基于GA优化SVM的风电功率的超短期预测_刘爱国1
需积分: 0 70 浏览量
2022-08-04
14:19:27
上传
评论
收藏 392KB PDF 举报
第
4
3
卷
第
2
期
电力系统保护与控制
Vo
l
.
43
No.
2
2015年1 月 16 日 Power System Protection and Contr ol Jan. 16, 2015
基于 GA 优化 SVM 的风电功率的超短期预测
刘爱国，薛云涛，胡江鹭，刘路平
(南昌大学信息工程学院，江西 南昌 330031)
摘要：研究风电功率预测技术对于减轻其输出电能的随机性对电力系统的影响具有重要意义。首先结合风电监控系统数据库
中的历史功率数据和环境参数形成样本数据，同时采用遗传算法优化该模型的核函数类型、核函数参数及错误惩罚因子等参
数，建立了 GA-SVM 模型，提高了模型参数组合优化选择的效率和预测精度。最后结合实例验证，并与标准 SVM 方法和 BP 神
经网络方法比较。预测效果表明：所提出的 GA-SVM 优化模型在超短期风电功率预测上具有更优的学习能力和泛化能力。
关键词：风电场功率预测；支持向量机；遗传算法；超短期预测
Ultra-short-term wind power forecasting based on SVM optimized by GA
LIU Aiguo, XUE Yuntao, HU Jianglu, LIU Luping
(School of Information Engineering, Nanchang University, Nanchang 330031, China)
Abstract: Research on wind power prediction technology is of great significance for mitigating the effects of randomness on the
output power of the power generated by the system. First of all, the sample data is formed combined with wind power monitoring
system of history in the database data and environmental parameters, at the same time genetic algorithm is used to optimize the model
parameters, such as kernel function type, the kernel function parameter and error warning factor. The GA-SVM model is established
which improves the efficiency of the model parameter combination optimization choice and the prediction precision. At last, based on
the example verification, the standard SVM method and BP neural network method are compared. Prediction results show that the
proposed GA-SVM optimization model on the ultra-short-term wind power prediction has a better learning ability and generalization
ability.
Key words: wind farm power prediction; SVM; genetic algorithm; ultra-short-term prediction
中图分类号：
TM715
文献标识码：
A
文章编号：
1674-3415(2015)02-0090-06
0引言
风电系统输出功率的波动性和间歇性对电网
的电能质量及其稳定性将产生较大的影响，且给电网
调度带来了困难与挑战，在目前建设坚强智能电网的
背景下，风电场功率预测是有效的解决途径
[1-3 ]
。
文献[4-6]分析了风电场的动态特性，并从机理
分析进行物理建模，但整个建模过程复杂且在实际
风场中部分参数测取困难，所以实际预测精度难以
保证。文献[7]通过从分段函数和整体建模两个角度
比较各种模型的准确程度，得到了基于灰色模型的
风电功率特性曲线的函数模型，但仅适合在线运行，
另外，为了减小突变点的误差，需要收集更多的风
速时间序列数据。文献[8]提出了运用聚类方法对历
史风速数据进行处理，实现了历史数据的自动分类，
并按照相似度最大的原则，选择合适的训练样本,
运用时间序列方法建立风速预测模型，预测精度虽
有提高，但对数据的挖掘技术提出了更高的要求。
文献[9]从分析风速序列的非线性和非平稳性特征
出发，
将一种基于聚类经验模态分解(EEMD)和最
小二乘支持向量机(LSSVM)的组合预测模型引入到
风速预测中，但其没有考虑核函数的选取对LSSVM
预测精度的影响。文献[10]构造了用于风速序列预
测分析的迟滞神经网络，并采用卡尔曼滤波方法将
其与ARMA模型相融合，实现了风速序列的混合预
测，但只能在有效范围内减小了单一预测机理造成
的误差积累。文献[11]提出了一种基于连续时间段
聚类的支持向量机风电功率预测方法，在准确度和
稳定性上都有了一定提升，但其指定分类方案需随
应用环境而不断改变。文献[12]总结了目前国内外
对风电功率波动特性的不同描述方法和量化指标，
归纳了多台风机组成的风场对输出功率波动的平滑
普通网友
- 粉丝: 17
- 资源: 314
最新资源
- PxCook-像素大厨Mac版本安装包
- 基于mysql和python的学生选课系统【课程设计（实验报告+源码）】
- PxCook-像素大厨Windows版本安装包
- aspose-words-23.12-jdk16 有水印
- [大模型部署]在C# Winform中使用文心一言ERNIE-3.5 4K 聊天模型
- python毕业设计-基于Django+OpenCV的二维码生成与识别系统设计与实现.zip
- python毕业设计-基于Django+OpenCV的二维码生成与识别系统设计与实现+使用说明.zip
- 基于STM32单片机空气监测系统设计源码+详细文档+配套全部资料（毕业设计）.zip
- rdf0412-kcu116-pcie-c-2019-1.zip（XILINX KCU116 源码）
- 基于C#语言的winform界面火车票订票系统（源码+实验报告）
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
评论0