基于ADQPSO-KELM风电功率短期预测模型的研究

论文摘要

为了改善传统风电功率预测方法中误差较大且稳定性较差的问题,引入量子粒子群（QPSO）优化算法、自适应早熟判定准则及混合扰动算子,构建了自适应扰动量子粒子群（ADQPSO）优化算法,通过ADQPSO算法对核极限学习机（KELM）模型进行优化,建立了自适应扰动量子粒子群优化的核极限学习机（ADQPSOKELM）风电功率短期预测模型,并利用内蒙古高尔真风电场采集的风电功率时间序列数据为试验样本进行48h预测分析。结果表明,ADQPSO-KELM风电功率短期预测模型与其他基于KELM优化的风电预测模型及传统风电预测模型相比,其预测的误差更小、准确度更高,且预测稳定性显著增强。

论文目录

• 1 引言
• 2 基于ADQPSO-KELM风电功率短期预测模型
•   2.1 极限学习机（ELM）改进
•     2.1.1 极限学习机的训练原理
•     2.1.2 核极限学习机（KELM）模型
•   2.2 自适应扰动量子粒子群优化算法
•     2.2.1 量子粒子群优化算法位置方程
•     2.2.2 自适应早熟判定准则
•     2.2.3 平均最优位置增加混合扰动操作
• 3 算例分析
•   3.1 数据的提取
•   3.2 短期预测算例分析
•   3.3 模型预测效果分析
• 4 结论

文章来源

类型: 期刊论文

作者: 屈伯阳,付立思

关键词: 功率预测,核极限学习机,早熟判定准则,自适应扰动量子粒子群

来源: 水电能源科学 2019年12期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 电力工业,自动化技术

单位: 沈阳农业大学信息与电气工程学院

基金: 国家科技支撑计划(2012BAJ26B01)

分类号: TP18;TM614

页码: 190-193+208

总页数: 5

文件大小: 642K

下载量: 144