基于改进粒子群优化算法的短期风电功率预测

被引：6

作者：

徐敏 ^{[1
]}

袁建洲 ^{[1
]}

刘四新 ^{[2
]}

常俊甫 ^{[3
]}

机构：

[1] 南昌大学信息工程学院

[2] 江西省安福县供电公司

[3] 河南省禹州市电力工业公司

来源：

郑州大学学报(工学版) | 2012年 / 06期

关键词：

支持向量机; 风电功率预测; 改进粒子群优化算法; 精度;

D O I：

暂无

中图分类号：

TM614 [风能发电];

学科分类号：

0807 ;

摘要：

针对传统支持向量机(SVM)模型在风电功率预测中存在的参数选取问题,提出一种新的预测模型,采用改进的粒子群(MPSO)优化算法寻求SVM的最优参数模型,经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法.算例结果表明,经MPSO优化的SVM模型应用于短期风电功率预测是有效的,使其预测精度有所提高.

引用

页码：32 / 35

页数：4

共 11 条

[1] 基于自适应粒子群优化的SVM模型在负荷预测中的应用
陆宁
武本令
刘颖
[J]. 电力系统保护与控制, 2011, 39 (15) : 43 - 46+51
[2] 基于RBF神经元网络的风电功率短期预测
武小梅
白银明
文福拴
[J]. 电力系统保护与控制, 2011, 39 (15) : 80 - 83
[3] 基于PSO优化LS-SVM的短期风速预测
龚松建
袁宇浩
王莉
张广明
[J]. 可再生能源, 2011, 29 (02) : 22 - 27
[4] 基于灰色模型的风速-风电功率预测研究
李俊芳
张步涵
谢光龙
李妍
毛承雄
[J]. 电力系统保护与控制, 2010, 38 (19) : 151 - 159
[5] 基于支持向量机的风速与风功率预测方法研究
戚双斌
王维庆
张新燕
[J]. 华东电力, 2009, 37 (09) : 1600 - 1603
[6] 风电场风速和发电功率预测研究
杨秀媛
肖洋
陈树勇
[J]. 中国电机工程学报, 2005, (11) : 1 - 5
[7] 中国风电发展现状及有关技术服务
戴慧珠
陈默子
王伟胜
王晓蓉
[J]. 中国电力, 2005, (01) : 80 - 84
[8] 粒子群算法及应用[M]. 科学出版社 , 纪震, 2009
[9] 支持向量机导论[M]. 电子工业出版社 , (英)NelloCristianini, 2004
[10] Support-Vector Networks.[J] . Corinna Cortes,Vladimir Vapnik. Machine Learning . 1995 (3)

← 1 2 →