121， 124.

［7］ 張群， 唐振浩， 王恭， 等. 基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的超短期風(fēng)功率預(yù)測(cè)模型［J］. 太陽能學(xué)報(bào)， 2021， 42（10）：275-281.

ZHANG Q， TANG Z H， WANG G， et al. Ultra-short-termwind power prediction model based on long and short termmemory network［J］. Acta energiae solaris sinica， 2021，42（10）： 275-281.

［8］ 栗然， 馬濤， 張瀟， 等. 基于卷積長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)［J］. 太陽能學(xué)報(bào)， 2021， 42（6）： 304-311.

LI R， MA T， ZHANG X， et al. Short-term wind powerprediction based on convolutional long-short-term memoryneural networks［J］. Acta energiae solaris sinica， 2021， 42（6）： 304-311.

［9］ YU R G， GAO J， YU M， et al. LSTM-EFG for wind powerforecasting based on sequential correlation features［J］.Future generation computer systems， 2019， 93： 33-42.

［10］ HAO Y， TIAN C. A novel two-stage forecasting modelbased on error factor and ensemble method for multi-stepwind power forecasting［J］. Applied energy， 2019， 238：368-383.

［11］ 韓爽， 孟航， 劉永前， 等. 增量處理雙隱層BP神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)模型［J］. 太陽能學(xué)報(bào)， 2015， 36（9）：2238-2244.

HAN S， MENG H， LIU Y Q， et al. Study on optimizationof BP neural network wind power predicition model withtwo hidden layers［J］. Acta energiae solaris sinica， 2015，36（9）： 2238-2244.

［12］ 張秀春， 蔡敏， 張運(yùn)杰. 基于改進(jìn)的AP聚類的圖像分割算法［C］// 中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)， 大連， 中國(guó)， 2017.

ZHANG X C， CAI M， ZHANG Y J. An imagesegmentation algorithm based on improved affinitypropagation［C］// Technical Committee on Control Theory，Chinses Association of Automation. Dalian， China， 2017.

［13］ GUAN R C， SHI X H， MARCHESE M， et al. Textclustering with seeds affinity propagation［J］. IEEEtransactions on knowledge and data engineering， 2011， 23（4）： 627-637.

［14］ 管霖， 周保榮， 文博， 等. 多風(fēng)電場(chǎng)功率時(shí)間序列的時(shí)空相關(guān)性統(tǒng)計(jì)建模和運(yùn)行模擬方法［J］. 電網(wǎng)技術(shù)，2021， 45（1）： 30-39.

GUAN L， ZHOU B R， WEN B， et al. Spatiotemporalcorrelation statistic modeling and simulation in multiplewind farm power sequence［J］. Power system technology，2021， 45（1）： 30-39.

［15］ 趙海成， 李輝. SA-PSO優(yōu)化邊界最速跟蹤微分器在光伏功率平滑中的應(yīng)用［J］. 電子測(cè)量技術(shù)， 2022， 45（14）： 36-42.

ZHAO H C， LI H. Application of variable boundarytracking differentiator optimized by SA-PSO in photovoltaicpower smoothing［J］. Electronic measurement technology，2022， 45（14）： 36-42.

［16］ 賴健瓊. 自適應(yīng)AP 聚類算法研究［J］. 計(jì)算機(jī)時(shí)代，2022（4）： 38-42.

LAI J Q. Research on adaptive AP clustering algorithm［J］.Computer era， 2022（4）： 38-42.

［17］ 張慧娥， 劉大貴， 朱婷婷， 等. 基于相似日和動(dòng)量法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的光伏短期功率預(yù)測(cè)研究［J］. 智慧電力， 2021， 49（6）： 46-52.

ZHANG H E， LIU D G， ZHU T T， et al. Short-term PVpower prediction based on BP neural network optimized bysimilar daily and momentum method［J］. Smart power，2021， 49（6）： 46-52.

［18］ 李根銀， 郁冶， 王異成， 等. 風(fēng)電場(chǎng)功率預(yù)測(cè)的研究進(jìn)展及發(fā)展趨勢(shì)［J/OL］. 排灌機(jī)械工程學(xué)報(bào)： 1-8［2023-04-05］.

LI G Y， YU Y， WANG Y C， et al. Research progress anddevelopment trend of wind farm power prediction［J/OL］.Journal of drainage and irrigation machinery engineering：1-8［2023-04-05］.

［19］ ZHANG J A， LIU D， LI Z J， et al. Power prediction of awind farm cluster based on spatiotemporal correlations［J］.Applied energy， 2021， 302： 117568.

［20］ 王佳鈺， 郝思鵬， 李森文， 等. 基于ES-GRU-LSTM的風(fēng)電場(chǎng)群功率預(yù)測(cè)［J］. 計(jì)算技術(shù)與自動(dòng)化， 2022， 41（3）：37-41.

WANG J Y， HAO S P， LI S W， et al. Power prediction ofwind farm group based on ES-GRU-LSTM［J］. Computingtechnology and automation， 2022， 41（3）： 37-41.

［21］ 武佳卉， 邵振國(guó)， 楊少華， 等. 數(shù)據(jù)清洗在新能源功率預(yù)測(cè)中的研究綜述和展望［J］. 電氣技術(shù)， 2020， 21（11）： 1-6.

WU J H， SHAO Z G， YANG S H， et al. Review andprospect of data cleaning in renewable energy powerprediction［J］. Electrical engineering， 2020， 21（11）： 1-6.

［22］ 姚琦， 柳玉， 白愷， 等. 風(fēng)電場(chǎng)功率預(yù)測(cè)水平的多指標(biāo)綜合評(píng)價(jià)方法研究［J］. 太陽能學(xué)報(bào)， 2019， 40（2）： 333-340.

YAO Q， LIU Y， BAI K， et al. Study of multi-indexcomprehensive evaluation method for wind farm powerprediction level［J］. Acta energiae solaris sinica， 2019， 40（2）： 333-340.

基金項(xiàng)目：國(guó)家自然科學(xué)基金（52076081）