基于MKL方法的短期風(fēng)電功率預(yù)測(cè)研究.pdf

1、支持向量機(jī)(Support Vector Machine，SVM)等核學(xué)習(xí)方法是解決非線性問(wèn)題的一種有效方法，在短期風(fēng)電功率預(yù)測(cè)中已有成功的應(yīng)用。多核學(xué)習(xí)(Multiple KernelLearning，MKL)作為一種的新型核學(xué)習(xí)方法，通過(guò)核權(quán)值系數(shù)將具有不同特性的核函數(shù)進(jìn)行組合，其核權(quán)值系數(shù)使得核函數(shù)的選擇問(wèn)題轉(zhuǎn)化為核權(quán)值系數(shù)的分布問(wèn)題，且核權(quán)值系數(shù)的稀疏性能增強(qiáng)決策函數(shù)可解釋性，其不同核函數(shù)組合形成的再生希爾伯特空間使模型具有更強(qiáng)

2、的泛化能力與魯棒性。為了進(jìn)一步提高短期風(fēng)電功率預(yù)測(cè)模型的性能，以MKL方法為主線，研究其在短期風(fēng)電功率直接預(yù)測(cè)與間接預(yù)測(cè)方面的應(yīng)用。
　　本文的主要研究?jī)?nèi)容如下:
　　(1)分析了用于數(shù)據(jù)預(yù)處理的經(jīng)驗(yàn)?zāi)B(tài)分解方法(Empirical ModeDecomposition，EMD)和經(jīng)驗(yàn)小波變換方法(Empirical Wavelet Transform，EWT)的基本原理及其實(shí)現(xiàn)步驟，并通過(guò)ECG(Electrocardiog

3、raph，心電圖)標(biāo)準(zhǔn)數(shù)據(jù)集對(duì)其進(jìn)行對(duì)比分析，實(shí)驗(yàn)結(jié)果表明，EWT分解得到模態(tài)信號(hào)分量數(shù)量明顯少于EMD得到的模態(tài)信號(hào)分量數(shù)量且EMD分解得到的模態(tài)分量存在明顯的模態(tài)混疊現(xiàn)象。在SVM理論的基礎(chǔ)上，對(duì)基于半無(wú)限線性規(guī)劃的多核學(xué)習(xí)及MKL-wrapper算法和MKL-chunking算法進(jìn)行了深入研究，并簡(jiǎn)要闡述了SimpleMKL方法的基本原理及其具體實(shí)現(xiàn)步驟。
　　(2)分析了某大型風(fēng)電場(chǎng)輸出功率不同季節(jié)中的季節(jié)周期性和時(shí)間連續(xù)

4、性的特點(diǎn)，并從不同季節(jié)中隨機(jī)選取四個(gè)具有不同特性測(cè)試周的風(fēng)電功率數(shù)據(jù)作為測(cè)試集;將自適應(yīng)分解預(yù)處理方法EWT與由MKL-wrapper、MKL-chunking、SimpleMKL算法實(shí)現(xiàn)的MKL方法結(jié)合，形成一種新的組合預(yù)測(cè)方法，即EWT-MKL方法;將不同MKL方法應(yīng)用于不同季節(jié)的短期風(fēng)電功率直接預(yù)測(cè)實(shí)例中，在同等條件下，并與SVM方法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明，MKL預(yù)測(cè)模型的精度優(yōu)于SVM方法，而不同算法實(shí)現(xiàn)的EWT-MKL組合預(yù)測(cè)

5、模型的效果最好，不同季節(jié)測(cè)試集中MKL模型的核參數(shù)及懲罰函數(shù)在取值范圍內(nèi)的隨機(jī)取值及其實(shí)驗(yàn)結(jié)果表明，MKL具有較強(qiáng)的泛化能力且其對(duì)參數(shù)的選擇具有較強(qiáng)的魯棒性。
　　(3)分析了不同“風(fēng)速-功率”特性曲線求解方法對(duì)風(fēng)速-功率轉(zhuǎn)換精度的影響;將不同算法實(shí)現(xiàn)的MKL預(yù)測(cè)方法及EWT-MKL組合預(yù)測(cè)方法應(yīng)用于某風(fēng)電場(chǎng)平均風(fēng)速的短期預(yù)測(cè);結(jié)合“風(fēng)速-功率”特性曲線實(shí)現(xiàn)短期風(fēng)電功率間接預(yù)測(cè)，并在同等條件下與小波支持向量機(jī)(WaveletSup