结合 K-Means 聚类与 Bagging 神经网络用于短期风电功率预测的数据挖掘方法
计算工程、金融与科学
2017-09-18 v1
摘要
风电功率预测（WPF）对于有效指导电网调度和风电场生产计划具有重要意义。风的间歇性和波动性导致训练样本的多样性，对预测精度有重大影响。本文为了应对训练样本的动态性并提高预测精度，提出了一种由 K-means 聚类和 Bagging 神经网络组成的数据挖掘方法，用于短期 WPF。基于历史日期的相似性，使用 K-means 聚类将样本分为几类，其中包含气象条件和历史功率数据的信息。为了克服传统网络的过拟合和不稳定性问题，将基于 Bagging 的集成方法整合到反向传播神经网络中。为了确认有效性，在真实的风力发电数据轨迹上检验了所提出的数据挖掘方法。仿真结果表明，与其他基线和现有的短期 WPF 方法相比，该方法能够获得更好的预测精度。
引用
@article{arxiv.1709.05261,
title = {A Data Mining Approach Combining K-Means Clustering with Bagging Neural Network for Short-term Wind Power Forecasting},
author = {Wenbin Wu and Mugen Peng},
journal= {arXiv preprint arXiv:1709.05261},
year = {2017}
}