基于概率核學習方法的短期風電功率預測.pdf

1、隨著風力發(fā)電技術的日益成熟，并網(wǎng)風電場規(guī)模不斷增加，風力發(fā)電對電網(wǎng)的影響越來越顯著，風電功率預測對電力系統(tǒng)的發(fā)展規(guī)劃具有重要意義，然而由于風電功率值受氣候的影響具有較強的非線性與隨機性使得短期風電功率難以預測，目前以神經(jīng)網(wǎng)絡和支持向量機等為主的預測方法在風電功率預測領域均取得了較好的預測效果。
　　然而，目前的大多數(shù)研究僅聚焦于給出預測期望值的點預測技術，由于風電功率預測的不確定性誤差是不可避免且有意義的，因而，在提高預測精度的同

2、時，若能給出預測不確定性誤差的范圍，則有助于評估依賴預測結果的決策風險。核最小最大概率回歸機(Kernel Minimax Probability Machine Regression,KMPMR)方法在僅需假定產(chǎn)生預測方法的數(shù)據(jù)分布的均值與協(xié)方差矩陣已知時，將最小最大概率分類機(Kernel Minimax Probability Machine Classification,KMPMC)的分類超平面看作預測模型的輸出，可最大化模型的

3、輸出位于其真實值邊界內(nèi)的最小概率，該方法在預測輸出的同時，還能夠給出預測誤差分布的范圍。另外，特征提取方法核主成分分析(Kernel Principal Component Analysis,KPCA)可對數(shù)據(jù)進行預處理，在特征空間中有效地提取輸入的非線性主元。因此，結合KPCA和KMPMR各自的優(yōu)點，針對短期風電功率預測，本文給出一種基于KPCA-KMPMR的概率預測方法。本文主要研究內(nèi)容如下：
　　(1)研究了主成分分析(Pr

4、incipal Component Analysis,PCA)、核方法及KPCA的基本原理與算法實現(xiàn)。
　　(2)研究了最小最大概率分類機(Minimax Probability Machine Classification,MPMC)方法的基本原理，將其延伸至回歸問題得到最小最大概率回歸機(Minimax Probability Machine Regression,MPMR)方法，并對MPMR方法的學習算法進行了研究。將MPM