《表4 预测评价指标：聚类分析及其在电力系统中的应用综述》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《聚类分析及其在电力系统中的应用综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

与传统的时序预测法相比，聚类方法能够很好地处理非线性逼近问题。在预测风电出力时，依据风电场出力数据的变化，聚类方法能够得到很好的预测结果。文献[12]分别采用k-means、SOM和谱聚类3种聚类算法，将风电场内风况特性和出力特性相似的机组聚为同一机群，并基于RBF神经网络建立功率预测模型。仿真结果表明，增加了天气因素的非线性因素，该模型提高了预测精度。对于光伏电站出力而言，不同天气类型（阴天、雨天、晴天等）是重要的影响因素。文献[41]采用密度峰值的层次聚类算法对气象数据进行聚类，并用SVM算法进行天气类型识别，提高了天气类型的分类精度，进而建立RBF神经网络预测模型进行预测，预测结果经过MAPE、RMSE（见表4）值的计算，与其他常用的模型相比，该方法提高了在不同天气类型下的预测精度。文献[42]采用模糊聚类方法将光伏发电功率的历史样本划分为若干类，找出与预测日相似的类别，该类的天气因素作为SVM预测模型的输入样本进行出力预测。与传统的SVM相比，该模型的预测误差更小。