風電場輸出功率的非參數(shù)預測方法.pdf

1、由于風電隨機性和波動性的存在，大規(guī)模風電并網(wǎng)對電力系統(tǒng)運行造成很大影響，如系統(tǒng)的穩(wěn)定性和電能質量，因此風力發(fā)電被認為是不可調(diào)度的。風功率不確定性預測是解決這些問題、提高電力系統(tǒng)風電并網(wǎng)能力的一種有效工具。
　　典型的風電功率概率密度預測方法多為單項預測方法，通常根據(jù)數(shù)據(jù)從多種假設模型中選擇一種作為最優(yōu)預測模型。主要可分為參數(shù)預測和非參數(shù)預測兩類。參數(shù)預測方法假設是預測目標服從某種特定分布形式，如Gaussian分布、WarpedG

2、aussian分布、Beta分布、Versatile分布和Logit-Normal分布等，根據(jù)歷史數(shù)據(jù)訓練得到預先假設分布模型的參數(shù)，進而進行預測。參數(shù)方法的預測效果可能由于模型選擇的不同而存在較大的差異，并且風電功率不一定服從某種分布這一事實制約了此類方法的普適性。非參數(shù)預測方法不對預測目標的分布形式進行假設，可有效避免模型分布形式選擇帶來的建模誤差。
　　然而，任何一種單項預測方法均有其固有的局限性，且只適用于部分風場，目前還

3、沒有一種概率預測方法可以適用于所有風場。因此，所選擇的單項預測模型對現(xiàn)有數(shù)據(jù)來說不一定是最優(yōu)模型。而組合預測方法能夠綜合多種相同預測水平的單項方法的優(yōu)勢，得到不同情況下各種單項預測方法優(yōu)勢互補的預測方法，從而降低單個預測模型中隨機因素的影響，以提高預測精度。
　　目前，短期風電場輸出功率概率式預測方法存在以下幾點問題:①預測精度需要進一步提高，包括期望值預測精度、分布預測精度等;②已有方法多是基于參數(shù)方法進行的風電場輸出功率概率預

4、測，對風電場輸出功率分布的預先假設制約了這種方法的普適性;③現(xiàn)有方法多為單項預測方法，現(xiàn)在發(fā)展起來的少數(shù)組合預測方法較多針對點預測結果進行預測，且針對風電場輸出功率進行概率預測的組合方法多為參數(shù)預測，忽略了風電場輸出功率有可能不服從某種特定分布的影響。
　　本文先后提出了單項和組合非參數(shù)風電功率概率預測方法。首先提出了一種基于稀疏貝葉斯分類與Dempster-Shafer(D-S)證據(jù)理論的短期風電功率概率分布非參數(shù)估計方法，預測

5、時間尺度為48 h。該方法首先通過支持向量機(support vectormachine，SVM)對風電功率進行點預測;進而將SVM預測誤差的范圍離散為多個區(qū)間，通過建立稀疏貝葉斯分類器對SVM預測誤差落入各預定區(qū)間的概率進行估計。然后應用D-S證據(jù)理論對所有區(qū)間對應的概率估計結果進行整合，得到SVM預測誤差的整體概率分布。最后疊加誤差分布與SVM預測的風電功率值，得到風電功率的概率分布結果。該方法基于稀疏貝葉斯架構構建，具有高稀疏性，

6、確保了模型的泛化能力與計算速度。該方法還系統(tǒng)地計及了風電場輸出功率必須滿足在[0，GN]（GN為風電場裝機容量）內(nèi)取值的邊界約束，使預測結果更加符合實際。其次，提出了一種風電功率組合概率預測方法。受到貝葉斯模型平均(Bayesianmodel averaging，BMA)方法的啟發(fā)，在BMA方法的基礎上，將BMA所組合的單項模型采用不同形式的概率函數(shù)表示，包括:Gaussian、Weibull函數(shù)以及核密度估計函數(shù)，并且以概率評價指標連