基于IBA-KELM的风电功率区间预测方法

被引：13

作者：

林涛 ^{[1
,2
]}

蔡睿琪 ^{[1
]}

张丽 ^{[1
]}

杨欣 ^{[1
]}

刘刚 ^{[1
]}

廖文喆 ^{[1
]}

机构：

[1] 河北工业大学控制科学与工程学院

[2] 河北工业大学计算机科学与软件学院

来源：

可再生能源 | 2018年 / 36卷 / 07期

关键词：

风电; 功率预测; 区间预测; 核极限学习机; 蝙蝠算法;

D O I：

10.13941/j.cnki.21-1469/tk.2018.07.023

中图分类号：

TM614 [风能发电];

学科分类号：

0807 ;

摘要：

在电力系统对功率预测提出更高要求的形势下,风电功率区间预测的方法已经逐渐成为新的热点。文章利用预测区间(PIs)的思想来估计风电场输出功率的不确定性。在优化区间预测目标函数的基础上,利用核极限学习机(KELM)学习速度快,泛化能力强的优点,提出一种基于KELM的风电功率区间预测模型。并使用改进后的蝙蝠算法(IBA)对模型的参数进行优化。为了克服BA易陷入局部最优的缺点,增加了其搜索时的多样性,并加入动态惯性权重,使其收敛速度更快。最后,用河北某风电场的数据进行实验仿真,与传统BP神经网络模型和BA-ELM模型对比分析,结果表明文章提出的预测方法具有速度快,精度高的优点。

引用

页码：1092 / 1097

页数：6

共 16 条

[11] Very‐short‐term probabilistic forecasting of wind power with generalized logit–normal distributions[J] . P. Pinson. &nbspJournal of the Royal Statistical Society: Series C (Applied Statistics) . 2012 (4)
[12] 粒子群优化核极限学习机的变压器故障诊断
裴飞
陈雪振
朱永利
遇炳杰
[J]. 计算机工程与设计, 2015, 36 (05) : 1327 - 1331
[13] Multi-population cooperative bat algorithm-based optimization of artificial neural network model[J] . Najmeh Sadat Jaddi,Salwani Abdullah,Abdul Razak Hamdan. &nbspInformation Sciences . 2014
[14] An Insight into Extreme Learning Machines: Random Neurons, Random Features and Kernels[J] . Guang-Bin Huang. &nbspCognitive Computation . 2014 (3)
[15] 基于连续时间段聚类的支持向量机风电功率预测方法
丁志勇
杨苹
杨曦
张臻
[J]. 电力系统自动化, 2012, 36 (14) : 131 - 135+149
[16] 基于模拟退火高斯扰动的蝙蝠优化算法
贺兴时
丁文静
杨新社
[J]. 计算机应用研究, 2014, 31 (02) : 392 - 397

← 1 2 →