张婉莹, 何耀耀, 杨善林
针对短期风电功率预测问题,在现有概率预测方法的基础上,提出一种由基于时变滤波器的经验模态分解(time varying filter-based empirical mode decomposition,TVFEMD),样本熵(sample entropy,SE),Yeo-Johnson转换分位数回归(Yeo-Johnson transformation quantile regression,YJQR)和高斯核函数组成的多步概率密度预测模型.该方法首先采用TVFEMD分解技术将原始的风电功率分解为一系列相对平稳的分量,再应用SE理论对近似分量做叠加处理以降低任务量.之后对重构的各分量分别建立YJQR模型进行4步风电功率预测,模型的参数通过网格搜索进行综合优化选取,以使其预测性能达到最佳.最后将各个分位点下不同分量的分位数预测值进行累积,并作为高斯核函数的输入变量,实现风电功率多步概率密度预测.以2011年电工数学建模竞赛(electrician mathematical contest in modeling,EMCM)的风电数据集为算例,结果表明所提方法在保证分位数不交叉的情况下,在精度、不确定性和可靠性方面都表现出了更好的多步预测效果.