基于改进PSO-DE融合算法优化LSSVM的短期风功率预测

为了提高短期风功率预测精度，采用惯性权系数、粒子初始化规则调整和越界粒子变异操作等策略对粒子群—差分进化（Particle Swarm Optimization-Differential Evolution,PSO-DE）融合算法进行改进，形成改进PSO-DE融合算法，从而提高改进PSO-DE融合算法的优化性能。采用改进PSO-DE融合算法对最小二乘支持向量机进行优化，建立基于改进PSO-DE融合算法优化最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）的短期风功率预测模型。采用风电场实际运行数据进行算例分析，结果表明，PSO-DE融合算法能够减少迭代次数，提高收敛精度，基于改进PSO-DE融合算法优化LSSVM的风功率预测模型的平均相对误差、全局最大误差和均方根误差分别为3.26%、5.97%和13.53，预测精度高于其他几种风功率预测方法，验证了所提出的改进策略及短期风功率预测模型的正确性。