基于MKL方法的短期風電功率預測研究.pdf

1、支持向量機(Support Vector Machine，SVM)等核學習方法是解決非線性問題的一種有效方法，在短期風電功率預測中已有成功的應用。多核學習(Multiple KernelLearning，MKL)作為一種的新型核學習方法，通過核權值系數(shù)將具有不同特性的核函數(shù)進行組合，其核權值系數(shù)使得核函數(shù)的選擇問題轉化為核權值系數(shù)的分布問題，且核權值系數(shù)的稀疏性能增強決策函數(shù)可解釋性，其不同核函數(shù)組合形成的再生希爾伯特空間使模型具有更強

2、的泛化能力與魯棒性。為了進一步提高短期風電功率預測模型的性能，以MKL方法為主線，研究其在短期風電功率直接預測與間接預測方面的應用。
　　本文的主要研究內容如下:
　　(1)分析了用于數(shù)據(jù)預處理的經驗模態(tài)分解方法(Empirical ModeDecomposition，EMD)和經驗小波變換方法(Empirical Wavelet Transform，EWT)的基本原理及其實現(xiàn)步驟，并通過ECG(Electrocardiog

3、raph，心電圖)標準數(shù)據(jù)集對其進行對比分析，實驗結果表明，EWT分解得到模態(tài)信號分量數(shù)量明顯少于EMD得到的模態(tài)信號分量數(shù)量且EMD分解得到的模態(tài)分量存在明顯的模態(tài)混疊現(xiàn)象。在SVM理論的基礎上，對基于半無限線性規(guī)劃的多核學習及MKL-wrapper算法和MKL-chunking算法進行了深入研究，并簡要闡述了SimpleMKL方法的基本原理及其具體實現(xiàn)步驟。
　　(2)分析了某大型風電場輸出功率不同季節(jié)中的季節(jié)周期性和時間連續(xù)

4、性的特點，并從不同季節(jié)中隨機選取四個具有不同特性測試周的風電功率數(shù)據(jù)作為測試集;將自適應分解預處理方法EWT與由MKL-wrapper、MKL-chunking、SimpleMKL算法實現(xiàn)的MKL方法結合，形成一種新的組合預測方法，即EWT-MKL方法;將不同MKL方法應用于不同季節(jié)的短期風電功率直接預測實例中，在同等條件下，并與SVM方法進行對比。實驗結果表明，MKL預測模型的精度優(yōu)于SVM方法，而不同算法實現(xiàn)的EWT-MKL組合預測

5、模型的效果最好，不同季節(jié)測試集中MKL模型的核參數(shù)及懲罰函數(shù)在取值范圍內的隨機取值及其實驗結果表明，MKL具有較強的泛化能力且其對參數(shù)的選擇具有較強的魯棒性。
　　(3)分析了不同“風速-功率”特性曲線求解方法對風速-功率轉換精度的影響;將不同算法實現(xiàn)的MKL預測方法及EWT-MKL組合預測方法應用于某風電場平均風速的短期預測;結合“風速-功率”特性曲線實現(xiàn)短期風電功率間接預測，并在同等條件下與小波支持向量機(WaveletSup