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……