基于EMD-SC和AGSA优化支持向量机的超短期风电功率组合预测

风电功率存在较大的随机性、波动性和相关性,这会对风电并网带来极大的挑战。为提高超短期风电功率预测精度,提出一种基于经验模态分解(empirical mode decomposition,EMD)、谱聚类(spectral clustering,SC)和改进型引力搜索算法(ameliorated gravitational search algorithm,AGSA)优化支持向量机(support vector machine,SVM)参数的超短期风电功率组合预测方法。首先通过经验模态分解对风电原始数据进行去噪处理,剔除不规则的数据;然后应用谱聚类对经验模态分解后的子序列进行聚类分析,再应用改进型引力搜索算法优化支持向量机模型对各个子序列进行预测;最后将各子序列的预测结果相加得到最终预测值。以某风电场的实际数据为算例,仿真研究表明,所提出的组合模型能够提高风电功率预测精度,且预测效果较好,同时也证明了所采用方法的合理性。该方法能够用于风电功率的精确预测。

城市小时级需水量的改进型引力搜索算法-最小二乘支持向量机模型预测

本文研究利用最小二乘支持向量机(least squares support vector machine,LS-SVM)算法建立城市小时级需水量预测模型.采取精英策略,自适应的速度更新权重系数,同时引入粒子历史最优信息对引力搜索算法(gravitational search algorithm,GSA)进行了改进.最后采用改进型引力搜索算法(ameliorated gravitational search algorithm,AGSA)优化LS-SVM水量预测模型的正规化参数和核参数来提高模型的预测精度及预测速度.理论测试与实例分析表明,基于AGSA比基于GSA,遗传算法(genetic algorithms,GA)和粒子群优化算法(particle swarm optimization,PSO)的LS-SVM水量预测模型具有更好的预测精度,从而验证了基于AGSA的LS-SVM算法适用于小时级需水量预测问题,AGSA适用于多领域的模型参数的优化过程.