基于分量稀疏贝叶斯学习的风电场输出功率概率预测方法.pdfVIP

第 36卷 第 14期 电 力 系 统 自 动 化 Vol_36 No．14 2012年 7月 25 日 AutomationofElectricPowerSystems July25，2012 基于分量稀疏贝叶斯学习的风 电场输出功率概率预测方法 杨 明 ，范 澍 ，韩学山 ，LEEWei—Jen。 (1．山东大学电气工程学院，山东省济南市 250061； 2．MonashUniversity(ClaytonCampus)，MelbourneVictoria3800，澳大利亚； 3．UniversityofTexasatArlington，ArlingtonTexas76019，美国) 摘要 ：概率预测有别于期望值预测，能够提供被预测量的概率分布信息。文 中提 出一种基于分量 稀疏贝叶斯学习的风 电场短期输 出功率概率预测方法。该方法采用分量预测方式 ，应用 离散正交 小波变换 Mallat算法将风 电场输 出功率分解为体现输 出功率变化主趋 势的趋势分量和平稳度较 好的扰动分量 。利用风速与风 电场输 出功率趋势上较 强的相 关性 ，结合趋势分量的 自相关性对趋 势分量进行预测；同时，根据扰动分量近似平稳的特点，利用其 自身的 自相关性对扰动分量进行预 测。文中基 于稀疏贝叶斯学习理论构建预测模型，实现对趋势分量、扰动分量 以及原风 电场输出功 率的概率预测，并通过构建多学习机实现风 电场输 出功率的多步预测。算例分析部分通过对某处 风 电场 7200次的连续预测，验证 了所提 出方法的有效性 。 关键词 ：风 电预测 ；概率预测；稀疏贝叶斯 学习；离散 小波变换；电力系统 0 引言 (NWP)信息，利用风速 、风 向等外部气象 因素与风 电场输出功率间较强的相关性进行预测 。目前较为 风电作为当前世界范围内发展最快的可再生能 常用的方法有考虑风电场地形、地貌特征，采用物理 源发电形式 ，在具有清洁 、可再生等优点 的同时 ，由 方程计算的物理预测方法_l6]，以及基于神经网络、支 于受外界 自然环境的影响显著 ，其输 出功率 的不确 持 向量机 (SVM)等学 习机制 的统计预测方法 。 定性较强 ，大规模并 网发 电会增加 电力系统运行调 其 中，SVM 技术由于其在高维非线性预测建模方面 度的难度 ，加重系统的备用负担 。因而 ，如何提高风 所具有的优势，近年来发展较快[1。 电场输出功率的预测水平，尽可能准确地实现风 电 而随着风 电接入规模的扩大，含有风 电场 电力 功率的预测就成为充分、合理利用风 电资源的一个 系统的运行风险分析与风险决策问题的研究 日益受 十分关键 的问题 ¨1]。 到重视 口 ¨]，这些 问题的建模多依赖于对风 电场输 目前，关于风 电场输 出功率预测方法 的研究较 出功率分布信息的掌握。因而，在风电场输 出功率 为丰富，其中，超短期预测 (数分钟至数小时)一般采 期望值预测方法不断发展 的同时，对风电场输 出功 用时间序列预测方法 ，利用风电场当前及历史输 出