一种基于改进GPR和Bagging的短期风电功率组合预测方法

摘要：

为提高短期风电功率的预测精度并对功率预测的不确定性进行量化，提出了基于高斯过程回归(Gaussian Process Regression，GPR)和Bootstrap Aggregation (Bagging)的组合预测方法。针对GPR的不稳定性和计算量大的特点，引入了Bagging和训练数据完全条件独立下的近似方法(Fully Independent Training Conditional Approximation，FITC)。同时，在贝叶斯决策(Bayesian Committee Machine, BCM)的基础上，提出了一种新的权重组合策略。实验表明，基于Bagging和FITC的GPR方法在稳定性、预测精度和训练时间的消耗上都优于传统的GPR方法。在风电功率预测中，改进的GPR可以给出较准确的置信区间，且与极限学习机、最小二乘支持向量机相比较，该方法的预测精度也有明显提高。

关键词：GPR、Bagging、风电功率预测、不确定性量化、BCM

所属期刊栏目：44

分类号：U46;TM3

资助基金：江苏省六大人才高峰项目WLW-021；国家公益性行业气象科研专项项目GYHY201106040

在线出版日期：2016-12-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：46-51