现代电力
現代電力
현대전력
Modern Electric Power
2015年
6期
7-13
,共7页
张慧玲%高小力%刘永前%阎洁%韩爽
張慧玲%高小力%劉永前%閻潔%韓爽
장혜령%고소력%류영전%염길%한상
风电场短期功率预测%适应性%GA-BP神经网络%RBF神经网络%支持向量机
風電場短期功率預測%適應性%GA-BP神經網絡%RBF神經網絡%支持嚮量機
풍전장단기공솔예측%괄응성%GA-BP신경망락%RBF신경망락%지지향량궤
short-term wind power prediction%adaptability%GA-BP neural network%RBF neural network%support vector machines
风电的间歇性和波动性给风电功率预测带来了较大难度,而地形和气象上的复杂性使单一功率预测算法很难适应不同的风电场.以3种主流风电功率预测算法为研究对象进行比较研究,分别是遗传算法优化的BP神经网络(GA-BP)、径向基函数神经网络(RBF)和支持向量机(SVM),帮助研究人员针对不同风电场的地形和气候特征选择最适合的预测模型,从而提高短期功率预测精度.以中国地形和气候特征不同的3个风电场为例,从预测精度、计算效率、模型适应性3个角度对比分析3种模型在不同气候、不同地形条件下的适应性.结果表明,RBF和SVM预测效果整体优于GA-BP模型,但在不同季节、不同地形条件下3种模型各具优势,以月份为单位建立功率预测模型,可以提高短期功率预测精度.
風電的間歇性和波動性給風電功率預測帶來瞭較大難度,而地形和氣象上的複雜性使單一功率預測算法很難適應不同的風電場.以3種主流風電功率預測算法為研究對象進行比較研究,分彆是遺傳算法優化的BP神經網絡(GA-BP)、徑嚮基函數神經網絡(RBF)和支持嚮量機(SVM),幫助研究人員針對不同風電場的地形和氣候特徵選擇最適閤的預測模型,從而提高短期功率預測精度.以中國地形和氣候特徵不同的3箇風電場為例,從預測精度、計算效率、模型適應性3箇角度對比分析3種模型在不同氣候、不同地形條件下的適應性.結果錶明,RBF和SVM預測效果整體優于GA-BP模型,但在不同季節、不同地形條件下3種模型各具優勢,以月份為單位建立功率預測模型,可以提高短期功率預測精度.
풍전적간헐성화파동성급풍전공솔예측대래료교대난도,이지형화기상상적복잡성사단일공솔예측산법흔난괄응불동적풍전장.이3충주류풍전공솔예측산법위연구대상진행비교연구,분별시유전산법우화적BP신경망락(GA-BP)、경향기함수신경망락(RBF)화지지향량궤(SVM),방조연구인원침대불동풍전장적지형화기후특정선택최괄합적예측모형,종이제고단기공솔예측정도.이중국지형화기후특정불동적3개풍전장위례,종예측정도、계산효솔、모형괄응성3개각도대비분석3충모형재불동기후、불동지형조건하적괄응성.결과표명,RBF화SVM예측효과정체우우GA-BP모형,단재불동계절、불동지형조건하3충모형각구우세,이월빈위단위건립공솔예측모형,가이제고단기공솔예측정도.
