基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测
智能电网的建设和大规模风电接入电网对短期风电功率预测精度提出了更高的要求.为了克服支持向量回归机(support vector regression machine,SVR)依赖人为经验选择学习参数的弊端,在量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法中加入自适应早熟判定准则、混合扰动算子和动态扩张?收缩系数,提出了自适应扰动量子粒子群优化算法(adaptive disturbance quantum-behaved particle swarm optimization,ADQPSO),并使用ADQPSO 优化选择SVR 的学习参数.实例研究表明, ADQPSO 算法全局寻优能力强、鲁棒性好、计算耗时短,利用ADQPSO 优化得到的SVR 参数,可有效提高模型的预测精度;与反向传播神经网络(back propagation neural network,BPNN)和径向基神经网络(radial basis function neural network,RBFNN)相比,提出的ADQPSO-SVR 能够提高短期风电功率预测的准确性和稳定性.
短期风电功率预测、学习参数选择、自适应扰动量子粒子群优化算法、支持向量回归机
TM614;TM71(发电、发电厂)
2013-05-09(万方平台首次上网日期,不代表论文的发表时间)
共7页
974-980