發(fā)布時間：2018-06-16 00:12

  本文選題：互補經(jīng)驗?zāi)B(tài)分解 + 膜計算優(yōu)化算法　； 參考：《電力系統(tǒng)保護(hù)與控制》2017年21期

【摘要】：為提高預(yù)測的可靠性和準(zhǔn)確性,提出一個基于模態(tài)分解理論和膜計算優(yōu)化算法的混合模型用于風(fēng)速預(yù)測。與現(xiàn)有的風(fēng)速預(yù)測方法相比,該模型提高了預(yù)測精度。該模型包括3個主要步驟:為了簡化數(shù)據(jù)的復(fù)雜度,通過互補集合經(jīng)驗?zāi)Ｊ椒纸?CEEMD)將原始風(fēng)電功率時間序列分解成幾個固有模態(tài)函數(shù)(IMFs);對每個IMF分量單獨建立膜計算優(yōu)化算法優(yōu)化支持向量機(MCO-SVR)的模型進(jìn)行預(yù)測;疊加全部IMF分量的預(yù)測值作為最終的預(yù)測結(jié)果。建立包括單一的支持向量回歸機模型、不同分解方法以及相同的分解方法但使用不同的優(yōu)化算法在內(nèi)的9種基本模型,來驗證所提出的混合模型的優(yōu)越性。實證研究表明,所提出的混合模型在預(yù)測精度上顯著優(yōu)于其他的基本模型。
[Abstract]:In order to improve the reliability and accuracy of the prediction, a hybrid model based on modal decomposition theory and membrane optimization algorithm is proposed for wind speed prediction. Compared with the existing wind speed prediction methods, the prediction accuracy of the model is improved. The model consists of three main steps: to simplify the complexity of the data, The original wind power time series is decomposed into several inherent mode functions by using the complementary set empirical mode decomposition (CEEMD), and the model of the membrane calculation optimization algorithm is established separately for each IMF component to optimize the support vector machine (SVM). The predicted values of all IMF components are superimposed as the final prediction results. Nine basic models, including single support vector regression model, different decomposition methods and the same decomposition methods but using different optimization algorithms, are established to verify the superiority of the proposed hybrid model. Empirical studies show that the proposed hybrid model is superior to other basic models in prediction accuracy.
【作者單位】： 廣東工業(yè)大學(xué)自動化學(xué)院;
【基金】：廣東省科技計劃項目(2016A010104016) 廣東電網(wǎng)公司科技項目(GDKJQQ20152066)
【分類號】：TM614;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 曹玲芝;陳雨;李春文;;直接甲醇燃料電池的混合模型及其仿真分析[J];電子技術(shù)應(yīng)用;2010年03期

2 王智銳;唐汝寧;;基于支持向量機算法的空調(diào)負(fù)荷預(yù)測及實驗研究[J];制冷技術(shù);2013年04期

3 張興,司媛媛,張強,李維華,曹仁賢;基于Labview的虛擬風(fēng)場算法的研究[J];合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2005年09期

4 徐蓓蓓;蔣鐵錚;易宏;;三種基于支持向量機風(fēng)速預(yù)測方法對比研究[J];電氣技術(shù);2012年05期

5 趙永輝;劉友寬;朱全聰;楊文杰;;支持向量機在電力系統(tǒng)中的應(yīng)用[J];儀器儀表用戶;2012年06期

6 高尚;梅亮;;基于支持向量機的電價組合預(yù)測模型[J];電力自動化設(shè)備;2008年11期

7 鄭華文;曹衍龍;楊將新;何元峰;方力先;謝永誠;;基于支持向量機的核電站松動件質(zhì)量估計方法[J];浙江大學(xué)學(xué)報(工學(xué)版);2010年08期

8 周松林;茆美琴;蘇建徽;;基于小波分析與支持向量機的風(fēng)速預(yù)測[J];太陽能學(xué)報;2012年03期

9 吳鈺;王杰;;綜合最優(yōu)灰色支持向量機模型在季節(jié)型電力負(fù)荷預(yù)測中的應(yīng)用[J];華東電力;2012年01期

10 全睿;全書海;黃亮;謝長君;;基于支持向量機的車用燃料電池系統(tǒng)故障診斷[J];振動.測試與診斷;2012年01期

相關(guān)會議論文 前7條

1 肖懷寶;逯貴禎;李彥霏;;基于支持向量機的電磁參數(shù)提取方法研究[A];2009年全國天線年會論文集（下）[C];2009年

2 石亞欣;;基于支持向量機的風(fēng)速周期預(yù)測模型[A];智能化電站技術(shù)發(fā)展研討暨電站自動化2013年會論文集[C];2013年

3 伍敏;蘇鵬宇;劉金福;于達(dá)仁;;基于RVM和SVM的風(fēng)速預(yù)測研究[A];2012電站自動化信息化學(xué)術(shù)和技術(shù)交流會議論文集[C];2012年

4 王永春;;一種復(fù)合的支持向量機模型在電力系統(tǒng)短期負(fù)荷中的應(yīng)用[A];第十屆全國電工數(shù)學(xué)學(xué)術(shù)年會論文集[C];2005年

5 呂剛;范瑜;;基于最小二乘廣義支持向量機的永磁直線同步電動機建模[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學(xué)術(shù)論壇（交通運輸工程學(xué)科）論文集（下冊）[C];2005年

6 林茂六;華曉杰;;基于支持向量機的大信號射頻功率器件頻域特征模型回歸分析[A];第十七屆全國測控計量儀器儀表學(xué)術(shù)年會（MCMI'2007）論文集（上冊）[C];2007年

7 周曙光;孟慶虎;孟慶豐;;基于支持向量機的核島主泵狀態(tài)預(yù)測[A];2008年全國振動工程及應(yīng)用學(xué)術(shù)會議暨第十一屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2008年

相關(guān)博士學(xué)位論文 前4條

1 王瑜;基于支持向量機和多信息融合的局部放電故障診斷研究[D];華北電力大學(xué);2015年

2 周葉;基于新異類檢測和支持向量機的水電機組診斷技術(shù)研究[D];中國水利水電科學(xué)研究院;2015年

3 鞠魯峰;基于支持向量機建模的永磁球形電機的優(yōu)化設(shè)計研究[D];合肥工業(yè)大學(xué);2015年

4 肖燕彩;支持向量機在變壓器狀態(tài)評估中的應(yīng)用研究[D];北京交通大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 朱龍飛;基于混合模型的熱力系統(tǒng)能耗基準(zhǔn)狀態(tài)確定方法研究[D];華北電力大學(xué);2015年

2 韋姝;基于混合模型的風(fēng)電場短期風(fēng)速風(fēng)功率預(yù)測研究[D];東南大學(xué);2015年

3 李勝剛;基于支持向量機的短期風(fēng)電功率預(yù)測[D];湖南工業(yè)大學(xué);2015年

4 孫亭亭;基于支持向量機的燃煤機組燃燒優(yōu)化算法的研究[D];山東大學(xué);2015年

5 邢校萄;支持向量機在短期光伏發(fā)電功率預(yù)測中的應(yīng)用[D];華北電力大學(xué);2015年

6 吳康;基于新疆風(fēng)帶運行規(guī)律的風(fēng)電功率預(yù)測[D];新疆大學(xué);2015年

7 胡讓;風(fēng)力發(fā)電機葉片故障診斷研究及實現(xiàn)[D];蘭州交通大學(xué);2015年

8 李遙;基于GACO支持向量機的新能源電力系統(tǒng)狀態(tài)預(yù)測方法研究[D];北京交通大學(xué);2016年

9 高偉;基于最小二乘支持向量機的風(fēng)電功率短期預(yù)測研究[D];華中科技大學(xué);2014年

10 姜山;基于支持向量機的高壓線路故障原因辨識[D];華北電力大學(xué)(北京);2016年

，

本文編號：2024290