1、隨著風(fēng)力發(fā)電技術(shù)的日益成熟，風(fēng)電場(chǎng)并網(wǎng)規(guī)模持續(xù)攀升，風(fēng)電對(duì)電網(wǎng)的影響逐漸增大，故預(yù)測(cè)風(fēng)電功率對(duì)電力系統(tǒng)的發(fā)展規(guī)劃具有重要意義，然而由于風(fēng)電功率值受氣候的影響具有較強(qiáng)的非線(xiàn)性與隨機(jī)性使得短期風(fēng)電功率預(yù)測(cè)的精度達(dá)不到實(shí)際需求，目前以神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等為主的預(yù)測(cè)方法在風(fēng)電功率預(yù)測(cè)領(lǐng)域均取得了較好的預(yù)測(cè)效果。
　　然而，上述基于單一神經(jīng)網(wǎng)絡(luò)建立的預(yù)測(cè)模型，網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)難以確定，且泛化能力較弱，易出現(xiàn)過(guò)擬合等不足。神經(jīng)網(wǎng)絡(luò)集成能夠?qū)⑷?/p>

2、干個(gè)神經(jīng)網(wǎng)絡(luò)的結(jié)果依某一給定的規(guī)則合成，較之于單一神經(jīng)網(wǎng)絡(luò)其不僅可以提高預(yù)測(cè)模型的精度、穩(wěn)健性以及泛化能力，而且可以在一定程度上解決模型的選擇問(wèn)題。AdaBoost方法作為集成學(xué)習(xí)方法的代表，是具有數(shù)據(jù)集實(shí)例權(quán)重更新機(jī)制的學(xué)習(xí)方法，能夠?qū)W習(xí)多個(gè)弱回歸器并將弱回歸器提升為預(yù)測(cè)精度高的強(qiáng)回歸器，選擇RBF(Radial Basis Function Neural Network，徑向基神經(jīng)網(wǎng)絡(luò))，SVM(Support Vector Mac

3、hine，支持向量機(jī))，ELM(Extreme Learning Machine，極限學(xué)習(xí)機(jī))以及KELM(Kernel Extreme Learning Machine，核極限學(xué)習(xí)機(jī))分別作為AdaBoost方法的弱回歸器構(gòu)建預(yù)測(cè)模型，并應(yīng)用于不同地區(qū)的短期風(fēng)電功率直接預(yù)測(cè)和間接預(yù)測(cè)中。本文的主要研究?jī)?nèi)容包括如下幾個(gè)方面:
　　(1)研究集成學(xué)習(xí)方法的基本原理，主要研究AdaBoost方法的基本原理與算法實(shí)現(xiàn)。
　　(2)

4、研究不同弱回歸器(RBF、SVM、ELM、KELM)的基本原理，并將其與AdaBoost方法相結(jié)合，形成基于RBF、SVM、ELM、KELM的AdaBoost回歸方法。
　　(3)針對(duì)風(fēng)電功率時(shí)間序列，提出基于歷史功率數(shù)據(jù)的直接預(yù)測(cè)模型和基于歷史功率和風(fēng)速數(shù)據(jù)的間接預(yù)測(cè)模型，將上述兩種方法分別應(yīng)用于不同地區(qū)的短期風(fēng)電功率實(shí)例中，并與RBF，SVM，ELM，KELM單一的預(yù)測(cè)方法在同等條件下相比較，實(shí)驗(yàn)結(jié)果表明，本文基于集成學(xué)習(xí)方法