高精度的短期风功率预测有利于实现接入大量风机的电力系统优化调度。针对自回归滑动平均(auto-regressive and moving average,ARMA)、反向传播(back propagation,BP)神经网络、最小二乘支持向量机(least squares support vector machi...高精度的短期风功率预测有利于实现接入大量风机的电力系统优化调度。针对自回归滑动平均(auto-regressive and moving average,ARMA)、反向传播(back propagation,BP)神经网络、最小二乘支持向量机(least squares support vector machine,LS-SVM)等单一模型预测不稳定的问题,以及协方差、概率权组合模型权重固定的不足,结合风功率的日变化特性,提出一种基于时变概率权的组合预测模型。实际算例表明:组合模型能有效提高风功率预测的精度,而时变概率权组合模型能够动态调整各单一模型的权重,进一步提高预测精度。展开更多
文摘高精度的短期风功率预测有利于实现接入大量风机的电力系统优化调度。针对自回归滑动平均(auto-regressive and moving average,ARMA)、反向传播(back propagation,BP)神经网络、最小二乘支持向量机(least squares support vector machine,LS-SVM)等单一模型预测不稳定的问题,以及协方差、概率权组合模型权重固定的不足,结合风功率的日变化特性,提出一种基于时变概率权的组合预测模型。实际算例表明:组合模型能有效提高风功率预测的精度,而时变概率权组合模型能够动态调整各单一模型的权重,进一步提高预测精度。
