Page 28 - 新能源风力发电技术与自动化技术研究

新能源风力发电技术与自动化技术研究
Research on New Energy Wind Power Generation Technology and Automation Technology

2. 非参数方法
与参数方法相反，非参数方法不依赖任何关于最终概率分布的假设。王彩霞
[34] 将非参数回归技术应用于短期风电预测，提出了基于经验分布模型和非参数

回归的风电预测误差概率分布函数，来计算风电预测值的概率区间。周封 [35] 提
出一种基于离散时间 Markov 链理论的新功率预测模型，该模型直接对风电功率
数据进行数值分析，减少了通过风速预测再转换为风电功率时的误差传递。甘迪 [36]
提出一种考虑爬坡特性的风电功率概率预测方法，建立了不同功率分区内风电爬

坡率和风电功率预测误差的二维核密度估计概率预测模型，然后由二者的联合概
率分布求取后者的条件概率分布，最后得到风电功率概率预测结果。非参数预测
模型的主要优点是输出值的分布由给定的数据直接估计。因此，由特定分布形状
的错误假设造成的估计误差有所下降。然而，该类方法需要更大的数据集，这使

得数据处理难度和计算量增大。
（四）最新风功率预测方法
随着理论科学的不断深入和计算机技术的不断增强，新的风电功率预测方法
也不断涌现。目前方法的核心思想主要集中于深度学习和神经网络。
Y-Y Hong 和 T R A Satriani [37] 提出了一种基于图像深度学习卷积神经网络的

日前时空风速预测方法。采用 Taguchi 正交数组的稳健性来确定串并联层的层数、
每层卷积数、内核数和隐藏层层数以及内核大小，在所构建的神经网络模型中采
用零填充和 Dropout 率来保证了预测算法模型在保持高精度的同时预测结果不受

风速季节性特征的影响。
H Liu [38] 提出了一种基于时间属性的多分辨率嵌入模型。模型首先使用低分
辨率和高分辨率的数据集来建立基础预测模型，然后采用聚类自动编码算法对风
速进行聚类，并通过优化算法对每个聚类上的权重进行优化得到一个权重集。最

后通过改变集合权值，结合基本模型得到预测结果序列。实验结果表明基于时间
属性嵌入模型可以获取风速随时间变化的特征，提高了模型预测性能。
H Liu [39] 提出了一种新的混合风速预测模型。该模型采用经验小波变换方法
将原始风速数据分解成若干子序列，从而降低了原始风速数据的随机性。然后分

别用三种深度网络建立预测模型并对各子序列进行预测。最后采用强化学习方法
计算各子序列的预测结果的权重后再进行加权求和，可得最终的预测结果。
Y Yu [40] 结合混合神经网络（HNN）和分位数回归（QR）的优点，提出了一

16