資源描述：
《基于多模型組合優(yōu)化算法的風(fēng)速預(yù)測(cè)方法研究.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、第3O卷第3期電力科學(xué)與技術(shù)學(xué)報(bào)Vo1．30No．32015年9月J0URNALOFEIECTRICPOWERSCIENCEANDTECHNOLOGYSep．2015基于多模型組合優(yōu)化算法的風(fēng)速預(yù)測(cè)方法研究師楠，周蘇荃，李一丹。(1．哈爾濱工業(yè)大學(xué)電氣工程及自動(dòng)化學(xué)院，黑龍江哈爾濱150006；2．黑龍江科技大學(xué)工程訓(xùn)練與基礎(chǔ)實(shí)驗(yàn)中心黑龍江哈爾濱150022)摘要：風(fēng)速的隨機(jī)性和波動(dòng)性較強(qiáng)，單一算法預(yù)測(cè)模型的精度不高。為此，提出基于蟻群優(yōu)化算法的灰色模型和遺傳神經(jīng)網(wǎng)絡(luò)算法相結(jié)合的預(yù)測(cè)方法；給出改進(jìn)灰色模型，并利用蟻群算法的全局尋優(yōu)能力，以殘差平方和最
2、小為原則，對(duì)改進(jìn)灰色模型的權(quán)值進(jìn)行優(yōu)化，實(shí)現(xiàn)了對(duì)風(fēng)速的預(yù)測(cè)。為進(jìn)一步提高精度，把蟻群優(yōu)化灰色模型的結(jié)果作為遺傳神經(jīng)網(wǎng)絡(luò)算法的輸入，實(shí)測(cè)風(fēng)速數(shù)據(jù)作為遺傳神經(jīng)網(wǎng)絡(luò)算法的輸出，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，進(jìn)一步減小了風(fēng)速預(yù)測(cè)的偏差。預(yù)測(cè)結(jié)果與風(fēng)電場(chǎng)實(shí)測(cè)數(shù)據(jù)的對(duì)比分析驗(yàn)證了多算法結(jié)合的預(yù)測(cè)方法的準(zhǔn)確性和有效性。關(guān)鍵詞：風(fēng)速預(yù)測(cè)；灰色模型；蟻群算法；遺傳神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)：TM614文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1673—9140(2015)03—0061—05Windspeedforecastingmethodwithmultimodeloptimizationalgorit
3、hmSHINan～，ZHOUSu—quan，LIYi—dan(1．School0fElectricalEngineeringandAutomation，HarbinInstituteofTechnology，Harbin150006，China；2．EngineeringTrainingandBasicExperimentalCenter，HeilongjiangUniversityofScienceandTechnology，Harbin150022，China)Abstract：Windspeediswithstrongrandomnessand
4、volatility，andthesinglealgorithmmodelofwindforecastingiswithlowaccuracy．Toimprovetheforecastingprecisionofwindspeed，anewwindspeedforecastingmethodwasproposedinthispaper，itcombinedthegraymodel，theantcolonyoptimizationalgorithmandthegeneticneuralnetwork．Theimprovedgreymodelwasgiv
5、—en．Usingtheglobaloptimizationabilityofantcolonyalgorithm，theweightsofimprovedgreymode1waSoptimizedwiththeleastsquarescriterion，andtheforecastofwindspeedcouldbethusrealized．Inordertofurtherimprovetheforecastingprecision，geneticneuralnetworkwastrainedtofurtherreduceerrors，theres
6、ultsofgraymodelwithantcolonyoptimizationwastakenastheinputsofthegeneticneuralnetwork，andthemeasuredwindspeeddatawastakenastheoutput．Thecomparativeanalysisofforecastingresultsandfieldtestingresultsinacertainwindfarmshowedthattheforecastingmethodwaswithhighaccuracyandeffectivenes
7、s．Keywords：windspeedforecasting；greymodel；antcolonyalgorithm；geneticneuralnetwork收稿日期：2015—03—31基金項(xiàng)目：黑龍江省教育廳科學(xué)技術(shù)研究項(xiàng)目(12543053)；黑龍江省自然科學(xué)基金(E201412)通訊作者：師楠(1982一)，女，講師，博士研究生，主要從事可再生能源與電網(wǎng)調(diào)度等研究；E—mail：snhit@sina．cn62電力科學(xué)與技術(shù)學(xué)報(bào)近年來，隨著風(fēng)力發(fā)電在全球范圍內(nèi)的推廣，對(duì)風(fēng)電預(yù)測(cè)準(zhǔn)確性的要求也越來越迫切。例如有相關(guān)1改進(jìn)等維信息灰色預(yù)測(cè)模型調(diào)
8、查結(jié)果顯示，若短期風(fēng)速預(yù)測(cè)的精度提高幾個(gè)百分點(diǎn)，美國(guó)的電力市場(chǎng)年平均發(fā)電量可提高數(shù)十兆1．1GM(1，1)模
