【摘要】：風能是最有效的綠色可再生能源,但由于風能的隨機性及非線性特征,導致風力發(fā)電的輸出功率難以控制,給電網(wǎng)的計劃和調(diào)度帶來了挑戰(zhàn)和困難。因此,可靠、精確的風電功率預測對改進電力系統(tǒng)的可靠性和優(yōu)化電網(wǎng)的運行成本極為關(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,常用的預測方法如神經(jīng)網(wǎng)絡、SVM(Support Vector Machines,支持向量機)等方法均在風電功率預測中取得較好的效果。但是,由于風速受到各種天氣因素的影響,使得風電功率的誤差不能完全避免,由于神經(jīng)網(wǎng)絡及SVM方法僅能得到預期均值的點預測值,這也在一定程度上提高了預測的誤差,若能提高預測精確度的同時,還能給出預測的置信水平,則更有利于評價依靠預測結(jié)果的決策風險。GP(Gaussian Processes,高斯過程)方法基于對訓練數(shù)據(jù)的學習,能自適應確定先驗協(xié)方差函數(shù)中的“超參數(shù)”,在給出模型預測輸出的同時,還能獲取預測輸出的方差,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。考慮具有較大規(guī)模訓練數(shù)據(jù)集時,與SVM相似,GP方法會出現(xiàn)協(xié)方差函數(shù)矩陣運算的困難,其計算的復雜性增加,這在一定程度上限制了它的應用。Sparse-GP(Sparse Gaussian Processes,稀疏高斯過程)方法作為一類對具有固定“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)集的學習,通過隨機選取訓練數(shù)據(jù)集的數(shù)據(jù)子集,給出基于SoD(Subset of Datapoints,數(shù)據(jù)點子集)逼近、SoR(Subset of Regressors,回歸量子集)逼近、PP(Projected Process,投影過程)逼近的Sparse-GP方法,在保持GP方法優(yōu)點的同時,降低了計算復雜度。本文的主要研究內(nèi)容如下:(1)研究GP相應的學習算法,并對GP中用到的協(xié)方差函數(shù)和“超參數(shù)”進行分析。(2)進一步研究Sparse-GP的基本理論,其中著重研究一類具有固定“超參數(shù)”的稀疏高斯過程方法,并對其中的三種方法:SoD方法、SoR方法和PP方法進行了研究。(3)將3種Sparse-GP方法應用于不同地區(qū)的短期風電功率單步與多步預測實驗中,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)形式下的預測精度均高于常規(guī)GP方法及支持向量機,并且同一種方法在組合協(xié)方差函數(shù)形式下的預測精度要高于單一協(xié)方差函數(shù)。
【學位授予單位】：蘭州交通大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TM614

【參考文獻】

相關(guān)期刊論文 前10條

1 李軍;常燕芝;;基于KPCA-KMPMR的短期風電功率概率預測[J];電力自動化設備;2017年02期

2 錢政;裴巖;曹利宵;王婧怡;荊博;;風電功率預測方法綜述[J];高電壓技術(shù);2016年04期

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

4 劉國海;蘇勇;楊銘;梅從立;;基于多準則和高斯過程回歸的動態(tài)軟測量建模方法[J];東南大學學報(自然科學版);2015年06期

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

6 楊茂;齊s，

本文編號：2547710