1. 北京理工大学能源与动力工程系
2. 北京理工大学重庆创新中心
3. 北京理工大学管理学院
4. 清华大学能源互联网创新研究院
Published:2026
移动端阅览
王永真, 唐豪, 韩特, et al. 基于模糊聚类与Copula的场景特征自适应风速预测模型[J]. 2026, 9(1): 24-35.
DOI:
王永真, 唐豪, 韩特, et al. 基于模糊聚类与Copula的场景特征自适应风速预测模型[J]. 2026, 9(1): 24-35. DOI: 10.19705/j.cnki.issn2096-5125.20240452.
针对多变量风速预测中存在的特征选择复杂、计算效率低及模型泛化能力不足等问题,提出一种融合场景划分与最优Copula选择的自适应风速预测模型。构建了“场景聚类-动态变量选择-滚动预测”的三阶段协同机制:首先,采用模糊C均值聚类算法将多维气象数据划分为具有相似特征的天气场景;其次,运用Copula函数构建多变量相关性模型,依欧氏距离筛选最优Copula函数,结合综合相关系数,实现场景自适应的动态变量选择;最终,设计分场景LSTM预测模型与实时数据滚动更新策略,通过动态匹配场景特征与预测模型提升预测精度。以欧洲某地区公开的天气数据进行验证表明,所提出的方法模型在风速预测准确性上优于单一场景预测模型。具体表现为,均方根误差降低3.6%,标准化误差降低5.2%,平均绝对百分比误差降低4.2%,决定系数提高4.5%。
张翼.2024年新能源发电装机规模首次超过火电[N].光明日报,2025.
王德明,王莉,张广明.基于遗传BP神经网络的短期风速预测模型[J].浙江大学学报(工学版),2012(05).
乔颖,鲁宗相,闵勇.提高风电功率预测精度的方法[J].电网技术,2017(10).
徐维超.相关系数研究综述[J].广东工业大学学报,2012(03).
黎静华,文劲宇,程时杰,韦化.考虑多风电场出力Copula相关关系的场景生成方法[J].中国电机工程学报,2013(16).
季峰,蔡兴国,王俊.基于混合Copula函数的风电功率相关性分析[J].电力系统自动化,2014(02).
王岩,陈耀然,韩兆龙,周岱,包艳.基于互信息理论与递归神经网络的短期风速预测模型[J].上海交通大学学报,2021(09).
王永真,康利改,张靖,赵伟,朱轶林,赵军.综合能源系统的发展历程、典型形态及未来趋势[J].太阳能学报,2021(08).
邱宜彬,李诗涵,刘璐,王勇,李奇,陈维荣.基于场景D藤Copula模型的多风电场出力相关性建模[J].太阳能学报,2019(10).
张智刚,康重庆.碳中和目标下构建新型电力系统的挑战与展望[J].中国电机工程学报,2022(08).
朱文婕,吴楠,胡学钢.一个改进的模糊聚类有效性指标[J].计算机工程与应用,2011(05).
张家安,刘东,刘辉,宋鹏,刘京波,吴宇辉.基于风速波动特征提取的超短期风速预测[J].太阳能学报,2022(09).
常蕊,肖潺,王阳,杨方,刘昌义.全球变暖背景下风电开发面临的气候服务挑战[J].全球能源互联网,2021(01).
郭顺宁,马雪,杨帆,胡文保,李嘉宇.基于最优Copula相关性分析的短期风速预测方法[J].电网与清洁能源,2024(02).
王胜研,王娟娟.基于CEEMDAN-SE-GWO-LSTM模型的短期风速预测[J].电工技术,2024(04).
0
Views
1
下载量
CSCD
Publicity Resources
Related Articles
Related Author
Related Institution