多種混合預測算法的研究及應用——以風電場不同風速的時間序列為例.pdf

1、在風力發(fā)電行業(yè)中，如何提高風速預測的準確性一直都是困難和具有挑戰(zhàn)性的問題。準確的風速預測可以指導風電機組的調動、檢修，提高風電場運行效率并保證風電并網(wǎng)的安全。然而，單個預測模型或單一的混合模型都不能對一個風電場中不同特征的風速時間序列進行有效的預測。鑒于此，本文采用K均值聚類方法將山東某風電廠中的50組風速時間序列聚成3類，并對每一類中的風速時間序列隨機抽取4組，5組，6組進行預測。在預測過程中，本文提出了三種混合模型(EMD-SDCS

2、-SVM,FEEDM-CGFPA-ABBP和WD-APSOACO-BP)。三種混合模型的預測過程如下：1)數(shù)據(jù)預處理：利用EMD，F(xiàn)EEMD和WD去掉三種不同特征的風速時間序列的高頻噪聲；2)參數(shù)優(yōu)化：為了提高單一優(yōu)化算法的優(yōu)化性能，本文中提出了三個改進的優(yōu)化算法。利用最速梯度下降算法(SD)改進布谷鳥(CS)算法，提高布谷鳥算法的收斂速度；利用共軛梯度算法改進花粉傳播(FPA)算法，提高了花粉傳播算法的局部搜索能力和收斂速度；利用自適

3、應粒子群算法(APSO)去改進蟻群算法(ACO)，其改進后的蟻群算法避免了陷入局部最優(yōu)，提高了蟻群算法的收斂速度，并降低了單一算法的計算量。3)預測過程：利用SDCS算法優(yōu)化支持向量機(SVM)的懲罰系數(shù)和核函數(shù)，利用CGFPA算法選擇ABBP的兩個參數(shù)k,Bt；利用APSOACO優(yōu)化BP神經網(wǎng)絡的輸入層與隱含層的權值和隱含層與輸出層之間的閾值。數(shù)值實驗表明：在具有不同特征的風速時間序列預測中應使用的不同的混合預測模型，并且與傳統(tǒng)單一的