电力系统保护与控制
電力繫統保護與控製
전력계통보호여공제
Power System Protection and Control
2015年
21期
86-92
,共7页
光伏并网系统%输出功率预测%模型参数优化%经验模态分解%人工蜂群算法
光伏併網繫統%輸齣功率預測%模型參數優化%經驗模態分解%人工蜂群算法
광복병망계통%수출공솔예측%모형삼수우화%경험모태분해%인공봉군산법
grid-connected photovoltaic generation system%output power forecasting%parameter optimization of model%empirical mode decomposition%artificial bee colony algorithm
针对光伏发电系统的输出功率具有非平稳性和随机性的特点,提出一种基于经验模态分解(EMD)和人工蜂群算法(ABC)优化支持向量机(SVM)的光伏并网系统输出功率预测模型.首先根据预测日的天气预报数据,构建相似日的15 min输出功率时间序列.然后,将输出功率时间序列进行经验模态分解,得到不同尺度下的固有模态分量IMFn和趋势分量Res,针对每个IMF分量和趋势分量分别建立相应的支持向量机预测模型,并对SVM模型参数进行人工蜂群算法寻优预处理.最后,将每个模型预测的结果进行合成重构,得到光伏并网系统输出功率的预测值.通过实际数据测试表明:基于EMD和ABC-SVM的功率预测模型同单一SVM预测模型及未经优化的EMD-SVM预测模型相比,具有更快的运算速度和更高的预测精度.
針對光伏髮電繫統的輸齣功率具有非平穩性和隨機性的特點,提齣一種基于經驗模態分解(EMD)和人工蜂群算法(ABC)優化支持嚮量機(SVM)的光伏併網繫統輸齣功率預測模型.首先根據預測日的天氣預報數據,構建相似日的15 min輸齣功率時間序列.然後,將輸齣功率時間序列進行經驗模態分解,得到不同呎度下的固有模態分量IMFn和趨勢分量Res,針對每箇IMF分量和趨勢分量分彆建立相應的支持嚮量機預測模型,併對SVM模型參數進行人工蜂群算法尋優預處理.最後,將每箇模型預測的結果進行閤成重構,得到光伏併網繫統輸齣功率的預測值.通過實際數據測試錶明:基于EMD和ABC-SVM的功率預測模型同單一SVM預測模型及未經優化的EMD-SVM預測模型相比,具有更快的運算速度和更高的預測精度.
침대광복발전계통적수출공솔구유비평은성화수궤성적특점,제출일충기우경험모태분해(EMD)화인공봉군산법(ABC)우화지지향량궤(SVM)적광복병망계통수출공솔예측모형.수선근거예측일적천기예보수거,구건상사일적15 min수출공솔시간서렬.연후,장수출공솔시간서렬진행경험모태분해,득도불동척도하적고유모태분량IMFn화추세분량Res,침대매개IMF분량화추세분량분별건립상응적지지향량궤예측모형,병대SVM모형삼수진행인공봉군산법심우예처리.최후,장매개모형예측적결과진행합성중구,득도광복병망계통수출공솔적예측치.통과실제수거측시표명:기우EMD화ABC-SVM적공솔예측모형동단일SVM예측모형급미경우화적EMD-SVM예측모형상비,구유경쾌적운산속도화경고적예측정도.
