基于条件分类与证据理论的短期风电功率非参数概率预测方法

被引:24
作者
林优 [1 ]
杨明 [1 ]
韩学山 [1 ]
安滨 [2 ]
机构
[1] 电网智能化调度与控制教育部重点实验室(山东大学)
[2] 国网山东省电力公司检修公司
关键词
风电功率概率预测; 非参数估计; 支持向量机; 稀疏贝叶斯分类; D-S证据理论;
D O I
10.13335/j.1000-3673.pst.2016.04.020
中图分类号
TM614 [风能发电];
学科分类号
0807 ;
摘要
提出了一种基于稀疏贝叶斯分类与Dempster-Shafer(D-S)证据理论的短期风电功率概率分布非参数估计方法,预测时间尺度为48 h。该方法首先通过支持向量机(support vector machine,SVM)对风电功率进行点预测;进而将SVM预测误差的范围离散为多个区间,通过建立稀疏贝叶斯分类器对SVM预测误差落入各预定区间的概率进行估计。然后应用D-S证据理论对所有区间对应的概率估计结果进行整合,得到SVM预测误差的整体概率分布。最后叠加误差分布与SVM预测的风电功率值,得到风电功率的概率分布结果。该方法基于稀疏贝叶斯架构构建,具有高稀疏性,确保了模型的泛化能力与计算速度。该方法还系统地计及了风电场输出功率必须满足在[0,GN](GN为风电场装机容量)内取值的边界约束,使预测结果更加符合实际。以某74 MW的风电场为例对上述方法进行了验证,结果表明了该方法的有效性。
引用
收藏
页码:1113 / 1119
页数:7
相关论文
共 12 条
[1]   基于非参数回归的风电场理论功率计算方法 [J].
王铮 ;
刘纯 ;
冯双磊 ;
王伟胜 .
电网技术, 2015, 39 (08) :2148-2153
[2]   风速与风电功率预测误差概率分布的时变特性分析 [J].
王松岩 ;
李碧君 ;
于继来 ;
徐泰山 .
电网技术, 2013, 37 (04) :967-973
[3]   基于经验模态分解和支持向量机的短期风电功率组合预测模型 [J].
叶林 ;
刘鹏 .
中国电机工程学报, 2011, 31 (31) :102-108
[4]   风电功率短期预测及非参数区间估计 [J].
周松林 ;
茆美琴 ;
苏建徽 .
中国电机工程学报, 2011, 31 (25) :10-16
[5]   基于分位点回归的风电功率波动区间分析 [J].
李智 ;
韩学山 ;
杨明 ;
钟世民 .
电力系统自动化, 2011, 35 (03) :83-87
[6]   风电功率预测技术综述 [J].
谷兴凯 ;
范高锋 ;
王晓蓉 ;
赵海翔 ;
戴慧珠 .
电网技术, 2007, (S2) :335-338
[7]  
Probabilistic wind power forecasting with online model selection and warped gaussian process[J] . Peng Kou,Deliang Liang,Feng Gao,Lin Gao.Energy Conversion and Management . 2014
[8]  
Very‐short‐term probabilistic forecasting of wind power with generalized logit–normal distributions[J] . P. Pinson.Journal of the Royal Statistical Society: Series C (Applied Statistics) . 2012 (4)
[9]  
Standardizing the Performance Evaluation of ShortTerm Wind Power Prediction Models[J] . Henrik Madsen,Pierre Pinson,George Kariniotakis,Henrik Aa. Nielsen,Torben S. Nielsen.Wind Engineering . 2009 (6)
[10]  
Probabilistic forecasts, calibration and sharpness[J] . TilmannGneiting,FadouaBalabdaoui,Adrian E.Raftery.Journal of the Royal Statistical Society: Series B (Statistical Methodology) . 2007 (2)