本文選題：超短期風(fēng)速預(yù)測　切入點：模型結(jié)構(gòu)選擇　出處：《計算機(jī)工程》2017年11期 　論文類型：期刊論文

【摘要】：傳統(tǒng)的風(fēng)速預(yù)測方法往往通過經(jīng)驗來確定模型結(jié)構(gòu),未考慮輸入變量選取、系統(tǒng)的動態(tài)特性等問題,導(dǎo)致系統(tǒng)在不同時間尺度下的動態(tài)特性沒有得以充分反映,降低模型的推廣泛化能力。針對上述問題,提出一種基于流形算法和RBF網(wǎng)絡(luò)相結(jié)合的方法,通過模型結(jié)構(gòu)設(shè)計和本質(zhì)特征提取等方法,增加模型預(yù)測結(jié)果的穩(wěn)定性和魯棒性,以提高模型的推廣能力。以華東某風(fēng)電場數(shù)據(jù)進(jìn)行實驗分析,結(jié)果表明,與傳統(tǒng)風(fēng)速預(yù)測方法相比,該模型結(jié)構(gòu)選擇方法可提高模型計算效率,降低樣本復(fù)雜度,能夠得到更好的預(yù)測效果。
[Abstract]:The traditional wind speed prediction method often determines the model structure by experience, and does not consider the selection of input variables, the dynamic characteristics of the system, and so on, resulting in the dynamic characteristics of the system under different time scales can not be fully reflected. To reduce the generalization ability of the model, a method based on manifold algorithm and RBF network is proposed to improve the stability and robustness of the prediction results. In order to improve the generalization ability of the model, the experimental results of a wind farm in East China show that compared with the traditional wind speed prediction method, the model structure selection method can improve the computational efficiency of the model and reduce the complexity of the sample. Better prediction results can be obtained.
【作者單位】： 國家電網(wǎng)浙江省電力公司電力科學(xué)研究院;中國電力科學(xué)研究院;東南大學(xué)自動化學(xué)院;
【分類號】：TM614;TP18

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 張毅;姜思博;李錚;;改進(jìn)的遺傳灰色RBF模型的短期電力負(fù)荷預(yù)測[J];電測與儀表;2014年05期

2 胡迎松,陳明,范志明;一種電力系統(tǒng)短期負(fù)荷預(yù)測的RBF優(yōu)化算法[J];華中科技大學(xué)學(xué)報(城市科學(xué)版);2003年03期

3 苗青,曹廣益,朱新堅;基于一種改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)的直接甲醇燃料電池建模[J];系統(tǒng)仿真學(xué)報;2005年02期

4 郭金偉;周渝慧;;基于RBF改進(jìn)模型的電力系統(tǒng)短期負(fù)荷預(yù)測[J];電力信息化;2007年07期

5 楊胡萍;白慧;劉家學(xué);張力;;基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測[J];東華大學(xué)學(xué)報(自然科學(xué)版);2008年02期

6 郭偉偉;劉家學(xué);馬云龍;李書琰;;基于改進(jìn)RBF網(wǎng)絡(luò)算法的電力系統(tǒng)短期負(fù)荷預(yù)測[J];電力系統(tǒng)保護(hù)與控制;2008年23期

7 張曉亮;;一種改進(jìn)的RBF網(wǎng)絡(luò)在電力系統(tǒng)短期負(fù)荷預(yù)測中的應(yīng)用[J];煤礦機(jī)電;2008年03期

8 李強(qiáng);田大林;夏迎迎;付煒;王亦飛;于遵宏;;新型兩段組合式氣化產(chǎn)氣熱值的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型及遺傳算法優(yōu)化[J];計算機(jī)與應(yīng)用化學(xué);2008年10期

9 夏長亮;李志強(qiáng);王明超;劉均華;;基于RBF神經(jīng)網(wǎng)絡(luò)在線辨識的永磁無刷直流電機(jī)單神經(jīng)元PID模型參考自適應(yīng)控制[J];電工技術(shù)學(xué)報;2005年11期

10 曹安照;田麗;;基于RBF神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測[J];電子科技大學(xué)學(xué)報;2006年04期

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 蔣勁;譚少華;符向前;陶志建;;基于徑向基函數(shù)(RBF)網(wǎng)絡(luò)的大型水輪發(fā)電機(jī)故障診斷[A];全國水電廠技術(shù)改造學(xué)習(xí)交流研討會論文集[C];2005年

2 劉偉;王科俊;姚杰;;基于RBF神經(jīng)網(wǎng)絡(luò)采用混合粒子群優(yōu)化的電力負(fù)荷短期預(yù)測[A];2007年中國智能自動化會議論文集[C];2007年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 李志強(qiáng);基于RBF神經(jīng)網(wǎng)絡(luò)在線辨識的永磁無刷直流電機(jī)單神經(jīng)元自適應(yīng)PID控制[D];天津大學(xué);2005年

2 王聰;基于RBF神經(jīng)網(wǎng)絡(luò)與模糊控制的電力系統(tǒng)短期負(fù)荷預(yù)測[D];華北電力大學(xué)（河北）;2005年

3 李琳;基于RBF神經(jīng)網(wǎng)絡(luò)無刷直流電機(jī)控制系統(tǒng)的基礎(chǔ)研究[D];安徽理工大學(xué);2015年

，

本文編號：1619052