基于不同优化算法下风电预测精度对风水电协调影响研究

研究了持续法、ARIMA方法、改进BP神经网络3种不同的风电预测模型,在相同条件下,经实例仿真发现,改进BP神经网络模型的预测精度好于ARIMA预测模型,而ARIMA预测模型的预测精度好于持续法预测模型.基于上述3种不同的风电预测模型,建立了风-水发电联合协调运行的模型.采用遗传粒子群和混合粒子群2种不同的优化算法来研究风电预测精度对风-水电协调影响,通过仿真实例发现,风电预测模型精度越高,得到的理论值与实际值偏差越小;在考虑2种不同优化算法的情况下,遗传粒子群优化算法得到的数值与实际值偏差比混合粒子群大,同时基于不同风电预测模型下的误差也要比混合粒子群大.     

基于改进粒子群优化算法风力发电功率预测研究

准确的风电功率预测为电网运行调度提供可靠的依据。文章定性分析了数据相关性对功率预测的影响,提出一种基于模拟退火算法和粒子群优化算法相融合的风力发电功率预测模型。在构建基于粒子群优化算法预测模型基础上,针对粒子群优化算法存在的早熟问题,采用模拟退火算法对粒子群算法进行优化。实际算例表明该方法具有较高的预测精度和计算速度,具有较强的实际意义。     

基于ADQPSO-KELM风电功率短期预测模型的研究

为了改善传统风电功率预测方法中误差较大且稳定性较差的问题,引入量子粒子群(QPSO)优化算法、自适应早熟判定准则及混合扰动算子,构建了自适应扰动量子粒子群(ADQPSO)优化算法,通过ADQPSO算法对核极限学习机(KELM)模型进行优化,建立了自适应扰动量子粒子群优化的核极限学习机(ADQPSOKELM)风电功率短期预测模型,并利用内蒙古高尔真风电场采集的风电功率时间序列数据为试验样本进行48h预测分析。结果表明,ADQPSO-KELM风电功率短期预测模型与其他基于KELM优化的风电预测模型及传统风电预测模型相比,其预测的误差更小、准确度更高,且预测稳定性显著增强。     

改进粒子群-极限学习机模型在面板堆石坝运行期沉降预测中的应用

针对极限学习机(ELM)沉降预测模型中随机权值和阈值导致部分节点无效的问题,引入改进粒子群算法(IPSO)优化极限学习机的参数,构建基于改进粒子群-极限学习机算法的面板堆石坝运行期沉降预测模型,并将其应用于某完建的面板堆石坝运行期沉降预测中。结果表明,与未优化的极限学习机预测模型和统计回归预测模型的拟合预测结果相比,经改进粒子群算法优化后的极限学习机预测模型在测点上的拟合精度更高,且由于引入改进粒子群算法后,极限学习机在满足精度条件下所需预设的隐含层神经元数更少,这可极大地降低模型网络的复杂度,避免模型在训练中出现过拟合现象;三个模型中IPSO-ELM模型的泛化能力更好,预测结果更精确、稳定。     

基于磷虾群算法的汽轮机热耗率建模应用

为了准确建立汽轮机热耗率预测模型,以某热电厂600MW超临界汽轮机组为研究对象,采用基于反向学习自适应的磷虾群算法(OAKH)和快速学习网(FLN)进行综合建模,并将该模型的预测结果与基本快速学习网、粒子群算法、生物地理学优化算法和磷虾群算法优化的快速学习网模型的预测结果进行比较.结果表明:OAKH算法能够更好地优化FLN模型参数,使所建立的FLN汽轮机热耗率预测模型具有更高的预测精度和更强的泛化能力,能够准确、有效地预测热电厂的汽轮机热耗率.     

基于距离学习粒子群算法的NO_x减排优化

研究了燃烧优化降低NO_x排放量的方法,介绍了3类NO_x的生成机理,利用集成支持向量机建立NO_x排放预测模型,并利用粒子群算法优化NO_x排放.为了有效克服粒子群的早熟问题,提出了带系数的距离学习粒子群算法.将所提方法应用于某电厂的NO_x减排优化中,并与其他方法进行对比.结果表明:集成支持向量机可以有效提高预测结果的准确性,改进的优化算法可以使NO_x排放量更低,搜索结果也更加稳定.     

基于PSO优化LS-SVM的短期风速预测

提出了一种基于粒子群(PSO)算法优化最小二乘支持向量机(LS-SVM)的风电场风速预测方法。以相关性较高的历史风速序列作为输入,建立预测模型,并用粒子群算法优化模型参数。在对未来1 h风速进行预测时,文章所提出的模型比最小二乘支持向量机模型及BP神经网络模型具有较高的预测精度和运算速度。算例结果表明,经粒子群优化的最小二乘支持向量机算法是进行短期风速预测的有效方法。     

基于PSO-BP神经网络的短期光伏系统发电预测

对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。     

基于社会学习多目标粒子群优化的中长期负荷组合预测方法

精准的负荷预测对提高电网规划水平和准确指导投资具有重要意义。针对经验风险最小化的组合预测模型存在过拟合的缺点,提出了一种基于社会学习多目标粒子群优化算法,并利用偏最小二乘回归模型、支持向量回归模型、灰色预测GM(1,1)模型,引入权重的不确定性函数信息熵来表征期望风险,综合考虑经验风险和期望风险的组合预测模型。仿真结果表明,相比于单一预测模型和其他两种组合预测模型,所提方法具有更高的预测精度,社会学习多目标粒子群优化算法具有更强的全局搜索能力和优化性能。     

基于改进PSO-SVR模型在短期风速预测上的应用研究

针对现有风速预测精度不高等问题,选择一种组合核函数的支持向量机回归模型(SVR),根据粒子的适应度动态自适应地调节算法中惯性权重取值的改进粒子群优化算法优化模型参数,建立基于改进PSO-SVR的短期风速预测模型,通过实例研究验证该方法的有效性与实用性.