排序方式: 共有6条查询结果,搜索用时 31 毫秒
1
1.
风功率预测能够为电网规划设计提供一项重要依据,因而研究如何精准进行风功率预测对保证电网的安全稳定运行具有重要意义。针对正则化系数C和核参数λ作为模型参数,对核极限学习机预测模型精度产生影响的问题,提出了运用PSO对核极限学习机进行参数优化的PSO-KELM预测方法。将正则化系数C和核参数λ作为优化对象,利用PSO方法对参数共同优化,建立PSO-KELM风功率预测模型。对3组实测数据进行了实验研究,引入均方根误差、平均绝对误差和相对标准差作为评价指标,结果显示该方法预测误差好于直接应用KELM方法,并进一步将结果与常用的SVM以及PSO-SVM方法进行了比较。结果表明,PSO-KELM方法具有更好的预测精度和稳定性,能够作为提高风功率预测准确性以及风电并网安全性方面的一种科学有效的参考。 相似文献
2.
3.
4.
5.
风光发电的大量接入,电动汽车充电需求的持续增长,将引起配电网规划与运行特征的根本性改变,因而,研究风光发电以及电动汽车充电站容量配置问题对配电网的稳定与经济运行具有重要意义。本文通过利用网络节点电压、风光电源出力等数据对核极限学习机进行训练学习,构建了基于核极限学习机的容量选择模型,并利用均方根误差对模型精度进行评估。采用IEEE33节点系统作为算例进行仿真,给出满足总投资成本和网络损耗最小的容量配置结果,引入电压稳定性评价指标对结果进行评估,并与支持向量机、遗传算法和粒子群算法获得的结果进行对比分析,验证了所提模型和方法的可行性和有效性。 相似文献
6.
风功率预测在不同应用场景中发挥着越来越重要的作用,从时间尺度上可分为超短期、短期和中长期的风功率预测。基于短期风功率预测对训练时间和预测精度均有较高要求,提出了一种利用共轭梯度(cconjugate gradient,CG)法优化核极限学习机(kernel extreme learning machine,KELM)的方法,即利用共轭梯度核极限学习机(CGKELM)方法来预测风功率,在保证预测精度的前提下,进一步缩短KELM的训练时间。通过利用某风电场的实测数据进行仿真,以均方根误差和相对标准差作为评价指标,将仿真结果分别与反向传播(BP)神经网络、最小二乘支持向量机(LSSVM)和其他KELM方法得到的结果进行比较。研究结果表明:在短期风功率预测方面,CGKELM训练时间比其他方法短,且参数设置简单。该结果证明了CGKELM的有效性,对风电项目的投资决策具有一定的参考价值。 相似文献
1