采用贝叶斯–克里金–卡尔曼模型的多风电场风速短期预测

精确的短期风速预测对可靠安全的电力系统运行很重要。传统的预测方法没有考虑空间相邻风电场的信息。然而,多个风电场的风速在时间和空间上是相关的。该文给出了一个采用贝叶斯克里金卡尔曼模型的短期风速预测方法。由主克里金函数构成的空域结构使用贝叶斯层次结构进行建模,同时应用状态空间模型对时域动态性进行建模。采用计算速度更有效的变分贝叶斯方法来逼近推断和学习模型参数。在公开的多风电场数据集上评估提前1h的风速预测性能,与持续预测算法进行比较的结果显示了该文提出的方法在均方根误差评价指标上的改善。

顾及空间相关性的GNSS坐标序列插值比较

针对常规的全球卫星导航系统(GNSS)坐标序列缺失数据插值方法多基于单站,且只适用于缺失数据较少的情形,提出1种适用于数据缺失率高,尤其是数据连续缺失时的数据插值方法:利用基于多站的正则期望最大化算法(RegEM)和克里金卡尔曼滤波(KKF)算法,对实测数据和不同比例连续缺失的模拟数据进行插值;同时与多通道奇异谱分析(MSSA)的插值结果进行比较,这3种方法均顾及了空间相关性。实验结果表明,对于含有连续缺失的GNSS坐标序列,RegEM的插值效果最好,且能够较好地还原GNSS坐标序列的噪声水平,保留的方差也最大,在细节方面处理得更好,而KKF插值效果次之,MSSA插值结果最差。