针对点预测类方法无法消除预测误差的不足，文中提出一种光伏发电功率短期预测方法。该方法采用极端学习机为光伏发电功率预测的回归预测方法，并结合三角形隶属函数模糊信息粒化的思路，将一定时间窗口的光伏发电功率历史数据进行模糊粒化。粒化后的窗口内历史数据包含功率变化值的最小值、最大值和平均值，形成了新的训练集，进一步对训练集采用极端学习机算法进行训练与预测，实现了光伏发电功率的区间预测。以某地区的光伏发电功率历史数据为算例进行了验证，结果表明：本文提出的方法可以预测光伏发电功率的波动范围，光伏发电功率真值全部包含在所预测的区间范围内。该方法对包含光伏新能源发电的电网调度计划具有工程实践意义。

行业-电子政务-基于相关向量机的高精度风电场功率区间预测方法.zip

Abstract—Wind speed interval prediction plays an important role in wind power generation. In this article, a new interval construction model based on error prediction is proposed. The variational mode decomposition is used to decompose the complex wind speed time series into simplified modes. Two types of GRU models are built for wind speed prediction and error prediction. Prediction error for each mode is given a weight and accumulated to obtain the width of the prediction interval. The particle swarm optimization algorithm is applied to search for the optimal weights of the prediction errors. Experiments considering eight cases from two wind fields are conducted by using methods of interval construction in the literature for comparison with the proposed model. The result shows that the proposed model can obtain prediction intervals with higher quality.

bootstrap 是一种通过独立地以相等的概率（蒙特卡罗重采样）重新采样单个数据集来估计统计量可变性的方法。 允许估计潜在分布未知或样本量较小的度量。 他们的结果与这些分析方法的统计特性一致。 在这里，我们使用非参数 Bootstrap。 非参数引导程序更简单。 它不使用模型的结构来构建人工数据。 向量 [yi, xi] 直接通过替换重新采样。 参数是从成对构造的。 当回归方程中的两个变量是随机的并且存在误差，即不受研究者控制时，应使用模型II 回归。 当变量都包含误差时，使用普通最小二乘法的模型 I 回归低估了变量之间线性关系的斜率。 根据 Sokal 和 Rohlf (1995) 的说法，模型 II 回归的主题是一个研究和争议仍在继续并且难以提出明确建议的主题。 BOOTGMREGRESSPI 是一个 bootstrap Model II 程序，用于获得几何平均回归（Boots

基于模糊C均值软聚类工况辨识的风电功率短期区间预测.pdf

区间预测控制原代码，希望可以帮到大家 有约束无约束 主程序