Wind power probabilistic forecast in the reproducing Kernel Hilbert space

Gallego Castillo, Cristobal Jose; Cuerva Tejero, Alvaro; Bessa, Ricardo J. y Cavalcante, Laura (2016). Wind power probabilistic forecast in the reproducing Kernel Hilbert space. En: "Power Systems Computation Conference", 20-24 Jun 2016, Genoa. ISBN 978-88-941051-0-0. https://doi.org/10.1109/PSCC.2016.7540830.

Descripción

Título: Wind power probabilistic forecast in the reproducing Kernel Hilbert space
Autor/es:
  • Gallego Castillo, Cristobal Jose
  • Cuerva Tejero, Alvaro
  • Bessa, Ricardo J.
  • Cavalcante, Laura
Tipo de Documento: Ponencia en Congreso o Jornada (Artículo)
Título del Evento: Power Systems Computation Conference
Fechas del Evento: 20-24 Jun 2016
Lugar del Evento: Genoa
Título del Libro: Power Systems Computation Conference (PSCC) 2016
Título de Revista/Publicación: 2016 POWER SYSTEMS COMPUTATION CONFERENCE (PSCC)
Fecha: Junio 2016
ISBN: 978-88-941051-0-0
Materias:
Palabras Clave Informales: On-line, probabilistic forecast, quantile regression, Reproducing Kernel Hilbert Space (RKHS), wind power
Escuela: E.T.S.I. Aeronáuticos (UPM) [antigua denominación]
Departamento: Aeronaves y Vehículos Espaciales
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (1MB) | Vista Previa

Resumen

Wind power probabilistic forecast is a key input in decision-making problems under risk, such as stochastic unit commitment, operating reserve setting and electricity market bidding. While the majority of the probabilistic forecasting methods are based on quantile regression, the associated limitations call for new approaches. This paper described a new quantile regression model based on the Reproducing Kernel Hilbert Space (RKHS) framework. In particular, two versions of the model, off-line and on-line, were implemented and tested for a real wind farm. Results showed the superiority of the on-line approach in terms of performance, robustness and computational cost. Additionally, it was observed that, in the presence of correlated data, the optimal on-line learning may cause unreliable modelling. Potential solutions to this effect are also described and implemented in the paper.

Más información

ID de Registro: 48085
Identificador DC: http://oa.upm.es/48085/
Identificador OAI: oai:oa.upm.es:48085
Identificador DOI: 10.1109/PSCC.2016.7540830
URL Oficial: https://www.pscc-central.org/en/background/papers-from-previous-psccs/pscc-2016-genoa.html
Depositado por: Memoria Investigacion
Depositado el: 23 Ene 2018 11:14
Ultima Modificación: 23 Ene 2018 11:14
  • GEO_UP4
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • InvestigaM
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM