论文部分内容阅读
随着风力发电技术的日益成熟,并网风电场规模不断增加,风力发电对电网的影响越来越显著,风电功率预测对电力系统的发展规划具有重要意义,然而由于风电功率值受气候的影响具有较强的非线性与随机性使得短期风电功率难以预测,目前以神经网络和支持向量机等为主的预测方法在风电功率预测领域均取得了较好的预测效果。然而,目前的大多数研究仅聚焦于给出预测期望值的点预测技术,由于风电功率预测的不确定性误差是不可避免且有意义的,因而,在提高预测精度的同时,若能给出预测不确定性误差的范围,则有助于评估依赖预测结果的决策风险。核最小最大概率回归机(Kernel Minimax Probability Machine Regression,KMPMR)方法在仅需假定产生预测方法的数据分布的均值与协方差矩阵已知时,将最小最大概率分类机(Kernel Minimax Probability Machine Classification,KMPMC)的分类超平面看作预测模型的输出,可最大化模型的输出位于其真实值边界内的最小概率,该方法在预测输出的同时,还能够给出预测误差分布的范围。另外,特征提取方法核主成分分析(Kernel Principal Component Analysis,KPCA)可对数据进行预处理,在特征空间中有效地提取输入的非线性主元。因此,结合KPCA和KMPMR各自的优点,针对短期风电功率预测,本文给出一种基于KPCA-KMPMR的概率预测方法。本文主要研究内容如下:(1)研究了主成分分析(Principal Component Analysis,PCA)、核方法及KPCA的基本原理与算法实现。(2)研究了最小最大概率分类机(Minimax Probability Machine Classification,MPMC)方法的基本原理,将其延伸至回归问题得到最小最大概率回归机(Minimax Probability Machine Regression,MPMR)方法,并对MPMR方法的学习算法进行了研究。将MPMR方法的与核方法相结合得到两种基于不同算法的KMPMR方法,对两种方法的学习算法进行了研究。将PCA、KPCA方法与KMPMR方法相结合,给出PCA-KMPMR、KPCA-KMPMR方法。(3)为了验证所提出方法的有效性,将其应用于不同地区短期风电功率例中,在同等条件下,可看出本文方法的预测精度高于单一预测方法及支持向量机。另外,将不同的核函数应用于本文的预测方法中,进一步验证了本文方法的有效性。