基于Bagging混合策略的多风电场稀疏向量自回归概率预测

风电功率预测对电力系统的安全稳定运行具有重要意义.针对多风电场的超短期概率预测问题,提出了一种基于Bagging混合策略和核密度估计(kernel density estimation,KDE)的稀疏向量自回归预测方法.首先通过时间序列分解和余项自举,生成若干自举时间序列.对于每个时间序列,采用向量自回归(vector autoregression,VAR)模型进行预测.针对传统模型在风场数量较多时容易出现的过拟合问题,采用稀疏向量自回归模型,筛选最有效的回归系数,得到稀疏系数矩阵.每个时间序列训练的预测模型分别产生点预测结果,对于多重点预测结果,使用KDE方法产生概率密度的预测结果.在真实风...

Full description

Saved in:
Bibliographic Details
Published in电力系统保护与控制 Vol. 51; no. 7; pp. 95 - 106
Main Authors 徐扬, 张耀, 陈宇轩, 王建学, 黎淦保
Format Journal Article
LanguageChinese
Published 陕西省智能电网重点实验室(西安交通大学电气工程学院),陕西 西安 710049 01.04.2023
Subjects
稀疏向量自回归
超短期风电预测
概率预测
Bagging
核密度估计
Online AccessGet full text
ISSN1674-3415
DOI10.19783/j.cnki.pspc.220970

Cover

More Information
Summary:风电功率预测对电力系统的安全稳定运行具有重要意义.针对多风电场的超短期概率预测问题,提出了一种基于Bagging混合策略和核密度估计(kernel density estimation,KDE)的稀疏向量自回归预测方法.首先通过时间序列分解和余项自举,生成若干自举时间序列.对于每个时间序列,采用向量自回归(vector autoregression,VAR)模型进行预测.针对传统模型在风场数量较多时容易出现的过拟合问题,采用稀疏向量自回归模型,筛选最有效的回归系数,得到稀疏系数矩阵.每个时间序列训练的预测模型分别产生点预测结果,对于多重点预测结果,使用KDE方法产生概率密度的预测结果.在真实风电集群数据上,验证所提多场站概率预测方法的有效性,采用分位数得分评估概率预测精度.相关实验结果表明,该方法可以有效提高概率预测精度.
ISSN:1674-3415
DOI:10.19783/j.cnki.pspc.220970