基于高斯過程的風(fēng)電功率概率預(yù)測.pdf

1、風(fēng)能是最有效的綠色可再生能源，但由于風(fēng)能的隨機性及非線性特征，導(dǎo)致風(fēng)力發(fā)電的輸出功率難以控制，給電網(wǎng)的計劃和調(diào)度帶來了挑戰(zhàn)和困難。因此，可靠、精確的風(fēng)電功率預(yù)測對改進電力系統(tǒng)的可靠性和優(yōu)化電網(wǎng)的運行成本極為關(guān)鍵，它也成為了新能源領(lǐng)域非常重要的研究方向之一。
　　目前，常用的預(yù)測方法如神經(jīng)網(wǎng)絡(luò)、SVM(Support Vector Machines，支持向量機)等方法均在風(fēng)電功率預(yù)測中取得較好的效采。但是，由于風(fēng)速受到各種天氣因素的

2、影響，使得風(fēng)電功率的誤差不能完全避免，由于神經(jīng)網(wǎng)絡(luò)及SVM方法僅能得到預(yù)期均值的點預(yù)測值，這也在一定程度上提高了預(yù)測的誤差，若能提高預(yù)測精確度的同時，還能給出預(yù)測的置信水平，則更有利于評價依靠預(yù)測結(jié)果的決策風(fēng)險。GP(Gaussian Processes，高斯過程)方法基于對訓(xùn)練數(shù)據(jù)的學(xué)習(xí)，能自適應(yīng)確定先驗協(xié)方差函數(shù)中的“超參數(shù)”，在給出模型預(yù)測輸出的同時，還能獲取預(yù)測輸出的方差，從而很好地解釋模型的置信水平，這也是其建模的特色之處。考

3、慮具有較大規(guī)模訓(xùn)練數(shù)據(jù)集時，與SVM相似，GP方法會出現(xiàn)協(xié)方差函數(shù)矩陣運算的困難，其計算的復(fù)雜性增加，這在一定程度上限制了它的應(yīng)用。Sparse-GP(Sparse Gaussian Processes，稀疏高斯過程)方法作為一類對具有固定“超參數(shù)”的GP的概率逼近，則能適用于較大規(guī)模數(shù)據(jù)集的學(xué)習(xí)，通過隨機選取訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)子集，給出基于SoD(Subset of Datapoints，數(shù)據(jù)點子集)逼近、SoR(Subset ofRe

4、gressors，同歸量子集)逼近、PP(Projected Process，投影過程)逼近的Sparse-GP方法，在保持GP方法優(yōu)點的同時，降低了計算復(fù)雜度。本文的主要研究內(nèi)容如下:
　　(1)研究GP相應(yīng)的學(xué)習(xí)算法，并對GP中用到的協(xié)方差函數(shù)和“超參數(shù)”進行分析。
　　(2)進一步研究Sparse-GP的基本理論，其中著重研究一類具有固定“超參數(shù)”的稀疏高斯過程方法，并對其中的三種方法:SoD方法、SoR方法和PP方法