基于改进K-means聚类和GWO-RBF模型的风电功率预测研究.pdfVIP

沈阳工程学院硕士学位论文摘要

摘要

在全球经济高速发展的的大环境下，人类对能源的需求与日俱增，新能源技术愈发

受到重视。风能作为当今重要的可再生能源之一，已然在电力系统中占据了重要地位。

在风功率预测研究中，如何提升预测的精确性已成为该领域急需攻克的问题。提升预测

的精度不仅能为电网的调度和风电场的并网提供更加可靠的数据依据，还能提高风功率

的使用效率，这是一个具有较高社会研究价值和经济价值的课题。为应对以上问题，本

文提出了一种基于改进K-means聚类和GWO-RBF模型的风功率预测机制，具体内容如

下：

首先，本文对风力发电的原理、风机的工况以及风机的能量转化过程进行了分析。

通过结合辽宁某风电场的风速日变化曲线对风速的变化规律进行了详细的总结。利用

Pearson相关性分析筛选出了与风电功率相关度高的气象因素并使用本文提出的改进

K-means聚类算法对这些气象因素进行了聚类分析。该算法基于组内平方误差和对k值

进行确定，通过密度算法找到初始聚类中心，先初步优化气象数据，再利用KNN函数

求出扫描半径，最后对相似度矩阵计算方法进行改进，筛选出能够表现目标对象分布特

k

征的组气象数据作为聚类中心的初始值。通过更好的找到初始聚类中心来实现对传统

K-means聚类算法的改进。对气象数据进行聚类后，每个簇中的气象数据规律性会大大

提升，从而提高后续预测模型的预测精度。

BPRBF

其次，选用目前在风功率预测领域中使用最为广泛的神经网络和神经网络

BPRBF

来完成对风功率的初始预测。对神级网络和神经网络的工作原理和训练方法进

行了研究，并搭建出了预测模型。通过进行风功率预测试验选出了具有更高预测精度的

RBF神经网络作为风电功率的初始预测模型。

最终基于灰狼算法（GreyWolfOptimizer,GWO）耦合RBF神经网络构建出风电功

率预测模型。先通过GWO算法对RBF神经网络中的权值矩阵、高斯均方根宽度向量以

及中心矩阵等超参数进行优化，找到其最优解，以提高网络的自适应能力。再通过比对

不同种群数量下的功率误差下降曲线选定最佳种群数量。最后通过引入风电场历史气象

数据对预测值进行加权修正，实现多维度对风功率进行预测，进一步提高风功率的预测

精度。

关键词：改进K-means算法；神经网络；风功率预测；灰狼优化算法

I

沈阳工程学院硕士学位论文Abstract

Abstract

Inthecontextofrapidglobaleconomicdevelopment,humandemandforenergyis

increasingdaybyday,andnewenergytechnologiesareincreasinglyvalued.Windenergy,as

oneofthemostimportantrenewableenergysources,hasalreadyoccupiedanimportant

positioninthepowersystem.Intheresearchofwindpowerprediction,howtoimprovethe

accuracyofpredictionhasbecomeanurgentprobleminthisfield.Improvingtheprediction

accuracycannotonlyprovidemorereliabledatabasisforthedispatchingofpowergridand