基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测 |
| |
引用本文: | 陈道君,龚庆武,金朝意,张静,王定美.基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测[J].电网技术,2013(4):974-980. |
| |
作者姓名: | 陈道君 龚庆武 金朝意 张静 王定美 |
| |
作者单位: | 武汉大学电气工程学院;南京南瑞继保电气有限公司;甘肃省电力公司风电技术中心 |
| |
基金项目: | 中央高校基本科研业务费专项资金资助(201120702020009);教育部博士研究生学术新人奖(5052011207016)~~ |
| |
摘 要: | 智能电网的建设和大规模风电接入电网对短期风电功率预测精度提出了更高的要求。为了克服支持向量回归机(support vector regression machine,SVR)依赖人为经验选择学习参数的弊端,在量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法中加入自适应早熟判定准则、混合扰动算子和动态扩张收缩系数,提出了自适应扰动量子粒子群优化算法(adaptive disturbance quantum-behaved particle swarm optimization,ADQPSO),并使用ADQPSO优化选择SVR的学习参数。实例研究表明,ADQPSO算法全局寻优能力强、鲁棒性好、计算耗时短,利用ADQPSO优化得到的SVR参数,可有效提高模型的预测精度;与反向传播神经网络(back propagation neural network,BPNN)和径向基神经网络(radial basis functionneural network,RBFNN)相比,提出的ADQPSO-SVR能够提高短期风电功率预测的准确性和稳定性。
|
关 键 词: | 短期风电功率预测 学习参数选择 自适应扰动量子粒子群优化算法 支持向量回归机 |
本文献已被 CNKI 等数据库收录! |
|