基于混合粒子群算法和多分位鲁棒极限学习机的短期风速预测方法

被引:26
作者
鲁迪
王星华
贺小平
机构
[1] 广东工业大学自动化学院
关键词
短期风速预测; 多分位鲁棒极限学习机; 混合粒子群算法; 时变滤波经验模态分解;
D O I
暂无
中图分类号
TM614 [风能发电]; TP18 [人工智能理论];
学科分类号
080811 [新能源发电与电能存储]; 140502 [人工智能];
摘要
为实现高精度的短期风速预测,提出一种基于混合粒子群算法和多分位鲁棒极限学习机的短期风速预测方法。在信号处理阶段,利用时变滤波经验模态分解技术将原始风速序列分解为若干子模式以降低其不稳定性。然后采用混合粒子群算法对每一个子模式进行特征提取,接着利用多分位鲁棒极限学习机分别建立预测模型并利用混合粒子群算法进行参数优化,最后对每个子模式的预测值进行聚合计算得到最终的预测结果。仿真结果表明:在考虑使用混合粒子群算法进行特征提取和模型参数优化后,所提方法具有更高的预测精度。同时基于时变滤波法的经验模态分解技术能够进一步提高预测准确性。
引用
收藏
页码:115 / 122
页数:8
相关论文
共 18 条
[1]
基于CEEMD和GWO的超短期风速预测 [J].
王静 ;
李维德 .
电力系统保护与控制, 2018, 46 (09) :69-74
[2]
基于CEEMD和膜计算优化支持向量机的风速预测 [J].
殷豪 ;
董朕 ;
陈云龙 .
电力系统保护与控制, 2017, 45 (21) :27-34
[3]
基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测 [J].
叶瑞丽 ;
郭志忠 ;
刘瑞叶 ;
刘建楠 .
电工技术学报, 2017, 32 (21) :103-111
[4]
基于优化FCM聚类的RELM风速预测 [J].
潘超 ;
秦本双 ;
何瑶 ;
袁翀 ;
沈清野 .
电网技术, 2018, 42 (03) :842-848
[5]
基于小波分解和深度信念网络的短期风速预测 [J].
司徒友 ;
李刚强 ;
张水平 .
广东电力, 2017, 30 (04) :25-30+60
[6]
采用最近历史观测值和PLSR进行空间相关性超短期风速预测 [J].
杨正瓴 ;
刘阳 ;
张泽 ;
朱新山 ;
张军 .
电网技术, 2017, 41 (06) :1815-1822
[7]
基于函数系数自回归模型的风速时间序列预测 [J].
李余琪 ;
张刚林 ;
甘敏 .
数学的实践与认识, 2017, 47 (08) :161-166
[8]
基于混合算法优化神经网络的风电预测模型 [J].
董朕 ;
殷豪 ;
孟安波 .
广东电力, 2017, 30 (02) :29-33
[9]
考虑时空分布特性的风速预测模型 [J].
叶燕飞 ;
王琦 ;
陈宁 ;
伏祥运 ;
赵阳 .
电力系统保护与控制, 2017, 45 (04) :114-120
[10]
基于t Location-Scale分布的风电功率概率预测研究 [J].
杨茂 ;
杜刚 .
中国电力, 2017, 50 (01) :140-145