摘 要：近年來，江蘇地區(qū)在迎峰度夏期間出現(xiàn)了較大的電能供給缺口，電力系統(tǒng)頻率失穩(wěn)的風(fēng)險(xiǎn)增加，因此，在電力保供工作中，穩(wěn)定的風(fēng)電輸出功率愈發(fā)重要?？紤]到風(fēng)能的隨機(jī)性和間歇性，準(zhǔn)確的風(fēng)速預(yù)測可以降低風(fēng)電入網(wǎng)時(shí)的附加成本，協(xié)助電力系統(tǒng)調(diào)度部門調(diào)整調(diào)度計(jì)劃，提升電力系統(tǒng)的風(fēng)電消納與穩(wěn)定運(yùn)行能力。從提高超短期風(fēng)速預(yù)測精度的角度出發(fā)，提出了1種基于近鄰傳播（AP）聚類算法的徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測方法（即“AP-RBF方法”）。首先建立AP-RBF模型，然后以江蘇地區(qū)某風(fēng)電場實(shí)地采集的實(shí)際風(fēng)速數(shù)據(jù)為例進(jìn)行算例分析，對(duì)AP-RBF模型的預(yù)測效果進(jìn)行了驗(yàn)證，并對(duì)各類預(yù)測方法的預(yù)測精度和預(yù)測效率進(jìn)行了對(duì)比分析。研究結(jié)果表明：1） AP-RBF方法通過采用“先計(jì)算聚類結(jié)果，再計(jì)算權(quán)值矩陣”的預(yù)測模式，克服了傳統(tǒng)聚類方法對(duì)初值敏感的缺點(diǎn)。2）與常規(guī)預(yù)測方法相比，AP-RBF方法在整體預(yù)測精度上表現(xiàn)最佳，且在保證訓(xùn)練數(shù)據(jù)質(zhì)量的基礎(chǔ)上具有較快的預(yù)測速度。AP-RBF方法的應(yīng)用對(duì)提高風(fēng)電消納能力與電力系統(tǒng)頻率穩(wěn)定性具有重要意義。

關(guān)鍵詞：清潔能源；風(fēng)速；風(fēng)電；近鄰傳播聚類算法；徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)；風(fēng)速預(yù)測；精度分析

中圖分類號(hào)：TM614 " " " " " 文獻(xiàn)標(biāo)志碼：A

0 "引言

2022年8月，因極端高溫天氣與降水驟減，導(dǎo)致長江水位持續(xù)下降，中國西南水電輸出功率大幅降低，“西電東送”戰(zhàn)略受到巨大考驗(yàn)。由于華東地區(qū)對(duì)西南水電的依賴度較高，區(qū)外來電的缺口極大加劇了華東地區(qū)迎峰度夏的難度，其電力系統(tǒng)頻率穩(wěn)定性受到嚴(yán)峻挑戰(zhàn)。

風(fēng)能作為一種可再生的清潔能源，已得到廣泛應(yīng)用，其作為傳統(tǒng)電力能源的補(bǔ)充，可在迎峰度夏此類重要的電力保供工作中發(fā)揮有效作用。考慮到風(fēng)能的隨機(jī)性和間歇性增加了風(fēng)電的消納難度，國網(wǎng)江蘇省電力有限公司南京供電分公司積極開展了風(fēng)速預(yù)測研究工作，以期制定相應(yīng)的電力系統(tǒng)控制策略，為電力系統(tǒng)更多、更好地接納風(fēng)電創(chuàng)造條件，進(jìn)一步提高風(fēng)電在電力保供工作中的重要作用。

風(fēng)速預(yù)測領(lǐng)域的前期研究成果較為豐富，按照風(fēng)速預(yù)測的原理，風(fēng)速預(yù)測方法可分為持續(xù)（persistence，PR）法、時(shí)間序列法[1-4]、支持向量機(jī)（support vector machine，SVM）法[5-7]、空間相關(guān)性預(yù)測法[8]、人工神經(jīng)網(wǎng)絡(luò)法[9-10]等，這些方法同時(shí)也大量應(yīng)用于其他電氣參量的預(yù)測工作中[11-15]。上述風(fēng)速預(yù)測方法中，PR法是最經(jīng)典的風(fēng)速預(yù)測方法，以過去短期內(nèi)風(fēng)速的滑動(dòng)平均值作為預(yù)測值，原理簡單；但該方法對(duì)長時(shí)間、變化快的風(fēng)速的預(yù)測精度低。時(shí)間序列法通過分析風(fēng)速數(shù)據(jù)的時(shí)間依賴性和周期性特征進(jìn)行風(fēng)速預(yù)測，尤其適用于氣候和環(huán)境條件相對(duì)穩(wěn)定的場景，其原理模型包括自回歸（autoregressive，AR）模型、累積式自回歸-滑動(dòng)平均（autoregressive integrated moving average，ARIMA）模型、自回歸滑動(dòng)平均（autoregressive moving average，ARMA）模型[4]等。基于SVM法的預(yù)測模型精度高、速度快、預(yù)測結(jié)果穩(wěn)定且便于使用[5-6]，但該方法對(duì)大規(guī)模訓(xùn)練樣本難以實(shí)施?？臻g相關(guān)性預(yù)測法考慮了地理空間上不同位置之間風(fēng)速數(shù)據(jù)的相互關(guān)聯(lián)，即地理上鄰近的地點(diǎn)，其風(fēng)速數(shù)據(jù)更有可能表現(xiàn)出相似特征；但該方法具有數(shù)據(jù)依賴性強(qiáng)、計(jì)算復(fù)雜度高、模型假設(shè)限制多，預(yù)測結(jié)果規(guī)律性不強(qiáng)、空間關(guān)系不確定的缺點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)法具有強(qiáng)大的非線性建模能力，能夠捕捉和學(xué)習(xí)風(fēng)速數(shù)據(jù)中復(fù)雜的模式和關(guān)系，即使在數(shù)據(jù)具有高度波動(dòng)性和非線性特征時(shí)也能提供準(zhǔn)確的預(yù)測，且能夠處理大量數(shù)據(jù)并從中自動(dòng)提取有價(jià)值的特征，使該方法在處理時(shí)間序列數(shù)據(jù)（例如：風(fēng)速記錄）時(shí)特別有效，從而成為風(fēng)速預(yù)測中強(qiáng)有力的預(yù)測工具[9]。此外，文獻(xiàn)[16-17]對(duì)風(fēng)速預(yù)測結(jié)果的誤差修正方法進(jìn)行了介紹。

根據(jù)時(shí)間尺度，風(fēng)速預(yù)測可分為長期預(yù)測（1年以上）、中期預(yù)測（大于3天）、短期預(yù)測（8 h～3天）和超短期預(yù)測（0～8 h）。為提高電力系統(tǒng)的頻率穩(wěn)定性與實(shí)時(shí)調(diào)控能力，本文以超短期風(fēng)速預(yù)測為研究對(duì)象，提出1種基于近鄰傳播（affinity propagation，AP）聚類算法的徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測方法（下文簡稱為“AP-RBF方法”）。RBF神經(jīng)網(wǎng)絡(luò)屬于人工神經(jīng)網(wǎng)絡(luò)，具有對(duì)初值不敏感、計(jì)算復(fù)雜度低、計(jì)算精度高的優(yōu)點(diǎn)。首先建立風(fēng)速預(yù)測模型（即“AP-RBF模型”），然后以江蘇地區(qū)某風(fēng)電場實(shí)地采集的實(shí)際風(fēng)速數(shù)據(jù)為例進(jìn)行算例分析，并對(duì)各類預(yù)測方法的預(yù)測精度和預(yù)測效率進(jìn)行對(duì)比。

1 "AP-RBF模型

1.1 "傳統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

傳統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法分為兩個(gè)步驟，具體為：

1）為了減少隱含層神經(jīng)元的個(gè)數(shù)，用K均值（K-means）聚類算法對(duì)訓(xùn)練樣本（不含標(biāo)簽）進(jìn)行聚類，將聚類數(shù)作為隱含層節(jié)點(diǎn)數(shù)，將聚類中心向量作為隱含層的數(shù)據(jù)中心，然后根據(jù)各數(shù)據(jù)中心之間的距離計(jì)算出隱含層激活函數(shù)所需的擴(kuò)展常數(shù)；

2）在計(jì)算出隱含層的數(shù)據(jù)中心和擴(kuò)展常數(shù)后，即可計(jì)算隱含層的輸出，結(jié)合訓(xùn)練樣本的標(biāo)簽，基于最小二乘法即可直接求出隱含層到輸出層的權(quán)值。

1.2 "基于AP聚類算法的RBF神經(jīng)網(wǎng)絡(luò)

本文對(duì)傳統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法中的第1步進(jìn)行改進(jìn)，利用2007年在《Science》上發(fā)表的AP聚類算法代替K-means聚類算法進(jìn)行聚類[18]。AP聚類算法的優(yōu)勢(shì)在于不需要事先指定聚類中心的數(shù)量，并且能夠識(shí)別出更復(fù)雜的數(shù)據(jù)結(jié)構(gòu)，其通過考慮數(shù)據(jù)點(diǎn)之間的相似性，傳遞信息以識(shí)別出樣本的最佳代表點(diǎn)（即聚類中心），從而有效地處理不同大小和形狀的聚類中心。相比之下，K-means聚類算法需要預(yù)先指定聚類中心的數(shù)量，且主要適用于大小相近、形狀類似的聚類中心，可以看出，AP聚類算法在處理更復(fù)雜或不規(guī)則的數(shù)據(jù)集時(shí)具有優(yōu)勢(shì)。

在實(shí)際應(yīng)用中，與其他聚類算法相比，AP聚類算法得到的聚類分組誤差更小、計(jì)算速度更快[18]，因此，該算法更適合應(yīng)用于對(duì)預(yù)測精度有較高要求的場景。在考慮符合電力系統(tǒng)控制策略要求后，將AP聚類算法集成到RBF神經(jīng)網(wǎng)絡(luò)中。區(qū)別于K-means聚類算法，在計(jì)算開始時(shí)，AP聚類算法視每個(gè)數(shù)據(jù)點(diǎn)為潛在的聚類中心，并通過數(shù)據(jù)點(diǎn)間的信息類型，即吸引度（responsibility）和歸屬度（availability）確立最終聚類中心的位置。

吸引度的定義為r（i，k），表示數(shù)據(jù)點(diǎn)k作為數(shù)據(jù)點(diǎn)i的聚類中心的適宜性，其計(jì)算式為：

（1）

式中：s（i，k）為數(shù)據(jù)點(diǎn)i與數(shù)據(jù)點(diǎn)k之間的負(fù)歐氏距離，作為衡量二者聚類相似度的指標(biāo)；k′為數(shù)據(jù)點(diǎn)i的其他候選聚類中心；a（i，k′）為歸屬度，表示從候選聚類中心數(shù)據(jù)點(diǎn)k′傳送至數(shù)據(jù)點(diǎn)i，反映了數(shù)據(jù)點(diǎn)i選擇數(shù)據(jù)點(diǎn)k′作為其聚類數(shù)據(jù)的合適程度，即數(shù)據(jù)點(diǎn)k′作為數(shù)據(jù)點(diǎn)i的聚類數(shù)據(jù)的適宜性；當(dāng)k′=i時(shí)，s（i，k′）=s（i，i），s（i，i）被稱為偏愛度，其為所有s（i，k）均值的P倍（P為偏愛度系數(shù)），調(diào)整P可以改變聚類數(shù)。

歸屬度的計(jì)算式可表示為：

（2）

式中：r（i′，k′）為數(shù)據(jù)點(diǎn)k′作為數(shù)據(jù)點(diǎn)i′的聚類中心的適宜性；r（k′，k′）為數(shù)據(jù)點(diǎn)k′作為數(shù)據(jù)點(diǎn)k′的聚類中心的適宜性。

在聚類過程中，基于式（1）和式（2）定義的消息傳遞機(jī)制，傳遞吸引度和歸屬度；并且基于式（3）和式（4）定義的迭代方程對(duì)兩種信息進(jìn)行更新，以自動(dòng)獲得聚類中心數(shù)據(jù)。

（3）

（4）

式中：rz（i，k）、az（i，k）分別為迭代到第z步時(shí)，r（i，k）、a（i，k）的值；rz（i， j）、az（i， j）分別為迭代到第z步時(shí)，r（i， j）、a（i， j）的值；λ為阻尼系數(shù)，用于調(diào)整算法的運(yùn)算速度和迭代的穩(wěn)定性，在通用迭代算法中，均取0.5，以保證算法的穩(wěn)定性并使算法的運(yùn)算速度適中。

將（i，k）兩個(gè)數(shù)據(jù)間r值和a值相加，即將r（i，k）和a（i，k）相加，所得值的大小與數(shù)據(jù)點(diǎn)k是所有數(shù)據(jù)的聚類中心且還是數(shù)據(jù)點(diǎn)i的聚類中心的可能性成正比?；诖嗽?，通過數(shù)據(jù)迭代，可以有效確定訓(xùn)練數(shù)據(jù)集內(nèi)的聚類分布。

1.3 "AP-RBF方法的具體算法流程

基于AP-RBF方法建立AP-RBF模型。AP-RBF方法的具體步驟為：

1）輸入不含標(biāo)簽的訓(xùn)練樣本，通過計(jì)算相似度矩陣S、責(zé)任矩陣R、可用度矩陣A，生成評(píng)價(jià)矩陣E。

2）將聚類數(shù)作為隱含層節(jié)點(diǎn)數(shù)，將聚類中心向量作為隱含層的數(shù)據(jù)中心c，生成中心點(diǎn)矩陣C。

3）計(jì)算出每個(gè)數(shù)據(jù)中心與離該數(shù)據(jù)中心最近的數(shù)據(jù)中心的歐氏距離，再乘以最優(yōu)重疊系數(shù)，即可計(jì)算出隱含層激活函數(shù)所需的擴(kuò)展常數(shù)δ。

4）結(jié)合不含標(biāo)簽的訓(xùn)練樣本、隱含層的數(shù)據(jù)中心和擴(kuò)展常數(shù)，即可計(jì)算隱含層的輸出矩陣H；結(jié)合訓(xùn)練樣本的輸出標(biāo)簽矩陣Y，應(yīng)用梯度下降法求出隱含層到輸出層的權(quán)值矩陣W。

AP-RBF方法的算法流程圖如圖1所示。

2 "風(fēng)電場風(fēng)速數(shù)據(jù)說明

本文收集并整理了江蘇地區(qū)某風(fēng)電場在2019年5月—2020年4月這1整年的實(shí)際風(fēng)速數(shù)據(jù)，其中：采用前9個(gè)月（2019年5月—2020年1月）的風(fēng)速數(shù)據(jù)進(jìn)行預(yù)測，這些數(shù)據(jù)即為訓(xùn)練數(shù)據(jù)（用x表示）；采用后3個(gè)月（2020年2月—2020年4月）的風(fēng)速數(shù)據(jù)進(jìn)行測試，這些數(shù)據(jù)即為測試數(shù)據(jù)（用y表示）。

風(fēng)速預(yù)測屬于時(shí)間序列預(yù)測問題，將該風(fēng)電場2019年5月—2020年1月的風(fēng)速數(shù)據(jù)，以小時(shí)為單位，整理成1個(gè)“6624×1”的列向量[x（1）， …， x（6624）]T。首先將訓(xùn)練數(shù)據(jù)整理為

“x（t+1）=f [x（t），…， x（t–b）]”的形式（其中，t、b均為時(shí)刻，每個(gè)時(shí)刻有1個(gè)數(shù)據(jù)，即風(fēng)速），將“t+1”時(shí)刻的數(shù)據(jù)“x（t+1）”作為訓(xùn)練集的標(biāo)簽，將“t–b”時(shí)刻到t時(shí)刻的“b+1”個(gè)數(shù)據(jù)作為訓(xùn)練集的輸入數(shù)據(jù)；然后用訓(xùn)練集的輸入數(shù)據(jù)和標(biāo)簽數(shù)據(jù)來訓(xùn)練AP-RBF方法的神經(jīng)網(wǎng)絡(luò)；最終形成1個(gè)可以用多個(gè)歷史數(shù)據(jù)來預(yù)測未來單點(diǎn)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，并用測試數(shù)據(jù)進(jìn)行驗(yàn)證。

根據(jù)上述分析，首先應(yīng)該確定訓(xùn)練集中每個(gè)輸入向量的維數(shù)“b+1”。由于具體地點(diǎn)的風(fēng)速值通常存在周期變化規(guī)律，因此，為保證精準(zhǔn)預(yù)測的同時(shí)學(xué)習(xí)不同時(shí)間段的風(fēng)速變化規(guī)律，本文將訓(xùn)練向量的維度定為10（每10 h為1個(gè)采樣點(diǎn)），其中：輸入向量9維，輸出標(biāo)簽1維。綜上，可以將收集到的風(fēng)速數(shù)據(jù)整理成式（5）的形式，以構(gòu)成訓(xùn)練集。

（5）

式中：每1行為1組訓(xùn)練向量（例如：第1組訓(xùn)練向量為[x（1）， …， x（10）]），共6615組；每組訓(xùn)練向量的前9個(gè)元素為輸入向量（例如：第1組訓(xùn)練向量中的[x（1）， …， x（9）]），最后1個(gè)元素為輸出標(biāo)簽（例如：第1組訓(xùn)練向量中的x（10））。

當(dāng)利用上述6615組訓(xùn)練向量訓(xùn)練出1個(gè)對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)后，就可以利用測試數(shù)據(jù)來驗(yàn)證該神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性。為此，也需要按照式（5）的形式劃分2160維列向量的測試數(shù)據(jù)，從而構(gòu)成測試集，即：

（6）

式中：每1行為1組測試向量，共2151組；最后1列為輸出標(biāo)簽數(shù)據(jù)。

將式（6）中除最后1列之外的測試數(shù)據(jù)代入已訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)，可以得出預(yù)測數(shù)據(jù)，將其與式（6）中最后1列的輸出標(biāo)簽數(shù)據(jù)進(jìn)行對(duì)比，即可驗(yàn)證所構(gòu)建神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性。

3 "算例分析

本文采用Matlab軟件對(duì)提出的AP-RBF方法進(jìn)行風(fēng)速預(yù)測的算例分析，模型訓(xùn)練設(shè)備的芯片為Intel（R） Core（TM） i7-7700HQ，運(yùn)行內(nèi)存為16 GB。采用平均絕對(duì)百分比誤差（MAPE）作為AP-RBF模型參數(shù)選擇指標(biāo)，采用MAPE與均方根誤差（RMSE）作為預(yù)測結(jié)果評(píng)估指標(biāo)。二者的計(jì)算式分別為：

（7）

（8）

式中：MA為平均絕對(duì)百分比誤差，%；RM為均方根誤差，m/s；N為預(yù)測結(jié)果的數(shù)量，個(gè)；vt為t時(shí)刻的實(shí)際風(fēng)速，m/s；vtf為t時(shí)刻的預(yù)測風(fēng)速，m/s。

3.1 "AP-RBF模型參數(shù)選擇

AP-RBF模型的參數(shù)設(shè)置中，偏愛度系數(shù)、重疊系數(shù)（Overlap）與預(yù)測精度具有相關(guān)性，因此通過遍歷參數(shù)得到最優(yōu)偏愛度系數(shù)與最優(yōu)重疊系數(shù)。MAPE隨偏愛度系數(shù)和重疊系數(shù)變化的曲線分別如圖2、圖3所示。

從圖2、圖3可以看出：當(dāng)偏愛度系數(shù)為6時(shí)，MAPE值最小，則該值為最優(yōu)偏愛度系數(shù)；當(dāng)重疊系數(shù)為50時(shí)，MAPE值最小，則該值為最優(yōu)重疊系數(shù)。

因此，AP-RBF模型的AP聚類算法的基本參數(shù)“偏愛度系數(shù)”設(shè)定為6；RBF神經(jīng)網(wǎng)絡(luò)的基本參數(shù)“重疊系數(shù)”設(shè)定為50。AP-RBF模型參數(shù)選擇完畢后，可計(jì)算得到中心點(diǎn)矩陣C、擴(kuò)展常數(shù)向量δ與權(quán)值矩陣W。

3.2 "風(fēng)速預(yù)測精度分析

實(shí)際風(fēng)速數(shù)據(jù)的采樣間隔為1 h，共計(jì)8784個(gè)風(fēng)速樣本數(shù)據(jù)，取前6624個(gè)風(fēng)速樣本數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，對(duì)AP-RBF模型進(jìn)行訓(xùn)練；取后2160個(gè)風(fēng)速樣本數(shù)據(jù)作為測試集，驗(yàn)證AP-RBF模型的預(yù)測精度。AP-RBF模型的整體（0～2160 h）、局部（1200～1600 h）預(yù)測結(jié)果與實(shí)際風(fēng)速的對(duì)比如圖4所示。

從圖4可以看出：AP-RBF方法的預(yù)測精度較高，預(yù)測結(jié)果準(zhǔn)確。

為進(jìn)一步量化驗(yàn)證AP-RBF方法的預(yù)測精度，隨機(jī)選取多段連續(xù)時(shí)間點(diǎn)（分別為170～180 h、550～560 h、1186～1196 h、1640～1650 h）對(duì)應(yīng)的風(fēng)速數(shù)據(jù)，對(duì)同一時(shí)段內(nèi)AP-RBF方法的預(yù)測結(jié)果與采用SVM法、反向傳播（BP）神經(jīng)網(wǎng)絡(luò)模型[19]、ARIMA模型、ARMA模型與PR法得到的預(yù)測結(jié)果進(jìn)行對(duì)比，具體如圖5所示。其中：SVM法對(duì)數(shù)據(jù)進(jìn)行歸一化后，用Matlab軟件自帶的SVM工具箱進(jìn)行訓(xùn)練與預(yù)測；BP神經(jīng)網(wǎng)絡(luò)模型的隱含層節(jié)點(diǎn)數(shù)設(shè)置為3，通過訓(xùn)練Narnet網(wǎng)絡(luò)進(jìn)行風(fēng)速預(yù)測；ARIMA模型與ARMA模型分別采用ARIMA（0，2，5）模型及ARMA（10，10）模型進(jìn)行數(shù)據(jù)分析與預(yù)測；PR法直接將當(dāng)前時(shí)刻的實(shí)際值作為下個(gè)時(shí)刻的預(yù)測值。

從圖5可以看出：這些預(yù)測方法均能對(duì)風(fēng)速進(jìn)行不同程度的預(yù)測，其中，PR法受限于其簡單的計(jì)算原理，預(yù)測精度較低且不適用于風(fēng)速短期快速變化的場景；SVM法、BP神經(jīng)網(wǎng)絡(luò)模型、ARIMA模型、ARMA模型這4類經(jīng)典預(yù)測方法的整體預(yù)測精度均不如AP-RBF方法的整體預(yù)測精度。

為更好地驗(yàn)證本文所提AP-RBF方法的預(yù)測精度與預(yù)測效率，對(duì)上述各類預(yù)測方法的計(jì)算性能分別進(jìn)行統(tǒng)計(jì)，然后進(jìn)行對(duì)比，結(jié)果如表1所示。

從表1可以看出：1）AP-RBF方法預(yù)測結(jié)果的MAPE與RMSE分別為2.59%與0.21 m/s，均為各類預(yù)測方法的最低值，說明該方法在整體預(yù)測精度上表現(xiàn)最佳。這得益于AP聚類算法對(duì)任意初值數(shù)據(jù)均能得到較優(yōu)的聚類值，從而可得到更精確的預(yù)測結(jié)果。2）在預(yù)測效率方面，AP-RBF方法的預(yù)測時(shí)長為0.18 s，在各類預(yù)測方法中的用時(shí)最短，即使在前置AP聚類過程計(jì)算量較大的情況下，該方法在訓(xùn)練時(shí)長與預(yù)測時(shí)長方面仍表現(xiàn)最優(yōu)，證明該方法在保證訓(xùn)練數(shù)據(jù)質(zhì)量的基礎(chǔ)上具有較快的預(yù)測速度。

4 "結(jié)論

本文從提高超短期風(fēng)速預(yù)測精度的角度出發(fā)，提出了AP-RBF方法。首先建立AP-RBF模型，然后以江蘇地區(qū)某風(fēng)電場實(shí)地采集的實(shí)際風(fēng)速數(shù)據(jù)為例進(jìn)行算例分析，對(duì)AP-RBF模型的預(yù)測效果進(jìn)行了驗(yàn)證，并對(duì)各類預(yù)測方法的預(yù)測精度和預(yù)測效率進(jìn)行了對(duì)比分析。得到以下結(jié)論：

1） AP-RBF方法通過采用“先計(jì)算聚類結(jié)果，再計(jì)算權(quán)值矩陣”的預(yù)測模式，克服了傳統(tǒng)聚類方法對(duì)初值敏感的缺點(diǎn)。

2）與SVM法、BP神經(jīng)網(wǎng)絡(luò)模型、ARIMA模型、ARMA模型和PR法的預(yù)測結(jié)果相比，在預(yù)測精度方面，AP-RBF方法的雙精度指標(biāo)MAPE與RMSE均為最低，證明該方法在整體預(yù)測精度上表現(xiàn)最佳；在預(yù)測效率方面，AP-RBF方法的預(yù)測時(shí)長最短，證明該方法在保證訓(xùn)練數(shù)據(jù)質(zhì)量的基礎(chǔ)上具有較快的預(yù)測速度。

綜上所述，AP-RBF方法的應(yīng)用對(duì)提高風(fēng)電消納能力與電力系統(tǒng)頻率穩(wěn)定性具有重要意義。

[參考文獻(xiàn)]

[1] 高桂革，原闊，曾憲文，等. 基于改進(jìn)CEEMD-CS-ELM的短期風(fēng)速預(yù)測[J]. 太陽能學(xué)報(bào)，2021，42（7）：284-289.

[2] 王世明，張少童，婁嘉奕. 基于CNN-LSTM-ARIMA的超短期風(fēng)速預(yù)測[J]. 新能源進(jìn)展，2024，12（6）：688-695.

[3] 李秉晨，于惠鈞，丁華軒，等. 基于CEEMD和LSTM-ARIMA的短期風(fēng)速預(yù)測[J]. 中國測試，2022，48（2）：163-168.

[4] 王耀慶，孫建平，李冰，等. 基于小波變換和LSTM的短期風(fēng)速預(yù)測研究[J]. 計(jì)算機(jī)仿真，2021，38（2）：438-443.

[5] 向玲，鄧澤奇. 基于改進(jìn)經(jīng)驗(yàn)小波變換和最小二乘支持向量機(jī)的短期風(fēng)速預(yù)測[J]. 太陽能學(xué)報(bào)，2021，42（2）：97-103.

[6] 王瑞，馬禎，李磊. 基于CEEMDAN-WOA-SVR的高鐵沿線超短期風(fēng)速預(yù)測方法[J]. 中國鐵道科學(xué)，2023，44（6）：80-86.

[7] 王斌，魏成偉，謝麗蓉，等. 基于風(fēng)速誤差校正和ALO-LSSVM的風(fēng)電功率預(yù)測[J]. 太陽能學(xué)報(bào)，2022，43（1）：58-63.

[8] 沈小軍，周沖成，付雪嬌. 基于機(jī)聯(lián)網(wǎng)-空間相關(guān)性權(quán)重的風(fēng)電機(jī)組風(fēng)速預(yù)測研究[J]. 電工技術(shù)學(xué)報(bào)，2021，36（9）：1782-1790，1817.

[9] 姜明洋，徐麗，張開軍，等.基于季節(jié)指數(shù)調(diào)整的循環(huán)神經(jīng)網(wǎng)絡(luò)風(fēng)速時(shí)間序列預(yù)測[J]. 太陽能學(xué)報(bào)，2022，43（2）：444-450.

[10] 梁濤，陳春宇，譚建鑫，等. 基于多方面特征提取和遷移學(xué)習(xí)的風(fēng)速預(yù)測[J]. 太陽能學(xué)報(bào)，2023，44（4）：132-139.

[11] 陳振祥，林培杰，程樹英，等. 基于K-means++和混合深度學(xué)習(xí)的光伏功率預(yù)測[J]. 電氣技術(shù)，2021，22（9）：7-13，33.

[12] 楊昭，張鋼，趙俊杰，等. 基于變分模態(tài)分解和改進(jìn)粒子群算法優(yōu)化最小二乘支持向量機(jī)的短期電價(jià)預(yù)測[J]. 電氣技術(shù)，2021，22（10）：11-16.

[13] 陳軒偉. 基于BP-QR模型的負(fù)荷區(qū)間預(yù)測[J]. 電氣技術(shù)，2022，23（4）：14-17，24.

[14] 何安明，趙鑫，吳立剛，等. 基于雙向長短期記憶網(wǎng)絡(luò)的區(qū)域電網(wǎng)新能源消納預(yù)測算法[J]. 電氣技術(shù)，2023，24（3）：23-30.

[15] 馮雙磊，王偉勝，劉純，等. 基于物理原理的風(fēng)電場短期風(fēng)速預(yù)測研究[J].太陽能學(xué)報(bào)，2011，32（5）：611-616.

[16] 李嘉文，盛德仁，李蔚，等. 基于多目標(biāo)優(yōu)化和誤差修正的短期風(fēng)速預(yù)測[J]. 太陽能學(xué)報(bào)，2022，43（8）：273-280.

[17] 李永剛，王月，吳濱源. 基于雙重Q學(xué)習(xí)的動(dòng)態(tài)風(fēng)速預(yù)測模型[J]. 電工技術(shù)學(xué)報(bào)，2022，37（7）：1810-1819.

[18] FREY B J，DUECK D. Clustering by passing messages between data points[J]. Science，2007，315（5814）：972-976.

[19] 廖東進(jìn)，劉曉龍. 基于BP神經(jīng)網(wǎng)絡(luò)的光伏電站輻照度預(yù)測研究[J]. 太陽能，2016（10）：44-49.

RESEARCH ON WIND SPEED PREDICTION METHOD USING RBF NEURAL NETWORK BASED ON AP CLUSTERING ALGORITHM

Li Hao，Zhang Yucheng

（State Grid Jiangsu Electric Power Co.，Ltd. Nanjing Power Supply Branch，Nanjing 210013，China）

Abstract：In recent years，there has been a large power supply gap during the period of peak summer electricity consumption to ensure the smooth operation of the power grid in Jiangsu Province，increases the risk of power system frequency instability. Therefore，stable wind power output power has become increasingly important in ensuring power supply work. Considering the randomness and intermittences of wind energy，accurate wind speed prediction can reduce the additional cost of grid-connection for wind power，help the dispatching department of the power system adjust the dispatching plan，improve the wind power consumption and stable operation capability of the power system. This paper proposes a wind speed prediction method using RBF neural network based on AP clustering algorithm （that is \"AP-RBF method\"） from the perspective of improving the accuracy of ultra short term wind speed prediction. Firstly，an AP-RBF model is established，and then the actual wind speed data collected from a wind farm in Jiangsu Province is used as an example for numerical analysis ，and the predictive performance of the AP-RBF model is verified. The prediction accuracy and prediction efficiency of various prediction methods are compared and analyzed. The research results show that： 1） The AP-RBF method overcomes the sensitivity of traditional clustering methods to initial values by first calculating the clustering results and then calculating the weight matrix for the prediction mode. 2） Compared with conventional prediction methods，the AP-RBF method performs the best in overall prediction accuracy and has a faster prediction speed while ensuring the quality of training data. The application of AP-RBF method is of great significance for improving the wind power consumption capacity and frequency stability of power system.

Keywords：clean energy；wind speed；wind power；AP clustering algorithm；RBF neural network；wind speed prediction；precision analysis