基于概率核學(xué)習(xí)方法的短期風(fēng)電功率預(yù)測(cè).pdf

1、隨著風(fēng)力發(fā)電技術(shù)的日益成熟，并網(wǎng)風(fēng)電場(chǎng)規(guī)模不斷增加，風(fēng)力發(fā)電對(duì)電網(wǎng)的影響越來越顯著，風(fēng)電功率預(yù)測(cè)對(duì)電力系統(tǒng)的發(fā)展規(guī)劃具有重要意義，然而由于風(fēng)電功率值受氣候的影響具有較強(qiáng)的非線性與隨機(jī)性使得短期風(fēng)電功率難以預(yù)測(cè)，目前以神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等為主的預(yù)測(cè)方法在風(fēng)電功率預(yù)測(cè)領(lǐng)域均取得了較好的預(yù)測(cè)效果。
　　然而，目前的大多數(shù)研究?jī)H聚焦于給出預(yù)測(cè)期望值的點(diǎn)預(yù)測(cè)技術(shù)，由于風(fēng)電功率預(yù)測(cè)的不確定性誤差是不可避免且有意義的，因而，在提高預(yù)測(cè)精度的同

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

3、輸出位于其真實(shí)值邊界內(nèi)的最小概率，該方法在預(yù)測(cè)輸出的同時(shí)，還能夠給出預(yù)測(cè)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(duì)數(shù)據(jù)進(jìn)行預(yù)處理，在特征空間中有效地提取輸入的非線性主元。因此，結(jié)合KPCA和KMPMR各自的優(yōu)點(diǎn)，針對(duì)短期風(fēng)電功率預(yù)測(cè)，本文給出一種基于KPCA-KMPMR的概率預(yù)測(cè)方法。本文主要研究?jī)?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(shí)現(xiàn)。
　　(2)研究了最小最大概率分類機(jī)(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(jī)(Minimax Probability Machine Regression,MPMR)方法，并對(duì)MPMR方法的學(xué)習(xí)算法進(jìn)行了研究。將MPM