本文關鍵詞： 短期風電功率預測 正規(guī)化 支持向量機回歸 高斯過程回歸 組合預測方法 風電預測系統(tǒng)架構　出處：《南京信息工程大學》2016年碩士論文　論文類型：學位論文

【摘要】：風的隨機性、間歇性和波動性決定了風力發(fā)電的隨機性和波動性。大容量的風力發(fā)電接入電網(wǎng),若調(diào)度不當,對電力系統(tǒng)的安全、穩(wěn)定性有很大影響。準確的風電功率預測,是保證電網(wǎng)穩(wěn)定運行的關鍵因素之一。短期風電功率預測是指對未來0～72 h風力發(fā)電量的預測,對電力系統(tǒng)的調(diào)度、生產(chǎn)和維護有十分重要的意義�；诖�,本文主要從風速等氣象數(shù)據(jù)的預處理、單一方法的功率預測、組合方法的功率預測以及對功率預測的不確定性的量化等方面,對短期風電功率預測方法進行了深入的研究。首先,用高斯擬合、傅里葉擬合以及最小二乘支持向量機(LSSVM),建立風速和功率的之間的轉(zhuǎn)換關系。針對過擬合問題,通過增加訓練數(shù)據(jù)的數(shù)量、去噪聲以及正規(guī)化處理等手段,有效地規(guī)避了過擬合現(xiàn)象的發(fā)生；針對基函數(shù)的選擇問題,引入了核函數(shù),解決了較難或無法選擇基函數(shù)的問題。其次,由于基于核函數(shù)的嶺回歸不具有稀疏性,引入了具有稀疏性質(zhì)的支持向量機回歸。同時,為了更準確的描述風速和功率之間的對應關系,根據(jù)風速的Weibull分布特征和風速功率曲線,按照風速的大小,將風速劃分成了高、中、低三個風速段并結合各個風速段的特征,提出了基于高斯模型和LSSVM的短期風電功率組合預測方法。根據(jù)風速功率散點圖的特征可知,同一風速在不同時刻對應的功率分布在一個區(qū)間內(nèi),而非一個固定的值,于是引入高斯過程回歸(GPR)對風電功率的分布進行預測。針對GPR的不穩(wěn)定性和計算量大的特點,引入了Bagging和訓練數(shù)據(jù)完全條件獨立下的近似方法(FITC),提高了模型的穩(wěn)定性并減小了計算量。在貝葉斯決策(BCM)的基礎上,提出了一種新的權重組合策略,對Bagging聚合出的多個模型進行組合,有效地提高了算法的精度。以上運用監(jiān)督學習方法和統(tǒng)計方法對風速和功率之間的關系進行了較深入的探討,結合實驗可得出以下結論,組合預測方法可以消除單一方法的一些不足,有效地提高功率預測的精度；GPR方法可以輸出功率預測值的分布,它既可以給出較精確的預測值,又可以對預測值的不確定性進行準確的量化。最后,將上述研究的各類功率預測算法集成到了功率預測系統(tǒng)中,并在實際生產(chǎn)環(huán)境中驗證了算法的有效性。同時,在現(xiàn)有的風電功率預測系統(tǒng)的基礎上,提出了靈活性強、擴展性好的風電功率預測系統(tǒng)以及風電功率預測平臺架構。
[Abstract]:Wind randomness, intermittence and volatility determine the randomness and volatility of wind power generation. Accurate wind power prediction is one of the key factors to ensure the stable operation of power grid. Short-term wind power prediction is the prediction of wind power generation in the future 072 hours. It is very important to dispatch, production and maintenance of power system. Based on this, this paper mainly discusses the preprocessing of meteorological data, such as wind speed, and the single method of power prediction. In the aspects of power prediction and uncertainty quantification of power prediction, the short-term wind power prediction method is deeply studied. Firstly, Gao Si fitting is used. Fourier fitting and least squares support vector machine (LSSVMN) are used to establish the conversion relationship between wind speed and power. To solve the problem of over-fitting, the amount of training data is increased. The phenomenon of over-fitting is effectively avoided by means of noise removal and regularization. The kernel function is introduced to solve the problem that it is difficult or impossible to select the basis function. Secondly, the ridge regression based on kernel function is not sparse. Support vector machine regression with sparse property is introduced. In order to describe the relationship between wind speed and power more accurately, according to the Weibull distribution characteristics of wind speed and wind speed power curve. According to the size of the wind speed, the wind speed is divided into high, middle and low wind speed segments and combined with the characteristics of each wind speed section. A short-term wind power combination prediction method based on Gao Si model and LSSVM is proposed. According to the characteristics of wind speed power scatter plot, the power distribution corresponding to the same wind speed at different times is in a range. Instead of a fixed value, Gao Si process regression is introduced to predict the distribution of wind power. In this paper, we introduce the approximate method of Bagging and the complete conditional independence of the training data to improve the stability of the model and reduce the computational complexity, based on the Bayesian decision making. A new weight combination strategy is proposed to combine several models aggregated by Bagging. The precision of the algorithm is improved effectively. The relationship between wind speed and power is discussed in depth by using supervised learning method and statistical method, and the following conclusions can be drawn from the experiments. The combined prediction method can eliminate some shortcomings of the single method and effectively improve the accuracy of power prediction. GPR method can output the distribution of power prediction value, it can not only give more accurate prediction value, but also can accurately quantify the uncertainty of the prediction value. Finally. The power prediction algorithms mentioned above are integrated into the power prediction system, and the effectiveness of the algorithm is verified in the actual production environment. At the same time, based on the existing wind power prediction system. A flexible and extensible wind power prediction system and a platform for wind power prediction are proposed.
【學位授予單位】：南京信息工程大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TM614

【相似文獻】

相關期刊論文 前10條

1 孟建良,王曉華,龐春江,王建新;全局時變權組合預測方法[J];計算機工程與應用;2002年10期

2 吉培榮,張玉文,趙青;組合預測方法在電力系統(tǒng)負荷預測中的應用[J];三峽大學學報(自然科學版);2005年05期

3 胡驥;;鐵路外貿(mào)貨運量組合預測方法的研究[J];鐵道運輸與經(jīng)濟;2006年05期

4 鐘秉林;;一種新的組合預測方法及其應用[J];東南大學學報;1989年02期

5 鐘波,肖智;資產(chǎn)未來收益的一種最優(yōu)組合預測方法[J];重慶大學學報(自然科學版);1998年04期

6 楊尚瑾;董超;;電力系統(tǒng)長期負荷的組合預測方法研究[J];中國電力教育;2009年S1期

7 代海波;單銳;劉文;;組合預測方法中權系數(shù)的應用研究[J];科學技術與工程;2012年32期

8 何焱;黃靜;;電力中長期負荷模糊優(yōu)選組合預測方法的研究[J];四川電力技術;2011年05期

9 夏新運;田麗;李玲純;;變結構組合預測方法在短期電力負荷預測中的應用[J];自動化與儀器儀表;2009年06期

10 董鵬;冷靜;羅朝暉;;基于支持向量機的艦船建造費組合預測方法研究[J];造船技術;2011年01期

相關會議論文 前7條

1 孔繁亮;張國志;;鞅差序列的一種組合預測方法及其應用[A];中國現(xiàn)場統(tǒng)計研究會第12屆學術年會論文集[C];2005年

2 陳志航;程乾生;;基于隱馬爾科夫模型的組合預測方法[A];第九屆全國信號處理學術年會（CCSP-99）論文集[C];1999年

3 李世平;孫浚清;;儀器精度組合預測方法研究[A];2008中國儀器儀表與測控技術進展大會論文集（Ⅲ）[C];2008年

4 唐小我;;最優(yōu)組合預測方法及其應用[A];全國青年管理科學與系統(tǒng)科學論文集（第1卷）[C];1991年

5 李秀蘭;;組合預測方法的研究和應用——郵發(fā)期刊價格預測[A];中國現(xiàn)場統(tǒng)計研究會第九屆學術年會論文集[C];1999年

6 王周敬;李武;賀建勛;;變權重組合預測方法在貨運量預測中的應用[A];1997中國控制與決策學術年會論文集[C];1997年

7 李秀蘭;王宏鑫;;均勻設計——灰色聯(lián)合預測及其應用——郵發(fā)期刊價格預測[A];管理科學與系統(tǒng)科學進展——全國青年管理科學與系統(tǒng)科學論文集（第3卷）[C];1995年

相關博士學位論文 前2條

1 李彩虹;兩類組合預測方法的研究及應用[D];蘭州大學;2012年

2 于振明;一類耐用消費品的需求預測方法及應用[D];東北大學;2012年

相關碩士學位論文 前10條

1 林思銘;組合預測方法在建筑能耗預測中的應用[D];福州大學;2014年

2 劉婷;山東省物流需求組合預測方法及其應用研究[D];首都經(jīng)濟貿(mào)易大學;2016年

3 郭曉杰;監(jiān)督學習方法在短期風電功率預測中的應用研究[D];南京信息工程大學;2016年

4 李曉曦;風電功率組合預測方法及其應用研究[D];華北電力大學(北京);2016年

5 張景廣;基于基因表達式編程的組合預測方法研究[D];華中師范大學;2011年

6 朱報春;基于模糊邏輯系統(tǒng)的組合預測方法及應用[D];河海大學;2001年

7 王鳳飛;組合預測方法簡介及其實證分析[D];山西大學;2011年

8 閆海霞;灰色組合預測方法在糧食產(chǎn)量中的應用[D];西安理工大學;2009年

9 段妮妮;基于組合預測方法的趨勢預測研究與應用[D];西華大學;2009年

10 張進;不同精度準則下的區(qū)間型組合預測方法研究[D];安徽大學;2010年

，

本文編號：1461295