稀疏高斯过程在短期风电功率概率预测中的应用

针对短期风电功率预测,提出一类基于稀疏高斯过程(sparse gaussian processes,Sparse-GP)的概率预测方法。通过对数据集随机划分所形成的数据子集,给出基于数据点子集(subset of datapoints,SoD)近似、回归子集(subset of regressors,SoR)近似、投影过程(projected process,PP)近似算法的3种Sparse-GP方法,该方法不仅能给出模型的均值预测,而且能获取模型的预测方差,这很好地解释了模型置信水平。不同的Sparse-GP方法在保持常规GP方法优点的同时,还能解决GP方法随着训练数据增加而产生的矩阵运算困难等难题,且计算效率高。将具有不同协方差函数形式的Sparse-GP方法应用于不同地区的短期风电功率单步与多步预测实例中,在同等条件下还与常规GP、SVM方法进行对比。实验结果表明,Sparse-GP方法可以给出较好的预测效果,且适用于较大规模数据集的训练。