电网技术
電網技術
전망기술
POWER SYSTEM TECHNOLOGY
2015年
5期
1307-1314
,共8页
超短期风速预测%谱聚类%极端学习机
超短期風速預測%譜聚類%極耑學習機
초단기풍속예측%보취류%겁단학습궤
ultra-short-term wind speed forecasting%spectral clustering (SC)%extreme learning machine (ELM)
较高精度的超短期风速预测是并网运行风电场风电功率预测预报系统建立和运行的必要前提及保证.由于风速影响因素众多,具有较大的波动性和随机性,并具有高度的自相关性,给传统的风速预测方法带来了极大的挑战.提出一种基于谱聚类和极端学习机的超短期风速预测方法.该方法首先利用小波变换和主成分分析对风速数据进行去噪和降维处理,剔除数据的不规则波动,有效降低数据维度;然后分别应用谱聚类对小波变换后的各分解序列进行聚类分析,减少训练样本空间,提高样本有效性,降低计算复杂度;再应用极端学习机对各分解序列分别进行训练,同时通过遗传算法对极端学习机输入权值、偏置等参数进行优化,确保各分解序列输出最佳预测模型;最后将各分解序列预测结果相加得到最终预测结果.以某风电场实际数据进行的建模结果表明该模型有效实现了对风速的超短期、多步预测,采用的方法合理有效.
較高精度的超短期風速預測是併網運行風電場風電功率預測預報繫統建立和運行的必要前提及保證.由于風速影響因素衆多,具有較大的波動性和隨機性,併具有高度的自相關性,給傳統的風速預測方法帶來瞭極大的挑戰.提齣一種基于譜聚類和極耑學習機的超短期風速預測方法.該方法首先利用小波變換和主成分分析對風速數據進行去譟和降維處理,剔除數據的不規則波動,有效降低數據維度;然後分彆應用譜聚類對小波變換後的各分解序列進行聚類分析,減少訓練樣本空間,提高樣本有效性,降低計算複雜度;再應用極耑學習機對各分解序列分彆進行訓練,同時通過遺傳算法對極耑學習機輸入權值、偏置等參數進行優化,確保各分解序列輸齣最佳預測模型;最後將各分解序列預測結果相加得到最終預測結果.以某風電場實際數據進行的建模結果錶明該模型有效實現瞭對風速的超短期、多步預測,採用的方法閤理有效.
교고정도적초단기풍속예측시병망운행풍전장풍전공솔예측예보계통건립화운행적필요전제급보증.유우풍속영향인소음다,구유교대적파동성화수궤성,병구유고도적자상관성,급전통적풍속예측방법대래료겁대적도전.제출일충기우보취류화겁단학습궤적초단기풍속예측방법.해방법수선이용소파변환화주성분분석대풍속수거진행거조화강유처리,척제수거적불규칙파동,유효강저수거유도;연후분별응용보취류대소파변환후적각분해서렬진행취류분석,감소훈련양본공간,제고양본유효성,강저계산복잡도;재응용겁단학습궤대각분해서렬분별진행훈련,동시통과유전산법대겁단학습궤수입권치、편치등삼수진행우화,학보각분해서렬수출최가예측모형;최후장각분해서렬예측결과상가득도최종예측결과.이모풍전장실제수거진행적건모결과표명해모형유효실현료대풍속적초단기、다보예측,채용적방법합리유효.
