一种基于改进gpr与bagging短期风电功率组合预测方法

《一种基于改进gpr与bagging短期风电功率组合预测方法》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、第44卷第23期电力系统保护与控制Vl01．44No．232016年12月1日PowerSystemProtectionandControlDec．1，2016D0I：10．7667／PSPC152072一种基于改进GPR,1：1Bagging的短期风电功率组合预测方法张颖超，郭晓杰，邓华(1．南京信息工程大学信息与控制学院，江苏南京210044；2．南京信息工程大学气象灾害预报预警与评估协同创新中心，江苏南京210044)摘要：为提高短期风电功率的预测精度并对功率预测的不确定性进行量化，提出了基于高斯过程回归(GaussianPr

2、ocessRegression，GPR)和BootstrapAggregation(Bagging)组合预测方法。针对GPR的不稳定性和计算量大的特点，引入了Bagging和训练数据完全条件独立下的近似方法(FullyIndependentTrainingConditionalApproximation，FITC)。同时，在贝叶斯决策(BayesianCommitteeMachine，BCM)的基础上，提出了一种新的权重组合策略。实验表明，基于Bagging和FITC的GPR方法在稳定性、预测精度和训练时间的消耗上都优于传统的GPR

3、方法。在风电功率预测中，改进的GPR可以给出较准确的置信区间，且与极限学习机、最dx-乘支持向量机相比较，该方法的预测精度也有明显提高。关键词：GPR；Bagging；风电功率预测；不确定性量化；BCMAcombinationmethodofshort-termwindpowerforecastingbasedonimprovedGPRandBaggingZHANGYingchao一，GUOXiaojie，DENGHua，(1．SchoolofInformationandControl，NanjingUniversityofInfo

4、rmationScience&Technology,Nanjing210044，China；2．CollaborativeInnovationCenteronForecastandEvaluationofMeteOrOlOgicalDisasters，NanjingUniversityofInformationScience&Technology,Nanjing210044．China)Abstract：Inordertoimprovetheaccuracyofshort-termwindpowerforecastingandqua

5、ntifytheuncertaintyofpowerprediction，acombinationforecastingmethodbasedonGaussianProcessRegression(GPR)andBootstrapAggregation(Bagging)isproposed．FortheinstabilityandlargecomputingofGPR，BaggingandFullyIndependentTrainingConditionalApproximation(FITC)areintroduced．Meanw

6、hile，anewweightstrategybasedonBayesianCommitteeMachine(BCM)israised．Experimentsshowthat，GPRmethodwhichbasedonBaggingandFITCisbeterthanthetraditionalmethodinthestability，precisionandtrainingtimeconsuming．FurthermoretheimprovedGPRcangetamoreaccurateconfidenceinterval，and

7、thepredictionaccuracyoftheproposedmethodalsohasimprovedsignificantlycomparedwithELMandLSSVMinthewindpowerprediction．Keywords：GPR；Bagging；short-termwindpowerforecast；uncertaintyquantification；BCM可以为风资源并网发电、安全调度、市场竞价等提O引言供重要的参考【lJ。随着风力发电的快速发展，单一根据世界风能协会统计，截止到2015年2月，的短期风

8、电功率预测方法的研究已经较成熟，如高中国、美国、德国的风电装机容量分别达到了斯过程回归【2】、神经网络【3】、支持向量机【4．5]等，由114．76GW、65．88GW和40．47GW。风能作为清于单个模型无法全面地解释风力发电整个过