基于K-means和改進(jìn)KNN算法的風(fēng)電功率短期預(yù)測(cè)系統(tǒng)

何建強(qiáng)，張玉萍，滕志軍

(1.商洛學(xué)院，陜西 商洛 726000；2.商洛市人工智能研究中心，陜西 商洛 726000；3.北京四方繼保自動(dòng)化股份有限公司,北京 100085；4.東北電力大學(xué) 現(xiàn)代電力系統(tǒng)仿真控制與綠色電能新技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室,吉林 吉林 132012)

0 引言

風(fēng)能作為一種可再利用的、清潔的新型替代能源，能夠優(yōu)化能源結(jié)構(gòu)，增強(qiáng)能源供應(yīng)能力，保障能源安全可靠。由于風(fēng)具有隨機(jī)性、間歇性和不可控性，導(dǎo)致風(fēng)電具有間斷性，致使風(fēng)電并網(wǎng)會(huì)增加電力系統(tǒng)運(yùn)行的不穩(wěn)定性，極大地影響電網(wǎng)的供電質(zhì)量。因此，科學(xué)、準(zhǔn)確的預(yù)測(cè)風(fēng)電場(chǎng)的輸出功率能夠平衡大規(guī)模風(fēng)電對(duì)電網(wǎng)的影響，促進(jìn)風(fēng)電健康持續(xù)地發(fā)展。文獻(xiàn)[2]和文獻(xiàn)[3]闡述了由于風(fēng)電的間斷性，致使風(fēng)電功率預(yù)測(cè)大多主要集中于短期預(yù)測(cè)。目前短期預(yù)測(cè)技術(shù)被廣泛研究和應(yīng)用，主要研究方法有物理法、統(tǒng)計(jì)方法、機(jī)器學(xué)習(xí)法和空間相關(guān)性法。文獻(xiàn)[4]對(duì)風(fēng)電功率預(yù)測(cè)的物理方法和統(tǒng)計(jì)方法進(jìn)行了綜述。物理預(yù)測(cè)方法由于受風(fēng)電場(chǎng)所處環(huán)境地形和地貌以及周圍大氣環(huán)境的影響比較大，所以預(yù)測(cè)精度往往相對(duì)低。統(tǒng)計(jì)方法建模相對(duì)簡(jiǎn)單、計(jì)算速度快、預(yù)測(cè)成本低，但是輸入的預(yù)測(cè)參數(shù)單一，不斷地?cái)U(kuò)大預(yù)測(cè)時(shí)間尺度會(huì)降低預(yù)測(cè)精度。文獻(xiàn)[5-7]對(duì)卡爾曼濾波法、時(shí)間序列法、最小二乘法、灰色預(yù)測(cè)法等常用的統(tǒng)計(jì)方法在風(fēng)電功率預(yù)測(cè)中的應(yīng)用進(jìn)行研究，但都存在易陷入局部最優(yōu)的缺點(diǎn)。機(jī)器學(xué)習(xí)方法預(yù)測(cè)精度相對(duì)較高，但預(yù)測(cè)模型比較復(fù)雜，建模相對(duì)困難，而且樣本訓(xùn)練需要大量歷史數(shù)據(jù)的支持，訓(xùn)練速度慢。常用的方法有小波分析法，BP神經(jīng)網(wǎng)絡(luò)法、SVM等方法。文獻(xiàn)[8]提出的人工神經(jīng)網(wǎng)絡(luò)法是風(fēng)電功率短期預(yù)測(cè)當(dāng)中最常用的預(yù)測(cè)方法，具有非線性映射、自學(xué)習(xí)、容錯(cuò)性和泛化能力強(qiáng)等優(yōu)點(diǎn)。但單一的預(yù)測(cè)方法具有不足之處，為克服單一方法預(yù)測(cè)的不足，組合預(yù)測(cè)法成為近年來風(fēng)電功率預(yù)測(cè)研究的熱點(diǎn)，它是將一些統(tǒng)計(jì)方法和學(xué)習(xí)方法相結(jié)合，提高預(yù)測(cè)精度。文獻(xiàn)[9-12]提出了空間相關(guān)法，將其作為繼物理模型、統(tǒng)計(jì)學(xué)之后的第3種模型，它是一種通過鄰近風(fēng)電場(chǎng)氣象信息對(duì)目標(biāo)風(fēng)電場(chǎng)進(jìn)行預(yù)測(cè)的方法。文獻(xiàn)[13]結(jié)合空間相關(guān)性的方法，建立了預(yù)測(cè)模型，解決了風(fēng)速突變?cè)斐深A(yù)測(cè)精度低的問題。但由于風(fēng)速時(shí)變性較強(qiáng)，預(yù)測(cè)的最大誤差很難控制，有時(shí)預(yù)測(cè)可能完全失效。

為解決單一模型在風(fēng)電功率預(yù)測(cè)中的局限性，本文針對(duì)文獻(xiàn)[14]中提出的KNN算法在短期風(fēng)電功率預(yù)測(cè)中的不足，提出了基于K-means和改進(jìn)KNN算法的風(fēng)電功率預(yù)測(cè)，該算法針對(duì)大量的歷史樣本集和預(yù)測(cè)樣本集，建模簡(jiǎn)單，運(yùn)算速度快，預(yù)測(cè)準(zhǔn)確率高。以吉林省某風(fēng)電場(chǎng)365天的實(shí)際數(shù)據(jù)為樣本，對(duì)本文預(yù)測(cè)方法的優(yōu)越性進(jìn)行了分析驗(yàn)證。

1 KNN算法概述

KNN算法是一個(gè)經(jīng)典、成熟的分類機(jī)器學(xué)習(xí)算法。它的基本原理為：存在一個(gè)被稱為特征空間的已知類別的樣本集合，如果某個(gè)樣本與特征空間中的某

K

個(gè)樣本相似或最鄰近，而且這

K

個(gè)最鄰近的樣本大多數(shù)是同一個(gè)類別，那么此樣本也被標(biāo)記為該類別。重點(diǎn)強(qiáng)調(diào)的是特征空間中的每個(gè)樣本必須已被正確分類。KNN算法在本質(zhì)上采用的是投票分類決策機(jī)制，通過最鄰近樣本的類別決策待分類樣本的類別，決策前需要遍歷整個(gè)樣本空間，決策時(shí)只依靠最近鄰的少數(shù)樣本。KNN算法的優(yōu)點(diǎn)是適合類域交叉或者大量重疊的待分類樣本集。本文利用樣本回歸特性對(duì)樣本進(jìn)行功率預(yù)測(cè)，即對(duì)于一個(gè)預(yù)測(cè)樣本，首先獲取樣本的

K

個(gè)最鄰近已分類樣本，然后計(jì)算其屬性的平均值，將該平均值作為預(yù)測(cè)樣本的屬性值。

2 改進(jìn)的KNN算法

在大氣邊界層中，風(fēng)電功率歷史樣本數(shù)量龐大，每個(gè)預(yù)測(cè)樣本針對(duì)不同的

K

值進(jìn)行預(yù)測(cè)時(shí)，每個(gè)樣本對(duì)應(yīng)每個(gè)不同的

K

值都要遍歷一次特征空間，那么隨著特征空間的擴(kuò)大，就會(huì)成倍的增加運(yùn)算量，也就會(huì)成倍的降低運(yùn)算速度。同時(shí)在分類過程中，如果特征空間樣本類別不平衡時(shí)，一部分樣本容量較大，另一部分樣本容量較小，隨著

K

值的逐漸增大，選取樣本的誤判率就會(huì)增大，針對(duì)這一情況本文對(duì)KNN算法進(jìn)行了改進(jìn)。改進(jìn)策略是：同一個(gè)預(yù)測(cè)樣本，在同一個(gè)特征空間中，針對(duì)不同的

K

值，只需要遍歷一次整體樣本空間。首先提取預(yù)測(cè)樣本的最大

K

值，此時(shí)遍歷整體樣本空間，提取

K

個(gè)最相似的樣本，重點(diǎn)是要對(duì)選取的

K

個(gè)樣本按相似程度的從高到低進(jìn)行排列，并且將這

K

個(gè)相似樣本保存到相似隊(duì)列中。這樣如果預(yù)測(cè)樣本想提取

K

-1個(gè)相似樣本的話，就不需要再遍歷整體特征空間了，只需要從相似隊(duì)列中提取前

K

-1個(gè)樣本即可。這種改進(jìn)策略是通過增加存儲(chǔ)空間來加快預(yù)算速度。因?yàn)閷?duì)于現(xiàn)在的計(jì)算機(jī)來說，存儲(chǔ)空間越來越大。假設(shè)一個(gè)風(fēng)電場(chǎng)有100臺(tái)風(fēng)機(jī)，每分鐘記錄一項(xiàng)風(fēng)機(jī)的運(yùn)行狀態(tài)，運(yùn)行狀態(tài)中包括20個(gè)屬性，那么10年的記錄也只有38.5 G。所以存儲(chǔ)空間不是風(fēng)電功率預(yù)測(cè)的壓力。因此，利用存儲(chǔ)空間換取高效的預(yù)測(cè)空間是值得的。改進(jìn)的KNN算法包括兩個(gè)過程，第一個(gè)過程是計(jì)算預(yù)測(cè)樣本選取最多近鄰樣本時(shí)對(duì)應(yīng)的

K

值，同時(shí)對(duì)獲取的相似樣本集合從高到低按照相似程度排序，并存至優(yōu)先級(jí)隊(duì)列中；第二個(gè)過程是當(dāng)

K

值減小時(shí)，從已存儲(chǔ)的優(yōu)先級(jí)隊(duì)列中直接獲取相似樣本集，根據(jù)相似距離決定相似權(quán)重，從而用訓(xùn)練樣本的加權(quán)功率值來計(jì)算預(yù)測(cè)樣本的功率值。獲取最長優(yōu)先級(jí)隊(duì)列的核心步驟如下。第一步：確定最近鄰樣本個(gè)數(shù)最多時(shí)對(duì)應(yīng)的

K

值，給出已知類別的訓(xùn)練樣本集(或者叫做特征空間)

D

；第二步：設(shè)每一個(gè)預(yù)測(cè)樣本為

z

=(

x

′,

y

′)，開始執(zhí)行for循環(huán)for

z

=(

x

′,

y

′)；第三步：計(jì)算

z

與每個(gè)訓(xùn)練樣本(

x

,

y

)∈

D

間的相似距離

d

(

x

′,

x

′)；第四步：選擇與預(yù)測(cè)樣本

z

最相似的

K

個(gè)訓(xùn)練樣本

D

?

D

，同時(shí)記錄這

K

個(gè)樣本與

z

的相似距離；第五步：按照與

z

相似程度對(duì)

D

從高到低排序，將結(jié)果存至優(yōu)先級(jí)隊(duì)列PriorityQueue中；

第六步：end for;//結(jié)束for循環(huán)，并保存好本次預(yù)測(cè)的優(yōu)先級(jí)隊(duì)列。

3 建立基于K-means和改進(jìn)KNN算法的功率預(yù)測(cè)模型

3.1 預(yù)測(cè)原理

本文通過相似歷史數(shù)據(jù)建立模型，實(shí)現(xiàn)風(fēng)電功率的預(yù)測(cè)。將風(fēng)向、風(fēng)速和風(fēng)機(jī)變槳角度這3個(gè)參數(shù)作為輸入?yún)?shù)，選取不受時(shí)間序列影響而且樣本集合的相似度比較高的數(shù)據(jù)作為樣本數(shù)據(jù)。在輸入?yún)?shù)后會(huì)自動(dòng)尋找與之相似的樣本數(shù)據(jù)集合，并匹配對(duì)應(yīng)的風(fēng)電功率數(shù)據(jù)，以此來對(duì)未來的輸出功率進(jìn)行推算，預(yù)測(cè)模型框架如圖1所示。最后，通過吉林省某風(fēng)電場(chǎng)實(shí)際數(shù)據(jù)來對(duì)預(yù)測(cè)模型的有效性和預(yù)測(cè)準(zhǔn)確度進(jìn)行檢驗(yàn)。

圖1 預(yù)測(cè)模型框架圖

3.2 基于K-means的歷史樣本分類

由于本文所提改進(jìn)的KNN算法通過相似歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)采用的數(shù)據(jù)分類方法與K-means聚類算法思想一致，因此在對(duì)歷史樣本進(jìn)行分類時(shí)采用K-means算法，該方法在增加選中相似樣本概率的同時(shí)，也保障了預(yù)測(cè)的準(zhǔn)確性。該算法進(jìn)行歷史樣本分類的過程如下。

Input：

N

//為區(qū)別改進(jìn)KNN中的

K

，此處用

N

表示劃分子類的個(gè)數(shù)；{

Y

}

//

歷史樣本集，其中包含

j

個(gè)對(duì)象。Outout：

N

個(gè)子類。

具體執(zhí)行流程如下。

第一步：從歷史樣本集{

Y

}中隨機(jī)選擇

N

個(gè)樣本作為初始分類的中心。

第二步：比較新讀取樣本對(duì)象和各個(gè)類中對(duì)象的均值，然后將其分配至最相似的類中。

第三步：對(duì)每個(gè)類的中心進(jìn)行更新，重新對(duì)每個(gè)類中對(duì)象的均值進(jìn)行計(jì)算。

第四步：until每個(gè)類的中心不再變化結(jié)束。

其中：{

Y

}表示歷史樣本集合，其中每個(gè)樣本均包含風(fēng)向、風(fēng)速和風(fēng)機(jī)變槳角度3個(gè)維度；

N

為將要?jiǎng)澐肿宇惖膫€(gè)數(shù)。

以吉林省某風(fēng)電場(chǎng)2019年2月的歷史數(shù)據(jù)為例，每隔一分鐘記錄一次風(fēng)電機(jī)組的運(yùn)行狀態(tài)，一共29天，每臺(tái)機(jī)組的歷史樣本數(shù)量為41 760條。以其中某一臺(tái)的風(fēng)機(jī)的歷史樣本記錄為例，利用Clementine軟件中的K-means聚類模型得出的聚類結(jié)果如2圖所示。

圖2 某臺(tái)風(fēng)機(jī)的歷史數(shù)據(jù)聚類結(jié)果

3.3 基于改進(jìn)KNN算法的功率預(yù)測(cè)

改進(jìn)的KNN算法，是優(yōu)化了相似歷史樣本集的搜索方式，從而提升了運(yùn)算效率。按照時(shí)間復(fù)雜度進(jìn)行計(jì)算，運(yùn)行效率由

n

(

k

)提高為

n

(

k

)。改進(jìn)KNN的算法流程如圖3所示。

圖3 改進(jìn)KNN算法流程

算法的具體執(zhí)行過程如下：

1)初始化預(yù)測(cè)樣本

X

和

K

值的集合。2)獲取最大

K

值，賦于

K

，

K

僅搜索

K

對(duì)應(yīng)的相似歷史樣本集合。

3)選取相似度計(jì)算公式。

本文在計(jì)算預(yù)測(cè)樣本和歷史樣本的相似度時(shí)，選用適用于數(shù)值型數(shù)據(jù)的歐氏距離和曼哈頓距離計(jì)算公式，分別如公式(1)和公式(2)所示。

(1)

(2)

式中,

X

和

Y

分別表示第

i

個(gè)預(yù)測(cè)樣本和第

j

個(gè)歷史樣本。風(fēng)向、風(fēng)速和風(fēng)機(jī)變槳角度為每個(gè)樣本3個(gè)維度，

z

為維數(shù)。4)獲取最大優(yōu)先級(jí)隊(duì)列PQ(

X

,

K

)。在歷史樣本中隨機(jī)選取

K

個(gè)樣本，按相似距離大排序，生成優(yōu)先級(jí)隊(duì)列PQ(

X

,

K

)。遍歷歷史樣本集，并計(jì)算其與預(yù)測(cè)樣本的相似距離。若相似距離比PQ(

X

,

K

)中最后一個(gè)樣本的相似距離大，則繼續(xù)遍歷下一個(gè)歷史樣本，否則移除PQ(

X

,

K

)中最后元素，將當(dāng)前遍歷樣本值放入PQ(

X

,

K

)尾部，并按照相似程度重新自動(dòng)排序，遍歷完所有歷史樣本，得到最終PQ(

X

,

K

)。5)其余

K

值，從最終PQ(

X

,

K

)中提取對(duì)應(yīng)的相似樣本優(yōu)先級(jí)子隊(duì)列。如

K

=

K

時(shí)，提取PQ(

X

,

K

)中前

m

個(gè)歷史樣本，作為

K

的PQ(

X

,

K

)。6)計(jì)算PQ(

X

,

K

)中多數(shù)類別所有樣本輸出功率的平均值，將其作為預(yù)測(cè)樣本

X

的預(yù)測(cè)值。計(jì)算公式如公式(3)所示：

(3)

式中，

powerpr

(

X

,

K

)表示預(yù)測(cè)樣本

X

選取

K

個(gè)相似樣本的功率值；表示樣本類別是

C

的第

j

個(gè)相似歷史樣本，

z

表示類型編號(hào)。AVG()為計(jì)算多數(shù)類樣本功率的加權(quán)平均值。7)計(jì)算所有

K

值下

X

對(duì)應(yīng)的預(yù)測(cè)值，結(jié)束預(yù)測(cè)。最終功率預(yù)測(cè)值對(duì)應(yīng)

K

值選取時(shí)，要根據(jù)不同風(fēng)機(jī)運(yùn)轉(zhuǎn)情況通過實(shí)驗(yàn)數(shù)據(jù)來進(jìn)行確定最佳

K

值。

4 預(yù)測(cè)系統(tǒng)的設(shè)計(jì)

4.1 系統(tǒng)架構(gòu)

圖4 風(fēng)電功率預(yù)測(cè)系統(tǒng)架構(gòu)圖

圖5 系統(tǒng)整體功能模塊

本文采用C/S架構(gòu)設(shè)計(jì)風(fēng)電功率預(yù)測(cè)系統(tǒng)，將預(yù)測(cè)模型轉(zhuǎn)換為計(jì)算機(jī)可以完成的功能，保障風(fēng)電功率預(yù)測(cè)的高效性、穩(wěn)定性和安全性。風(fēng)電功率預(yù)測(cè)系統(tǒng)整體架構(gòu)分為3層，依次為基礎(chǔ)數(shù)據(jù)層、功能服務(wù)層和用戶層。每一層之間是相互獨(dú)立且具有一定的聯(lián)系，風(fēng)電功率預(yù)測(cè)系統(tǒng)架構(gòu)圖如圖4所示。

4.1.1 基礎(chǔ)數(shù)據(jù)層

基礎(chǔ)數(shù)據(jù)層又包括3部分。第一部分是風(fēng)電實(shí)時(shí)數(shù)據(jù)的采集與整理；第二部分是數(shù)據(jù)存儲(chǔ)，將整理完畢的實(shí)時(shí)數(shù)據(jù)，存儲(chǔ)于數(shù)據(jù)庫中，可以永久性的使用，并定期維護(hù)；第三部分建立數(shù)據(jù)訪問接口。

4.1.2 功能服務(wù)層

功能服務(wù)層主要是指風(fēng)電功率預(yù)測(cè)系統(tǒng)需要完成的功能應(yīng)用。本系統(tǒng)的應(yīng)用服務(wù)主要有基礎(chǔ)數(shù)據(jù)更新模塊、實(shí)時(shí)數(shù)據(jù)展現(xiàn)模塊、風(fēng)電數(shù)據(jù)清洗模塊、風(fēng)電功率預(yù)測(cè)模塊、預(yù)測(cè)誤差分析模塊、用戶管理模塊、系統(tǒng)設(shè)置模塊、輔助模塊等。

4.1.3 用戶層

用戶層是與用戶直接相關(guān)的部分。用戶層是用戶與系統(tǒng)進(jìn)行交互的終端。用戶可以輸入相關(guān)數(shù)據(jù)或者點(diǎn)擊相關(guān)操作，實(shí)現(xiàn)需要的功能。

4.2 系統(tǒng)功能

采用java語言實(shí)現(xiàn)風(fēng)電功率預(yù)測(cè)系統(tǒng)的整體功能，選用關(guān)系型數(shù)據(jù)庫MySQL作為數(shù)據(jù)庫管理系統(tǒng)。系統(tǒng)主要包括用戶管理模塊、核心模塊和系統(tǒng)設(shè)置模塊。系統(tǒng)整體功能模塊圖如圖5所示。

用戶管理模塊主要包括用戶注冊(cè)模塊、用戶登錄模塊、信息修改模塊等。用戶注冊(cè)模塊主要是新用戶在使用系統(tǒng)前進(jìn)行用戶注冊(cè)。為了確定用戶賬號(hào)的安全性，系統(tǒng)引入MD5加密技術(shù)，對(duì)用戶的密碼以及密碼修改提示答案采用密文的形式存儲(chǔ)。這樣可以防止非法用戶的入侵，保障系統(tǒng)的安全性。用戶登錄模塊是任何一個(gè)軟件系統(tǒng)的基礎(chǔ)模塊。該系統(tǒng)的用戶登錄模塊需要用戶通過多方面的認(rèn)證合格，才可以進(jìn)入系統(tǒng)。主要包括權(quán)限認(rèn)證、崗位認(rèn)證、用戶名、密碼、驗(yàn)證碼等合法驗(yàn)證。

用戶修改模塊主要方便用戶對(duì)自身基本信息的更新。

系統(tǒng)設(shè)置模塊包括系統(tǒng)用戶權(quán)限管理、系統(tǒng)數(shù)據(jù)備份、系統(tǒng)數(shù)據(jù)還原。用戶權(quán)限管理模塊主要是根據(jù)風(fēng)電功率預(yù)測(cè)系統(tǒng)中用戶的崗位類別、職稱類別等判定用戶的角色，并按照一定的安全策略為每種角色設(shè)置相應(yīng)的權(quán)限。每個(gè)用戶只可以訪問自身權(quán)限范圍內(nèi)的內(nèi)容。本系統(tǒng)的權(quán)限設(shè)置管理主要包括功能級(jí)權(quán)限管理和數(shù)據(jù)級(jí)權(quán)限管理。數(shù)據(jù)備份模塊是系統(tǒng)容災(zāi)方案的一種。本系統(tǒng)考慮到電力系統(tǒng)屬于專用網(wǎng)、風(fēng)電數(shù)據(jù)的存儲(chǔ)量大、不易恢復(fù)等特性，采用數(shù)據(jù)庫備份方案。數(shù)據(jù)庫備份即在備份機(jī)上創(chuàng)建數(shù)據(jù)庫的拷貝版本，定期更新備份。系統(tǒng)數(shù)據(jù)恢復(fù)模塊是指將丟失的或者異常數(shù)據(jù)恢復(fù)到正常的狀態(tài)。本系統(tǒng)主要應(yīng)用版本恢復(fù)將系統(tǒng)數(shù)據(jù)庫中的數(shù)據(jù)恢復(fù)到前一個(gè)備份版本，使數(shù)據(jù)恢復(fù)正常。

4.3 核心模塊設(shè)計(jì)

核心模塊的主要功能為風(fēng)電實(shí)時(shí)數(shù)據(jù)存儲(chǔ)、實(shí)時(shí)數(shù)據(jù)查詢、實(shí)時(shí)數(shù)據(jù)處理、風(fēng)電訓(xùn)練樣本分類、風(fēng)電功率預(yù)測(cè)、誤差分析和歷史預(yù)測(cè)結(jié)果查詢。該模塊的UML活動(dòng)圖如圖6所示。

圖6 風(fēng)電功率預(yù)測(cè)系統(tǒng)UML活動(dòng)圖

風(fēng)電實(shí)時(shí)數(shù)據(jù)存儲(chǔ)模塊主要用于獲取風(fēng)電場(chǎng)的實(shí)時(shí)數(shù)據(jù)。通過I/O讀取程序，獲取已經(jīng)存儲(chǔ)于記事本的風(fēng)電功率實(shí)時(shí)采集數(shù)據(jù)。按照每一行為一個(gè)記錄的方式，將獲取的數(shù)據(jù)存入已經(jīng)創(chuàng)建好的MySQL數(shù)據(jù)庫，作為風(fēng)電功率預(yù)測(cè)的數(shù)據(jù)源。

風(fēng)電實(shí)時(shí)數(shù)據(jù)顯示模塊主要協(xié)助用戶根據(jù)自己的意愿選擇要瀏覽的風(fēng)電數(shù)據(jù)。用戶可以按照時(shí)間段模式進(jìn)行預(yù)覽。風(fēng)電實(shí)時(shí)數(shù)據(jù)處理模塊主要是清洗那些由于采集、傳輸和記錄過程中導(dǎo)致的異常數(shù)據(jù)、缺省數(shù)據(jù)或者記錄不完整的數(shù)據(jù)。利用相鄰時(shí)間點(diǎn)數(shù)據(jù)的加權(quán)平均值修補(bǔ)缺省值和更正不完善的數(shù)據(jù)。

風(fēng)電訓(xùn)練樣本分類模塊是由于預(yù)測(cè)模型需要輸入具有確定類別的風(fēng)電訓(xùn)練樣本。該模塊主要是將K-means聚類算法用java語言實(shí)現(xiàn)。

風(fēng)電功率預(yù)測(cè)模塊是系統(tǒng)的核心模塊。該模塊同樣也是利用java語言實(shí)現(xiàn)預(yù)測(cè)算法的過程。該模塊留有輸入、輸出兩個(gè)接口。輸入接口主要是輸入訓(xùn)練樣本和預(yù)測(cè)樣本。輸出接口就是輸出風(fēng)電功率的預(yù)測(cè)結(jié)果。

歷史預(yù)測(cè)結(jié)果查詢模塊可以查詢預(yù)測(cè)完畢的結(jié)果。一般用戶可以通過預(yù)測(cè)時(shí)間段查詢預(yù)測(cè)結(jié)果，也可以根據(jù)預(yù)測(cè)誤差率或者準(zhǔn)確率來查詢預(yù)測(cè)結(jié)果。

5 實(shí)例驗(yàn)證

以吉林省某風(fēng)電場(chǎng)20臺(tái)機(jī)組的實(shí)時(shí)運(yùn)行狀態(tài)數(shù)據(jù)為數(shù)據(jù)基礎(chǔ)，選取2019年7月15日到2020年7月14日的數(shù)據(jù)對(duì)算法進(jìn)行驗(yàn)證。采樣頻率為每5分鐘一次，抽取300天的數(shù)據(jù)作為訓(xùn)練樣本，剩余65天的數(shù)據(jù)作為預(yù)測(cè)樣本，由于該風(fēng)電每間隔1秒記錄一次風(fēng)機(jī)的實(shí)時(shí)運(yùn)行狀態(tài)，但是實(shí)際預(yù)測(cè)中以秒為單位進(jìn)行分割，會(huì)產(chǎn)生大量的冗余數(shù)據(jù)，因此本文按照每5分鐘的采樣頻率記錄歷史數(shù)據(jù)，將數(shù)據(jù)保存到數(shù)據(jù)庫中。預(yù)測(cè)時(shí)間分辨率設(shè)定為15分鐘，將24小時(shí)劃分為96個(gè)時(shí)間點(diǎn)進(jìn)行預(yù)測(cè)。

K

值的集合為[1,100]，分別利用曼哈頓距離和歐氏距離尋找相似樣本。不同

K

值下兩種距離計(jì)算方法的預(yù)測(cè)結(jié)果對(duì)比如7和圖8所示。

圖7 不同K值下曼哈頓距離計(jì)算方法的預(yù)測(cè)結(jié)果

圖8 不同K值下歐氏距離計(jì)算方法的預(yù)測(cè)結(jié)果

由圖7和圖8可以看出，當(dāng)

K

=48時(shí)，曼哈頓距離計(jì)算方法預(yù)測(cè)結(jié)果最好，平均絕對(duì)誤差最低。當(dāng)

K

=50時(shí)，歐氏距離計(jì)算方法預(yù)測(cè)結(jié)果較好，預(yù)測(cè)誤差也遠(yuǎn)低于國家規(guī)定范圍。預(yù)測(cè)功率與實(shí)際功率值的對(duì)比結(jié)果分別如圖9和圖10所示。從圖7和圖8的預(yù)測(cè)誤差率中可以看出，預(yù)測(cè)誤差隨著

K

值的增加逐漸降低，增加到一定值后，隨著

K

值的增加又逐漸升高。其與

K

值的變化關(guān)系如圖11所示。通過大量的實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)

K

值在45～55時(shí)，預(yù)測(cè)準(zhǔn)確率最高。

圖9 K=48時(shí)未來24小時(shí)功率預(yù)測(cè)值與實(shí)際值對(duì)比

圖10 K=50時(shí)未來24小時(shí)功率預(yù)測(cè)值與實(shí)際值對(duì)比

圖11 預(yù)測(cè)誤差與K值的關(guān)系

本文將預(yù)測(cè)結(jié)果和文獻(xiàn)[17-18]中的預(yù)測(cè)結(jié)果按照誤差分析方法進(jìn)行了對(duì)比，預(yù)測(cè)誤差對(duì)比結(jié)果如表1所示。從對(duì)比結(jié)果中可以看出采用本文的方法，平均絕對(duì)誤差和均方根誤差預(yù)測(cè)誤差率分別最大下降1.08和0.48個(gè)百分點(diǎn)。在相同的條件下，本文的方法在預(yù)測(cè)時(shí)間最大提高了5.45個(gè)百分點(diǎn)?？梢?，本文的預(yù)測(cè)方法提高了預(yù)測(cè)準(zhǔn)確度。

表1 預(yù)測(cè)誤差對(duì)比

改進(jìn)的KNN預(yù)測(cè)模型在預(yù)測(cè)過程中不斷地剔除訓(xùn)練樣本中異常的或者影響預(yù)測(cè)準(zhǔn)確度的樣本，從而修正預(yù)測(cè)模型，使得預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確率不斷自動(dòng)地提升。因此，實(shí)驗(yàn)數(shù)據(jù)表明在對(duì)20臺(tái)風(fēng)機(jī)功率的預(yù)測(cè)中，誤差率越來越低，每臺(tái)風(fēng)機(jī)的平均誤差都小于15%，滿足目前風(fēng)電功率預(yù)測(cè)系統(tǒng)的要求。

6 結(jié)束語

本文將K-means和改進(jìn)的KNN算法應(yīng)用到風(fēng)電功率短期預(yù)測(cè)中，兩種算法都是基于相似數(shù)據(jù)原理，學(xué)習(xí)方法不需要建立復(fù)雜的模型，預(yù)測(cè)模型簡(jiǎn)單、思想直觀，更適合輸入大量的歷史樣本數(shù)據(jù)，提高預(yù)測(cè)的準(zhǔn)確率。采用C/S架構(gòu)完成了風(fēng)電功率預(yù)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)，并以吉林省某風(fēng)電場(chǎng)的歷史數(shù)據(jù)為例，驗(yàn)證了該模型具有自學(xué)習(xí)、自修正能力，隨著預(yù)測(cè)次數(shù)的增加，系統(tǒng)能夠自動(dòng)提升風(fēng)電功率的預(yù)測(cè)準(zhǔn)確度。該預(yù)測(cè)算法雖然具有一定的實(shí)用性，但如何取得最優(yōu)

K

值，仍是下一步需要重點(diǎn)研究的內(nèi)容。