新能源电力系统中的分布式光伏净负荷预测
廖启术, 胡维昊, 曹迪, 黄琦, 陈哲
Distributed Photovoltaic Net Load Forecasting in New Energy Power Systems
LIAO Qishu, HU Weihao, CAO Di, HUANG Qi, CHEN Zhe
上海交通大学学报 . 2021, (12): 1520 -1531 .  DOI: 10.16183/j.cnki.jsjtu.2021.244
_概率密度函数概率密度函数_支持向量机支持向量机

概率密度函数

文章位置

目前,国内外已经有大量针对电力系统负荷预测的研究,其中,传统的点预测方法有线性回归[2]、神经网络[3,4,5]支持向量机[6]、长短期记忆网络[7]等.由于点预测只能给出一个确定的预测值而无法对负荷的不确定性进行度量,所以负荷概率预测逐渐成为热点,概率预测的形式一般有区间预测和概率密度预测[8].文献[9,10,11,12,13]使用了分位数回归(QR)来进行负荷概率预测.文献[9]利用各种姐妹模型的点预测结果来辅助分位数回归实现了区间预测.文献[10]利用神经网络分位数回归实现了概率密度预测.文献[11]将深度学习算法与分位数回归理论相结合,通过分析多种天气因素与短期负荷的相关性强弱,实现了对短期负荷的概率密度预测.文献[12]提出了支持向量分位数回归预测模型,对短期电力负荷进行了概率密度预测.文献[13]使用将径向基函数神经网络与分位数回归相结合的一种负荷概率密度预测方法,实现了短期负荷概率密度函数预测.