目前,環(huán)境污染和能源缺乏問題在世界范圍內廣受關注,相比于污染較大且不可再生的化石能源,清潔能源的開發(fā)和利用乃是順應時代潮流的大勢所趨。水力發(fā)電、光伏發(fā)電和風力發(fā)電是現(xiàn)如今最常見的可再生能源。這些可再生能源的應用需要準確的預測,以減小發(fā)電過程的不確定性。因此,準確的徑流預測,可靠的光伏發(fā)電和風力發(fā)電預測至關重要。為了更好地量化可再生能源預測的不確定性,本文結合B樣條方法和分位數(shù)回歸方法,構建了B樣條分位數(shù)回歸（B-spline quantile regression BSQR）概率密度預測方法。該方法包括3個步驟,首先,利用B樣條函數(shù)對選擇的徑流、光電和風電的訓練和測試數(shù)據(jù)進行樣條插值;其次,將樣條處理后的訓練數(shù)據(jù)輸入分位數(shù)回歸模型計算BSQR模型的參數(shù),將BSQR模型結合基于Epanechnikov核函數(shù)和Silverman的經(jīng)驗法則的核密度估計方法構建成BSQR概率密度預測方法;最后,將樣條處理后的徑流、光電和風電數(shù)據(jù)輸入BSQR概率密度預測模型,對未來的徑流、光電和風電進行預測。此方法可以獲取徑流、光電和風電的條件概率密度曲線,從而對預測不確定性進行定量分析,由此得到比點預測和區(qū)間... 

【文章來源】：合肥工業(yè)大學安徽省211工程院校教育部直屬院校

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

006-2010年石鼓站徑流觀測數(shù)據(jù)圖

第三章基于B樣條分位數(shù)回歸模型的徑流概率密度預測21圖3.32010年基于BSQR的概率密度曲線圖Fig3.3ProbabilitydensitycurvebasedonBSQRin2010圖3.42010年石鼓站的真實值和預測區(qū)間對比圖Fig3.4ComparisonoftherealvalueandforecastintervalofShiguStationin20102010年石鼓站的徑流峰值發(fā)生在2010年7月20日，峰值為45703m/s。3.5顯示了2010年石鼓站的峰值附近幾天的概率密度曲線。從圖3.5中可以發(fā)現(xiàn)，實際峰值徑流非常接近概率密度曲線的眾數(shù)和中值。這表明所提出的方法能夠測量峰值徑流的不確定性。同時，接近峰值的幾天的真實值接近概率密度曲線的中間。表3.3顯示了2010年峰值時的眾數(shù)，中位數(shù)和概率均值的預測結果和百分誤差。表3.3中的百分誤差均小于2％，并且中位數(shù)百分比誤差最小，這表明BSQR方法在峰值當天的預測結果較優(yōu)，特別是中位數(shù)預測結果最佳。BSQR方法不僅

第三章基于B樣條分位數(shù)回歸模型的徑流概率密度預測21圖3.32010年基于BSQR的概率密度曲線圖Fig3.3ProbabilitydensitycurvebasedonBSQRin2010圖3.42010年石鼓站的真實值和預測區(qū)間對比圖Fig3.4ComparisonoftherealvalueandforecastintervalofShiguStationin20102010年石鼓站的徑流峰值發(fā)生在2010年7月20日，峰值為45703m/s。3.5顯示了2010年石鼓站的峰值附近幾天的概率密度曲線。從圖3.5中可以發(fā)現(xiàn)，實際峰值徑流非常接近概率密度曲線的眾數(shù)和中值。這表明所提出的方法能夠測量峰值徑流的不確定性。同時，接近峰值的幾天的真實值接近概率密度曲線的中間。表3.3顯示了2010年峰值時的眾數(shù)，中位數(shù)和概率均值的預測結果和百分誤差。表3.3中的百分誤差均小于2％，并且中位數(shù)百分比誤差最小，這表明BSQR方法在峰值當天的預測結果較優(yōu)，特別是中位數(shù)預測結果最佳。BSQR方法不僅

【參考文獻】：
期刊論文
[1]基于風速融合和NARX神經(jīng)網(wǎng)絡的短期風電功率預測[J]. 徐遵義,王俊雪.  現(xiàn)代電子技術. 2020(09)
[2]基于SVR-UKF的光伏電站功率預測[J]. 俞娜燕,李向超,費科,任佳琦,倪曉宇.  自動化與儀器儀表. 2020(04)
[3]基于PSO-DBN神經(jīng)網(wǎng)絡的光伏短期發(fā)電出力預測[J]. 李正明,梁彩霞,王滿商.  電力系統(tǒng)保護與控制. 2020(08)
[4]基于NWP和深度學習神經(jīng)網(wǎng)絡短期風功率預測[J]. 陳家揚,陳華,張旭.  現(xiàn)代電子技術. 2020(08)
[5]基于小波去噪-KPCA神經(jīng)網(wǎng)絡的光伏功率預測方法[J]. 孫新程,萬玥,丁宏,葛晨陽,史文斌.  電力工程技術. 2020(02)
[6]基于OS-ELM的光伏發(fā)電中長期功率預測[J]. 錢子偉,孫毅超,王琦,季順祥,周敏,曾柏琛.  南京師范大學學報(工程技術版). 2020(01)
[7]基于GBDT和神經(jīng)網(wǎng)絡的光伏發(fā)電組合預測[J]. 范程岸,劉博文.  無線互聯(lián)科技. 2020(01)
[8]基于多元宇宙優(yōu)化支持向量機的短期光伏發(fā)電功率預測[J]. 馬駿,江銳,丁倩,江濤,張倩.  熱力發(fā)電. 2020(04)
[9]基于自適應神經(jīng)網(wǎng)絡的光伏輸出功率預測[J]. 馬曉磊,李永光,莊紅山,張彥軍,汪凱威.  信息技術. 2019(11)
[10]考慮日周期性影響的光伏功率爬坡事件非精確概率預測[J]. 朱文立,張利,楊明,王勃,趙元春.  電力系統(tǒng)自動化. 2019(20)

博士論文
[1]確定性水文模型的貝葉斯概率預報方法研究[D]. 邢貞相.河海大學 2007

碩士論文
[1]基于智能學習的可再生能源預測方法研究[D]. 卞忠偉.南京郵電大學 2019
[2]基于EMD-RVM的短期光伏發(fā)電預測研究[D]. �？祩�.安徽工程大學 2019
[3]基于組合模型的風速及風電功率預測方法研究[D]. 張力.湖北工業(yè)大學 2019
[4]基于改進神經(jīng)網(wǎng)絡的光伏電站短期出力預測[D]. 任家銘.西安理工大學 2018
[5]基于改進神經(jīng)網(wǎng)絡模型的可再生能源預測方法研究[D]. 李潔.國防科學技術大學 2016
[6]風能及光伏發(fā)電功率短期預測方法研究[D]. 陳垣毅.浙江大學 2013



本文編號：3622566