首页|基于改进PSO-DE融合算法优化LSSVM的短期风功率预测

基于改进PSO-DE融合算法优化LSSVM的短期风功率预测

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
为了提高短期风功率预测精度,采用惯性权系数、粒子初始化规则调整和越界粒子变异操作等策略对粒子群—差分进化(Particle Swarm Optimization-Differential Evolution,PSO-DE)融合算法进行改进,形成改进PSO-DE融合算法,从而提高改进PSO-DE融合算法的优化性能.采用改进PSO-DE融合算法对最小二乘支持向量机进行优化,建立基于改进PSO-DE融合算法优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的短期风功率预测模型.采用风电场实际运行数据进行算例分析,结果表明,PSO-DE融合算法能够减少迭代次数,提高收敛精度,基于改进PSO-DE融合算法优化LSSVM的风功率预测模型的平均相对误差、全局最大误差和均方根误差分别为3.26％、5.97％和13.53,预测精度高于其他几种风功率预测方法,验证了所提出的改进策略及短期风功率预测模型的正确性.
Short Term Wind Power Forecast Based on LSSVM Optimized by Improved PSO-DE Fusion Algorithm

张志浩、熊文洁、钟文、印云刚、刘闯、郭文超

展开 >

国网湖北省电力有限公司荆门供电公司,湖北 荆门 448000

国网湖北省电力有限公司荆州供电公司,湖北 荆州 434000

三峡大学电气与新能源学院,湖北 宜昌 443000

风功率 预测 最小二乘支持向量机 粒子群 差分进化

国家自然科学基金

61876097

2022

山东电力技术
山东电机工程学会 山东电力研究院

山东电力技术

影响因子：0.289
ISSN：1007-9904
年,卷(期)：2022.49(10)
  • 5
  • 17