本文關(guān)鍵詞：基于改進(jìn)AdaBoost.RT和KELM的風(fēng)功率預(yù)測(cè)方法研究　出處：《電網(wǎng)技術(shù)》2017年02期 　論文類(lèi)型：期刊論文

  更多相關(guān)文章： 風(fēng)功率預(yù)測(cè) 基學(xué)習(xí)器 AdaBoost.RT 核極限學(xué)習(xí)機(jī) 蝙蝠算法

【摘要】：為了提高風(fēng)功率預(yù)測(cè)精度及預(yù)測(cè)模型的泛化能力,提出基于改進(jìn)Ada Boost.RT算法的風(fēng)功率預(yù)測(cè)方法,可以有效提高弱學(xué)習(xí)算法的性能。首先建立核極限學(xué)習(xí)機(jī)(kernel extreme learning machine,KELM)模型,并用改進(jìn)蝙蝠算法對(duì)其參數(shù)進(jìn)行優(yōu)化,通過(guò)引入局部搜索和萊維飛行使算法具有更好的搜索能力和跳出局部最優(yōu)的能力。在此基礎(chǔ)上進(jìn)一步通過(guò)Ada Boost.RT算法生成多個(gè)KELM個(gè)體(即基學(xué)習(xí)器),在訓(xùn)練過(guò)程中不斷調(diào)整每個(gè)基學(xué)習(xí)器的權(quán)重及訓(xùn)練集中每個(gè)樣本的權(quán)重。最后用訓(xùn)練好的基學(xué)習(xí)器來(lái)對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè),并集成得到最終結(jié)果。從不同時(shí)間尺度應(yīng)用不同月份的風(fēng)電場(chǎng)數(shù)據(jù)進(jìn)行仿真測(cè)試,同時(shí)與前饋(back propagation,BP)神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、極限學(xué)習(xí)機(jī)等預(yù)測(cè)模型對(duì)比,仿真結(jié)果表明所提方法具有較好的預(yù)測(cè)精度及泛化性能。
[Abstract]:In order to improve the precision of wind power prediction and the generalization ability of prediction model, a wind power prediction method based on improved Ada Boost.RT algorithm is proposed. It can effectively improve the performance of weak learning algorithm. Firstly, kernel extreme learning machine model is established. The improved bat algorithm is used to optimize the parameters. By introducing local search and Levy flight, the algorithm has better searching ability and the ability of jumping out of local optimum. On this basis, the algorithm is further adopted through Ada. The Boost.RT algorithm generates multiple KELM individuals. That is, the base learner. In the process of training, we constantly adjust the weight of each basic learner and the weight of each sample in the training set. Finally, we use the trained base learner to predict the test samples. Finally, the final results are obtained. The wind farm data in different months are used for simulation test from different time scales, and at the same time, the neural network is combined with the feedforward propagation (BPN) neural network. Compared with support vector machine (SVM) and extreme learning machine (LLM), the simulation results show that the proposed method has good prediction accuracy and generalization performance.
【作者單位】： 武漢大學(xué)電氣工程學(xué)院;
【分類(lèi)號(hào)】：TM614;TP18
【正文快照】： 0引言 高精度的風(fēng)功率預(yù)測(cè)可以減小風(fēng)電的波動(dòng)性和間歇性給電力系統(tǒng)的穩(wěn)定運(yùn)行帶來(lái)的影響。當(dāng)預(yù)測(cè)達(dá)到足夠精度時(shí),可以減少系統(tǒng)用來(lái)平衡其功率波動(dòng)的備用容量,從而減少電網(wǎng)運(yùn)行費(fèi)用,并且有利于系統(tǒng)實(shí)現(xiàn)大規(guī)模風(fēng)電的有效消納。 文獻(xiàn)[1-2]利用神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)電進(jìn)行預(yù)測(cè),取得了較

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 林志陽(yáng);康耀紅;雷景生;;基于Adaboost的車(chē)標(biāo)定位方法[J];計(jì)算機(jī)工程;2008年11期

2 嚴(yán)超;王元慶;李久雪;張兆揚(yáng);;AdaBoost分類(lèi)問(wèn)題的理論推導(dǎo)[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

3 蘇加強(qiáng);丁柳云;;基于R的監(jiān)督式AdaBoost異常值檢測(cè)應(yīng)用[J];淮海工學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年01期

4 孔凡芝,張興周,謝耀菊;基于Adaboost的人臉檢測(cè)技術(shù)[J];應(yīng)用科技;2005年06期

5 何毓知;陸建峰;;基于Adaboost的行道線(xiàn)檢測(cè)[J];江南大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年06期

6 潘奇明;朱誼強(qiáng);;一種新的Adaboost樣本權(quán)重更新算法[J];重慶工學(xué)院學(xué)報(bào)(自然科學(xué)版);2008年06期

7 劉歡喜;劉允才;;一種基于Adaboost算法的人臉檢測(cè)[J];上海交通大學(xué)學(xué)報(bào);2008年07期

8 顧明亮;夏玉果;張長(zhǎng)水;楊亦鳴;;基于AdaBoost的漢語(yǔ)方言辨識(shí)[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年04期

9 蔣焰;丁曉青;;基于多步校正的改進(jìn)AdaBoost算法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年10期

10 李亞瓊;趙春暉;潘泉;張紹武;;新的AdaBoost算法評(píng)價(jià)體系[J];計(jì)算機(jī)工程與應(yīng)用;2009年08期

相關(guān)會(huì)議論文 前10條

1 Wen Feng;;A Novel Lips Detection Method Combined Adaboost Algorithm and Camshift Algorithm[A];2012年計(jì)算機(jī)應(yīng)用與系統(tǒng)建模國(guó)際會(huì)議論文集[C];2012年

2 張超;苗振江;;基于AdaBoost的面部信息感知[A];第十三屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2007）論文集[C];2007年

3 郭翌;汪源源;;基于Adaboost算法的頸動(dòng)脈粥樣硬化判別方法[A];中國(guó)儀器儀表學(xué)會(huì)第十一屆青年學(xué)術(shù)會(huì)議論文集[C];2009年

4 張紅梅;高海華;王行愚;;抑制樣本噪聲的AdaBoost算法及其在入侵檢測(cè)中的應(yīng)用[A];2007年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2007年

5 陸文聰;鈕冰;金雨歡;;基于AdaBoost算法的亞細(xì)胞位置預(yù)測(cè)[A];中國(guó)化學(xué)會(huì)第26屆學(xué)術(shù)年會(huì)化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)分會(huì)場(chǎng)論文集[C];2008年

6 陳宏偉;劉建偉;費(fèi)向東;;一種半監(jiān)督環(huán)境下的Adaboost算法[A];2008'中國(guó)信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（二）[C];2008年

7 唐曉丹;苗振江;;基于AdaBoost和粒子濾波的目標(biāo)跟蹤[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

8 張彬;金連文;;基于AdaBoost的手寫(xiě)體漢字相似字符識(shí)別[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

9 ;Using Skin Color and HAD-AdaBoost Algorithm for Face Detection in Color Images[A];Information Technology and Computer Science—Proceedings of 2012 National Conference on Information Technology and Computer Science[C];2012年

10 肖磊;李麗;肖佳文;;基于AdaBoost-SVM的上市公司信用風(fēng)險(xiǎn)評(píng)估[A];2012管理創(chuàng)新、智能科技與經(jīng)濟(jì)發(fā)展研討會(huì)論文集[C];2012年

相關(guān)博士學(xué)位論文 前4條

1 佟旭;基于復(fù)雜網(wǎng)絡(luò)理論的糖尿病腎病辨證建模研究[D];北京中醫(yī)藥大學(xué);2016年

2 劉沖;模擬電路故障診斷AdaBoost集成學(xué)習(xí)方法研究[D];大連海事大學(xué);2011年

3 張?zhí)珜?人眼注視點(diǎn)估計(jì)方法的研究[D];南開(kāi)大學(xué);2013年

4 趙培英;基于智能計(jì)算的膜蛋白結(jié)構(gòu)與相互作用預(yù)測(cè)研究[D];東華大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 皮麗琴;基于AdaBoost-GASVM算法和LDA主題模型的短文本分類(lèi)研究[D];華南理工大學(xué);2015年

2 孫斌;一種基于Adaboost的實(shí)時(shí)行人檢測(cè)算法[D];華南理工大學(xué);2015年

3 蔡澤彬;基于視頻分析的行人檢測(cè)及統(tǒng)計(jì)方法研究[D];華南理工大學(xué);2015年

4 游晴;Adaboost人臉檢測(cè)算法研究及其在硬件平臺(tái)上的實(shí)現(xiàn)[D];昆明理工大學(xué);2015年

5 宋雨;基于視覺(jué)圖片的腦—機(jī)接口控制研究[D];天津理工大學(xué);2015年

6 林欣;基于改進(jìn)膚色模型的AdaBoost人臉檢測(cè)算法研究[D];陜西科技大學(xué);2015年

7 袁浩杰;Adaboost算法的并行化及其在目標(biāo)分類(lèi)中的應(yīng)用[D];華南理工大學(xué);2015年

8 張恒;基于近紅外圖像的疲勞駕駛檢測(cè)研究與系統(tǒng)實(shí)現(xiàn)[D];長(zhǎng)安大學(xué);2015年

9 朱非易;基于不平衡學(xué)習(xí)的蛋白質(zhì)—維生素綁定位點(diǎn)預(yù)測(cè)研究[D];南京理工大學(xué);2015年

10 張?jiān)?一種基于AdaBoost的組合分類(lèi)算法研究[D];四川師范大學(xué);2015年

，

本文編號(hào)：1439173