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
24期
107-112
,共6页
王贺%胡志坚%张翌晖%张子泳%张承学
王賀%鬍誌堅%張翌暉%張子泳%張承學
왕하%호지견%장익휘%장자영%장승학
风电功率预测%改进粒子群算法%最小二乘支持向量机%IPSO-LSSVM%误差分析
風電功率預測%改進粒子群算法%最小二乘支持嚮量機%IPSO-LSSVM%誤差分析
풍전공솔예측%개진입자군산법%최소이승지지향량궤%IPSO-LSSVM%오차분석
风电功率预测的关键是预测模型的选择和模型性能的优化.选择最小二乘支持向量机(least squares support vector machine,LSSVM)作为风电功率预测模型,使用改进的粒子群算法(improved particle swarm optimization algorithm,IPSO)对影响最小二乘支持向量机回归性能的参数进行优化.在建立了改进的粒子群算法优化最小二乘支持向量机(LSSVM)的风电功率预测模型后,运用该模型对广西某风电场进行了仿真研究.为了对比研究,同时使用前馈(back propagation,BP)神经网络模型和支持向量机(support vector machine,SVM)模型进行了预测.最后采用多种误差指标对三种模型的预测结果进行综合分析.结果表明,使用改进的粒子群算法优化最小二乘向量机(IPSO-LSSVM)的风电功率预测模型具有较高的预测精度.
風電功率預測的關鍵是預測模型的選擇和模型性能的優化.選擇最小二乘支持嚮量機(least squares support vector machine,LSSVM)作為風電功率預測模型,使用改進的粒子群算法(improved particle swarm optimization algorithm,IPSO)對影響最小二乘支持嚮量機迴歸性能的參數進行優化.在建立瞭改進的粒子群算法優化最小二乘支持嚮量機(LSSVM)的風電功率預測模型後,運用該模型對廣西某風電場進行瞭倣真研究.為瞭對比研究,同時使用前饋(back propagation,BP)神經網絡模型和支持嚮量機(support vector machine,SVM)模型進行瞭預測.最後採用多種誤差指標對三種模型的預測結果進行綜閤分析.結果錶明,使用改進的粒子群算法優化最小二乘嚮量機(IPSO-LSSVM)的風電功率預測模型具有較高的預測精度.
풍전공솔예측적관건시예측모형적선택화모형성능적우화.선택최소이승지지향량궤(least squares support vector machine,LSSVM)작위풍전공솔예측모형,사용개진적입자군산법(improved particle swarm optimization algorithm,IPSO)대영향최소이승지지향량궤회귀성능적삼수진행우화.재건립료개진적입자군산법우화최소이승지지향량궤(LSSVM)적풍전공솔예측모형후,운용해모형대엄서모풍전장진행료방진연구.위료대비연구,동시사용전궤(back propagation,BP)신경망락모형화지지향량궤(support vector machine,SVM)모형진행료예측.최후채용다충오차지표대삼충모형적예측결과진행종합분석.결과표명,사용개진적입자군산법우화최소이승향량궤(IPSO-LSSVM)적풍전공솔예측모형구유교고적예측정도.
