电力系统保护与控制
電力繫統保護與控製
전력계통보호여공제
POWER SYSTM PROTECTION AND CONTROL
2012年
10期
6-11,18
,共7页
王韶%杨江平%李逢兵%刘庭磊
王韶%楊江平%李逢兵%劉庭磊
왕소%양강평%리봉병%류정뢰
短期预测%经验模式分解%径向基神经网络%支持向量机%广义回归神经网络%组合预测
短期預測%經驗模式分解%徑嚮基神經網絡%支持嚮量機%廣義迴歸神經網絡%組閤預測
단기예측%경험모식분해%경향기신경망락%지지향량궤%엄의회귀신경망락%조합예측
风速时间序列具有很强的间歇性和随机性,属于非平稳时间序列.为提高预测精度,提出了经验模式分解法(EMD)和神经网络相结合的短期风速组合预测模型.该方法运用EMD将风速序列分解为一系列不同频率的相对平稳的分量,减少了不同特征信息之间的干扰;根据各个分量的变化规律,选择合适的神经网络模型来分别预测,对高频分量采用神经网络组合预测模型,低频分量采用合适的预测模型直接进行预测;将各分量预测值叠加得到最终预测值.算例结果表明,所提方法与单一的径向基神经网络模型(RBF)和支持向量机模型(SVM)相比,预测精度得到了大幅度的提高.
風速時間序列具有很彊的間歇性和隨機性,屬于非平穩時間序列.為提高預測精度,提齣瞭經驗模式分解法(EMD)和神經網絡相結閤的短期風速組閤預測模型.該方法運用EMD將風速序列分解為一繫列不同頻率的相對平穩的分量,減少瞭不同特徵信息之間的榦擾;根據各箇分量的變化規律,選擇閤適的神經網絡模型來分彆預測,對高頻分量採用神經網絡組閤預測模型,低頻分量採用閤適的預測模型直接進行預測;將各分量預測值疊加得到最終預測值.算例結果錶明,所提方法與單一的徑嚮基神經網絡模型(RBF)和支持嚮量機模型(SVM)相比,預測精度得到瞭大幅度的提高.
풍속시간서렬구유흔강적간헐성화수궤성,속우비평은시간서렬.위제고예측정도,제출료경험모식분해법(EMD)화신경망락상결합적단기풍속조합예측모형.해방법운용EMD장풍속서렬분해위일계렬불동빈솔적상대평은적분량,감소료불동특정신식지간적간우;근거각개분량적변화규률,선택합괄적신경망락모형래분별예측,대고빈분량채용신경망락조합예측모형,저빈분량채용합괄적예측모형직접진행예측;장각분량예측치첩가득도최종예측치.산례결과표명,소제방법여단일적경향기신경망락모형(RBF)화지지향량궤모형(SVM)상비,예측정도득도료대폭도적제고.
