Page 27 - 新能源风力发电技术与自动化技术研究

第一章 新能源发电功率预测

由参数。在预测模型训练阶段，采用最大相关熵准则代替均方误差作为误差度量。
选用加拿大阿尔伯塔省实际风力发电的小时数据。将该算法与其他几种风力功率
预测方法进行比较，结果表明该方法具有一定的有效性。

A Meng [29] 设计了基于小波包分解、交叉优化算法和人工神经网络的 1h ～ 5h
短期风速预测混合模型。在数据预处理阶段，采用小波包技术将原始风速数值序
列分解为子序列，然后采用经过交叉优化算法优化后的反向传播神经网络对批处
理后的子序列进行迭代拟合，最终通过矢量求和计算得到了最终的风速预测结果。

实验结果显示所提出的混合模型的平均绝对百分比误差值最低。
C Feng [30] 提出了一种采用两层集成机器学习技术的数据驱动的多模风场功
率预测方法。第一层由能够完成单独的预测多个机器学习模型组成。并采用了一
种深度特征选择框架来确定第一层机器学习模型的最佳输出，作为第二层混合算

法的输入数据，由第二层混合算法生成最终的确定性和概率性预测结果。该模型
能够对每种机器学习算法的特性进行对比选择。数值结果表明，与单一算法模型
相比，采用深度特征选择的多模型框架使预测精度提高了 30%。
（三）概率性功率预测概述

概率预测方法能够为用户提供有关风电预测不确定性的信息。与确定性方法
提供的点预测相比，概率预测给出了一个区间，在此区间内可以找到给定时间点
的预测值。概率预测可以分为两种不同的方法：参数方法和非参数方法。

1. 参数方法
参数方法是指对预测模型的结果分布存在假设范围。H Bludszuweit [31] 为了
获得更合适的风电功率预测误差概率密度函数，提出了一种基于 β －概率密度
函数的间接算法。S Tewari [32] 为了解决对风电场在持续性预测中的预测误差分布
进行建模的问题，设计了一种基于混合分布的模型来模拟预测误差的分布。B-M
Hodge 和 M Milligan [33] 假设风电预测误差分布对风电预测中产生的置信区间存在

影响。因此研究了不同风电厂在多个时间尺度上的持续性模型误差分布状态，然
后将实验得到的分布形状与正态分布形状进行对比，发现分布的形状随预测时间
尺度的长短而显著变化。该方法计算复杂程度低，但是风速具有很强的随机性，

假设概率预测误差区间具有很大的难度。若预测误差区间不满足建设的分布区间，
则难以取得很好的预测准确度。

15