文章位置
概率预测模型主要分为参数、非参数和集成模型.参数模型需要预测指定数据和参数的分布.高斯分布[15]和贝塔分布[16]是描述风电分布的两种合理选择.非参数模型并不需要预先指定数据和参数的分布.分位数回归(Quantile Regression, QR)是广泛应用的非参数风电概率预测模型.文献[17-18]中利用局部QR得到风能的概率预测.核密度估计(Kernel Density Estimation, KDE)模型由于灵活的数据适应性,也常用作非参数概率预测模型.KDE模型可以提供风电预测概率密度函数的所有信息,然而,由于传统的KDE为所有历史数据分配相等的权重,所以会产生具有高同质性的密度函数.因此,有研究提出采用与历史数据相似性相关的加权核密度估计[19].
近年来,随着基于数值天气预测模型的发展,基于集成的概率预测模型也被应用于一些研究中.其中,贝叶斯模型平均(Bayes Model Averaging, BMA)是最重要的一个.风力机有功功率预测的概率密度函数由几个条件概率密度函数的加权和得到,更高的权重被分配给预测更准确的成员.BMA已成功应用于风速[20]和风电[21]的概率预测.集成方法可以基于集成成员的预测结果进行偏差校正,由于条件分布设置灵活,所以具有较高的适应性.
近年来,随着基于数值天气预测模型的发展,基于集成的概率预测模型也被应用于一些研究中.其中,贝叶斯模型平均(Bayes Model Averaging, BMA)是最重要的一个.风力机有功功率预测的概率密度函数由几个条件概率密度函数的加权和得到,更高的权重被分配给预测更准确的成员.BMA已成功应用于风速[20]和风电[21]的概率预测.集成方法可以基于集成成员的预测结果进行偏差校正,由于条件分布设置灵活,所以具有较高的适应性.
式中:u和σ2分别为预测正态分布的均值和方差;x为真实值;ϕ和Φ分别为标准正态分布概率密度函数和累积概率密度函数.
式中:u和σ2分别为预测正态分布的均值和方差;x为真实值;ϕ和Φ分别为标准正态分布概率密度函数和累积概率密度函数.
