利用蝙蝠算法优化SVR的太阳辐照度预测方法研究

被引：14

作者：

姚海成 ^{[1
]}

周剑 ^{[1
]}

林琳 ^{[2
]}

邢恩恺 ^{[3
]}

黄南天 ^{[3
]}

陈艳伟 ^{[4
]}

机构：

[1] 中国南方电网电力调度控制中心

[2] 吉林化工学院信息与控制工程学院

[3] 东北电力大学电气工程学院

[4] 北京清软创新科技股份有限公司

来源：

可再生能源 | 2018年 / 11期

关键词：

太阳辐照度预测; 支持向量回归; 蝙蝠算法; 惩罚因子; 核函数;

D O I：

暂无

中图分类号：

TP18 [人工智能理论]; TM615 [太阳能发电];

学科分类号：

080811 [新能源发电与电能存储]; 140502 [人工智能];

摘要：

为了提高太阳辐照度的预测精度,提出一种利用蝙蝠算法(BA)优化支持向量回归(SVR)的太阳辐照度预测方法。首先,确定SVR预测器的基本结构,选取环境温度、云量、风速、风向、环境湿度以及年积日等与太阳辐照度关系较为紧密的气象监测数据,构成SVR的输入特征向量,将待预测时段小时平均太阳辐照度作为SVR的输出;然后,以预测精度为判断依据,利用蝙蝠算法对SVR的惩罚因子和RBF核函数方差进行寻优;最后,利用最优参数建立SVR预测模型,并对太阳辐照度进行预测。分析结果表明,相比于无参数优化SVR预测模型和利用粒子群算法优化SVR模型的太阳辐照度预测方法,文章所提出的预测方法具有更高的预测精度。

引用

页码：1612 / 1617

页数：6

共 10 条

[1]

基于改进粒子群优化算法风力发电功率预测研究 [J].

刘武周 ;

刘友波 .

可再生能源, 2017, (09) :1331-1335

[2]

基于PCA-SVM方法的海上风电机组安装费用模型 [J].

李东伟 ;

周子东 .

可再生能源, 2017, (07) :1088-1093

[3]

基于变分模态分解和蝙蝠算法-相关向量机的短期风速区间预测 [J].

范磊 ;

卫志农 ;

李慧杰 ;

Kwok W Cheung ;

孙国强 ;

孙永辉 .

电力自动化设备, 2017, 37 (01) :93-100

[4]

基于EMD与ELM的光伏电站短期功率预测 [J].

李多 ;

董海鹰 ;

杨立霞 .

可再生能源, 2016, 34 (02) :173-177

[5]

基于经验模态分解和ELM神经网络的逐时太阳能辐照量预测 [J].

王守相 ;

王亚旻 ;

刘岩 ;

张娜 .

电力自动化设备, 2014, 34 (08) :7-12

[6]

基于人工神经网络的风电功率预测 [J].

范高锋 ;

王伟胜 ;

刘纯 ;

戴慧珠 .

中国电机工程学报, 2008, (34) :118-123

[7]

A novel clustering approach for short-term solar radiation forecasting[J] M. Ghayekhloo;M. Ghofrani;M.B. Menhaj;R. Azimi Solar Energy 2015,

[8]

Review of solar irradiance forecasting methods and a proposition for small-scale insular grids[J] Maimouna Diagne;Mathieu David;Philippe Lauret;John Boland;Nicolas Schmutz Renewable and Sustainable Energy Reviews 2013,

[9]

Solar radiation prediction using Artificial Neural Network techniques: A review[J] Amit Kumar Yadav;S.S. Chandel Renewable and Sustainable Energy Reviews 2014,

[10]

Bat algorithm: a novel approach for global engineering optimization[J] Xin-She Yang;Amir Hossein Gandomi Engineering Computations 2012,

← 1 →