基于SSA-PSO-ANFIS的短期风速预测研究

被引：22

作者：

林涛 ^{[1
]}

刘航鹏 ^{[1
]}

赵参参 ^{[1
]}

赵成林 ^{[1
]}

马同宽 ^{[2
]}

机构：

[1] 河北工业大学人工智能与数据科学学院

[2] 河北建投新能源有限公司

来源：

太阳能学报 | 2021年 / 42卷 / 03期

关键词：

风电; 预测; 粒子群算法; 奇异谱分析; 自适应模糊神经网络;

D O I：

10.19912/j.0254-0096.tynxb.2018-1184

中图分类号：

TM614 [风能发电]; TP183 [人工神经网络与计算];

学科分类号：

0807 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对风速具有强非线性的特点,提出一种奇异谱分析和改进粒子群优化自适应模糊推理系统的短期风速预测模型。该方法采用奇异谱分析将原始序列分解为趋势和谐波分量,对各分量分别建立模糊神经网络模型,最后将各分量预测结果叠加得到预测风速值。为提高预测精度,改用改进粒子群算法对自适应模糊推理系统的隶属度函数进行优化。以河北某风电场实测数据进行仿真并与传统的神经网络对比分析,结果表明将风速重构后分别预测再叠加降低了原始问题的复杂度,同时提高了预测精度,在不同时间间隔的风速序列预测中该模型显著降低了多步实时预测中的误差。

引用

页码：128 / 134

页数：7

共 11 条

[1] 基于集成经验模态分解和量子细菌觅食优化的风速预测模型
章国勇
伍永刚
张洋
[J]. 太阳能学报, 2015, 36 (12) : 2930 - 2936
[2] 自适应粒子群支持向量机风速组合预测模型
柏丹丹
和敬涵
王小君
田文奇
[J]. 太阳能学报, 2015, 36 (04) : 792 - 797
[3] 基于多位置NWP与主成分分析的风电功率短期预测
王丽婕
冬雷
高爽
[J]. 电工技术学报, 2015, 30 (05) : 79 - 84
[4] 基于ANFIS和减法聚类的动力电池放电峰值功率预测
孙丙香
高科
姜久春
罗敏
何婷婷
郑方丹
郭宏榆
[J]. 电工技术学报, 2015, 30 (04) : 272 - 280
[5] 基于模糊粗糙集与改进聚类的神经网络风速预测
刘兴杰
岑添云
郑文书
米增强
[J]. 中国电机工程学报, 2014, 34 (19) : 3162 - 3169
[6] 基于小波包变换的最小二乘支持向量机短期风速多步预测和信息粒化预测的研究
柳玉
曾德良
刘吉臻
白恺
宋鹏
[J]. 太阳能学报, 2014, 35 (02) : 214 - 220
[7] 基于人工神经网络的风电场短期功率预测
彭怀午
刘方锐
杨晓峰
[J]. 太阳能学报, 2011, 32 (08) : 1245 - 1250
[8] Image steganalysis using improved particle swarm optimization based feature selection
Adeli, Ali
Broumandnia, Ali
[J]. APPLIED INTELLIGENCE, 2018, 48 (06) : 1609 - 1622
[9] Estimation of wind turbine power coefficient by adaptive neuro-fuzzy methodology[J] . Aamer Bilal Asghar,Xiaodong Liu. Neurocomputing . 2017
[10] A robust combination approach for short-term wind speed forecasting and analysis – Combination of the ARIMA (Autoregressive Integrated Moving Average), ELM (Extreme Learning Machine), SVM (Support Vector Machine) and LSSVM (Least Square SVM) forecasts using a GPR (Gaussian Process Regression) model[J] . Jianzhou Wang,Jianming Hu. Energy . 2015

← 1 2 →