集成學習方法在短期風電功率預測中的應用.pdf

1、隨著風力發(fā)電技術的日益成熟，風電場并網規(guī)模持續(xù)攀升，風電對電網的影響逐漸增大，故預測風電功率對電力系統(tǒng)的發(fā)展規(guī)劃具有重要意義，然而由于風電功率值受氣候的影響具有較強的非線性與隨機性使得短期風電功率預測的精度達不到實際需求，目前以神經網絡和支持向量機等為主的預測方法在風電功率預測領域均取得了較好的預測效果。
　　然而，上述基于單一神經網絡建立的預測模型，網絡結構及參數難以確定，且泛化能力較弱，易出現過擬合等不足。神經網絡集成能夠將若

2、干個神經網絡的結果依某一給定的規(guī)則合成，較之于單一神經網絡其不僅可以提高預測模型的精度、穩(wěn)健性以及泛化能力，而且可以在一定程度上解決模型的選擇問題。AdaBoost方法作為集成學習方法的代表，是具有數據集實例權重更新機制的學習方法，能夠學習多個弱回歸器并將弱回歸器提升為預測精度高的強回歸器，選擇RBF(Radial Basis Function Neural Network，徑向基神經網絡)，SVM(Support Vector Mac

3、hine，支持向量機)，ELM(Extreme Learning Machine，極限學習機)以及KELM(Kernel Extreme Learning Machine，核極限學習機)分別作為AdaBoost方法的弱回歸器構建預測模型，并應用于不同地區(qū)的短期風電功率直接預測和間接預測中。本文的主要研究內容包括如下幾個方面:
　　(1)研究集成學習方法的基本原理，主要研究AdaBoost方法的基本原理與算法實現。
　　(2)

4、研究不同弱回歸器(RBF、SVM、ELM、KELM)的基本原理，并將其與AdaBoost方法相結合，形成基于RBF、SVM、ELM、KELM的AdaBoost回歸方法。
　　(3)針對風電功率時間序列，提出基于歷史功率數據的直接預測模型和基于歷史功率和風速數據的間接預測模型，將上述兩種方法分別應用于不同地區(qū)的短期風電功率實例中，并與RBF，SVM，ELM，KELM單一的預測方法在同等條件下相比較，實驗結果表明，本文基于集成學習方法