基于層次聚類法的EMD-ELM風(fēng)電功率預(yù)測

張嘉英，翟煒亮

（內(nèi)蒙古工業(yè)大學(xué)，內(nèi)蒙古 呼和浩特 010051）

風(fēng)電功率預(yù)測方法目前有很多種，根據(jù)預(yù)測時段的長短可以分為以下幾種：預(yù)測時長為數(shù)小時到數(shù)天的預(yù)測方法稱為短期預(yù)測，預(yù)測時段為數(shù)天到數(shù)月的預(yù)測方法稱為中期預(yù)測，預(yù)測時段為數(shù)月到數(shù)年的預(yù)測方法稱為長期預(yù)測。關(guān)于風(fēng)電功率預(yù)測方法的研究已經(jīng)有很多，本文提出一種基于層次聚類法的EMD-ELM風(fēng)電功率預(yù)測模型。利用層次聚類的聚合算法將天氣情況相似的數(shù)據(jù)經(jīng)行聚類。利用EMD分解各組功率序列，得到相對平穩(wěn)的分量，最后采用ELM模型對各分量進(jìn)行預(yù)測并且重組。由于相似天氣情況的數(shù)據(jù)特征更加的明顯，所以進(jìn)行聚類會使預(yù)測更加的準(zhǔn)確。算例仿真表明，該模型與傳統(tǒng)的預(yù)測模型相比有更高的準(zhǔn)確度。

1 EMD-ELM模型

極限學(xué)習(xí)機（ELM）用來訓(xùn)練單隱藏層前饋神經(jīng)網(wǎng)絡(luò)（SLFN）與傳統(tǒng)的SLFN訓(xùn)練算法不同，極限學(xué)習(xí)機隨機選取輸入層權(quán)重和隱藏層偏置，輸出層權(quán)重通過最小化由訓(xùn)練誤差項和輸出層權(quán)重范數(shù)的正則項構(gòu)成的損失函數(shù)，依據(jù)moore-penrose（MP）廣義逆矩陣?yán)碚撚嬎憬馕銮蟪?。從學(xué)習(xí)效率的角度來看，極限學(xué)習(xí)機具有訓(xùn)練參數(shù)少、學(xué)習(xí)速度快、泛化能力強的優(yōu)點[4]。

經(jīng)驗?zāi)B(tài)分解（empirical mode decomposition,EMD）算法是一種將信號分解成特征模態(tài)的方法。它的優(yōu)點是不會運用任何已經(jīng)定義好的函數(shù)作為基底，而是根據(jù)所分析的信號而自適應(yīng)生成固有模態(tài)函數(shù)[2]。EMD-ELM預(yù)測模型流程圖如圖1所示。

圖1 EMD-ELM模型流程圖

2 基于層次聚類法的EMD-ELM模型

聚類分析作為數(shù)據(jù)挖掘中常用的一種工具，能夠根據(jù)對象的客觀特征和屬性，探查數(shù)據(jù)間隱藏著的某種關(guān)系，并將對象劃分為簇，進(jìn)而揭示對象之間、特征之間、對象與特征之間存在的關(guān)系[6]。層次聚類法可以把每一組的風(fēng)電數(shù)據(jù)當(dāng)成是一個點，將相似天氣情況的風(fēng)電數(shù)據(jù)經(jīng)行聚類形成一個簇。采用層次聚類法可以使預(yù)測模型可以提取更加明顯的特征，使預(yù)測值更加接近真實值。

基于層次聚類得EMD-ELM組合算法預(yù)測流程如圖2所示。

圖2 基于層次聚類法的EMD-ELM模型流程圖

3 算例分析

本文選取西北某風(fēng)電場實際采集到的風(fēng)電歷史數(shù)據(jù)，采用的是高度為100 m的測風(fēng)塔檢測出來的天氣數(shù)據(jù)，測風(fēng)塔在10、30、50、60、70、80、90、100 m處都設(shè)有檢測裝置?？梢詸z測出10、30、50、60、70、80、90、100 m處的濕度、氣壓、溫度、風(fēng)向、風(fēng)速。兩年的數(shù)據(jù)以15 min為一組，總共有70000組，對其經(jīng)行功率預(yù)測。將第一年采集到的風(fēng)電數(shù)據(jù)作為訓(xùn)練集，第二年采集到的風(fēng)電數(shù)據(jù)作為測試集。

采用層次聚類法處理歷史功率數(shù)據(jù)，將每一年得數(shù)據(jù)以風(fēng)速為主要聚類特征聚類為高風(fēng)區(qū)、中風(fēng)區(qū)、低風(fēng)區(qū)3類數(shù)據(jù)。圖3為層次聚類法處理歷史數(shù)據(jù)的結(jié)果圖。高風(fēng)區(qū)中風(fēng)速范圍在7.8～22 m/s，風(fēng)電功率范圍是20～97 MW。中風(fēng)區(qū)中風(fēng)速范圍是4～8 m/s，風(fēng)電功率范圍是18～79 MW。低風(fēng)區(qū)中風(fēng)速范圍是0～5 m/s，風(fēng)電功率范圍是0～41 MW。將每一類數(shù)據(jù)采用EMD處理，分解得到IMF1～I(xiàn)MF7。圖4為基于層次聚類法的EMD-ELM預(yù)測模型中高風(fēng)區(qū)的預(yù)測結(jié)果圖。圖5為基于層次聚類法的EMDELM預(yù)測模型中風(fēng)區(qū)的預(yù)測結(jié)果圖。圖6為基于層次聚類法的EMD-ELM預(yù)測模型中低風(fēng)區(qū)的預(yù)測結(jié)果圖。

圖3 整體預(yù)測的EMD-ELM預(yù)測模型的預(yù)測結(jié)果圖

圖4 基于層次聚類法的EMD-ELM模型高風(fēng)區(qū)的預(yù)測結(jié)果圖

圖5 基于層次聚類法的EMD-ELM模型中風(fēng)區(qū)的預(yù)測結(jié)果圖

圖6 基于層次聚類法的EMD-ELM模型低風(fēng)區(qū)的預(yù)測結(jié)果圖

經(jīng)過層次聚類法聚類的3類數(shù)據(jù)分別采用EMDELM預(yù)測模型預(yù)測的評價指標(biāo)如表1所示。EMDELM整體預(yù)測模型與基于層次聚類法的EMD-ELM組合預(yù)測模型的評價指標(biāo)如表2所示。

表1 3類數(shù)據(jù)預(yù)測結(jié)果評價指標(biāo)

表2 兩種預(yù)測方法的評價指標(biāo)

為了判定最佳預(yù)測方法，本文用到的評價指標(biāo)分別為：合格率、決定系數(shù)、均偏差、均方差。合格率（Q）：國家規(guī)定某時刻預(yù)測偏差占裝機容量的百分比在25%以內(nèi)即合格。決定系數(shù)（coefficient of determination，R2）：能夠由自變量解釋的變異程度占總變異程度的比例。均偏差（mean absolute error，MAE）：是對每一組數(shù)據(jù)和整組數(shù)據(jù)平均值差距的一種評價指標(biāo)。均方誤差（mean square error，MSE）：是對估計值和真實值之間比較的一種評價指標(biāo)。

從圖4、5、6、7可以觀察到經(jīng)過層次聚類的EMD-ELM預(yù)測方法有更高的預(yù)測精度，在功率曲線的波峰處和在功率值較低時也比經(jīng)典的預(yù)測模型預(yù)測的效果要好很多。而從表1可知，每一類預(yù)測值都比整體預(yù)測的精度要高。從表2可以看出使用層次聚類法可以大幅度提高預(yù)測的精度。

4 結(jié)束語

由于目前風(fēng)力發(fā)電可以很大一部分地解決全球都在面臨著能源不足的問題，但是風(fēng)能具有很強的隨機性、間歇性、波動性等問題，對于風(fēng)電并網(wǎng)、電網(wǎng)的調(diào)度運行有著巨大的考驗。所以風(fēng)電功率的預(yù)測模型研究對于風(fēng)電開發(fā)具有重要意義。本文對風(fēng)電數(shù)據(jù)經(jīng)行聚類，選擇天氣情況相近的數(shù)據(jù)一起預(yù)測，建立EMD-ELM預(yù)測模型。利用西北某風(fēng)電場的實測數(shù)據(jù)進(jìn)行驗證，預(yù)測結(jié)果表面采用層次聚類法可以使預(yù)測的數(shù)據(jù)特征更加明顯，比整體預(yù)測的精度更高，是一種有效地預(yù)測方法。