多種混合預(yù)測算法的研究及應(yīng)用——以風(fēng)電場不同風(fēng)速的時間序列為例.pdf

1、在風(fēng)力發(fā)電行業(yè)中，如何提高風(fēng)速預(yù)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(fēng)速預(yù)測可以指導(dǎo)風(fēng)電機組的調(diào)動、檢修，提高風(fēng)電場運行效率并保證風(fēng)電并網(wǎng)的安全。然而，單個預(yù)測模型或單一的混合模型都不能對一個風(fēng)電場中不同特征的風(fēng)速時間序列進行有效的預(yù)測。鑒于此，本文采用K均值聚類方法將山東某風(fēng)電廠中的50組風(fēng)速時間序列聚成3類，并對每一類中的風(fēng)速時間序列隨機抽取4組，5組，6組進行預(yù)測。在預(yù)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(yù)測過程如下：1)數(shù)據(jù)預(yù)處理：利用EMD，F(xiàn)EEMD和WD去掉三種不同特征的風(fēng)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(yīng)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(yù)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(jīng)網(wǎng)絡(luò)的輸入層與隱含層的權(quán)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(fēng)速時間序列預(yù)測中應(yīng)使用的不同的混合預(yù)測模型，并且與傳統(tǒng)單一的