基于数据挖掘与非线性分位数回归的风电功率概率密度预测方法

摘要

为解决传统化石能源短缺和环境污染的问题，风能等清洁、可再生性能源大规模的接入电网，加大了电力系统安全稳定运行的难度。风能分布广泛，永不耗竭，成本较低，是近年来增长最快、发展最迅猛的可再生能源。由于风力发电具有间歇性和不确定性，风电功率预测逐渐成为电力系统调度规划中解决风电功率波动问题的关键环节。
　　能源互联网结合信息技术和新能源技术，依据数据集成分析来支持决策制定，从而带动能源共享。在能源互联网环境下进行准确的风电功率预测不仅可以降低系统旋转备用容量和常规能源损耗，同时可以量化风电功率的不确定性，确保电力部门合理的规划和调度能源。目前，国内外关于风电功率预测的研究大都是获得一个确定性的风电输出功率或波动区间，不能全面的反映风电的不确定性。概率密度预测可以通过预测未来的风电功率在某个区间内的发生概率来揭示其波动性，有助于电力部门合理地规划常规机组的备用容量，保障系统中的电力平衡。
　　为了有效的量化风电功率的不确定性，提高预测结果的精度，本文根据风电功率非线性时间序列的特性，将支持向量机(SVM)、神经网络（NN）与分位数回归(QR)方法相结合，分别构建了支持向量分位数回归(SVQR)和神经网络分位数回归(QRNN)的非线性分位数回归方法。同时结合核密度估计函数进行风电功率概率密度预测，获得了准确的风电功率波动区间和概率密度曲线。此外，本文考虑到收集的风电功率数据中可能存在异常值，在进行短期风电功率预测前，运用数据挖掘技术对原始数据进行预处理。采用四分位数法和三次样条插值进行异常值识别和修正，由此提出了基于三次样条插值支持向量分位数回归(CSI-SVQR)的风电功率概率密度预测方法。
　　为衡量本文方法的有效性和优越性，本文选用了概率密度曲线的众数、中位数和概率均值作为点预测结果进行分析，同时运用预测区间评价准则对预测区间进行评价。本文采用加拿大安大略省和中国吉林省的历史风电功率数据进行案例分析，结果表明:本文方法在考虑风电功率时间序列非线性的基础上，可以获取完整的风电功率概率密度曲线和预测区间，较好的解决了风电功率不确定性的问题，为合理的规划、调度电力系统提供了技术支持和理论依据。

目录

声明

致谢

摘要

第一章 绪论

1．1 研究背景与意义

1．2 风电功率预测研究现状

1．2．1 风电功率预测方法

1．2．2 风电功率不确定性预测研究

1．3 主要研究内容

1．3．1 研究方法

1．3．2 本文的主要创新点

1．3．3 研究思路

第二章 相关模型概述

2．1．1 异常值检测

2．1．2 三次样条插值

2．2 分位数回归

2．3．1 支持向量机基本理论

2．3．2 支持向量分位数回归模型

2．4 神经网络分位数回归

2．4．1 神经网络基本理论

2．4．2 神经网络分位数回归模型

第三章 基于支持向量分位数回归的风电功率概率密度预测

3．1 支持向量分位数回归的风电功率预测模型

3．2 基于核密度估计的概率密度预测

3．3．1 点预测结果分析

3．3．2 区间预测评价准则

3．4 风电功率数据集案例分析

第四章 基于三次样条插值和支持向量分位数回归的风电功率概率密度预测

4．1 基于三次样条插值和支持向量分位数回归的概率密度预测模型

4．2 考虑异常值影响的风电功率预测案例分析

4．2．1 加拿大安大略省风电功率样本

4．2．2 吉林省风电场输出功率样本

第五章 基于无偏交叉验证和神经网络分位数回归的风电功率概率密度预测

5．1 基于无偏交叉验证和神经网络分位数回归的概率密度预测模型

5．2 不同季节下的风电功率预测案例分析

5．2．1 冬季风电数据案例分析

5．2．2 夏季风电数据案例分析

第六章 总结与展望

6．1 本文主要研究工作和意义

6．2 研究展望

参考文献

攻读硕士学位期间的学术活动及成果情况