本發(fā)明涉及一種能夠準(zhǔn)確預(yù)測風(fēng)電場風(fēng)速的方法，屬于發(fā)電技術(shù)領(lǐng)域。

背景技術(shù)：
隨著環(huán)境問題的日益突出與能源危機(jī)的日益加劇，風(fēng)力發(fā)電得到了飛速發(fā)展。然而，由于風(fēng)能具有高隨機(jī)性和波動(dòng)性，大大限制了風(fēng)電的進(jìn)一步發(fā)展。尤其是大規(guī)模風(fēng)電并網(wǎng)后，電力系統(tǒng)很可能會(huì)出現(xiàn)電壓、頻率發(fā)生偏差、電壓波動(dòng)、甚至脫網(wǎng)等現(xiàn)象。因此對風(fēng)電輸出功率進(jìn)行準(zhǔn)確預(yù)測，對優(yōu)化調(diào)度、保證電力系統(tǒng)的穩(wěn)定、安全和經(jīng)濟(jì)運(yùn)行都有著十分重要的現(xiàn)實(shí)意義。目前，按預(yù)測對象不同，風(fēng)電功率預(yù)測方法可以分為基于功率的預(yù)測和基于風(fēng)速的預(yù)測；按預(yù)測原理不同，風(fēng)電功率預(yù)測方法可以分為物理方法與統(tǒng)計(jì)方法。而常用的統(tǒng)計(jì)方法有持續(xù)性法、自回歸滑動(dòng)平均法、神經(jīng)網(wǎng)絡(luò)法、灰色預(yù)測法、空間相關(guān)性等方法。其中神經(jīng)網(wǎng)絡(luò)法憑借其超強(qiáng)的非線性擬合與泛化能力，運(yùn)用最為廣泛，并取得了顯著成效。然而，神經(jīng)網(wǎng)絡(luò)模型的輸入變量和訓(xùn)練樣本對預(yù)測效果有著非常關(guān)鍵的影響。在模型輸入變量的選擇上，大多數(shù)采用相關(guān)性人為設(shè)定閾值分析方法進(jìn)行選取，這種選取方法不可避免地帶有主觀因素，造成信息冗余或損失；再者，影響風(fēng)速的因素是多方面的，如果把它們都包含在模型輸入內(nèi)，將會(huì)加重神經(jīng)網(wǎng)絡(luò)的訓(xùn)練負(fù)擔(dān)，降低模型的預(yù)測精度。而對于訓(xùn)練樣本的選擇問題，選取相似性高的數(shù)據(jù)訓(xùn)練模型已被證實(shí)可以增強(qiáng)訓(xùn)練效率，有效地提高模型的泛化能力。因此，如何從影響風(fēng)速的多種非等同重要性因素中提取出重要因素作為模型輸入變量，并選取準(zhǔn)確合適的數(shù)據(jù)作為建模訓(xùn)練樣本，就成為進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)預(yù)測精度的關(guān)鍵。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的在于針對現(xiàn)有技術(shù)之弊端，提供一種從影響風(fēng)速的多種非等同重要性因素中提取出重要因素作為模型輸入變量，并選取準(zhǔn)確合適的數(shù)據(jù)作為建模訓(xùn)練樣本的風(fēng)電場風(fēng)速預(yù)測方法。本發(fā)明所述問題是以下述技術(shù)方案實(shí)現(xiàn)的：一種風(fēng)電場風(fēng)速預(yù)測方法，所述方法首先采用模糊粗糙集方法對影響風(fēng)電場風(fēng)速的多種因素進(jìn)行屬性約簡，去除冗余信息，得到神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入變量；然后采用加權(quán)歐氏距離進(jìn)行改進(jìn)的聚類方法提取相似性較高的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)預(yù)測模型的訓(xùn)練樣本，并使用聚類后的數(shù)據(jù)訓(xùn)練各類預(yù)測模型；最后根據(jù)當(dāng)前屬性值選擇匹配的預(yù)測模型來預(yù)測風(fēng)速。上述風(fēng)電場風(fēng)速預(yù)測方法，所述方法包括以下步驟：a.采用模糊粗糙集方法確定神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入變量，具體步驟為：1)從風(fēng)電場中央監(jiān)控系統(tǒng)中讀取用于模糊粗糙集與改進(jìn)聚類建模所需的風(fēng)速、風(fēng)向、溫度、大氣壓的歷史數(shù)據(jù)；2)綜合考慮可能影響風(fēng)電場風(fēng)速的多種因素，把預(yù)測時(shí)刻的風(fēng)速作為決策屬性，將可能影響決策屬性的因素列為條件屬性，建立初始決策表；3)根據(jù)各屬性的物理特點(diǎn)，選擇合適的模糊隸屬度函數(shù)對各屬性模糊劃分，對初始決策表模糊化；4)采用基于QuickReduck約簡算法對條件屬性進(jìn)行約簡，約簡后的屬性即為優(yōu)化后的神經(jīng)網(wǎng)絡(luò)輸入變量；b.采用改進(jìn)的聚類方法選擇神經(jīng)網(wǎng)絡(luò)預(yù)測模型的訓(xùn)練樣本，具體步驟如下：Ⅰ.計(jì)算約簡后各屬性對決策屬性的重要性，并采用歸一化方法獲得改進(jìn)聚類所需各屬性的權(quán)值系數(shù)；Ⅱ.隨機(jī)選取k個(gè)對象作為初始聚類中心；Ⅲ.計(jì)算每個(gè)對象與各聚類中心的距離，按照距離最小的原則將各對象分配到鄰近的聚類，所使用的距離函數(shù)為加權(quán)歐氏距離函數(shù)，表達(dá)式如下：其中，表示對象xi1，xj1間的加權(quán)歐氏距離；xi1k1，xj1k1(k＝1,2,…,n)分別表示對象xi1，xj1第k1個(gè)屬性值；wk1(k1＝1,2,…,n)表示對象第k1個(gè)屬性的權(quán)重系數(shù)；Ⅳ.計(jì)算每個(gè)聚類的樣本均值，并以此作為新的聚類中心；Ⅴ.重復(fù)Ⅲ、Ⅳ步驟，直到聚類中心不再發(fā)生變化，得到相似性較高的k類數(shù)據(jù)及各類的簇中心Ci2，i2＝1,2,…,k；Ⅵ.建立k類神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測模型，分別使用聚類后的分類數(shù)據(jù)作為訓(xùn)練樣本訓(xùn)練這k類神經(jīng)網(wǎng)絡(luò)預(yù)測模型；c.選擇匹配的神經(jīng)網(wǎng)絡(luò)預(yù)測模型執(zhí)行風(fēng)速預(yù)測計(jì)算當(dāng)前對象與各類簇中心之間的加權(quán)歐氏距離，若當(dāng)前對象與第i2類簇中心Ci2加權(quán)歐氏距離最小，則使用第i2類預(yù)測模型進(jìn)行預(yù)測。上述風(fēng)電場風(fēng)速預(yù)測方法，條件屬性關(guān)于決策屬性Q的重要性計(jì)算表達(dá)式為：σPQ(p)＝γP+{p}(Q)-γP(Q)各屬性權(quán)值系數(shù)的計(jì)算表達(dá)式如下：其中，n是約簡后條件屬性的個(gè)數(shù)；σk1表示第k個(gè)屬性的重要性；σ’k1表示第k1個(gè)屬性歸一化后的重要性；i3是約簡后第i3個(gè)條件屬性。上述風(fēng)電場風(fēng)速預(yù)測方法，所述QuickReduck約簡算法的偽代碼如下：其中，條件屬性P對決策屬性Q的依賴度γP(Q)計(jì)算步驟如下：①分別計(jì)算各模糊等價(jià)類下近似集其中，F(xiàn)i表示屬于U/P的模糊等價(jià)類，P為條件屬性；②分別計(jì)算模糊等價(jià)類Fi的模糊正區(qū)域③計(jì)算論域U中對象x對模糊正域的隸屬度④計(jì)算條件屬性P對決策屬性Q的依賴度γP(Q)，本發(fā)明在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測模型的基礎(chǔ)上，對模型輸入變量與訓(xùn)練樣本這兩大影響神經(jīng)網(wǎng)絡(luò)預(yù)測性能的重要因素進(jìn)行了優(yōu)化，大大提高了模型的泛化能力。測試結(jié)果表明，本發(fā)明能大幅度提升神經(jīng)網(wǎng)絡(luò)的預(yù)測性能，有效地提高風(fēng)電場風(fēng)速預(yù)測精度。附圖說明下面結(jié)合附圖對本發(fā)明作進(jìn)一步說明。圖1是本發(fā)明的算法框圖；圖2是風(fēng)電場中央監(jiān)控系統(tǒng)示意圖；圖3是風(fēng)速預(yù)測效果比較圖；圖4是實(shí)例中采用的風(fēng)速模糊隸屬度函數(shù)；圖5是實(shí)例中采用的溫度模糊隸屬度函數(shù)；圖6是實(shí)例中采用的氣壓模糊隸屬度函數(shù)。文中各符號(hào)清單為：表示對象xi1，xj1間的加權(quán)歐氏距離；xi1k1，xj1k1(k＝1,2,…,n)分別表示對象xi1，xj1第k1個(gè)屬性值；wk1(k1＝1,2,…,n)表示對象第k1個(gè)屬性的權(quán)重系數(shù)；n是約簡后條件屬性的個(gè)數(shù)；σk表示第k個(gè)屬性的重要性；σ’k表示第k個(gè)屬性歸一化后的重要性；γP(Q)是條件屬性P對決策屬性Q的依賴度；i1，j1表示第i1，j1個(gè)對象；k1表示第k1個(gè)屬性；i2表示i2類相似數(shù)據(jù)；i3是約簡后第i3個(gè)條件屬性；k表示相似性高的數(shù)據(jù)類別數(shù)。具體實(shí)施方式粗糙集理論是一種刻畫不完整性、不確定性的數(shù)學(xué)分析工具。它能在保留關(guān)鍵信息的前提下對數(shù)據(jù)進(jìn)行化簡求得知識(shí)的最小表達(dá)式，能識(shí)別并評價(jià)數(shù)據(jù)之間的依賴關(guān)系，獲取易于證實(shí)的規(guī)則知識(shí)。影響風(fēng)速的因素是多方面的，若把它們看成一個(gè)知識(shí)表達(dá)系統(tǒng)，運(yùn)用模糊粗糙集方法對影響風(fēng)速的多種因素進(jìn)行分析，可以約簡得到能反映風(fēng)速變化規(guī)律的多個(gè)重要屬性作為神經(jīng)網(wǎng)絡(luò)輸入變量，不僅很好地優(yōu)化了輸入空間，并且可以得到各屬性對決策風(fēng)速的重要性。而傳統(tǒng)聚類方法則是將雜亂無章的數(shù)據(jù)分成相似度高的若干類，從而為模型提供相似性高的訓(xùn)練樣本。但是，傳統(tǒng)聚類方法在聚類過程中并沒有考慮對象各變量在數(shù)據(jù)中的不等重要性，可能造成某些重要性低的變量貢獻(xiàn)過大，從而影響聚類質(zhì)量，因此需要根據(jù)變量的重要性對各變量賦予不同的權(quán)值系數(shù)。圖1是本發(fā)明的總體算法框圖。由圖1可知，本發(fā)明的算法共包括了三個(gè)階段，分別是采用模糊粗糙集方法確定神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入變量、采用改進(jìn)聚類方法選擇神經(jīng)網(wǎng)絡(luò)預(yù)測模型的訓(xùn)練樣本及選擇匹配的預(yù)測模型執(zhí)行風(fēng)速預(yù)測。采用模糊粗糙集對神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測模型的輸入變量進(jìn)行優(yōu)化，是本發(fā)明的一大核心技術(shù)。人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)魯棒性、非線性擬合能力與超強(qiáng)的自學(xué)習(xí)能力，在風(fēng)電功率預(yù)測方面已得到了廣泛應(yīng)用，并取得了不錯(cuò)的效果。影響風(fēng)速的因素是多方面的，包括溫度、氣壓、濕度及先前若干時(shí)刻的風(fēng)速值等，并且它們對預(yù)測時(shí)刻風(fēng)速的影響也是不同的。若把這些變量同時(shí)包含到神經(jīng)網(wǎng)絡(luò)的輸入內(nèi)，將會(huì)加重神經(jīng)網(wǎng)絡(luò)的負(fù)擔(dān)，降低模型泛化能力，不利于最后的預(yù)測。引入模糊粗糙集對影響風(fēng)速的多種因素進(jìn)行約簡，在不需要先驗(yàn)知識(shí)的情況下可以刪除一些不必要或不重要的因素，很好地實(shí)現(xiàn)了模型輸入變量的優(yōu)化，同時(shí)避免了使用相關(guān)性設(shè)定閾值確定輸入時(shí)可能造成信息冗余或損失?；谀：植诩瘜τ绊戯L(fēng)速的因素約簡算法的具體步驟如下：1)從風(fēng)電場中央監(jiān)控系統(tǒng)中讀取用于模糊粗糙集與改進(jìn)聚類建模所需的風(fēng)速、風(fēng)向、溫度、大氣壓的歷史數(shù)據(jù)；2)綜合考慮可能影響風(fēng)電場風(fēng)速的多種因素，把預(yù)測時(shí)刻的風(fēng)速作為決策屬性，將可能影響決策屬性的因素列為條件屬性，建立初始決策表。3)根據(jù)各屬性的物理特點(diǎn)，選擇合適的模糊隸屬度函數(shù)對各屬性模糊劃分，對初始決策表模糊化。4)采用基于QuickReduck約簡算法對條件屬性進(jìn)行約簡，約簡后的屬性即為優(yōu)化后的神經(jīng)網(wǎng)絡(luò)輸入變量。步驟1)所述的風(fēng)電場中央監(jiān)控系統(tǒng)的示意圖如圖2所示，每臺(tái)風(fēng)電機(jī)組當(dāng)?shù)赜幸粋€(gè)存儲(chǔ)器用于存儲(chǔ)該機(jī)組的運(yùn)行數(shù)據(jù)，包括風(fēng)速、風(fēng)電功率、電壓、電流及溫度、大氣壓、風(fēng)向等信息。同時(shí)，各機(jī)組通過通信網(wǎng)絡(luò)向風(fēng)電場中央監(jiān)控傳送數(shù)據(jù)，中央監(jiān)控設(shè)有數(shù)據(jù)服務(wù)器與應(yīng)用服務(wù)器等，以保存這些數(shù)據(jù)并用于風(fēng)電場的運(yùn)行與管理。本發(fā)明所述的數(shù)據(jù)采集是從風(fēng)電場中央監(jiān)控的數(shù)據(jù)服務(wù)器讀取的。采用改進(jìn)的聚類對神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測模型的訓(xùn)練樣本進(jìn)行優(yōu)化，是本發(fā)明的另一大核心技術(shù)。聚類方法可以將相似性較高的對象聚為一類，便于我們研究并掌握事物的內(nèi)部規(guī)律。在進(jìn)行風(fēng)速預(yù)測時(shí)，風(fēng)速變化是多樣。若把歷史數(shù)據(jù)分為相似性高的若干類，分別建立各類預(yù)測模型，并使用各類樣本數(shù)據(jù)訓(xùn)練各類模型，可以增強(qiáng)模型對該類數(shù)據(jù)泛化能力，提高預(yù)測精度。然而在傳統(tǒng)聚類方法中，對象的每個(gè)屬性都得到了平等的對待，它們在聚類時(shí)所作的貢獻(xiàn)是平等。但在實(shí)際應(yīng)用中，對象的內(nèi)在性質(zhì)是不同的，每個(gè)屬性表現(xiàn)出來的重要性也會(huì)有所不同，故在評價(jià)對象間差異度，還需考慮各屬性的重要性。對此，在使用距離函數(shù)評價(jià)對象間的差異度時(shí)，可以根據(jù)屬性的重要性賦予不同的權(quán)值系數(shù)，這樣可以很好地解決不等同重要性因素對聚類的影響。那么，評價(jià)差異度的歐氏距離被替換為加權(quán)歐氏距離，表達(dá)式為其中，表示對象xi1，xj1間的加權(quán)歐氏距離；xi1k1，xj1k1(k＝1,2,…,n)分別表示對象xi1，xj1第k1個(gè)屬性值；wk1(k1＝1,2,…,n)表示對象第k1個(gè)屬性的權(quán)重系數(shù)；i1，j1表示第i1，j1個(gè)對象；k1表示第k1個(gè)屬性。使用加權(quán)歐氏距離進(jìn)行聚類可以很好地反映對象各屬性在決策過程中所起的作用，增強(qiáng)了聚類的有效性。但是，使用所述方法時(shí)需要對數(shù)據(jù)的實(shí)際意義有一定的認(rèn)識(shí)，并且要求能夠選擇合適的權(quán)重。模糊粗糙集可以在不需要任何先驗(yàn)知識(shí)情況下，比較客觀地得到各屬性相對于決策屬性的重要性，適合用于求取改進(jìn)聚類所需各屬性的權(quán)值系數(shù)。下面將舉一實(shí)例進(jìn)行分析，但本發(fā)明不局限于本實(shí)例：華北地區(qū)某風(fēng)電場的風(fēng)電場中央監(jiān)控系統(tǒng)記錄了場內(nèi)各風(fēng)機(jī)風(fēng)速、風(fēng)向、溫度、大氣壓等信息，采樣時(shí)間間隔為十分鐘。選取某機(jī)組歷史數(shù)據(jù)中的一個(gè)月數(shù)據(jù)用于模糊粗糙集與改進(jìn)聚類分析與建模，并選取之后的某一天的數(shù)據(jù)作為測試樣本。本實(shí)例采用平均絕對誤差(EMAE)、平均絕對百分誤差(EMAPE)、最大誤差(EMAX)三項(xiàng)指標(biāo)衡量模型預(yù)測效果。本實(shí)例中，令下一預(yù)測時(shí)刻的風(fēng)速v(t+1)為決策屬性。考慮到前15個(gè)時(shí)刻風(fēng)速v(t)，v(t-1)，…，v(t-14)與預(yù)測時(shí)刻風(fēng)速具有較高相關(guān)性，故把它們都列為影響因素。此外，風(fēng)的形成跟溫度與氣壓差有著密切聯(lián)系，故把當(dāng)前與前一時(shí)刻的溫度、氣壓和前5個(gè)時(shí)刻溫度、氣壓的平均值也列為影響因素。而風(fēng)是一個(gè)空間向量，風(fēng)向的變化可能會(huì)影響風(fēng)速大小，故影響因素也應(yīng)該包括當(dāng)前與前一時(shí)刻的風(fēng)向。選取這23個(gè)影響因素作為條件屬性，得到初始決策表輸入屬性。選取200組屬性數(shù)據(jù)作為對象，建立初始決策表。接著，確定每個(gè)屬性的模糊隸屬度函數(shù)。對于風(fēng)電機(jī)組，有兩個(gè)重要關(guān)于風(fēng)速的概念，切入風(fēng)速與額定風(fēng)速。切入風(fēng)速指的是可以發(fā)出可利用電能的最低風(fēng)速，額定風(fēng)速指的是風(fēng)機(jī)剛達(dá)到額定功率時(shí)的風(fēng)速。采用三角隸屬函數(shù)，以切入風(fēng)速和額定風(fēng)速為基準(zhǔn)將風(fēng)速劃分為低風(fēng)速、中風(fēng)速、高風(fēng)速三種狀態(tài)，有U/v＝{vS,vM,vL}，得到如圖4所示模糊隸屬度函數(shù)(在本案例中，切入風(fēng)速和額定風(fēng)速為3m/s和13m/s)。對于風(fēng)向，采用除以360°歸一化方法進(jìn)行模糊化。對于溫度屬性，將溫度模糊劃分為低溫、中溫、高溫三種狀態(tài)，其隸屬度函數(shù)如圖5所示?？紤]到大氣壓的相對變化幅度比較小，直接使用有名值時(shí)區(qū)別很小，先將大氣壓按下式變換：其中，P’i4表示變換后的氣壓值；Pi4表示變換前氣壓值；Pmin，Pmax分別表示氣壓最小值與最大值；n表示對象的總個(gè)數(shù)。采用梯形分布作為其模糊隸屬度函數(shù)，如圖6所示。確定各屬性隸屬度函數(shù)后，對初始決策表模糊化。采用QuickReduck算法并結(jié)合模糊粗糙集相關(guān)理論對可能影響決策風(fēng)速的23個(gè)條件屬性進(jìn)行約簡。為了克服個(gè)別不良數(shù)據(jù)及噪聲的影響，設(shè)置了依賴度增量閾值Δγ＝0.005，只有依賴度增量大于此閾值時(shí)，才認(rèn)為該屬性存在于約簡中。表1.1記錄了約簡過程中部分屬性集的依賴度。單屬性時(shí)，當(dāng)前時(shí)刻風(fēng)速v(t)的依賴度最大，故v(t)必存在于約簡中，此時(shí)R＝{v(t)}。而當(dāng)屬性集為{v(t),…,v(t-3),T(t)}，此時(shí)集合對決策的依賴度為0.5880。繼續(xù)添加屬性時(shí)，如分別加入屬性v(t-4)、P(t)，此時(shí)它們的依賴度增量分別為0.0023和0.0047(如表1.1所示)，都不大于閾值Δγ，故不認(rèn)為它們存在約簡中。這時(shí)，添加屬性已不能使依賴度的增量大于閾值，故當(dāng)前屬性集R＝{v(t),v(t-1),v(t-2),v(t-3),T(t)}為最后的約簡，集合中的各屬性分別代表了t,t-1,t-2,t-3時(shí)刻的風(fēng)速和t時(shí)刻的溫度，故得到神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測模型的輸入空間為{v(t),v(t-1),v(t-2),v(t-3),T(t)}。分別計(jì)算刪去其中某一屬性時(shí)屬性集對決策風(fēng)速的依賴度γ{R-p}及各屬性對決策屬性的重要性μp(attr)。然后，對各屬性重要性歸一化，獲得改進(jìn)聚類時(shí)所需各屬性的權(quán)值系數(shù)μ’p(attr)，結(jié)果如表1.2所示。使用改進(jìn)后的k聚類對一個(gè)月的屬性數(shù)據(jù)進(jìn)行聚類，選取各類數(shù)據(jù)樣本訓(xùn)練k類神經(jīng)網(wǎng)絡(luò)預(yù)測模型。在本實(shí)例中，對k進(jìn)行5-10之間取值測試，k取7時(shí)預(yù)測效果最好。表1.1約簡過程中部分屬性集依賴度表1.2約簡后輸入變量的重要性表2分別記錄了不同輸入空間下的預(yù)測結(jié)果。由表中前三項(xiàng)結(jié)果可以看出，模型輸入缺少某些重要性屬性時(shí)，預(yù)測精度會(huì)有所下降，下降幅度跟重要性有關(guān)。然而，若把氣壓或t-4時(shí)刻后的風(fēng)速等某些重要性很低或不相關(guān)的因素加入到模型輸入后，預(yù)測效果同樣會(huì)變差，表明了過多的輸入變量會(huì)加重模型的訓(xùn)練負(fù)擔(dān)，影響預(yù)測精度。表2不同輸入空間下的預(yù)測誤差為了驗(yàn)證本發(fā)明的有效性，本實(shí)例分別采用直接神經(jīng)網(wǎng)絡(luò)方法ANN、模糊粗糙集和神經(jīng)網(wǎng)絡(luò)相結(jié)合方法FRS-ANN、模糊粗糙集與傳統(tǒng)聚類相結(jié)合的神經(jīng)網(wǎng)絡(luò)預(yù)測方法FRS-C-ANN與本發(fā)明的方法FRS-IC-ANN對本案例進(jìn)行了風(fēng)速預(yù)測，結(jié)果如表3所示。從表3可以看出，相對于第一種方法，后三種方法的各項(xiàng)指標(biāo)均有了大幅度提高，說明了優(yōu)化輸入空間可以減輕模型的訓(xùn)練負(fù)擔(dān)，提高模型預(yù)測性能。方法2、3的各項(xiàng)指標(biāo)則基本相同，而采用了改進(jìn)聚類的方法4，各項(xiàng)指標(biāo)相對于前兩種方法都有了一定的提高。可以看出，傳統(tǒng)聚類方法的引入并沒有帶來預(yù)測效果的提升，而改進(jìn)后的聚類方法則考慮了屬性間的不等重要性，提高了聚類效果，可以為模型提供相似度較高的訓(xùn)練樣本，從而提高訓(xùn)練效率。從預(yù)測整體效果方面看，本方法對輸入空間和訓(xùn)練樣本實(shí)現(xiàn)優(yōu)選后，EMAE和EMAPE分別下降了28.9％與28.3％，EMAX從3.3013下降到了2.0839；從誤差分布方面看，絕對誤差EAE大于1m/s的比例由34.03％下降到15.97％，而絕對百分比誤差EAPE大于0.1的比例則從29.86％下降到20.14％，分別下降了53.1％和32.6％，表明了所述方法大幅度地提高了神經(jīng)網(wǎng)絡(luò)風(fēng)電場風(fēng)速預(yù)測性能，具有較強(qiáng)實(shí)用價(jià)值。表3預(yù)測結(jié)果對比本發(fā)明認(rèn)為，傳統(tǒng)聚類方法在聚類過程中并沒有考慮對象各變量在數(shù)據(jù)中的不等重要性，它們在計(jì)算距離時(shí)各變量的權(quán)值系數(shù)都為1；本發(fā)明認(rèn)為傳統(tǒng)聚類不適合風(fēng)速知識(shí)系統(tǒng)，本發(fā)明所說的改進(jìn)聚類方法是用加權(quán)歐氏距離函數(shù)代替?zhèn)鹘y(tǒng)距離函數(shù)，并根據(jù)變量的重要性對各變量賦予不同的權(quán)值系數(shù)，從而提高了預(yù)測的準(zhǔn)確性。本發(fā)明采用的QuickReduck約簡算法，是指某外國學(xué)者在文獻(xiàn)【RadzikowskaAM,KerreEE.Acomparativestudyoffuzzyroughset[J].FuzzySetandSystems,2002,126(1):137-156.】中提出來的一種用于屬性約簡經(jīng)典算法。它通過不斷增加屬性，再根據(jù)依賴度的變化來決定屬性的去留，該算法偽代碼就是下圖所示。首先，選取一個(gè)空集R作為初始集合。然后，依次增加屬性到R集合中，判斷屬性增加后依賴度變化如何。若依賴度是增大的，則說明加入該屬性后，相應(yīng)的分類能力增加，即重要性提高；否則，重要性降低。直到γR(D)達(dá)到最大值時(shí)，R與C具有相同的分類能力，此時(shí)集合R為C一個(gè)屬性約簡的結(jié)果：