期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于SOM-FCM和KELM组合方法的短期光伏功率预测
1
作者
刘齐波
李军
《Journal of Measurement Science and Instrumentation》
CAS
CSCD
2024年第2期204-215,共12页
为了提高短期光伏发电预测的精度,本文提出了一种将聚类后的自组织映射网络(SOM)与优化的核极值学习机(KELM)方法相结合的混合预测模型。首先,利用SOM来对训练数据集进行初始划分。然后,利用模糊C均值(FCM)对训练好的SOM网络进行聚类操...
为了提高短期光伏发电预测的精度,本文提出了一种将聚类后的自组织映射网络(SOM)与优化的核极值学习机(KELM)方法相结合的混合预测模型。首先,利用SOM来对训练数据集进行初始划分。然后,利用模糊C均值(FCM)对训练好的SOM网络进行聚类操作,同时利用Davies-Bouldin指数(DBI)来确定最佳聚类的大小。最后,在每个数据分区中,通过结合差分演化算法优化的KELM方法来建立区域KELM模型,或者结合最小二乘估计的多元线性回归(MR)方法来构建区域MR模型。此外,本文还提出了基于SOM的不同局部多元回归模型。将提出的结合SOM-FCM和KELM的混合预测模型分别应用于GEFCom2014三个不同太阳能电站,进行提前一小时的发电功率预测。与其他预测模型相比,光伏发电站1的平均绝对误差(MAE)降低了61.41%,光伏发电站2的MAE降低了60.19%,光伏发电站3的MAE降低了58.92%。光伏发电站1的均方根误差(RMSE)降低了52.06%,光伏发电站2的RMSE降低了54.56%,光伏发电站3的RMSE降低了51.43%。实验结果表明,提出的结合SOMFCM和KELM的方法可显著提高预测准确性。
展开更多
关键词
光伏发电
功率预测
自组织映射神经网络
区域建模方法
优化的核极限学习机(KELM)方法
下载PDF
职称材料
题名
基于SOM-FCM和KELM组合方法的短期光伏功率预测
1
作者
刘齐波
李军
机构
兰州交通大学自动化与电气工程学院
出处
《Journal of Measurement Science and Instrumentation》
CAS
CSCD
2024年第2期204-215,共12页
基金
supported by National Natural Science Foundation of China(No.51467008)
Gansu Provincial Department of Education Industry Support Program(No.2021CYZC-32)。
文摘
为了提高短期光伏发电预测的精度,本文提出了一种将聚类后的自组织映射网络(SOM)与优化的核极值学习机(KELM)方法相结合的混合预测模型。首先,利用SOM来对训练数据集进行初始划分。然后,利用模糊C均值(FCM)对训练好的SOM网络进行聚类操作,同时利用Davies-Bouldin指数(DBI)来确定最佳聚类的大小。最后,在每个数据分区中,通过结合差分演化算法优化的KELM方法来建立区域KELM模型,或者结合最小二乘估计的多元线性回归(MR)方法来构建区域MR模型。此外,本文还提出了基于SOM的不同局部多元回归模型。将提出的结合SOM-FCM和KELM的混合预测模型分别应用于GEFCom2014三个不同太阳能电站,进行提前一小时的发电功率预测。与其他预测模型相比,光伏发电站1的平均绝对误差(MAE)降低了61.41%,光伏发电站2的MAE降低了60.19%,光伏发电站3的MAE降低了58.92%。光伏发电站1的均方根误差(RMSE)降低了52.06%,光伏发电站2的RMSE降低了54.56%,光伏发电站3的RMSE降低了51.43%。实验结果表明,提出的结合SOMFCM和KELM的方法可显著提高预测准确性。
关键词
光伏发电
功率预测
自组织映射神经网络
区域建模方法
优化的核极限学习机(KELM)方法
Keywords
photovoltaic power generation
power forecasting
self-organizing map
regional modeling methods
optimized kernel extreme learning machine(KELM)method
分类号
TM615 [电气工程—电力系统及自动化]
TP18 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于SOM-FCM和KELM组合方法的短期光伏功率预测
刘齐波
李军
《Journal of Measurement Science and Instrumentation》
CAS
CSCD
2024
0
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部