公共文化服务平台

基于CEEMD和膜计算优化支持向量机的风速预测被引量：13: 2017年; 为提高预测的可靠性和准确性,提出一个基于模态分解理论和膜计算优化算法的混合模型用于风速预测。与现有的风速预测方法相比,该模型提高了预测精度。该模型包括3个主要步骤:为了简化数据的复杂度,通过互补集合经验模式分解(CEEMD)将原始风电功率时间序列分解成几个固有模态函数(IMFs);对每个IMF分量单独建立膜计算优化算法优化支持向量机(MCO-SVR)的模型进行预测;叠加全部IMF分量的预测值作为最终的预测结果。建立包括单一的支持向量回归机模型、不同分解方法以及相同的分解方法但使用不同的优化算法在内的9种基本模型,来验证所提出的混合模型的优越性。实证研究表明,所提出的混合模型在预测精度上显著优于其他的基本模型。; 殷豪董朕陈云龙; 关键词：支持向量回归机风速预测

基于结合混沌纵横交叉的粒子群算法优化极限学习机的短期负荷预测被引量：26: 2018年; 为提高短期负荷预测精度,针对传统的单一负荷预测模型精度低以及常规智能算法在解决高维、多模复杂问题时容易陷入局部最优的问题进行了研究,提出了一种结合混沌纵横交叉的粒子群算法(CC-PSO)优化极限学习机(ELM)的短期负荷预测模型。ELM的泛化能力与其输入权值和隐含层偏置密切相关,采用结合混沌纵横交叉的粒子群算法优化ELM的输入权值与隐含层偏置,提高了ELM的泛化能力和预测精度。选择广东某地区实际电网负荷数据进行分析,研究结果表明,相对于BP神经网络和支持向量机,ELM具有更高的泛化能力和预测精度;CC-PSO相对于粒子群和遗传算法具有更高的全局搜索能力,CC-PSO-ELM模型具有较高的负荷预测精度。; 殷豪董朕孟安波; 关键词：极限学习机粒子群算法短期负荷预测

基于混合算法优化神经网络的风电预测模型被引量：24: 2017年; 针对粒子群算法陷入局部最优以及Elman神经网络泛化能力不足等缺点,提出一种混合小波包分解(wavelet packet decomposition,WPD)和催化粒子群算法(catytic particle swarm optimization,CPSO)优化Elman神经网络(elman neural network,ENN)的短期风电预测方法。通过小波包变换对风电功率样本进行多层序列分解,对单支重构所得的风电功率子序列采用催化粒子群算法优化的神经网络(CPSO-ENN)进行预测,最后叠加各子序列的预测值,得出实际预测结果。在实例分析中,利用某风电场实际运行数据进行仿真验证,结果表明新模型具有较高的预测精度。; 董朕殷豪孟安波; 关键词：神经网络小波包分解子序列风电功率预测

混合WPD和ACPSO的负荷预测模型: 2017年; 为了解决传统BP神经网络对负荷高频分量预测精度不高、泛化能力弱的缺点以及粒子群算法(PSO)在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种混合小波包变换和自适应交叉粒子群算法(ACPSO)优化神经网络的短期负荷预测新方法。通过小波包变换对负荷样本进行多层序列分解,对单支重构所得的负荷子序列采用自适应交叉粒子群算法优化的神经网络进行预测。最后叠加各子序列的预测值,得出实际预测结果。通过实际电网负荷预测表明,新模型能充分掌握负荷波动的变化规律,有效提高负荷波动大的地区的预测精度,且预测模型具有较强泛化能力。; 匡卫洪董朕; 关键词：小波包分解神经网络负荷预测

基于可变模式分解和NWCSO优化极限学习机的短期风速预测被引量：7: 2017年; 针对风速时间序列的非线性特征导致其难以准确预测的问题,提出一种基于可变模式分解(variational mode decomposition,VM D)和动态NW小世界纵横交叉算法(dynamic NW small w orld crisscross optimization,NWCSO)优化极限学习机的短期风速组合预测模型。采用一种新型的可变模式分解技术,将原始风速时间序列分解为一系列不同带宽的模式分量以降低其非线性,然后对全部分量分别建立极限学习机模型进行预测,并采用小世界纵横交叉算法对极限学习机的输入权值和隐含层偏置进行优化,以获得最佳的预测效果。实验结果表明,基于VMD的组合预测模型较采用其他常规分解方式时预测精度明显提高。; 殷豪董朕马留洋; 关键词：短期风速预测极限学习机

基于模态分解和支持向量机的风电功率组合预测被引量：1: 2017年; 针对风电功率序列的不确定性和随机性特征,提出基于聚类经验模态分解(EEMD)和支持向量回归机(SVR)的风电功率预测模型。同时,为克服支持向量回归机依赖人为经验选择学习参数的弊端,采用纵横交叉算法(CSO)优化支持向量回归机学习参数。首先,利用聚类经验模态分解将原始风电功率序列分解为一系列复杂度差异明显的子序列。然后,分别对每子序列单独建立CSO-SVR预测模型。最后,叠加各子序列的预测值得到实际预测结果。实例研究表明,所提模型能获得优良的风电功率预测结果。; 陈庆鸿肖建华陈冬沣董朕林艺城孟安波; 关键词：支持向量回归机风电功率预测

基于小波包分解和改进差分算法的神经网络短期风速预测方法被引量：10: 2017年; 风速预测在风电场的智能管理和安全并网中起着至关重要的作用,针对风速预测固有的波动性、间歇性和非线性等特点,以及常规BP神经网络和差分算法神经网络均存在容易陷入局部最优导致收敛过早、泛化能力不足等缺陷,提出一种综合WPD和IDE算法的短期风速预测神经网络方法。该方法首先利用WPD将风速的时间序列分解成多种不同频率的子序列,然后采用IDE算法优化后的神经网络对小波包分解后的每个不同频率的子序列进行单步预测,最后将预测后的各个子序列进行叠加,得出最终预测结果。为验证所提方法的有效性,将其分别与采用混合小波分解的BP神经网络风速预测方法和混合小波分解的差分算法风速预测神经网络方法进行对比,对某地区的实际风速数据进行实验仿真,结果表明,所提方法的预测精度明显优于其他算法。; 黄勇东陈冬沣肖建华林艺城董朕; 关键词：差分算法小波包分解风速预测神经网络

基于经验模态分解和小波包分解的组合风电功率预测模型分析被引量：4: 2017年; 为了提高风电场输出功率的预测精度,提出一种基于经验模态分解(empiricalmode decomposition,EMD)与小波包分解(wavelet packet decomposition,WPD)的组合分解方法,与纵横交叉算法(crisscross optimization,CSO)优化后的Elman神经网络组成组合风电功率预测模型。该模型首先利用EMD将风电功率序列进行分解,然后利用样本熵计算EMD分解后序列的复杂度。对于高复杂度序列,利用WPD对序列进行二次分解,建立EMD-WPD-CSO-Elman预测模型;对于复杂度适中的序列,采用CSO优化Elman神经网络参数,建立EMD-CSO-Elman预测模型;对于低复杂度序列,直接建立EMD-Elman预测模型。最后叠加各个序列的预测结果,得到最终的风电预测功率。以某风电场实际采集数据为例,预测提前24 h的风电功率,并与EMD-WPD-CSO-BP、EMD-Elman及WPD-Elman预测模型比较,结果表明,本文提出的风电功率预测组合模型具有更好的精度。; 马留洋董朕; 关键词：风电功率预测经验模态分解小波包分解神经网络

基于混合算法优化的短期风功率预测被引量：6: 2017年; 准确预测风电功率对风电规模化并网以及电网安全运行至关重要。针对短期风电功率预测,提出一种具有自适应噪声特性的完备集成经验模态分解和纵横交叉核极限学习机的混合预测模型。首先采用具有自适应噪声特性的完备集成经验模式将原始风电信号分解成多个固有模态分量;然后利用核极限学习机对各个模态分量进行预测,并采用纵横交叉算法对核极限学习机的惩罚参数和核参数进行优化,从而得到更好的预测结果,最后叠加全部分量的预测值作为最终的预测结果。以2个不同风电场实际采集的数据为算例,并引入不同方法进行对比,证实了该模型的优越性和鲁棒性。; 董朕殷豪孟安波

基于VMD-SE-IPSO-BNN的超短期风电功率预测被引量：7: 2018年; 准确预测风电功率对风电规模化并网至关重要。为了更精确的对风电功率进行预测,提出一种基于可变模式分解(Variational Mode Decomposition,VMD)-样本熵(Sample Entropy,SE)和改进粒子群算法(Improved Particle Swarm Optimization,IPSO)优化贝叶斯神经网络(Bayesian Neural Network,BNN)的超短期风电功率组合预测模型。首先采用VMD-SE将原始风电功率时间序列分解为一系列不同带宽的模式分量以降低其非线性,然后对全部分量分别建立贝叶斯神经网络模型进行预测,并采用IPSO对神经网络的权值和阈值进行寻优,以求获得最佳的预测效果。实验结果表明,基于VMD-SE的预测模型较采用其他常规分解方式时预测精度明显提高,所提组合预测模型具有较高的预测精度。; 殷豪董朕孟安波; 关键词：改进粒子群算法贝叶斯神经网络

渝B2-20050021-1　渝公网安备 50019002500403号　违法和不良信息举报中心　互联网出版许可证　新出网证(渝)字10号

董朕

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

董朕

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈