基于关联规则及BP神经网络的风电场输出功率预测

雷蕾潇，张新燕，孙 珂

(新疆大学 电气工程学院，新疆 乌鲁木齐 830046)

随着经济的发展，能源短缺与环境污染问题越来越严重.风力发电是可再生能源领域中最成熟、最具规模开发条件的发电方式之一.风电场输出功率预测是保障风能安全、稳定、高效的技术手段.根据采集的实时气象、输出功率等数据，分析、挖掘数据特征，预测风电场输出功率，对全网电力平衡及保障系统安全稳定运行具有重要意义.气象因素的不确定性、不稳定性及数据间的相关性增加了风电场输出功率预测的难度.电网智能化使数据数量增加、质量下降，在一定程度上降低了风电场输出功率预测的准确度.

常用的输出功率预测方法有：时间序列法、灰色预测法和卡尔曼滤波、BP(back propagation)神经网络、支持向量机、回归预测等.文献[8]采用Random Forest算法对风速、风向进行预测，提高了风电场输出功率预测的准确度.文献[9]提出了天气数值预报与多元线性回归相结合的模型，拟合出准确度高、误差小的回归方程，利用风电场输出功率的实测数据对该模型进行验证，提高了输出功率预测的准确度.文献[10]对神经网络算法进行改进，使用大量实测数据进行训练，提高了输出功率预测的准确度.文献[11]使用灰色关联度和支持向量机分析气象因素与负荷间的变化，能对短期预测进行精细控制.文献[12]考虑实时气象耦合作用，采用时域卷积网络提升了预测的准确度.文献[13]采用K-means 算法对样本数据进行聚类分析，根据聚类结果选取同类历史负荷为训练样本数据，提高了预测的准确度.

在复杂的风电场运行环境下，单一的气象因素不能准确反映气象对输出功率的影响，且在数据存储和传输的过程中会出现数据异常或空缺的情况，降低了预测的准确度.因此，笔者提出基于关联规则及BP神经网络的风电场输出功率预测方法，该方法对异常和缺失数据进行处理，采用改进K-means聚类算法对温度/风速气象数据进行聚类分析，使用Apriori算法挖掘风电场输出功率与气象因素间的关联规则，将关联规则应用于BP神经网络，以提高预测的准确度.

1 风电场输出功率预测前的数据预处理

笔者将风电场作为研究对象，使用聚类分析及数据间的关联规则，结合BP神经网络预测风电场的输出功率.在功率预测前，须对历史数据进行预处理.某时刻输出功率变化值超出波动范围时，计算数据偏离度，将其与设定的波动阈值进行比较，找出数据异常值和缺失值，并将异常值设为空值.偏离度及其相关参量的表达式为

(1)

(2)

(3)

其中：

ρ

为偏离度，

x

为某点样本值，

E

为样本均值，

N

为样本数，

l

为数据点的序号，

σ

为标准差.将所得数据与前一天同一时段数据进行对比，采用拉格朗日插值法得到插补的风电场输出功率.利用Pearson相关系数对风电场输出功率与各数据特征值间的相关程度进行计算.相关系数及其有关参量的表达式为

(4)

(5)

(6)

其中：

p

为相关系数，

x

为某点的风电场输出功率，

y

为某点的气象数据.

2 基于关联规则及BP神经网络的风电场输出功率预测

2.1 改进的K-means算法

K-means算法是基于距离的动态聚类算法，通过聚类判定两对象间的相似度，距离越近，相似度越大.传统的K-means算法一般将开始的样本作为初始聚类中心，这种方式具有随机性和不确定性，易导致误差大、迭代次数多的问题出现.针对该问题，笔者提出改进的K-means算法.

数据集

A

={(

x

,

y

),(

x

,

y

),…，(

x

,

y

)}，数据点与原点(0，0)的距离为

(7)

把极差与聚类数

k

值的商记为单位聚类数的距离，其表达式为

(8)

其中：

d

，

d

为分别距离的最大、最小值.把第

j

(

j

=1，2，…，

k

)类聚类中心的位置矢量的大小记为

R

，其表达式为

R

=

j

×

r.

(9)

误差平方和(SSE)是手肘法判定最佳聚类数的核心指标.SSE的表达式为

(10)

其中：

c

表示样本的第

i

簇；是

c

中某样本点的位置矢量，是聚类中心的位置矢量.

采用改进的K-means算法对测量的数据按照风速和温度特征进行聚类，具体步骤如下：

(1) 计算所有数据点与原点(0，0)距离

d

.将

R

作为初始聚类中心集合

M

(

a

),

a

的初始值取为1.(2) 使用欧式距离计算公式计算

x

与

R

间的距离，其表达式为

(11)

(3) 计算各组新的聚类中心集合

M

(

a

+1)

.

(4) 若

M

(

a

+1)=

M

(

a

)，则迭代结束，

M

(

a

)为聚类中心.否则，进行(2)步，直到迭代结束.

该改进算法对温度/风速气象数据进行聚类分析，能减少重复扫描，降低寻找频繁项的时间，进而提高算法的效率.

2.2 改进的Apriori算法

Apriori算法通过循环搜索寻找频繁项，挖掘数据库中各项的相关性. Apriori算法主要完成以下两个任务：

(1) 将两个

u

项频繁集连接为候选的(

u

+1)项频繁集.

(2) 通过设定的最小支持度排除不必要的中间结果，获得最高的频繁集.

Apriori算法结构简单、计算思路清晰、对关联规则的查找具有优势，但是其计算效率不高.针对Apriori算法的不足，笔者提出改进的Apriori算法.通过将关联规则中的支持度和可信度赋值给对应的初始权值，该改进算法能发现样本中不同数据类型间的联系，进而找到风电场输出功率与气象因素间的关联规则.将关联规则应用于风电场功率预测，可减少权值更迭的次数以及降低误差，从而提升风电场输出功率的预测准确度.

2.3 基于关联规则及BP神经网络的风电场输出功率预测

BP神经网络由输入层、隐含层和输出层构成.BP神经网络通过向前传递误差信息、修正权值，达到降低误差的目的，最终使输出达到期望值.笔者结合改进K-means算法、改进Apriori算法及BP神经网络，提出基于关联规则及BP神经网络的风电场输出功率预测方法.将关联规则引入BP神经网络，用BP神经网络预测输出功率.基于关联规则及BP神经网络的输出功率预测的具体步骤如下：

(1) 对数据进行归一化处理.

(2) 采用改进的K-means聚类算法对温度/风速气象数据进行聚类.

(3) 使用改进的Apriori算法挖掘温度/风速与输出功率间的关联规则.

(4) 将关联规则中的支持度和可信度赋值给对应的初始权值，取学习速率

γ

=0

.

1、训练期望误差

ε

=0

.

01.

(5) 输入历史气象数据，将其作为训练样本，计算各层的输出.

(6) 计算理论输出与实际输出间的误差.

(7) 误差大于设定误差时，通过输出误差与权值的负梯度修正权值，使误差减小.

(8) 检查误差是否低于期望误差？若是，则输出风电场输出功率预测结果；若否，则继续训练、预测，直至符合期望误差的要求.

3 算例分析

3.1 数据处理

该文数据来源于某地风电场2015年1月1日至2018年12月31日每隔1 h整点实测的输出功率，共计15 056个数据.实测数据还包括温度、湿度、风速、大气压、风向等整点气象数据.通过预处理对风电场输出功率数据进行异常值识别、空缺值置零处理，且用拉格朗日插值及牛顿插值法对数据原始值进行插补.数据原始值及插补结果如表1所示.由表1可知，两种方法的插补结果完全相同.

表1 数据原始值及插补结果

整个样本数据按相同组距分成9段，每个数据段平均采样点数为500，在同一个数据段内取风速、温度、输出功率的平均值.

根据处理后的数据，计算各数据特征量间的Pearson相关系数.从相关系数可知，风电场输出功率与湿度、大气压及风向低度相关，风电场输出功率与温度及风速中度相关，故该文能挖掘出温度、风速与风电场输出功率间的关联规则.

3.2 预测结果

该文采用3层BP神经网络，输入层包含5个节点，隐含层包含2个节点，输出层包含1个节点.将风速、温度等气象因素作为神经网络的输入，将风电场输出功率作为神经网络的输出.将聚类数

k

=10的关联规则的支持度和可信度赋值给对应的初始权值.取前2 160个数据作为训练样本，后240个数据作为测试样本.

4种方法的预测误差如表2所示.由表2可知，相对其他3种方法，该文方法的最大相对误差、最小相对误差、平均相对误差均最小，其最大相对误差不超过5.78%，最小相对误差仅为0.01%.可见该文方法能提高风电场输出功率预测的准确度，具有有效性.

表2 4种方法的预测误差 %

该文方法能有较高的预测准确度，主要原因为：改进Apriori算法能挖掘出温度/风速与输出功率间的关联规则，且将此关联规则引入BP神经网络进行功率预测.

4 结束语

笔者结合改进K-means算法、改进Apriori算法及BP神经网络，提出了基于关联规则及BP神经网络的风电场输出功率预测方法.将4种方法的预测误差进行对比，结果表明：相对其他3种方法，该文方法的最大相对误差、最小相对误差、平均相对误差均最小.可见该文方法能提高风电场输出功率预测的准确度，具有有效性.