基于支持向量回归的短期风电功率概率预测

摘要

风电功率的高精度预测能够为电力部门提供更多信息，有助于电力系统的调度和运行维护，为并网带来了更多便利。但单一预测模型对风电序列数据的处理能力有限，往往一些重要特征未被充分利用。针对该问题，提出了一种基于支持向量回归的多元神经网络组合预测模型（LSTM&CNN-SVR）。首先结合LSTM、CNN两种神经网络模型的处理特点，得到3组具有各自优势性能的预测值；然后利用支持向量回归（SVR）模型良好的非线性数据处理能力，对2个模型的输出进行拟合优化。为了修正数据的不均匀性，将SVR与核密度估计（KDE）方法相结合，得到预测值的概率密度分布曲线及其在某置信度下的功率预测区间。基于某风电场的实测数据对模型进行实验验证，实验结果表明，与传统预测模型相比，本模型的预测精度更高、误差更小、整体预测性能更好。

关键词

风电功率 / 概率预测 / 神经网络 / 支持向量回归 / 核密度估计

基金资助

桂林电子科技大学研究生教育创新创业计划(2023YCXS016)