论文部分内容阅读
风电的随机性和波动性是制约风电并网的根本原因，准确的超短期风电功率预测不仅可以协助调度部门实时调整调度计划、配置备用容量，从而降低运行成本，还有助于预判风电功率的发展态势、减少风电对电网的不利影响，从而提高系统的安全稳定性，促进风电的大规模并网。本文利用西班牙Sotavento风电场的实测数据，对超短期风电功率预测方法进行了研究，主要工作如下：
(1)提出了一种基于IsolationForest的风电功率异常值检测方法，该方法非常简便，可以显式地发现异常数据，具有较高的运算效率和普适性。采用集成学习模型极端梯度提升(Extreme Gradient Boosting,XGBoost)进行特征选择，筛选出更加有效的特征作为预测模型的输入。
(2)利用人工神经网络(Artificial NeuralNetwork, ANN)、支持向量回归机(Support Vector Regression, SVR)对风电场输出功率进行超短期预测，同时研究了集成学习模型XGBoost和梯度提升回归树(Gradient Boosting Regression Tree, GBRT)在超短期风电功率预测中的应用，并对四种预测模型进行了实例分析。结果表明，XGBoost和GBRT算法的预测精度高于ANN和SVR。对XGBoost和GBRT进行详细对比后，得出结论：XGBoost在风电功率波动较大的月份预测效果较好，GBRT在风电功率波动较小的月份预测效果较佳，总体上两者的预测精度相当。但由于GBRT不能进行并行运算，而XGBoost支持多线程并行运算、大大减少了训练时间，因此XGBoost的运算效率要远远高于GBRT。可见，XGBoost算法是一种可以用于风电功率预测的比较优越的预测方法。
(3)提出采用树形结构Parzen估计器(Tree-Structured Parzen Estimator, TPE)算法对预测模型中的超参数进行优化调参，并与未调参的预测模型进行了对比实验。结果表明，与未经TPE算法调参的预测模型相比，经过TPE算法优化调参后的模型在预测精度上有了明显的改善。
(4)利用等权平均组合、误差平方和最小组合、基于SVR的组合模型对上述四种单一预测模型进行组合预测。此外，本文提出了一种基于特征加权支持向量回归机(Feature Weighted Support Vector Regression, FWSVR)的组合预测模型，在实际风电场的实验结果表明，相比于其他三种组合预测模型，该模型的预测精度更高，预测效果更好。
(1)提出了一种基于IsolationForest的风电功率异常值检测方法，该方法非常简便，可以显式地发现异常数据，具有较高的运算效率和普适性。采用集成学习模型极端梯度提升(Extreme Gradient Boosting,XGBoost)进行特征选择，筛选出更加有效的特征作为预测模型的输入。
(2)利用人工神经网络(Artificial NeuralNetwork, ANN)、支持向量回归机(Support Vector Regression, SVR)对风电场输出功率进行超短期预测，同时研究了集成学习模型XGBoost和梯度提升回归树(Gradient Boosting Regression Tree, GBRT)在超短期风电功率预测中的应用，并对四种预测模型进行了实例分析。结果表明，XGBoost和GBRT算法的预测精度高于ANN和SVR。对XGBoost和GBRT进行详细对比后，得出结论：XGBoost在风电功率波动较大的月份预测效果较好，GBRT在风电功率波动较小的月份预测效果较佳，总体上两者的预测精度相当。但由于GBRT不能进行并行运算，而XGBoost支持多线程并行运算、大大减少了训练时间，因此XGBoost的运算效率要远远高于GBRT。可见，XGBoost算法是一种可以用于风电功率预测的比较优越的预测方法。
(3)提出采用树形结构Parzen估计器(Tree-Structured Parzen Estimator, TPE)算法对预测模型中的超参数进行优化调参，并与未调参的预测模型进行了对比实验。结果表明，与未经TPE算法调参的预测模型相比，经过TPE算法优化调参后的模型在预测精度上有了明显的改善。
(4)利用等权平均组合、误差平方和最小组合、基于SVR的组合模型对上述四种单一预测模型进行组合预测。此外，本文提出了一种基于特征加权支持向量回归机(Feature Weighted Support Vector Regression, FWSVR)的组合预测模型，在实际风电场的实验结果表明，相比于其他三种组合预测模型，该模型的预测精度更高，预测效果更好。