基于因子分析和神经网络分位数回归的月度风电功率曲线概率预测

被引：37

作者：

李丹 ^{[1
]}

任洲洋 ^{[1
]}

颜伟 ^{[1
]}

朱继忠 ^{[2
]}

赵霞 ^{[1
]}

余娟 ^{[1
]}

机构：

[1] 重庆大学电气工程学院

[2] 南方电网科学研究院

来源：

中国电机工程学报 | 2017年 / 37卷 / 18期

关键词：

月度风电功率预测; 因子分析; 神经网络分位数回归; 中期天气预报; 概率预测;

D O I：

10.13334/j.0258-8013.pcsee.161368

中图分类号：

TM614 [风能发电];

学科分类号：

0807 ;

摘要：

针对月度风电曲线预测存在的预测变量多且关系复杂、可利用天气信息少以及不确定性强等问题,提出了一种基于因子分析和神经网络分位数回归的月度风电曲线概率预测方法。采用因子分析对日内小时级风电功率序列向量降维,提取出相互独立的风电公共因子作为预测变量,分别建立以日天气特征为输入的神经网络分位数条件概率模型;利用中期天气预报信息,预测未来30日各公共因子的概率分布;最后通过模拟服从预测分布的风电公共因子和各时刻特殊因子,并代入因子模型逐日还原风电预测曲线,生成未来月风电曲线的随机场景。两个实际风电场的预测结果验证了所提风电曲线概率预测方法的准确性、适应性和高效性,为中长期风电功率概率预测提供了一种可行的解决思路。

引用

页码：5238 / 5247+5522 +5522

页数：11

共 13 条

[11] Forecasting electricity prices and their volatilities using Unobserved Components [J].

Garcia-Martos, Carolina ;

Rodriguez, Julio ;

Jesus Sanchez, Maria .

ENERGY ECONOMICS, 2011, 33 (06) :1227-1239

[12]

Quantile regression neural networks: Implementation in R and application to precipitation downscaling[J] . Alex J. Cannon.Computers and Geosciences . 2010 (9)

[13] A quantile regression neural network approach to estimating the conditional density of multiperiod returns [J].

Taylor, JW .

JOURNAL OF FORECASTING, 2000, 19 (04) :299-311

← 1 2 →