电工技术学报
電工技術學報
전공기술학보
TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY
2014年
4期
237-245
,共9页
王贺%胡志坚%张翌晖%李晨%杨楠%王战胜
王賀%鬍誌堅%張翌暉%李晨%楊楠%王戰勝
왕하%호지견%장익휘%리신%양남%왕전성
风速%预测%聚类经验模态分解%最小二乘支持向量机%自适应扰动粒子群算法%学习效果反馈
風速%預測%聚類經驗模態分解%最小二乘支持嚮量機%自適應擾動粒子群算法%學習效果反饋
풍속%예측%취류경험모태분해%최소이승지지향량궤%자괄응우동입자군산법%학습효과반궤
Wind speed%forecasting%ensemble empirical mode decomposition(EEMD)%least squares support vector machines%adaptive disturbance particle swarm optimization%learning effect feedback
从分析风速序列的非线性和非平稳性特征出发,将一种基于聚类经验模态分解(EEMD)和最小二乘支持向量机(LSSVM)的组合预测模型引入到风速预测中.首先使用聚类经验模态分解将风速序列分解为一组相对平稳的子序列,以减轻不同趋势信息间的相互影响;然后运用最小二乘支持向量机对各子序列分别建模预测,为降低预测风险,使用自适应扰动粒子群算法(ADPSO)和模型学习效果反馈机制对LSSVM预测模型的输入维数和超参数进行联合优化;最后将各个子序列的预测结果叠加得到预测风速.实例研究表明,本文所提的组合预测模型可以有效挖掘风速序列特性,具有较高的预测精度.
從分析風速序列的非線性和非平穩性特徵齣髮,將一種基于聚類經驗模態分解(EEMD)和最小二乘支持嚮量機(LSSVM)的組閤預測模型引入到風速預測中.首先使用聚類經驗模態分解將風速序列分解為一組相對平穩的子序列,以減輕不同趨勢信息間的相互影響;然後運用最小二乘支持嚮量機對各子序列分彆建模預測,為降低預測風險,使用自適應擾動粒子群算法(ADPSO)和模型學習效果反饋機製對LSSVM預測模型的輸入維數和超參數進行聯閤優化;最後將各箇子序列的預測結果疊加得到預測風速.實例研究錶明,本文所提的組閤預測模型可以有效挖掘風速序列特性,具有較高的預測精度.
종분석풍속서렬적비선성화비평은성특정출발,장일충기우취류경험모태분해(EEMD)화최소이승지지향량궤(LSSVM)적조합예측모형인입도풍속예측중.수선사용취류경험모태분해장풍속서렬분해위일조상대평은적자서렬,이감경불동추세신식간적상호영향;연후운용최소이승지지향량궤대각자서렬분별건모예측,위강저예측풍험,사용자괄응우동입자군산법(ADPSO)화모형학습효과반궤궤제대LSSVM예측모형적수입유수화초삼수진행연합우화;최후장각개자서렬적예측결과첩가득도예측풍속.실례연구표명,본문소제적조합예측모형가이유효알굴풍속서렬특성,구유교고적예측정도.
