風(fēng)電場(chǎng)輸出功率的非參數(shù)預(yù)測(cè)方法.pdf

1、由于風(fēng)電隨機(jī)性和波動(dòng)性的存在，大規(guī)模風(fēng)電并網(wǎng)對(duì)電力系統(tǒng)運(yùn)行造成很大影響，如系統(tǒng)的穩(wěn)定性和電能質(zhì)量，因此風(fēng)力發(fā)電被認(rèn)為是不可調(diào)度的。風(fēng)功率不確定性預(yù)測(cè)是解決這些問(wèn)題、提高電力系統(tǒng)風(fēng)電并網(wǎng)能力的一種有效工具。
　　典型的風(fēng)電功率概率密度預(yù)測(cè)方法多為單項(xiàng)預(yù)測(cè)方法，通常根據(jù)數(shù)據(jù)從多種假設(shè)模型中選擇一種作為最優(yōu)預(yù)測(cè)模型。主要可分為參數(shù)預(yù)測(cè)和非參數(shù)預(yù)測(cè)兩類(lèi)。參數(shù)預(yù)測(cè)方法假設(shè)是預(yù)測(cè)目標(biāo)服從某種特定分布形式，如Gaussian分布、WarpedG

2、aussian分布、Beta分布、Versatile分布和Logit-Normal分布等，根據(jù)歷史數(shù)據(jù)訓(xùn)練得到預(yù)先假設(shè)分布模型的參數(shù)，進(jìn)而進(jìn)行預(yù)測(cè)。參數(shù)方法的預(yù)測(cè)效果可能由于模型選擇的不同而存在較大的差異，并且風(fēng)電功率不一定服從某種分布這一事實(shí)制約了此類(lèi)方法的普適性。非參數(shù)預(yù)測(cè)方法不對(duì)預(yù)測(cè)目標(biāo)的分布形式進(jìn)行假設(shè)，可有效避免模型分布形式選擇帶來(lái)的建模誤差。
　　然而，任何一種單項(xiàng)預(yù)測(cè)方法均有其固有的局限性，且只適用于部分風(fēng)場(chǎng)，目前還

3、沒(méi)有一種概率預(yù)測(cè)方法可以適用于所有風(fēng)場(chǎng)。因此，所選擇的單項(xiàng)預(yù)測(cè)模型對(duì)現(xiàn)有數(shù)據(jù)來(lái)說(shuō)不一定是最優(yōu)模型。而組合預(yù)測(cè)方法能夠綜合多種相同預(yù)測(cè)水平的單項(xiàng)方法的優(yōu)勢(shì)，得到不同情況下各種單項(xiàng)預(yù)測(cè)方法優(yōu)勢(shì)互補(bǔ)的預(yù)測(cè)方法，從而降低單個(gè)預(yù)測(cè)模型中隨機(jī)因素的影響，以提高預(yù)測(cè)精度。
　　目前，短期風(fēng)電場(chǎng)輸出功率概率式預(yù)測(cè)方法存在以下幾點(diǎn)問(wèn)題:①預(yù)測(cè)精度需要進(jìn)一步提高，包括期望值預(yù)測(cè)精度、分布預(yù)測(cè)精度等;②已有方法多是基于參數(shù)方法進(jìn)行的風(fēng)電場(chǎng)輸出功率概率預(yù)

4、測(cè)，對(duì)風(fēng)電場(chǎng)輸出功率分布的預(yù)先假設(shè)制約了這種方法的普適性;③現(xiàn)有方法多為單項(xiàng)預(yù)測(cè)方法，現(xiàn)在發(fā)展起來(lái)的少數(shù)組合預(yù)測(cè)方法較多針對(duì)點(diǎn)預(yù)測(cè)結(jié)果進(jìn)行預(yù)測(cè)，且針對(duì)風(fēng)電場(chǎng)輸出功率進(jìn)行概率預(yù)測(cè)的組合方法多為參數(shù)預(yù)測(cè)，忽略了風(fēng)電場(chǎng)輸出功率有可能不服從某種特定分布的影響。
　　本文先后提出了單項(xiàng)和組合非參數(shù)風(fēng)電功率概率預(yù)測(cè)方法。首先提出了一種基于稀疏貝葉斯分類(lèi)與Dempster-Shafer(D-S)證據(jù)理論的短期風(fēng)電功率概率分布非參數(shù)估計(jì)方法，預(yù)測(cè)

5、時(shí)間尺度為48 h。該方法首先通過(guò)支持向量機(jī)(support vectormachine，SVM)對(duì)風(fēng)電功率進(jìn)行點(diǎn)預(yù)測(cè);進(jìn)而將SVM預(yù)測(cè)誤差的范圍離散為多個(gè)區(qū)間，通過(guò)建立稀疏貝葉斯分類(lèi)器對(duì)SVM預(yù)測(cè)誤差落入各預(yù)定區(qū)間的概率進(jìn)行估計(jì)。然后應(yīng)用D-S證據(jù)理論對(duì)所有區(qū)間對(duì)應(yīng)的概率估計(jì)結(jié)果進(jìn)行整合，得到SVM預(yù)測(cè)誤差的整體概率分布。最后疊加誤差分布與SVM預(yù)測(cè)的風(fēng)電功率值，得到風(fēng)電功率的概率分布結(jié)果。該方法基于稀疏貝葉斯架構(gòu)構(gòu)建，具有高稀疏性，

6、確保了模型的泛化能力與計(jì)算速度。該方法還系統(tǒng)地計(jì)及了風(fēng)電場(chǎng)輸出功率必須滿足在[0，GN]（GN為風(fēng)電場(chǎng)裝機(jī)容量）內(nèi)取值的邊界約束，使預(yù)測(cè)結(jié)果更加符合實(shí)際。其次，提出了一種風(fēng)電功率組合概率預(yù)測(cè)方法。受到貝葉斯模型平均(Bayesianmodel averaging，BMA)方法的啟發(fā)，在BMA方法的基礎(chǔ)上，將BMA所組合的單項(xiàng)模型采用不同形式的概率函數(shù)表示，包括:Gaussian、Weibull函數(shù)以及核密度估計(jì)函數(shù)，并且以概率評(píng)價(jià)指標(biāo)連