10 基于DE-BP和DE-SVM的风电功率预测研究

方琛智;崔桂梅;张新;

• 1:内蒙古科技大学信息工程学院

•  

摘要(Abstract)：

为提高风电功率预测精度,提出基于差分进化算法优化BP神经网络和支持向量机的组合预测方法,以进行风机发电功率预测.选取风速和风向角作为风机的影响因素.使用内蒙古某风电场实际数据对预测模型进行仿真,最终结果表明:组合预测方法比单一的BP神经网络或者支持向量机预测模型的准确性和有效性更高.

关键词(KeyWords)： 风电功率预测;BP神经网络;支持向量机;差分进化算法;组合预测

基金项目(Foundation): 国家自然科学基金资助项目(61763039);; 内蒙古自治区自然科学基金资助项目(2019MS05047)

作者(Author): 方琛智;崔桂梅;张新;

Email:

DOI: 10.16559/j.cnki.2095-2295.2021.03.010

参考文献(References)：

• [1]杨锡运，张艳峰，叶天泽，等．基于朴素贝叶斯的风电功率组合概率区间预测[J]．高电压技术，2020,46(3):1099．

• [2]张新，杨建华，王维洲．面向农村微能网的评价指标构建及应用[J]．农业工程学报，2020,36(6):196．

• [3]乔颖，鲁宗相，闵勇．提高风电功率预测精度的方法[J]．电网技术，2017,41(10):3261．

• [4]符杨，郑紫宸，时帅，等．考虑气象相似性与数值天气预报修正的海上风功率预测[J]．电网技术，2019,43(4):1253．

• [5]马斌，张丽艳，郭成．一种变权重风电功率最优组合预测模型[J]．电力系统保护与控制，2016,44(5):117．

• [6]王佶宣，邓斌，王江．基于经验模态分解与RBF神经网络的短期风功率预测[J]．电力系统及其自动化学报，2020,32(11):109．

• [7]王一珺，贾嵘．基于Elman和实测风速功率数据的短期风功率预测[J]．高压电器，2017,53(9):125．

• [8]杨阳，杨璐，郎劲．基于LS-SVM算法的多场景风功率预测研究[J]．智慧电力，2017,45(7):58．

• [9]苏学能，刘天琪，曹鸿谦，等．基于Hadoop架构的多重分布式BP神经网络的短期负荷预测方法[J]．中国电机工程学报，2017,37(17):4966．

• [10]王新普，周想凌，邢杰，等．一种基于改进灰色BP神经网络组合的光伏出力预测方法[J]．电力系统保护与控制，2016,44(18):81．

• [11]李飞，刘建昌，石怀涛，等．基于分解和差分进化的多目标粒子群优化算法[J]．控制与决策，2017,32(3):403．

• [12]崔桂梅，刘伟，张帅，等．基于差分进化支持向量机的轧制力预测[J/OL]．中国测试:1-6[2021-03-15].http://kns.cnki.net/kcms/detail/51.1714.TB.20210115.1410.004.html.