針對(duì)風(fēng)電輸出功率波動(dòng)大、隨機(jī)性強(qiáng)等特征引起風(fēng)功率難以預(yù)測(cè)的問題,提出了基于模糊C均值聚類（fuzzy C-means,FCM）選取相似日和樽海鞘群算法優(yōu)化極限學(xué)習(xí)機(jī)（SSA–ELM）的風(fēng)電場(chǎng)超短期風(fēng)功率預(yù)測(cè)模型。首先,采用FCM數(shù)據(jù)聚類方法,篩選出與預(yù)測(cè)日相關(guān)性較大的歷史相似日,將其風(fēng)速、溫度、風(fēng)向、氣壓等影響風(fēng)功率的主要因素組成多輸入樣本集合;其次,通過訓(xùn)練集在訓(xùn)練過程中確定網(wǎng)絡(luò)參數(shù),利用樽海鞘群算法在迭代過程中不斷優(yōu)化極限學(xué)習(xí)機(jī)的輸入權(quán)值矩陣及隱含層偏差值,建立樽海鞘群算法優(yōu)化極限學(xué)習(xí)機(jī)的超短期風(fēng)功率預(yù)測(cè)模型;最后,根據(jù)超短期風(fēng)電并網(wǎng)的相關(guān)規(guī)定,針對(duì)河南省某風(fēng)電場(chǎng)的實(shí)際數(shù)據(jù),分別從基于相似日超短期預(yù)測(cè)、具有代表性的四季預(yù)測(cè)和滾動(dòng)誤差3方面進(jìn)行仿真實(shí)驗(yàn),并與傳統(tǒng)極限學(xué)習(xí)機(jī)（extreme learning machine,ELM）和BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比分析,結(jié)果表明本文提出的模型收斂速度快,預(yù)測(cè)精度較高。證明了基于FCM和SSA–ELM的超短期風(fēng)功率預(yù)測(cè)模型具有良好的追蹤性和泛化性。 

【文章來源】：工程科學(xué)與技術(shù). 2020,52(06)北大核心EICSCD

【文章頁數(shù)】：8 頁


本文編號(hào)：3295910