基于NARX及混沌支持向量机的短期风速预测

被引：37

作者：

李应求 ^{[1
]}

安勃 ^{[1
]}

李恒通 ^{[2
]}

机构：

[1] 长沙理工大学数学与统计学院

[2] 新加坡国立大学理学院

来源：

电力系统保护与控制 | 2019年 / 47卷 / 23期

基金：

湖南省自然科学基金;

关键词：

风速短期预测; 混沌特性; 时间序列; EGARCH; NARX; 支持向量机;

D O I：

10.19783/j.cnki.pspc.181533

中图分类号：

TM614 [风能发电];

学科分类号：

080811 [新能源发电与电能存储];

摘要：

风速预测精度的提高,对降低风力发电成本、合理安排风场选址等方面有着积极作用。使用DBSCAN聚类对所有数据进行去噪处理,选择最合适的风速数据序列进行实证研究。首先,针对风速数据序列具有混沌性而对预测结果产生影响的问题,采用C-C法确定相空间重构中所需参数。与此同时,结合混沌理论建立混沌支持向量机模型,用以预测未来24 h的风速值。之后,将该模型与EGARCH模型以及具有外生输入的非线性自回归网络(NARX)模型的预测结果进行对比。最后,根据各预测模型的RMSE和MAPE精度对模型预测效果进行评估。结果表明:基于混沌时间序列的支持向量机模型对NWTC m2气象站所在地风速具有最佳预测效果。

引用

页码：65 / 73

页数：9

共 19 条

[1]

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 [J].

鲁迪 ;

王星华 ;

贺小平 .

电力系统保护与控制, 2019, 47 (05) :115-122

[2]

基于小波与最小资源分配网络的超短期风电功率预测研究 [J].

杨杰 ;

霍志红 ;

何永生 ;

郭苏 ;

邱良 ;

许昌 .

电力系统保护与控制, 2018, 46 (09) :55-61

[3]

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

[4]

一种风电场短期风速组合预测模型 [J].

张妍 ;

王东风 ;

韩璞 .

太阳能学报, 2017, 38 (06) :1510-1516

[5]

基于Fast ICA和改进LSSVM的短期风速预测 [J].

孙斌 ;

姚海涛 ;

李田 ;

刘袖 ;

刘博 .

电力系统及其自动化学报, 2014, 26 (01) :22-27

[6]

基于AR-EGARCH的空气温度预测模型 [J].

崔海蓉 ;

张京波 ;

何建敏 .

统计与信息论坛, 2013, 28 (10) :36-41

[7]

基于混沌—LSSVM神经网络风电场风速短期预测 [J].

许刘锋 ;

杨玉良 ;

张磊 ;

张铮杰 ;

朱嵩淞 .

电气自动化, 2013, 35 (04) :25-27+30

[8]

小时风速的向量自回归模型及应用 [J].

孙春顺 ;

王耀南 ;

李欣然 .

中国电机工程学报, 2008, (14) :112-117

[9]

基于DBSCAN聚类算法的研究与实现 [J].

荣秋生 ;

颜君彪 ;

郭国强 .

计算机应用, 2004, (04) :45-46+61

[10]

An experimental investigation of three new hybrid wind speed forecasting models using multi-decomposing strategy and ELM algorithm.[J].Hui Liu;Xiwei Mi;Yanfei Li.Renewable Energy.2018,

← 1 2 →