基于特征选择和K-means聚类预处理的风电场功率预测
采用神经网络进行功率预测时，当输入的特征向量维数过高时会降低计算速度甚至产生“维数灾”。考虑经过特征选择的方法来降低输入特征向量的维数，达到降维，提高计算速度并且保证精度的目的，文中采用自组织的SOM网络进行特征选择。同时，用于进行非线性逼近的神经网络由于通常采用梯度下降法进行训练而容易陷入局部极小化的困境。鉴于此，考虑进行动态聚类分析的经典算法——K-means算法对总体的样本进行分类，每一类所包含的样本对应的功率值不会有很大波动，因而避免了功率曲线呈现多峰函数，这样就在一定程度上避免了局部极小化发生的概率。同时进行聚类分析后，训练样本和待测向量相似度高，得到的权值和阈值能提高预测精度。根据以上理论，本文建立了一种基于SOM网络进行特征选择和应用K-means算法进行聚类预处理的风电场功率预测的数学模型。运用该模型，经过算例分析证明特征选择对于提高运算速度的有效性，聚类预处理对于提高精确度的有效性。
风电场 功率预测 特征选择 K-means聚类预处理 局部极小化 相似度 尾流效应
李宗杰 梁海峰
华北电力大学电气与电子工程学院，河北保定 071003
国内会议
秦皇岛
中文
1-6
2011-10-15（万方平台首次上网日期，不代表论文的发表时间）