為了提高風(fēng)電功率預(yù)測(cè)精度,保證風(fēng)能的有效利用,提出一種基于變分模態(tài)分解和改進(jìn)灰狼算法優(yōu)化支持向量機(jī)的風(fēng)電功率超短期組合預(yù)測(cè)模型。采用變分模態(tài)分解將風(fēng)電功率序列分解為一系列具有不同中心頻率的模態(tài)分量以降低其隨機(jī)性,將各分量分別建立支持向量機(jī)預(yù)測(cè)模型,并采用改進(jìn)灰狼算法對(duì)其參數(shù)尋優(yōu),將各分量的預(yù)測(cè)值疊加重構(gòu)得到最終的預(yù)測(cè)值。實(shí)例仿真表明,所提的組合預(yù)測(cè)模型與其他預(yù)測(cè)模型相比具有更高的預(yù)測(cè)精度。 

【文章來(lái)源】：電工電氣. 2019,(01)

【文章頁(yè)數(shù)】：6 頁(yè)

【文章目錄】：
0 引言
1 變分模態(tài)分解
    1.1 VMD原理
    1.2 VMD算法步驟
2 基于IGWO優(yōu)化的SVM模型
    2.1 SVM回歸算法
    2.2 改進(jìn)灰狼算法
        2.2.1 標(biāo)準(zhǔn)灰狼算法
        2.2.2 改進(jìn)灰狼算法
    2.3 IGWO優(yōu)化SVM參數(shù)
3 VMD-IGWO-SVM風(fēng)電功率預(yù)測(cè)模型
4 算例分析
5 結(jié)語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]基于ARIMA和SVR的光伏電站超短期功率預(yù)測(cè)[J]. 赫衛(wèi)國(guó),郝向軍,郭雅娟,曹瀟,陳錦銘,梅飛,劉皓明.  廣東電力. 2017(08)
[2]基于混合算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的風(fēng)電預(yù)測(cè)模型[J]. 董朕,殷豪,孟安波.  廣東電力. 2017(02)
[3]風(fēng)電功率預(yù)測(cè)技術(shù)研究綜述[J]. 黎靜華,桑川川,甘一夫,潘毅.  現(xiàn)代電力. 2017(03)
[4]基于混沌時(shí)間序列GA-VNN模型的超短期風(fēng)功率多步預(yù)測(cè)[J]. 江岳春,張丙江,邢方方,張雨,王志剛.  電網(wǎng)技術(shù). 2015(08)
[5]基于改進(jìn)EMD與SVM的風(fēng)電功率短期預(yù)測(cè)模型[J]. 管志威,陳國(guó)初,徐余法,俞金壽.  控制工程. 2014(06)
[6]基于粒子群優(yōu)化支持向量機(jī)的變壓器故障診斷[J]. 韓世軍,朱菊,毛吉貴,詹汶燕.  電測(cè)與儀表. 2014(11)
[7]基于遺傳優(yōu)化支持向量機(jī)的變壓器繞組熱點(diǎn)溫度預(yù)測(cè)模型[J]. 陳偉根,滕黎,劉軍,彭尚怡,孫才新.  電工技術(shù)學(xué)報(bào). 2014(01)
[8]基于氣象信息因素修正的灰色短期負(fù)荷預(yù)測(cè)模型[J]. 焦?jié)櫤?蘇辰雋,林碧英,莫瑞芳.  電網(wǎng)技術(shù). 2013(03)
[9]基于小波分解和微分進(jìn)化支持向量機(jī)的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)[J]. 彭春華,劉剛,孫惠娟.  電力自動(dòng)化設(shè)備. 2012(01)

博士論文
[1]基于變分模態(tài)分解與優(yōu)化多核支持向量機(jī)的旋轉(zhuǎn)機(jī)械早期故障診斷方法研究[D]. 呂中亮.重慶大學(xué) 2016

碩士論文
[1]短期風(fēng)電功率預(yù)測(cè)方法研究[D]. 吳道林.安徽工程大學(xué) 2017
[2]風(fēng)電功率預(yù)測(cè)算法研究[D]. 譚沛然.太原理工大學(xué) 2017



本文編號(hào)：3475668