针对风电场风功率预测问题,利用历史风功率、气象数据和测风塔实时数据等相关信息,提出了带有批特征的混核最小二乘支持向量机(Hybrid kernel least squares support vector machine,HKLSSVM)方法,建立风电场风功率预测模型.为了增强模...针对风电场风功率预测问题,利用历史风功率、气象数据和测风塔实时数据等相关信息,提出了带有批特征的混核最小二乘支持向量机(Hybrid kernel least squares support vector machine,HKLSSVM)方法,建立风电场风功率预测模型.为了增强模型的适应性,设计改进的差分进化算法对模型参数进行优化,并利用稀疏选择方法来选取合适的训练样本集,缩短建模时间,保证预测模型精度.根据风场风机的地理位置分布情况,提出批划分的建模策略,对相近地理位置的风机进行组批,替代传统风场风功率预测方法.通过风场中实际数据进行测试,实验结果表明与其他预测方法相比,本文提出的方法能够提高预测精度和效率,减少风电波动性对电网的影响,从而提高电网的安全性和可靠性.展开更多
文摘针对风电场风功率预测问题,利用历史风功率、气象数据和测风塔实时数据等相关信息,提出了带有批特征的混核最小二乘支持向量机(Hybrid kernel least squares support vector machine,HKLSSVM)方法,建立风电场风功率预测模型.为了增强模型的适应性,设计改进的差分进化算法对模型参数进行优化,并利用稀疏选择方法来选取合适的训练样本集,缩短建模时间,保证预测模型精度.根据风场风机的地理位置分布情况,提出批划分的建模策略,对相近地理位置的风机进行组批,替代传统风场风功率预测方法.通过风场中实际数据进行测试,实验结果表明与其他预测方法相比,本文提出的方法能够提高预测精度和效率,减少风电波动性对电网的影响,从而提高电网的安全性和可靠性.
