基于改進的灰色模型和支持向量機的風(fēng)電功率預(yù)測
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>7.2MB
頁數(shù):6P
人氣 :70
4.5
使用組合模型進行了風(fēng)速預(yù)測,然后在此基礎(chǔ)上進行了風(fēng)電功率的預(yù)測.利用灰色模型進行風(fēng)速中確定性趨勢預(yù)測,針對灰色GM(1,1)模型的建模機理和風(fēng)速預(yù)測特點對其進行了改進,建立了改進的灰色GM(1,1)風(fēng)速預(yù)測模型;同時使用支持向量機進行風(fēng)速的隨機性預(yù)測;用建立的組合預(yù)測模型輸出的風(fēng)速作為風(fēng)電功率預(yù)測的一個輸入,利用支持向量機模型進行了提前一小時的風(fēng)電功率預(yù)測.算例表明,該方法可有效提高風(fēng)速預(yù)測精度,進而提高風(fēng)電功率的預(yù)測精度.
基于模態(tài)分解和支持向量機的風(fēng)電功率組合預(yù)測
格式:pdf
大小:2.1MB
頁數(shù):7P
針對風(fēng)電功率序列的不確定性和隨機性特征,提出基于聚類經(jīng)驗?zāi)B(tài)分解(eemd)和支持向量回歸機(svr)的風(fēng)電功率預(yù)測模型。同時,為克服支持向量回歸機依賴人為經(jīng)驗選擇學(xué)習(xí)參數(shù)的弊端,采用縱橫交叉算法(cso)優(yōu)化支持向量回歸機學(xué)習(xí)參數(shù)。首先,利用聚類經(jīng)驗?zāi)B(tài)分解將原始風(fēng)電功率序列分解為一系列復(fù)雜度差異明顯的子序列。然后,分別對每子序列單獨建立cso-svr預(yù)測模型。最后,疊加各子序列的預(yù)測值得到實際預(yù)測結(jié)果。實例研究表明,所提模型能獲得優(yōu)良的風(fēng)電功率預(yù)測結(jié)果。
基于時序-支持向量機的風(fēng)電場發(fā)電功率預(yù)測
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>397KB
頁數(shù):5P
準(zhǔn)確的風(fēng)電場風(fēng)電功率預(yù)測可以有效地減輕風(fēng)電場對電力系統(tǒng)的不利影響,同時提高風(fēng)電在電力市場中的競爭力?;跁r間序列法和支持向量機法,對風(fēng)電功率預(yù)測進行研究,提出預(yù)測風(fēng)電功率的時序-支持向量機預(yù)測方法。該方法用時間序列法建模,選取影響風(fēng)電功率最大的參數(shù)作為支持向量機預(yù)測模型的輸入變量;為提高預(yù)測精度,提出基于時間點運動軌跡演化的方法選取與預(yù)測時刻功率相似的樣本作為模型的訓(xùn)練樣本。實例驗證結(jié)果表明,該方法有效地提高了風(fēng)電功率預(yù)測精度。
基于粒子群動態(tài)灰色模型的短期風(fēng)電功率預(yù)測
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>609KB
頁數(shù):6P
4.6
針對風(fēng)場輸出功率短期預(yù)測所遇到的信息貧乏、精度低和不確定性高的問題,提出一種粒子群動態(tài)灰色模型。該模型利用粒子群算法改變背景值參數(shù),通過迭代搜尋和線性化處理對齊次或非齊次的指數(shù)參數(shù)進行連續(xù)優(yōu)化,提升了預(yù)測精度;該模型還引入殘差模型對外界環(huán)境的變化進行預(yù)測,降低了由環(huán)境的不確定性對預(yù)測帶來的影響。將此模型運用到比利時風(fēng)場輸出功率的短期預(yù)測當(dāng)中,實驗結(jié)果證明了該模型對求解所提問題是有效的。
平滑灰色法風(fēng)電功率的預(yù)測研究
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>256KB
頁數(shù):未知
4.6
風(fēng)能是一種清潔的可再生能源,由于風(fēng)力發(fā)電的波動性、間歇性,能使大容量風(fēng)力發(fā)電并網(wǎng)對電力系統(tǒng)可靠、經(jīng)濟運行產(chǎn)生消極影響。為保證電力系統(tǒng)運行的穩(wěn)定性,合理制定調(diào)度計劃,根據(jù)已有的4臺風(fēng)電機組的實測功率,提出對原始數(shù)據(jù)進行平滑化處理和基于灰色預(yù)測模型gm(1,1)的預(yù)測方法。即以風(fēng)電機組第23d前若干天的功率數(shù)據(jù)為原始數(shù)據(jù),對4臺風(fēng)電機組分別進行未來24h(第23d)的功率進行預(yù)測,并按國家標(biāo)準(zhǔn)公式計算預(yù)測準(zhǔn)確率。根據(jù)仿真結(jié)果確定最佳預(yù)測用原始數(shù)據(jù),預(yù)測準(zhǔn)確率達(dá)到國家標(biāo)準(zhǔn),驗證了該方法的有效性和可行性。
基于灰色模型和最小二乘支持向量機的電力短期負(fù)荷組合預(yù)測
格式:pdf
大小:276KB
頁數(shù):6P
4.7
提出一種聯(lián)合灰色模型(greymodel,gm)和最小二乘支持向量機回歸(leastsquaresupportvectorregression,lssvr)算法的電力短期負(fù)荷智能組合預(yù)測方法。在考慮負(fù)荷日周期性的基礎(chǔ)上,通過對歷史負(fù)荷數(shù)據(jù)的不同取舍,構(gòu)建出各種不同的歷史負(fù)荷數(shù)據(jù)序列,并對每個歷史數(shù)據(jù)序列分別建立能修正β參數(shù)的gm(1,1)灰色模型進行負(fù)荷預(yù)測;采用最小二乘支持向量機回歸算法對不同灰色模型的預(yù)測結(jié)果進行非線性組合,以獲取最終預(yù)測值。該方法在充分利用灰色模型所需原始數(shù)據(jù)少、建模簡單、運算方便等優(yōu)勢的基礎(chǔ)上,結(jié)合最小二乘支持向量機所具有的泛化能力強、非線性擬合性好、小樣本等特性,提高了預(yù)測精度。仿真結(jié)果驗證了所提出組合方法的有效性和實用性。
基于灰色支持向量機的輸電線路覆冰厚度預(yù)測模型??
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>407KB
頁數(shù):5P
4.3
為了降低輸電線路覆冰事故對電網(wǎng)安全造成的嚴(yán)重影響,對輸電線路覆冰厚度進行預(yù)測將能夠有效地指導(dǎo)電網(wǎng)抗冰工作.提出了基于灰色支持向量機的輸電線路覆冰厚度短期預(yù)測模型,分析了樣本中臟數(shù)據(jù)的剔除及數(shù)據(jù)預(yù)處理方法,通過模型預(yù)測值與實測數(shù)據(jù)的對比驗證了該模型的準(zhǔn)確性和適用性,根據(jù)模型預(yù)測的線路最大覆冰厚度值對現(xiàn)場觀冰、冰情預(yù)警以及開展交直流融冰提供策略指導(dǎo).將該模型與傳統(tǒng)的支持向量機和廣義回歸神經(jīng)網(wǎng)絡(luò)覆冰預(yù)測模型進行了對比,結(jié)果表明,該模型平均誤差為0.325mm,平均絕對百分誤差僅為2.61%,適用于輸電線路覆冰厚度短期預(yù)測.在易覆冰地區(qū),應(yīng)用該預(yù)測模型能夠更好地指導(dǎo)輸電線路抗冰工作.
綜合最優(yōu)灰色支持向量機模型在季節(jié)型電力負(fù)荷預(yù)測中的應(yīng)用
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>136KB
頁數(shù):4P
4.7
季節(jié)型電力負(fù)荷同時具有增長性和波動性的二重趨勢,使得負(fù)荷的變化呈現(xiàn)出復(fù)雜的非線性組合特征。對此,提出了一種綜合最優(yōu)灰色支持向量機預(yù)測模型,研究了同時考慮2種非線性趨勢的復(fù)雜季節(jié)型負(fù)荷預(yù)測問題,說明了此優(yōu)化模型分別優(yōu)于2種單一負(fù)荷預(yù)測模型。在此基礎(chǔ)上,對一般粒子群算法引入粒子速度自適應(yīng)可調(diào)機制,并利用改進粒子群算法優(yōu)化組合預(yù)測模型中的權(quán)值。對電力負(fù)荷預(yù)測應(yīng)用實例的計算結(jié)果表明,該模型較大提高了季節(jié)型負(fù)荷預(yù)測的精度,具有較好的性能。
基于支持向量機的建筑物沉降預(yù)測模型研究
格式:pdf
大小:514KB
頁數(shù):3P
4.7
建立基于支持向量機的建筑物沉降預(yù)測模型,并將其應(yīng)用于建筑物的沉降預(yù)測。與采用bp神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果相比,支持向量機取得較好的預(yù)測結(jié)果。實例表明支持向量機在小樣本數(shù)據(jù)的預(yù)測上具有精度高、泛化能力強的特點,為建筑物的沉降預(yù)測提供一種新的方法。
基于支持向量機的室內(nèi)轟燃預(yù)測模型研究
格式:pdf
大小:241KB
頁數(shù):6P
4.7
為對室內(nèi)轟燃進行準(zhǔn)確預(yù)測,針對室內(nèi)轟燃樣本的不足在一定程度上制約了其應(yīng)用,為此運用svm技術(shù)構(gòu)建室內(nèi)轟燃預(yù)測的數(shù)學(xué)模型。在小樣本條件下,應(yīng)用工具軟件libsvm進行仿真,并將svm模型預(yù)測結(jié)果和人工神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果進行對比。結(jié)果顯示,svm技術(shù)能較好地解決小樣本和模型預(yù)測精確度之間的矛盾,svm模型其預(yù)測精度及可行性高于神經(jīng)網(wǎng)絡(luò)模型。實例表明,由于室內(nèi)火災(zāi)受多種因素影響,傳統(tǒng)的預(yù)測方法存在一定的局限性,而svm模型預(yù)測法預(yù)測的結(jié)果與試驗結(jié)果比較一致。
基于改進誘導(dǎo)有序加權(quán)算子的風(fēng)電功率預(yù)測
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>448KB
頁數(shù):7P
4.5
針對風(fēng)電功率超短期預(yù)測精度不高的問題,提出了一種結(jié)合theil不等系數(shù)與改進誘導(dǎo)有序加權(quán)算子的組合預(yù)測方法.由于預(yù)測時刻的實際風(fēng)電功率值未知,因此無法直接利用該方法進行預(yù)測.文章利用各單項預(yù)測模型的前幾個時刻的預(yù)測精度均值作為預(yù)測時刻風(fēng)電功率的誘導(dǎo)值,對誘導(dǎo)有序加權(quán)算子進行了改進,解決了預(yù)測時刻誘導(dǎo)值未知的問題.采用誤差信息矩陣對單項模型進行冗余度分析,得到優(yōu)選單項模型,然后建立基于theil不等系數(shù)和3種改進誘導(dǎo)有序加權(quán)算子的組合預(yù)測模型.通過分析和實例驗證表明,結(jié)合theil不等系數(shù)和誘導(dǎo)有序加權(quán)算數(shù)平均算子(iowa)的組合模型能有效地提高風(fēng)電功率預(yù)測精度.
混沌理論和支持向量機結(jié)合的負(fù)荷預(yù)測模型
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>501KB
頁數(shù):5P
4.3
根據(jù)電力負(fù)荷序列的混沌特性,提出混沌理論和蟻群優(yōu)化支持向量機結(jié)合的電力系統(tǒng)短期負(fù)荷預(yù)測新方法,以相空間重構(gòu)理論確定支持向量機的輸入量個數(shù);訓(xùn)練樣本集由對應(yīng)預(yù)測相點的最近鄰相點集構(gòu)成,且是按預(yù)測相點步進動態(tài)相軌跡生成;采用蟻群優(yōu)化算法對支持向量機敏感參數(shù)進行優(yōu)化,從而可增強預(yù)測模型對混沌動力學(xué)的聯(lián)想和泛化推理能力,提高負(fù)荷預(yù)測的精度和提高預(yù)測穩(wěn)定性。對某地區(qū)負(fù)荷系統(tǒng)日、周預(yù)測仿真測試,證明其可獲得穩(wěn)定的較高預(yù)測精度。
風(fēng)電功率預(yù)測預(yù)報系統(tǒng)的設(shè)計與實現(xiàn)研究
格式:pdf
大小:108KB
頁數(shù):1P
4.5
目前,我國風(fēng)電已進入較為快速的發(fā)展時期。而伴隨著風(fēng)電領(lǐng)域的發(fā)展,風(fēng)電輸出功率預(yù)測作為一個新的研究領(lǐng)域,越來越受人們的重視。風(fēng)電功率預(yù)測預(yù)報系統(tǒng)的設(shè)計,不僅提供了風(fēng)電運行的調(diào)度技術(shù),也有利于風(fēng)電調(diào)度安排系統(tǒng)進行發(fā)電計劃的制定,大大降低了風(fēng)電運行的備用容量及運行的成本。與此同時,能夠確保電力系統(tǒng)的運行安全穩(wěn)定,對整個電力市場的有效管理具有重大作用。
風(fēng)電功率實時預(yù)測的方法研究
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>445KB
頁數(shù):2P
4.7
針對風(fēng)電場發(fā)電功率短時間預(yù)測問題,根據(jù)風(fēng)能的“間歇性”和“隨機性”的特點,依據(jù)真實數(shù)據(jù),以“時間序列分析”,“神經(jīng)網(wǎng)絡(luò)系統(tǒng)”,“小渡分析”等數(shù)學(xué)模型思想為基礎(chǔ),分別建立了“時間序列分析模型(ar模型)”,“時間序列分析模型(arm模型)+小波分析模型”與“神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型”對我國大唐赤峰東山風(fēng)電場風(fēng)電功率進行實時預(yù)測。最后,根據(jù)國家能源局頒布的相應(yīng)指標(biāo)對這三種模型進行分析和評估。
基于支持向量機的機械系統(tǒng)狀態(tài)組合預(yù)測模型研究
格式:pdf
大小:642KB
頁數(shù):4P
4.7
提出了一種新的支持向量機(supportvectormachines,svm)機械系統(tǒng)狀態(tài)組合預(yù)測模型。應(yīng)用fpe(finalprincipleerror)準(zhǔn)則優(yōu)化樣本的維數(shù),采用時域內(nèi)的振動烈度和頻域內(nèi)的特征頻率分量作為預(yù)測機械系統(tǒng)狀態(tài)的敏感因子,構(gòu)建了預(yù)測模型。支持向量機采用新型的結(jié)構(gòu)風(fēng)險最優(yōu)化準(zhǔn)則,預(yù)測能力強、魯棒性好。采用徑向基函數(shù)和ε損失函數(shù),將該模型應(yīng)用于實驗臺和旋轉(zhuǎn)注水機組的狀態(tài)預(yù)測,取得了較好的效果。這表明利用支持向量機的組合預(yù)測模型,可以降低設(shè)備維修代價,提高設(shè)備的安全性和可靠性。
基于支持向量機的建筑物采動損害預(yù)測模型
格式:pdf
大小:138KB
頁數(shù):5P
4.7
為了科學(xué)預(yù)測與評估煤礦采動引起的建筑物采動損害程度,在系統(tǒng)分析建筑物采動損害影響因素的基礎(chǔ)上,基于支持向量機理論,利用礦區(qū)典型建筑物采動損害案例,首次建立了煤礦開采影響下建筑物采動損害程度的支持向量機預(yù)測模型,并測試了該模型的可行性和可靠性.研究成果可為建筑物采動損害預(yù)測提供一條新的技術(shù)途徑.
基于支持向量機的砂土液化預(yù)測模型
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>377KB
頁數(shù):6P
3
基于支持向量機的砂土液化預(yù)測模型——分析了砂土液化的主要影響因素,建立了砂土液化的支持向量機預(yù)測模型。該模型能通過有限經(jīng)驗數(shù)據(jù)的學(xué)習(xí),建立砂土液化類型與其影響因素之間的非線性關(guān)系。運用所建立的模型對具體的砂土液化類型進行了評判,評判結(jié)果表明,...
1.0-風(fēng)電功率預(yù)測系統(tǒng)使用手冊
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>4.9MB
頁數(shù):31P
4.5
風(fēng)電功率預(yù)測系統(tǒng) 操作手冊 2011-09 中國電力科學(xué)研究院 i 目錄 1.登錄操作..................................................................................................................1 2.模塊應(yīng)用操作..........................................................................................................2 2.1實時狀態(tài)監(jiān)測模塊............................................................................................2 2.1.1地圖
基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測仿真分析
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>804KB
頁數(shù):5P
4.3
介紹了風(fēng)電功率預(yù)測的背景,對風(fēng)電功率預(yù)測進行了理論分析,分析了bp神經(jīng)網(wǎng)絡(luò)的原理及基于bp神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測流程和預(yù)測結(jié)果誤差的評價指標(biāo)。以matlab軟件的神經(jīng)網(wǎng)絡(luò)工具箱為仿真平臺,搭建bp神經(jīng)網(wǎng)絡(luò),進行了功率預(yù)測仿真,預(yù)測結(jié)果均方根誤差分別為6.97%、200.59%。兩組仿真對比結(jié)果表明,基于bp神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測在短期預(yù)測中是可行的.
基于改進灰色模型的邊坡位移預(yù)測
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>861KB
頁數(shù):4P
4.3
針對傳統(tǒng)灰色模型在長期預(yù)測中受外界干擾影響預(yù)測精度的問題,通過對灰參數(shù)的二次擬合以及應(yīng)用動態(tài)新陳代謝理論改進灰色模型,結(jié)合實際邊坡工程予以驗證.結(jié)果表明:改進后的灰色模型預(yù)測精度較高,具有工程應(yīng)用價值.
風(fēng)電機組風(fēng)電功率波動概率分布分析
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>338KB
頁數(shù):未知
4.5
本文應(yīng)用概率分布函數(shù)的方法對河南三門峽清源風(fēng)電場五臺機組的風(fēng)電功率波動特性從時間和空間的角度進行分析,對不同的時間尺度下以及單個和總體的數(shù)據(jù)進行擬合,得出最佳的概率分布函數(shù),從其數(shù)值特征上來描述風(fēng)電功率的波動性。
基于蜂群算法改進的BP神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>2.1MB
頁數(shù):7P
4.3
由于風(fēng)能具有隨機性和間歇性的特點,造成了其功率輸出的不穩(wěn)定,而大規(guī)模的風(fēng)電接入給電力系統(tǒng)的正常穩(wěn)定運行和調(diào)度帶來影響。詳細(xì)分析影響風(fēng)電場輸出的因素,確定風(fēng)速、風(fēng)向正弦和余弦為影響風(fēng)電輸出最主要的關(guān)聯(lián)因素,采用統(tǒng)計預(yù)測方法將歷史實際輸出功率、風(fēng)速、風(fēng)向正弦和余弦作為bp神經(jīng)網(wǎng)絡(luò)的輸入矢量,并采用人工蜂群算法優(yōu)化得到神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,構(gòu)建abc-bp神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測模型。通過對某實測風(fēng)電功率進行預(yù)測驗證,結(jié)果表明:基于蜂群算法改進的bp神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測,可以克服bp神經(jīng)網(wǎng)絡(luò)易于陷入局部極小的缺陷和不足,極大地提高了全局搜索能力以及預(yù)測的穩(wěn)定性和精度;同時,將自適應(yīng)的選擇策略引入到蜂群算法優(yōu)化適應(yīng)度的選擇中,減少了網(wǎng)絡(luò)層參數(shù)的訓(xùn)練時間,提高了收斂速度。
基于相空間重構(gòu)的支持向量機的風(fēng)電場風(fēng)速預(yù)測
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>450KB
頁數(shù):4P
4.8
風(fēng)力發(fā)電具有波動性、間歇性和隨機性的特點,風(fēng)力發(fā)電的并網(wǎng)給電力系統(tǒng)的安全運行帶來了嚴(yán)峻挑戰(zhàn),因此,實現(xiàn)風(fēng)電場風(fēng)速的預(yù)測具有重要意義。支持向量機是發(fā)展比較好的一種常用的風(fēng)速預(yù)測方法,但是由于其輸入特征對預(yù)測的精度影響比較大,所以特征的選擇一直是人們所關(guān)注的問題。文章提出采用相空間重構(gòu)理論對風(fēng)電場風(fēng)速進行預(yù)測,并通過與使用自然特征作為輸入特征的預(yù)測方法作比較,驗證了基于相空間重構(gòu)的支持向量機的預(yù)測方法的優(yōu)越性。
基于最小二乘支持向量機的水庫來水量預(yù)測模型
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>154KB
頁數(shù):2P
4.5
為提高水庫來水量的預(yù)測精度,提出了一種基于最小二乘支持向量機(ls-svm)的來水量預(yù)測模型。實例應(yīng)用結(jié)果表明,該模型預(yù)測能力強、預(yù)測精度高,其預(yù)測精度明顯高于bp模型,為來水量預(yù)測提供了一種可靠、有效的方法。
灰色預(yù)測改進模型在建筑物沉降中的應(yīng)用
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>492KB
頁數(shù):4P
4.7
在傳統(tǒng)gm(1,1)模型的基礎(chǔ)上考慮初始條件選取的理論缺陷,提出了改進的灰色預(yù)測模型。通過在隧道開挖后上方建筑物沉降預(yù)測值與實測值的對比分析得出,該模型具有良好的精度,并具有一定的工程應(yīng)用價值。
文輯推薦
知識推薦
百科推薦
職位:成本造價總監(jiān)
擅長專業(yè):土建 安裝 裝飾 市政 園林