【摘要】：風(fēng)能是最有效的綠色可再生能源,但由于風(fēng)能的隨機(jī)性及非線(xiàn)性特征,導(dǎo)致風(fēng)力發(fā)電的輸出功率難以控制,給電網(wǎng)的計(jì)劃和調(diào)度帶來(lái)了挑戰(zhàn)和困難。因此,可靠、精確的風(fēng)電功率預(yù)測(cè)對(duì)改進(jìn)電力系統(tǒng)的可靠性和優(yōu)化電網(wǎng)的運(yùn)行成本極為關(guān)鍵,它也成為了新能源領(lǐng)域非常重要的研究方向之一。目前,常用的預(yù)測(cè)方法如神經(jīng)網(wǎng)絡(luò)、SVM(Support Vector Machines,支持向量機(jī))等方法均在風(fēng)電功率預(yù)測(cè)中取得較好的效果。但是,由于風(fēng)速受到各種天氣因素的影響,使得風(fēng)電功率的誤差不能完全避免,由于神經(jīng)網(wǎng)絡(luò)及SVM方法僅能得到預(yù)期均值的點(diǎn)預(yù)測(cè)值,這也在一定程度上提高了預(yù)測(cè)的誤差,若能提高預(yù)測(cè)精確度的同時(shí),還能給出預(yù)測(cè)的置信水平,則更有利于評(píng)價(jià)依靠預(yù)測(cè)結(jié)果的決策風(fēng)險(xiǎn)。GP(Gaussian Processes,高斯過(guò)程)方法基于對(duì)訓(xùn)練數(shù)據(jù)的學(xué)習(xí),能自適應(yīng)確定先驗(yàn)協(xié)方差函數(shù)中的“超參數(shù)”,在給出模型預(yù)測(cè)輸出的同時(shí),還能獲取預(yù)測(cè)輸出的方差,從而很好地解釋模型的置信水平,這也是其建模的特色之處�？紤]具有較大規(guī)模訓(xùn)練數(shù)據(jù)集時(shí),與SVM相似,GP方法會(huì)出現(xiàn)協(xié)方差函數(shù)矩陣運(yùn)算的困難,其計(jì)算的復(fù)雜性增加,這在一定程度上限制了它的應(yīng)用。Sparse-GP(Sparse Gaussian Processes,稀疏高斯過(guò)程)方法作為一類(lèi)對(duì)具有固定“超參數(shù)”的GP的概率逼近,則能適用于較大規(guī)模數(shù)據(jù)集的學(xué)習(xí),通過(guò)隨機(jī)選取訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)子集,給出基于SoD(Subset of Datapoints,數(shù)據(jù)點(diǎn)子集)逼近、SoR(Subset of Regressors,回歸量子集)逼近、PP(Projected Process,投影過(guò)程)逼近的Sparse-GP方法,在保持GP方法優(yōu)點(diǎn)的同時(shí),降低了計(jì)算復(fù)雜度。本文的主要研究?jī)?nèi)容如下:(1)研究GP相應(yīng)的學(xué)習(xí)算法,并對(duì)GP中用到的協(xié)方差函數(shù)和“超參數(shù)”進(jìn)行分析。(2)進(jìn)一步研究Sparse-GP的基本理論,其中著重研究一類(lèi)具有固定“超參數(shù)”的稀疏高斯過(guò)程方法,并對(duì)其中的三種方法:SoD方法、SoR方法和PP方法進(jìn)行了研究。(3)將3種Sparse-GP方法應(yīng)用于不同地區(qū)的短期風(fēng)電功率單步與多步預(yù)測(cè)實(shí)驗(yàn)中,并考慮不同的單一協(xié)方差函數(shù)或組合協(xié)方差函數(shù)形式,在同等條件下,還與常規(guī)GP、SVM方法進(jìn)行比較,可看出本文方法在不同的單一協(xié)方差函數(shù)和組合協(xié)方差函數(shù)形式下的預(yù)測(cè)精度均高于常規(guī)GP方法及支持向量機(jī),并且同一種方法在組合協(xié)方差函數(shù)形式下的預(yù)測(cè)精度要高于單一協(xié)方差函數(shù)。
【學(xué)位授予單位】：蘭州交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TM614

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李軍;常燕芝;;基于KPCA-KMPMR的短期風(fēng)電功率概率預(yù)測(cè)[J];電力自動(dòng)化設(shè)備;2017年02期

2 錢(qián)政;裴巖;曹利宵;王婧怡;荊博;;風(fēng)電功率預(yù)測(cè)方法綜述[J];高電壓技術(shù);2016年04期

3 張博;曹春正;朱曉欣;朱連華;;基于高斯過(guò)程函數(shù)型回歸模型的日最高氣溫研究[J];數(shù)學(xué)的實(shí)踐與認(rèn)識(shí);2016年04期

4 劉國(guó)海;蘇勇;楊銘;梅從立;;基于多準(zhǔn)則和高斯過(guò)程回歸的動(dòng)態(tài)軟測(cè)量建模方法[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年06期

5 王勃;劉純;張俊;馮雙磊;李穎毅;郭鋒;;基于Monte-Carlo方法的風(fēng)電功率預(yù)測(cè)不確定性估計(jì)[J];高電壓技術(shù);2015年10期

6 楊茂;齊s，

本文編號(hào)：2547710