基于QPSO-LSSVM的风电场超短期功率预测

被引：12

作者：

张涛

孙晓伟

史苏怡

李振兴

机构：

[1] 三峡大学电气与新能源学院

来源：

中国电力 | 2016年 / 03期

关键词：

风功率预测; 量子粒子群; 最小二乘支持向量机; BP神经网络;

D O I：

暂无

中图分类号：

TM614 [风能发电];

学科分类号：

0807 ;

摘要：

准确预测风电场的发电功率,有利于电网的经济和安全调度。为提高风电场超短期功率预测的精度,建立了基于最小二乘支持向量机(LSSVM)的风电场超短期功率预测模型,并采用量子粒子群算法(QPSO)对LSSVM中影响回归性能的参数进行优化。通过对福建某实际风电场超短期功率预测的应用表明,与BP神经网络和QPSO-LSSVM的预测结果相比,QPSO-LSSVM预测模型多种误差指标均较小,具有较高的预测精度和鲁棒性,是一种有效的风电场超短期功率预测方法。

引用

收藏

页码：183 / 187

页数：5

相关论文

共 13 条

[1] 基于季风特性改进风电功率预测的研究展望 [J].

杨正瓴 ;

冯勇 ;

熊定方 ;

杨钊 ;

张玺 ;

张军 .

智能电网, 2015, 3 (01) :1-7

[2] 基于空间相关性的风电功率预测研究综述 [J].

叶林 ;

赵永宁 .

电力系统自动化, 2014, 38 (14) :126-135

[3] 基于IPSO-LSSVM的风电功率短期预测研究 [J].

王贺 ;

胡志坚 ;

张翌晖 ;

张子泳 ;

张承学 .

电力系统保护与控制, 2012, 40 (24) :107-112

[4] 基于PSO优化LSSVM的短期风速预测 [J].

孙斌 ;

姚海涛 .

电力系统保护与控制, 2012, 40 (05) :85-89

[5] 基于时序-支持向量机的风电场发电功率预测 [J].

栗然 ;

柯拥勤 ;

张孝乾 ;

唐凡 .

中国电力, 2012, (01) :64-68

[6] 基于经验模态分解和支持向量机的短期风电功率组合预测模型 [J].

叶林 ;

刘鹏 .

中国电机工程学报, 2011, 31 (31) :102-108

[7] 风电功率预测的发展现状与展望 [J].

范高锋 ;

裴哲义 ;

辛耀中 .

中国电力, 2011, (06) :38-41

[8]

基于粒子群优化的最小二乘支持向量机在混合气体定量分析中的应用[J]. 李玉军,汤晓君,刘君华. 光谱学与光谱分析. 2010(03)

[9] 基于最小二乘支持向量机和粒子群算法的两相流含油率软测量方法 [J].

张春晓 ;

张涛 .

中国电机工程学报, 2010, 30 (02) :86-91

[10] 回归最小二乘支持向量机的增量和在线式学习算法 [J].

张浩然 ;

汪晓东 .

计算机学报, 2006, (03) :400-406