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

被引：16

作者：

柳玉 ^{[1
]}

曾德良 ^{[2
]}

刘吉臻 ^{[2
]}

白恺 ^{[1
]}

宋鹏 ^{[1
]}

机构：

[1] 华北电力科学研究院有限责任公司

[2] 华北电力大学新能源电力国家重点实验室

来源：

太阳能学报 | 2014年 / 35卷 / 02期

关键词：

风速预测; 最小二乘支持向量机; 小波包变换; 多步预测; 信息粒化;

D O I：

暂无

中图分类号：

TM614 [风能发电]; TP181 [自动推理、机器学习];

学科分类号：

0807 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

讨论风电场短期风速多步预测和信息粒化预测,建模方法采用最小二乘支持向量机回归算法,数据处理方法采用小波包变换算法,在小波变换的基础上有选择地分解高频部分,可进一步提升预测精度。最后,将该文所提的建模方法应用于短期风速多步预测和信息粒化预测。大量实例分析表明,多步预测方法可得到风速预测曲线,适用于含风电场的区域能源连续调度;信息粒化方法可处理冗余数据并得到较准确的风速预测的特征数据,能准确分析不同风电场或不同风电机组的机组特性。

引用

页码：214 / 220

页数：7

共 12 条

[1] Optimal short-term load dispatch strategy in wind farm[J]. LIU JiZhen1, LIU Yu1,2, ZENG DeLiang1,2, LIU JiWei2, Lü You1 ＆ HU Yang1,2 1 State Key Laboratory for Alternate Electrical Power System with Renewable Energy Sources, North China Electric Power University, Beijing 102206, China;2 Beijing Key Laboratory of New Technology and System on Measuring and Control for Industrial Process, North China Electric Power University, Beijing 102206, China;.Science China（Technological Sciences）. 2012(04)
[2] 基于人工神经网络模型的风速预测
黄小华
李德源
吕文阁
成思源
[J]. 太阳能学报, 2011, 32 (02) : 193 - 197
[3] 基于经验模式分解和时间序列分析的风电场风速预测
刘兴杰
米增强
杨奇逊
樊小伟
吴俊华
[J]. 太阳能学报, 2010, 31 (08) : 1037 - 1041
[4] 基于支持向量机的风速预测模型研究
张华
曾杰
[J]. 太阳能学报, 2010, 31 (07) : 928 - 932
[5] 基于小波分解和最小二乘支持向量机的短期风速预测
王晓兰
王明伟
[J]. 电网技术, 2010, 34 (01) : 179 - 184
[6] 基于EMD的BP神经网络海水温度时间序列预测研究
卢晓亭
孙勇
笪良龙
徐国军
[J]. 海洋技术学报, 2009, 28 (03) : 79 - 82
[7] 欧美风电发展的经验与启示[M]. 中国电力出版社 , 肖创英, 2010
[8] 小波分析导论[M]. 西安交通大学出版社 , (美)崔锦泰（CharlesK.Chui）著, 1995
[9] Least squares support vector machine classifiers
Suykens, JAK
Vandewalle, J
[J]. NEURAL PROCESSING LETTERS, 1999, 9 (03) : 293 - 300
[10] Short-term forecasting of wind speed and related electrical power
Alexiadis, MC
Dikopoulos, PS
Sahsamanoglou, HS
Manousaridis, IM
[J]. SOLAR ENERGY, 1998, 63 (01) : 61 - 68

← 1 2 →