共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
3.
提高风电出力的预测精度,可以减轻风电并网带来的不利影响。利用径向基函数神经网络(RBF)建立风电出力预测模型,并通过正交二乘算法(OLS)对RBF神经网络进行初步训练,以确定网络结构及隐含层各节点中心。在OLS算法训练的网络基础上引入蛙跳算法(SFLA),进一步对隐含层基函数的宽度值进行优化以提高网络的泛化能力。实例预测表明,在相同的网络结构及隐含层中心下,基函数宽度值优化后的RBF神经网络模型预测精度得到了提升。 相似文献
4.
5.
由于风速的随机性、间歇性,以及风电场内各机组风速、功率的分散性,给风功率预测带来了较大难度。在计算风速线性相关的权值基础上,提出了改进模糊C均值聚类算法(fuzzy c-means,FCM)的风速模型,建立了风电场等值风速与改进FCM风速的关系函数。以某风电场实测数据进行验证,结果表明:所提风电功率预测方法算法简单;该方法预测精度提高了71.35%。在该风电场不同日周期下,验证了所提预测方法的有效性和普适性。 相似文献
6.
7.
8.
针对目前最小二乘支持向量机选取核参数和惩罚因子的各种方法尚存在着一定的局限性,文章采用果蝇优化算法对参数进行优化选择,提出了基于果蝇优化算法与最小二乘支持向量机结合的风速混合预测方法。对新疆某风电场为期5天的240个(采样间隔0.5 h)实测风速值进行了仿真测试,利用建立的预测模型,对第5天的风速值进行预测,预测结果的平均绝对百分比误差仅为8.32%。将其与单纯的LS-SVM模型和基于网格搜索优化的LS-SVM模型的预测结果作了对比,仿真结果验证了基于果蝇优化算法和最小二乘支持向量机混合预测模型的可行性和果蝇算法对最小二乘支持向量机参数优化的有效性。 相似文献
9.
针对风电场风速随机性强、波动性明显以及预测难度高等问题,提出一种新型模块化风速预测的方法。该方法主要包含3个模块:风速属性加权模块、智能优化聚类模块及极限学习机风速预测模块。首先考虑不同气象属性对风速的影响和风速的时间波动特性,计算风速属性矩阵元素的皮尔逊系数值并进行加权;然后采用遗传-模拟退火算法优化模糊c均值聚类方法,对加权风速属性矩阵矢量进行聚类;再通过极限学习机构建各类别的风速预测模型,进行短期风速预测。最后结合美国一风电场(N39.91°,W105.29°)的实测数据对风速进行预测,通过对比仿真结果与实测数据验证该文方法的正确性和有效性,结果表明该方法具有较高的预测精度。 相似文献
10.
11.
12.
13.
为了描述煤层气发动机强烈的非线性和解决动态工况下空燃比控制的延迟问题,采用在线聚类算法建立了排气空燃比自适应模糊模型。通过在线聚类算法更新T-S模糊模型结构,基于递推加权最小二乘(WRLS)算法辨识结论参数,结合加权平均算法预测空燃比。动态工况下的实验验证表明,空燃比自适应模糊模型能够补偿延迟,精确捕获空燃比的瞬态偏移。 相似文献
14.
15.
基于蚁群优化的最小二乘支持向量机风速预测模型研究 总被引:1,自引:0,他引:1
基于最小二乘支持向量机理论,建立风速预测模型。同时,由于最小二乘支持向量机参数选取尚无有效方法,该文尝试采用蚁群算法理论来进行参数优化选择。选取某风场前四天的实测风速(采样间隔30min),应用所建立的风速预测模型,来预测第五天的48个风速值,其预测的平均绝对百分比误差仅为9.53%,预测效果较理想,验证了应用蚁群优化算法理论与最小二乘支持向量机理论进行风速预测的可行性,可为风电场规划选址和风力发电功率预测等提供理论支持。 相似文献
16.
由于风速信号是非线性、非稳定性的动态信号,用传统预测方法难以达到满意效果。为提高预测精度,提出了基于经验模态分解与多步预测的最小二乘支持向量机相结合的方法,对风速时间序列进行建模预测,即首先对风速动态信号进行经验模式分解,将原信号分解为若干个不同特征尺度(频率)的本征模态函数,然后对不同频带的平稳IMF分量分别建立多步预测的最小二乘支持向量机模型,将各分量的预测值等权求和得到最终预测值。实例分析结果表明,与单一的最小二乘支持向量机预测方法相比,经验模态分解与多步预测的最小二乘支持向量机相结合的风速预测方法误差小,可应用于风速预测中。 相似文献
17.
基于自适应滤波器和径向基函数网络的内燃机气缸压力识别 总被引:3,自引:0,他引:3
利用鲁棒的递推最小二乘自适应滤波,对非平稳时变性质的柴油机振动信号进行了降噪处理,然后设置软阈值,即将门限以下的信号设置为零,避免了长数据序列的累计误差;进一步去除信号的背景噪声,提高信噪比;最后,利用径向基函数网络强大的函数逼近功能,识别内燃机气缸压力。通过实验表明了该方法的有效性和鲁棒性。 相似文献
18.
提出了基于混沌径向基(RBF)神经网络的汽油机瞬态工况油膜参数辨识方法。利用混沌优化算法确定隐含层高斯函数径向基中心和输出层连接权值,使其达到全局最优,有效地提高RBF神经网络的收敛速度;同时,利用混沌算法训练RBF神经网络,使目标函数取全局最小值或逼近全局最小值,有效地提高辨识模型的辨识精度,并与BP神经网络模型及最小二乘法辨识进行了分析和比较。仿真结果表明:混沌RBF神经网络模型收敛速度快,具有更强的非线性辨识能力,能够有效地提高油膜动态参数的辨识精度,进而得出不同工况下的油膜参数动态特征。 相似文献
19.
针对多输入多输出(MIM0)热工过程的非线性、强耦合、变工况及参数时变等特点,提出了一种基于系统输入输出数据和模糊自适应竞争聚类的模型辨识新方法.该方法首先依据系统的各个典型运行工况,使用模糊自适应竞争聚类对输入输出数据进行聚类划分,并对T—S模糊模型进行结构辨识,以确定系统的模型结构和参数;然后采用最小二乘递推算法对模型后件参数进行辨识,同时对结构辨识参数进行精确修正.将所提出的模型辨识方法用于锅炉一汽轮机非线性系统的模型辨识,仿真结果验证了该方法的有效性. 相似文献
20.
针对传统点预测模型出现的不稳定性问题,提出基于模糊信息粒化的电力系统中光伏出力预测模型。首先运用W. Pedrycz的模糊粒化方法,确定其基本思想,并对数据预测的序列进行模糊信息粒化处理;其次采用最小二乘支持向量机法,通过非线性映射构建最佳的线性回归函数;最后根据非线性惯性权值对自适应粒子群算法参数进行优化,并构建基于模糊信息粒化和最小二乘支持向量机的光伏出力预测功率波动模型。为进一步提升模型稳定性,使用EEMD将光伏数据分解成多个等同的子序列,对波动性较强序列的识别分组粒化,以获得精准预测值。实验结果表明,所提模型能够解决部分随机性与波动性问题,提高整体稳定性,且百分比误差率较小,可广泛应用在现实生活中。 相似文献