本文選題：短期風電功率預測 + 引力搜索算法��； 參考：《可再生能源》2017年11期

【摘要】：提出一種基于改進引力搜索算法(Improved Gravitational Search Algorithm,IGSA),優(yōu)化LSSVM的短期風電功率預測方法。對引力搜索算法采用混沌映射學習策略初始化種群位置,引入全局記憶策略來改進速度公式,提高最優(yōu)解質(zhì)量,利用高斯變異算子及貪婪策略來更新最優(yōu)解位置。為對比不同核函數(shù)對LSSVM預測模型性能的影響,選取了4種常用的核函數(shù)(RBF,Sigmoid,Poly及Linear)構建LSSVM預測模型,并用IGSA優(yōu)化構建的模型。以安徽某一風電場實測數(shù)據(jù)為例,仿真結果表明,選擇RBF核函數(shù)的IGSA-LSSVM模型的風電預測性能優(yōu)于其它核函數(shù);同時,與反向傳播神經(jīng)網(wǎng)絡(Back Propagation Neural Network,BPNN)相比,以及與GA,PSO和GSA優(yōu)化LSSVM相比,IGSA優(yōu)化LSSVM方法對短期風電功率預測具有更好的穩(wěn)定性和更高的準確性。
[Abstract]:A short-term wind power prediction method based on improved Gravitational Search algorithm and optimized LSSVM is proposed.The chaotic mapping learning strategy is used to initialize the population position, the global memory strategy is introduced to improve the speed formula and the quality of the optimal solution is improved. Gao Si mutation operator and greedy strategy are used to update the optimal solution position.In order to compare the effect of different kernel functions on the performance of LSSVM prediction model, four kinds of common kernel functions, LSSVM Sigmoid Poly and Linear. were selected to construct LSSVM prediction model, and the model was optimized by IGSA.Taking the measured data of a wind farm in Anhui Province as an example, the simulation results show that the wind power prediction performance of IGSA-LSSVM model with RBF kernel function is superior to that of other kernel functions, and compared with backpropagation neural network back Propagation Neural network.Compared with Ga-PSO and GSA optimized LSSVM, the LSSVM method has better stability and higher accuracy in short-term wind power prediction.
【作者單位】： 安徽工程大學安徽省電氣傳動與控制重點實驗室;
【基金】：安徽省自然基金(1508085ME74) 安徽省教育廳自然科學研究重點項目(KJ2014A282)
【分類號】：TM614;TP18

【相似文獻】

相關期刊論文 前6條

1 劉姝瓊;孔英會;;基于LSSVM和證據(jù)理論的電力系統(tǒng)暫態(tài)穩(wěn)定評估[J];電力科學與工程;2010年01期

2 江鑫;劉曉華;高榮;;基于改進全局和聲搜索算法LSSVM的短期電力負荷預測[J];計算技術與自動化;2012年02期

3 張振堯;李新;白瑞林;;基于LSSVM的磁瓦表面瑕疵偏向性分類[J];光電工程;2013年08期

4 李光珍;劉文穎;;基于LSSVM和馬爾可夫鏈的母線負荷短期預測[J];電力系統(tǒng)保護與控制;2010年11期

5 章偉;鄧院昌;;基于相似性樣本的LSSVM短期風速和風功率預測研究[J];電網(wǎng)與清潔能源;2013年11期

6 孫成發(fā);;基于RQEA和LSSVM的年用電量預測[J];電氣時代;2013年10期

相關博士學位論文 前1條

1 房晟辰;基于高斯過程回歸及Trust-Tech的短期風電功率預測方法[D];天津大學;2016年

，

本文編號：1768835