基于B样条分位数回归的可再生能源概率密度预测方法

发布时间：2022-02-12 23:19

　　目前,环境污染和能源缺乏问题在世界范围内广受关注,相比于污染较大且不可再生的化石能源,清洁能源的开发和利用乃是顺应时代潮流的大势所趋。水力发电、光伏发电和风力发电是现如今最常见的可再生能源。这些可再生能源的应用需要准确的预测,以减小发电过程的不确定性。因此,准确的径流预测,可靠的光伏发电和风力发电预测至关重要。为了更好地量化可再生能源预测的不确定性,本文结合B样条方法和分位数回归方法,构建了B样条分位数回归（B-spline quantile regression BSQR）概率密度预测方法。该方法包括3个步骤,首先,利用B样条函数对选择的径流、光电和风电的训练和测试数据进行样条插值;其次,将样条处理后的训练数据输入分位数回归模型计算BSQR模型的参数,将BSQR模型结合基于Epanechnikov核函数和Silverman的经验法则的核密度估计方法构建成BSQR概率密度预测方法;最后,将样条处理后的径流、光电和风电数据输入BSQR概率密度预测模型,对未来的径流、光电和风电进行预测。此方法可以获取径流、光电和风电的条件概率密度曲线,从而对预测不确定性进行定量分析,由此得到比点预测和区间... 

【文章来源】：合肥工业大学安徽省211工程院校教育部直属院校

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

006-2010年石鼓站径流观测数据图

第三章基于B样条分位数回归模型的径流概率密度预测21图3.32010年基于BSQR的概率密度曲线图Fig3.3ProbabilitydensitycurvebasedonBSQRin2010图3.42010年石鼓站的真实值和预测区间对比图Fig3.4ComparisonoftherealvalueandforecastintervalofShiguStationin20102010年石鼓站的径流峰值发生在2010年7月20日，峰值为45703m/s。3.5显示了2010年石鼓站的峰值附近几天的概率密度曲线。从图3.5中可以发现，实际峰值径流非常接近概率密度曲线的众数和中值。这表明所提出的方法能够测量峰值径流的不确定性。同时，接近峰值的几天的真实值接近概率密度曲线的中间。表3.3显示了2010年峰值时的众数，中位数和概率均值的预测结果和百分误差。表3.3中的百分误差均小于2％，并且中位数百分比误差最小，这表明BSQR方法在峰值当天的预测结果较优，特别是中位数预测结果最佳。BSQR方法不仅

第三章基于B样条分位数回归模型的径流概率密度预测21图3.32010年基于BSQR的概率密度曲线图Fig3.3ProbabilitydensitycurvebasedonBSQRin2010图3.42010年石鼓站的真实值和预测区间对比图Fig3.4ComparisonoftherealvalueandforecastintervalofShiguStationin20102010年石鼓站的径流峰值发生在2010年7月20日，峰值为45703m/s。3.5显示了2010年石鼓站的峰值附近几天的概率密度曲线。从图3.5中可以发现，实际峰值径流非常接近概率密度曲线的众数和中值。这表明所提出的方法能够测量峰值径流的不确定性。同时，接近峰值的几天的真实值接近概率密度曲线的中间。表3.3显示了2010年峰值时的众数，中位数和概率均值的预测结果和百分误差。表3.3中的百分误差均小于2％，并且中位数百分比误差最小，这表明BSQR方法在峰值当天的预测结果较优，特别是中位数预测结果最佳。BSQR方法不仅

【参考文献】：
期刊论文
[1]基于风速融合和NARX神经网络的短期风电功率预测[J]. 徐遵义,王俊雪.  现代电子技术. 2020(09)
[2]基于SVR-UKF的光伏电站功率预测[J]. 俞娜燕,李向超,费科,任佳琦,倪晓宇.  自动化与仪器仪表. 2020(04)
[3]基于PSO-DBN神经网络的光伏短期发电出力预测[J]. 李正明,梁彩霞,王满商.  电力系统保护与控制. 2020(08)
[4]基于NWP和深度学习神经网络短期风功率预测[J]. 陈家扬,陈华,张旭.  现代电子技术. 2020(08)
[5]基于小波去噪-KPCA神经网络的光伏功率预测方法[J]. 孙新程,万玥,丁宏,葛晨阳,史文斌.  电力工程技术. 2020(02)
[6]基于OS-ELM的光伏发电中长期功率预测[J]. 钱子伟,孙毅超,王琦,季顺祥,周敏,曾柏琛.  南京师范大学学报(工程技术版). 2020(01)
[7]基于GBDT和神经网络的光伏发电组合预测[J]. 范程岸,刘博文.  无线互联科技. 2020(01)
[8]基于多元宇宙优化支持向量机的短期光伏发电功率预测[J]. 马骏,江锐,丁倩,江涛,张倩.  热力发电. 2020(04)
[9]基于自适应神经网络的光伏输出功率预测[J]. 马晓磊,李永光,庄红山,张彦军,汪凯威.  信息技术. 2019(11)
[10]考虑日周期性影响的光伏功率爬坡事件非精确概率预测[J]. 朱文立,张利,杨明,王勃,赵元春.  电力系统自动化. 2019(20)

博士论文
[1]确定性水文模型的贝叶斯概率预报方法研究[D]. 邢贞相.河海大学 2007

硕士论文
[1]基于智能学习的可再生能源预测方法研究[D]. 卞忠伟.南京邮电大学 2019
[2]基于EMD-RVM的短期光伏发电预测研究[D]. 桑康伟.安徽工程大学 2019
[3]基于组合模型的风速及风电功率预测方法研究[D]. 张力.湖北工业大学 2019
[4]基于改进神经网络的光伏电站短期出力预测[D]. 任家铭.西安理工大学 2018
[5]基于改进神经网络模型的可再生能源预测方法研究[D]. 李洁.国防科学技术大学 2016
[6]风能及光伏发电功率短期预测方法研究[D]. 陈垣毅.浙江大学 2013



本文编号：3622566