收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于改进PSO-LS-SVM的风电功率预测

邹乐乐  
【摘要】:近年来,随着新能源产业的快速发展,风电场的规模也在日益扩大。由于风电输出具有不确定性,风电的大规模接入将导致电网的稳定性和安全性受到威胁。若能提高风电功率预测的精度,可有效降低电力调度的难度,间接地保障了电网的安全和稳定。针对风电输出功率具有波动性、间歇性和随机性的特点,本文提出基于改进粒子群优化最小二乘支持向量机的风电功率预测模型,并从以下方面展开研究:(1)粒子群算法的改进。分析基础粒子群算法的基本原理和优化过程,参考粒子群算法的改进方向,由于种群多样性减少而陷入局部最优的缺点,提出惯性权重的自适应调节和变异操作两种方式相结合的改进策略,以提高粒子群的收敛速度和精确度;选用六种测试函数对改进前后的粒子群算法进行测试,分析比较算法收敛速度和精度。(2)构建基于粒子群算法优化向量机的风电功率预测模型。针对历史风电数据和风速数据规模大、非线性的特点提出以支持向量机为预测模型的风电功率预测方法;针对向量机参数选择困难的问题,提出用粒子群算法对向量机参数进行优化选择;利用优化后参数构建基于粒子群的向量机风电功率预测模型。(3)构建基于粒子群优化最小二乘支持向量机的风电功率预测模型。针对向量机在进行风电功率预测时,需解决的二次规划和不等式约束,导致运算复杂度过高、训练时间过长的缺陷,提出了基于最小二乘向量机作为风电预测模型的改进策略;针对最小二乘向量机参数选择困难,经验法很难获得合适参数的问题,提出了利用粒子群对参数进行优化选择;构建基于粒子群优化最小二乘支持向量机的风电功率预测模型,通过对样本的训练过程和结果分析验证模型改进后的优越性。(4)构建基于改进粒子群优化最小二乘支持向量机的风电功率预测模型。针对粒子群在优化最小二乘支持向量机参数时,易陷入局部最优从而无法获得最优参数的问题,提出利用改进粒子群优化最小二乘支持向量机的模型参数策略;利用优化后的参数构建基于改进粒子群优化最小二乘向量机的风电功率预测模型;通过各模型对历史风电输出功率和风速数据的训练预测结果分析,得出基于改进粒子群优化最小二乘支持向量机的风电功率预测模型预测速度更快、精度更高、系统性能更强。


知网文化
【相似文献】
中国期刊全文数据库 前5条
1 周云龙;王迪;;基于PSO-LS-SVM的主蒸汽流量测量[J];化工自动化及仪表;2015年04期
2 刘佳;邵诚;朱理;;基于迁移学习工况划分的裂解炉收率PSO-LS-SVM建模[J];化工学报;2016年05期
3 蒋维婷;孙玉坤;朱志莹;;基于PSO-LS-SVM的磁悬浮开关磁阻电机电感模型[J];微电机;2013年11期
4 纪凤珠;孙世宇;王长龙;王瑾;左宪章;;基于PSO-LS-SVM的漏磁信号二维轮廓重构[J];无损检测;2011年06期
5 程迪;黄松岭;赵伟;王珅;;基于PSO-LS-SVM的储罐底板缺陷量化方法研究[J];电测与仪表;2018年04期
中国硕士学位论文全文数据库 前2条
1 邹乐乐;基于改进PSO-LS-SVM的风电功率预测[D];新疆大学;2019年
2 吕旭泽;基于PSO-LS-SVM的发动机多工序装配质量预测模型研究[D];合肥工业大学;2016年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978