大型风电场超短期风电功率预测

被引：6

作者：

廖志民 ^{[1
]}

孙晔 ^{[1
]}

张欢 ^{[2
]}

机构：

[1] 呼和浩特供电局

[2] 内蒙古自治区特种设备检验院

来源：

电网与清洁能源 | 2013年 / 29卷 / 02期

关键词：

量子粒子群优化; 最小二乘支持向量机; 超短期风电功率预测; 鲁棒性;

D O I：

暂无

中图分类号：

TM614 [风能发电];

学科分类号：

0807 ;

摘要：

针对大规模风电场风电功率的非线性特性,采用最小二乘支持向量机(LS-SVM)的预测模型。由于LS-SVM的参数选择直接影响着模型的预测精度,于是采用一种基于量子粒子群优化方法来选择模型的超参数。为了弥补模型损失的鲁棒性,通过给每个样本误差不同的权系数,建立了具有良好泛化性能的WLS-SVM回归模型,从而进一步提高了模型预测的精度。本文提出一种基于量子粒子群优化(Quantumbehaved Particle Swarm Optimization,QPSO)参数选择的加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLS-SVM)的超短期风电功率预测模型。应用上述方法对内蒙古地区大型风电场进行了预测,结果证明了该方法的有效性。

引用

页码：75 / 79+85 +85

页数：6

共 9 条

[1] 基于统计聚类分析的短期风电功率预测 [J].

方江晓 ;

周晖 ;

黄梅 ;

TSSidhu .

电力系统保护与控制, 2011, 39 (11) :67-73+78

[2] 风力发电系统中风速预测方法综述 [J].

刘烨 ;

卢小芬 ;

方瑞明 ;

宋彦兵 .

电网与清洁能源, 2010, 26 (06) :62-66

[3] 大规模风电场并网对电网的影响及对策综述 [J].

傅旭 ;

李海伟 ;

李冰寒 .

陕西电力, 2010, 38 (01) :53-57

[4] 基于最小二乘支持向量机的风电场短期风速预测 [J].

杜颖 ;

卢继平 ;

李青 ;

邓颖玲 .

电网技术, 2008, (15) :62-66

[5] 基于相似日和蚁群优化LS-SVM的短期电力负荷预测 [J].

李如琦 ;

杨立成 ;

苏媛媛 ;

唐卓贞 .

现代电力, 2008, (02) :33-37

[6] 提前三小时风电机组出力组合预报研究 [J].

刘永前 ;

韩爽 ;

杨勇平 ;

高辉 .

太阳能学报, 2007, (08) :839-843

[7] 基于神经网络的风电场风速时间序列预测研究 [J].

肖永山 ;

王维庆 ;

霍晓萍 .

节能技术, 2007, (02) :106-108+175

[8] 短期负荷预测中支持向量机模型的参数选取和优化方法 [J].

谢宏 ;

魏江平 ;

刘鹤立 .

中国电机工程学报, 2006, (22) :17-22

[9]

Weighted least squares support vector machines: robustness and sparse approximation[J] . J.A.K. Suykens,J. De Brabanter,L. Lukas,J. Vandewalle. Neurocomputing . 2002 (1)

← 1 →