基于PSO-LSSVM的风电预测模型研究
随着泛在电力物联网及坚强智能电网的建设,风力发电技术上的日趋成熟、开发成本的逐渐降低,风力发电的规模不断扩大大规模的风力发电并入电网.然而风力发电量受众多因素影响,如气候、地理等因素,具有很强的随机性和波动性,使得风力发电量的预测准确性受到影响,使得风力发电预测面临巨大的挑战.主要依据实时风速和风向,对风力发电量进行短期预测,以充分利用不可储存的风力发电.介绍了粒子群算法,该算法可优化最小二乘支持向量机模型的参数,并获得最佳参数.将降噪处理后的风电原始数据分别导入到经验参数预测模型和粒子群优化参数的最小二乘支持向量机预测模型中,进行训练和预测,并比较两者预测结果以及分析模型优化的效果.结果表明,基于粒子群优化的最小二乘支持向量机模型的平均相对误差降低到10%以内,相较经验参数模型的预测精度有大幅提高,可以作为电力调峰调度等决策的可靠依据.
粒子群优化、最小二乘支持向量机、风电短期预测
TM715(输配电工程、电力网及电力系统)
2020-08-04(万方平台首次上网日期,不代表论文的发表时间)
共3页
183-185