最小最大概率回归机在短期风电功率预测中的应用.pdf

《最小最大概率回归机在短期风电功率预测中的应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、最小最大概率回归机在短期风电功率预测中的应用王新友。等最小最大概率回归机在短期风电功率预测中的应用ApplicationoftheMinimaxProbabilityMachineRegressioninShort—termWindPowerForecasting互新友1常蕞芝2(甘肃广播电视大学理工学院1，甘肃兰州730030；兰州交通大学自动化与电气工程学院2，甘肃兰州730070)摘要：为了对短期风电功率的预测进行研究，提出了一种基于最大最小概率回归机(MPMR)的预测方法。MPMR方法是将最小

2、最大概率分类机(MPMC)向回归问题的应用推广。该方法仅须假定产生预测模型的数据分布均值与协方差矩阵已知，即能够最大化模型的预测输出位于其真实值边界内的最小概率。验证试验表明，MPMR方法能更好地跟踪风电功率的变化，有效地提高风电功率的预测精度，具有很好的应用前景。关键词：最大最小概率回归机最小最大概率分类机卡尔曼滤波法支持向量机人工智能功率预测风电中图分类号：THTl；TP274文献标志码：ADOI：10．160864．cnki．issnl000—0380．201607007Abstract：Ino

3、rdertoresearchtheforecastingofshort—termpowerofwindgeneration。theforecastingmethodbasedonminimaxprobabilitymachineregression(MPMR)isproposed-inwhichthemininlaxprobabilitymachineclassification(MPMC)isextendedtobeusedinpromotionofregression．Onlybypresumin

4、gthemeanandeovarianeematrixofdatadistributionthatproducestheforecastingmodelisknownItheminimumprobabilityforobtainingforecastingoutputofthemodelwithintheboundaryoftruevaluec&nbemaximized．TheverifyingexperimentsindicatethattheMPMRmethodcarlwefttracktheva

5、riationofthepowerofwindgenerationandeffectivelyenhancetheforecastingaccuracy-80itpof,ses,．qe$goodapplicablepotential．KeTwords：MinimaxprobabilitymachineregressionMinimaxprobabilitymachineclassificationCaimanfiltermethodSupportvectormachine(SVM)Artificial

6、intelligenceApplicationpotentialPoccerpredictimwindpower0引言如今，全球风电装机容量及风电在部分地区电网中的占比逐年增长，但风能因受气候的影响具有随机性和间歇性，导致风电输出功率难以控制，进而对大规模的集成风力发电过程中的电网稳定性及电力供应可靠性产生一定影响uj。因此，提高风电输出功率的预测能力具有重要意义。近年来，国内外学者对短期风电功率预测的研究越来越深入，并提出了许多预测方法。这些方法主要有统计方法和学习方法口]。统计方法是在系统的输入与

7、输出间建立一种可用函数形式表示的线性映射关系，主要包括卡尔曼滤波法旧J、时间序列法H1等。统计方法计算简单，在短期内预测性能较好，但随着预测时间的增加，预测性能会逐渐降低，因此该方法常作为评价其他预测方法的基准方法。学习方法是以人工智能的方式提取系统输入与输出之间的关系。学习方法所建立的模型通常为非线性模型，比如支持向量机法口1、人工神经网络法∞1等。最小最大概率分类机(minimaxprobabilitymachineclassification，MPMC)川作为一种概率学习方法，能最小化分类器的最

8、大误判概率。最小最大概率回归机(minimaxprobabilitymachineregression，MPMR)¨1方法是在此基础上建立起来的回归模型，该方法无须对模型的分布作具体假设，仅须已知模型数据分布的均值与协方差矩阵，就能够使模型的输出位于真实值边界内的最小概率。MPMR方法不仅克服了神经网络易陷入局部最优、过拟合等不足，并且与支持向量机(supportvectormachine，SVM)方法求解二次凸优化问题不同。该方法采用线性最小二乘算法，