基于高斯过程的风电功率概率预测

发布时间：2019-10-11 22:26

【摘要】：风能是最有效的绿色可再生能源,但由于风能的随机性及非线性特征,导致风力发电的输出功率难以控制,给电网的计划和调度带来了挑战和困难。因此,可靠、精确的风电功率预测对改进电力系统的可靠性和优化电网的运行成本极为关键,它也成为了新能源领域非常重要的研究方向之一。目前,常用的预测方法如神经网络、SVM(Support Vector Machines,支持向量机)等方法均在风电功率预测中取得较好的效果。但是,由于风速受到各种天气因素的影响,使得风电功率的误差不能完全避免,由于神经网络及SVM方法仅能得到预期均值的点预测值,这也在一定程度上提高了预测的误差,若能提高预测精确度的同时,还能给出预测的置信水平,则更有利于评价依靠预测结果的决策风险。GP(Gaussian Processes,高斯过程)方法基于对训练数据的学习,能自适应确定先验协方差函数中的“超参数”,在给出模型预测输出的同时,还能获取预测输出的方差,从而很好地解释模型的置信水平,这也是其建模的特色之处。考虑具有较大规模训练数据集时,与SVM相似,GP方法会出现协方差函数矩阵运算的困难,其计算的复杂性增加,这在一定程度上限制了它的应用。Sparse-GP(Sparse Gaussian Processes,稀疏高斯过程)方法作为一类对具有固定“超参数”的GP的概率逼近,则能适用于较大规模数据集的学习,通过随机选取训练数据集的数据子集,给出基于SoD(Subset of Datapoints,数据点子集)逼近、SoR(Subset of Regressors,回归量子集)逼近、PP(Projected Process,投影过程)逼近的Sparse-GP方法,在保持GP方法优点的同时,降低了计算复杂度。本文的主要研究内容如下:(1)研究GP相应的学习算法,并对GP中用到的协方差函数和“超参数”进行分析。(2)进一步研究Sparse-GP的基本理论,其中着重研究一类具有固定“超参数”的稀疏高斯过程方法,并对其中的三种方法:SoD方法、SoR方法和PP方法进行了研究。(3)将3种Sparse-GP方法应用于不同地区的短期风电功率单步与多步预测实验中,并考虑不同的单一协方差函数或组合协方差函数形式,在同等条件下,还与常规GP、SVM方法进行比较,可看出本文方法在不同的单一协方差函数和组合协方差函数形式下的预测精度均高于常规GP方法及支持向量机,并且同一种方法在组合协方差函数形式下的预测精度要高于单一协方差函数。
【学位授予单位】：兰州交通大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TM614

【参考文献】