共查询到20条相似文献,搜索用时 858 毫秒
1.
2.
基于支持向量机的风速预测模型研究 总被引:5,自引:0,他引:5
由于风速的随机性很大,风速大小的影响因素较多,风速预测的准确度不高.针对这种现象,该文基于支持向量机(SVM)理论,结合风速资料,建立支持向量机(SVM)预测模型来进行短期的风速预测,由支持向量机预测模型得到的预测风速与实际风速基本一致,预测效果较理想,预测的平均绝对百分比误差为10.07%,验证了支持向量机预测模型在风速短期预测中的可行性. 相似文献
3.
4.
基于蚁群优化的最小二乘支持向量机风速预测模型研究 总被引:1,自引:0,他引:1
基于最小二乘支持向量机理论,建立风速预测模型。同时,由于最小二乘支持向量机参数选取尚无有效方法,该文尝试采用蚁群算法理论来进行参数优化选择。选取某风场前四天的实测风速(采样间隔30min),应用所建立的风速预测模型,来预测第五天的48个风速值,其预测的平均绝对百分比误差仅为9.53%,预测效果较理想,验证了应用蚁群优化算法理论与最小二乘支持向量机理论进行风速预测的可行性,可为风电场规划选址和风力发电功率预测等提供理论支持。 相似文献
5.
6.
提出一种优化的支持向量机风速组合预测模型,首先通过模糊层次分析法对参与组合的单项预测模型进行遴选,在当前风速样本集下自适应决策预测效果较优的单项预测模型的输出值作为支持向量机的输入,将实际风电场风速值作为支持向量机的输出,并采用粒子群算法优化支持向量机组合模型的参数。基于实际运营的风电场数据进行仿真分析,自适应遴选出BP神经网络、RBF神经网络、小波神经网络和遗传算法优化BP神经网络这4种单项预测模型参与支持向量机组合,结果表明所提方法的预测精度不仅高于单项模型,且高于线性组合预测模型和神经网络组合预测模型。 相似文献
7.
8.
为了对电厂煤质发热量进行简单准确的测量,在煤质发热量理论研究的基础上,提出了利用支持向量机算法进行软测量。对支持向量机的数学原理进行分析后,利用某燃煤电厂的运行数据,构建了支持向量机模型。在构建模型过程中引入了PSO(粒子群优化算法)寻找模型中涉及的惩罚参数c和核函数参数g的最优值,然后利用最优值构建了PSO-SVM软测量模型,模型的测试结果表明:PSO-SCM模型相对误差集中在1%以内,CV(交叉验证法)建立的SVM模型相对误差在1.5%左右,而常用的BP(按误差逆传播算法训练的多层前馈网络)神经网络模型得到的相对误差只能保证在3%以内,可见PSO-SVM款测量模型对煤质发热量的测量更准确。 相似文献
9.
由于风速信号是非线性、非稳定性的动态信号,用传统预测方法难以达到满意效果。为提高预测精度,提出了基于经验模态分解与多步预测的最小二乘支持向量机相结合的方法,对风速时间序列进行建模预测,即首先对风速动态信号进行经验模式分解,将原信号分解为若干个不同特征尺度(频率)的本征模态函数,然后对不同频带的平稳IMF分量分别建立多步预测的最小二乘支持向量机模型,将各分量的预测值等权求和得到最终预测值。实例分析结果表明,与单一的最小二乘支持向量机预测方法相比,经验模态分解与多步预测的最小二乘支持向量机相结合的风速预测方法误差小,可应用于风速预测中。 相似文献
10.
基于混沌相空间重构与支持向量机的风速预测 总被引:2,自引:0,他引:2
讨论了基于混沌相空间重构和支持向量机的风速预测。对风速数据的混沌特性进行分析,在此基础上进行相空间重构,采用C-C算法求取嵌入维数m和延时时间τ,确定预测模型的输入维m与样本集;在样本集中,采用粗搜索和细搜索的方法选取预测点的参考点,在进行细搜索的过程中提出相关性分离速率的方法,提高了预测精度。利用支持向量机强大的泛化能力,构造出风速预测回归函数,避免了传统的人工神经网络所存在收敛速度慢、结构选择困难和局部极小点问题。最后采用新西兰某风电场采样周期为10min的风速测量数据进行风速预测,实验结果表明采用Chaos-SVR方法有效降低了风速预测误差,且此方法与神经网络法相比具有更好的泛化能力和更高的预测精度。 相似文献
11.
风资源的随机波动性引起的相位滞后性问题,导致风电功率预测精度不高,尤其是风速变化较快时,滞后性引起的预测误差较大。考虑到风速波动与风功率变化密切相关,提出一种非参数核密度估计和数值天气预报(NWP)相结合的方法,并对预测风速误差进行校正,改善了预测风速的相位滞后性;然后将校正后的风速和风功率作为输入数据进行风电功率预测;采用蚁狮算法(ALO)优化最小二乘支持向量机(LSSVM)参数,从而建立基于风速误差校正和ALO-LSSVM组合的风电功率预测模型。算例结果表明,所提方法风功率预测精度更高。 相似文献
12.
分别采用线性相关方法、物理方法和支持向量机(SVM)方法对内蒙古不同地形的两个风电场进行了基于邻近测风塔2个月学习数据的10个月平均风速估算研究,给出了较详细的实现过程,并比较了3种估算方法的预测精度。计算结果表明,线性相关方法能快速给出预测结果,但要求两塔之间的空间相关性良好;物理方法对较平坦地形估算结果精度较高,但对于较复杂地形估算结果平均百分比误差高达15%;SVM方法能给出精度较高的估算结果,在两个风电场的估算平均百分比误差均小于5%,对复杂地形适应性强,综合结果好于其他两种方法。 相似文献
13.
基于持续法、人工神经网络法(ANN)和支持向量机(SVM)3种不同预测模型对内蒙古某风电场短期风速进行了预测研究,比较了不同单一预测模型的预测精度,并进行了4种不同预测模型的组合预测。计算结果表明,单一预测模型中支持向量机方法精度最高,而组合预测中3种方法组合的预测精度最高,并且组合预测精度均高于单一预测方法的精度。同时发现,当单一模型预测误差之间存在较强的负相关关系时,组合预测精度提高明显;而当单一模型预测误差之间存在较强的正相关关系时,则组合预测精度改进有限。 相似文献
14.
15.
针对原始风速信号非线性和非平稳性的特征,提出一种新的改进经验小波变换(IEWT)方法,该方法可将风速信号分解成一组有限带宽的子序列,以降低其不稳定性。在此基础上,结合最小二乘支持向量机(LSSVM),提出基于改进经验小波变换和最小二乘支持向量机(IEWT-LSSVM)的短期风速预测方法,并通过模拟退火粒子群优化算法(SAPSO)对相空间重构参数以及LSSVM模型的2个超参数进行共同优化。最后以华北某风电场采集的风速信号为算例,结果表明基于IEWT-LSSVM的预测模型能有效追踪风速信号的变化,在单步预测和多步预测上均具有较高的预测精度。 相似文献
16.
针对风电场风速预测准确度不高的问题,提出一种基于风速波动特征提取的超短期风速预测方法。首先建立风速-风速变化量联合概率密度模型,分析风速的不确定性特征;根据风速波动特征,应用集合经验模态分解(EEMD)和风速分量样本熵(SampEn)值,将风速分解重组为波动量和趋势量;应用人工鱼群算法(AFSA)优化小波神经网络(WNN)进行趋势量预测;应用改进非线性自回归(INARX)神经网络对风速波动量进行预测,进而得到预测风速。通过实际风电场风速仿真预测,并与多种预测方法对比,表明该预测方法预测结果误差较小,可准确地进行超短期风速预测。 相似文献
17.
18.
19.
针对现有风电场虚拟惯量协调控制在风电机组调频辅助功率协调分配方面的研究,提出一种基于风速预测的风电场虚拟惯量响应场级协同分配策略,具体是通过经验模式分解(EMD)和BP神经网络训练风速时序序列获得风速时序模型,预测短时段内的风速,根据实时转速和预测风速计算惯量分配权重因子,根据频率变化计算全场惯量响应值,通过惯量分配权重因子结合变流器容量限值给单机分配惯量响应值。该控制策略成功应用于云南某148.5 MW风电场站级调频测试,验证了算法的有效性。 相似文献
20.