关键词:
风电功率
预测
自适应算法
过程状态识别
统计假设检验
在线选择性集成
即时学习
摘要:
风电功率预测可为风电的并网和优化调度提供有效的指导信息,在风能的开发利用中扮演着举足轻重的角色。然而,由于风电固有的间歇性和随机性给准确的风电功率预测带来巨大挑战。同时,由于受季节性、气候性、设备老化等因素影响,随着时间的推移,风电功率数据特征难免发生改变,这将直接导致离线的风电功率模型性能发生退化。为此,提出一种在线选择性集成即时学习(OSEJIT)自适应风电功率预测方法。首先,为了有效处理风电的非线性和时变性特征,通过相似度、学习器扰动以构建多样性JIT基模型库。其次,为了保证集成有效性,定义基于Friedman检验的多样性指标和基于预测精度的准确性指标以实现模型的在线选择。随后,在线预测阶段,根据模型近期的预测性能通过自适应加权集成的方式获得最终预测值。为了保证基模型库的更新,同时规避模型频繁重建导致计算资源耗费的问题,采用一种基于KL散度的过程状态识别方法以减少模型重建频率。所提方法的有效性和优越性在一个实际风电功率数据应用中获得了验证。