计及多源数据因果关系的风电功率短期概率预测

作     者：张书天 

作者单位：东北电力大学 

学位级别：硕士

导师姓名：杨茂

授予年度：2024年

学科分类：08[工学] 0807[工学-动力工程及工程热物理] 

主      题：异常数据 因果正则化极限学习机 风电功率短期概率预测 共形分位数回归 

摘      要：随着双碳目标的提出,我国电力行业对可再生能源的需求不断上涨。风能作为一种绿色清洁能源,其大规模开发不但有利于我国新能源产业的可持续发展,而且也是遏制能源危机和防止环境污染的有效途径。由于风能自身的随机性、波动性和间歇性,大规模风电并网会对现代电力系统的安全稳定产生重要影响。准确的风电功率预测可以帮助电网调度部门的决策提供良好基础,在提高电网经济性的同时减少由风电随机性带来的不良影响。 风电场功率数据作为风力发电特性分析的原始数据源,若直接对包含异常值的风电数据进行建模,会降低预测模型的准确性,进而导致预测精度的下降。本文提出了一种基于改进Kullback Leibler重要性程序估计(Improved Kullback Leibler Importance Estimation Program,IKLIEP)-四分位模型的风电场异常数据识别算法。将风电场异常数据分为堆积型和分散型两类,针对不同类型的异常数据分别采用IKLIEP法和四分位法进行识别和剔除。通过识别人工模拟的风电场风速功率数据,IKLIEP-四分位算法的识别率和误识别率分别为86.42%和2.35%。相比于其他算法,均有所提升和降低。 随着多源数据的增加,通常采用特征选择方法针对不同特征和功率之间的相关性进行筛选,再结合人工智能模型来进一步降低训练时间和减少预测误差。但不同特征选择方法筛选出的特征子集不同,并且智能模型本身的黑箱性使得人们对结果存在质疑。为了构造能够提高预测精度和预测稳定性的可解释预测模型,通过利用因果关系自身不变性、鲁棒性和具有可解释性的特点,提出了一种基于因果正则化极限学习机的可解释预测框架,在最小化训练误差的同时最大化网络的因果关系,从因果关系的角度对输入输出构成因果解释,与采用特征选择和不采用特征选择方法的模型相比,进一步提高了预测精度和预测稳定性以及可解释性。 区间预测作为概率预测的一类分支,为量化风电功率不确定性提供了有效手段。为了进一步提高风电功率区间预测精度,通过将与功率具有强因果关系的数值天气预报(Numerical Weather Prediction,NWP)数据作为输入,提出了一种基于混合共形分位数回归长短期记忆神经网络的风电功率短期区间预测方法。通过同时考虑复合、平滑和非交叉3个特点,对原始分位数回归模型进行改进。并结合长短期记忆神经网络本身较强的动态序列预测能力,进行初步区间预测。接着使用共形分位数回归的校准机制对初始预测区间进行校准,确保减少计算时间的同时可以提高区间预测精度。