基于FKNN算法的风电功率短期预测

风电场输出功率预测精度的提高能够极大的减轻风力发电对电网的冲击,提高风电并网的安全性和可靠性。针对KNN(K-Nearest Neighbor algorithm)算法存在的不足进行改进,提出了FKNN(Fast K-Nearest Neighbor algorithm)算法并将其应用到风电短期功率预测当中。首先,FKNN算法基于相似数据原理,针对每个预测样本,只需遍历一次训练样本集,得出K值最大时的相似历史样本优先级队列。然后,通过逐渐缩减优先级队列的长度,产生其他K值对应的相似样本优先级队列。其次,从产生的优先级队列中获取多数类样本,并应用其输出功率的平均值对预测样本的输出功率进行预测。最后,通过对吉林省某风电场的大量历史数据进行预测分析,充分证明该算法的简单性和实用性。

FKNN的新算法及其应用

FKNN算法是比KNN算法更有效的模式识别的方法。但它们都存在一点不足:识别效果依赖于K值的选取。为了弥补这一不足,本文给出了FKNN的新算法,首先将K近邻集定义为模糊集,然后在不同的水平集下判别待识样本的类别,然后再根据各水平集下的判别结果,综合评判待识别样本的类别。将该法应用于大米产地的识别,识别效果明显好于KNN算法和现有的模糊KNN算法。