基于人工蜂群算法的风电功率预测技术-论文.pdf

《基于人工蜂群算法的风电功率预测技术-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第18卷第3期上海电机学院学报VO1．18NO．32015正JOURNALOFSHANGHAIDIAN『JIUNIVERSITY2O15文章编号2095—0020(2015)03—0141—05基于人工蜂群算法的风电功率预测技术张鑫，陈国初王永翔(上海电机学院电气学院，上海200240)摘要：风电场的安全运行需要风电功率预测具有较高的精度。尽管支持向量机(SVM)理论在解决预测数据非线性等方面有较大优势，但SVM的参数难以选取。采用人工蜂群算法(ABC)对SvM中的参数进行寻优并对风电功率进行预

2、测，将仿真预测结果与标准SVM预测结果进行对比，结果证明该方法提高了预测精度。关键词：支持向量机；风力发电；功率预测；人工蜂群算法中图分类号：TM614文献标志码：AWindPowerPredictionBasedonArtificialBeeColonyAlgorithmZHANGXin，CHENGuochu，WANGYongxiang(SchoolofElectricEngineering，ShanghaiDianjiUniversity，Shanghai200240，China)Abstr

3、act：Safeoperationofwindgridrequireshighprecisionofwindpowerprediction．Thesupportvectormachine(SVM)hasgreatadvantagesinsolvingnon—linearproblems．Thispaperuseartificialbeecolony(ABC)tosearchforoptimalparametersofSVMbecausetheyaredifficulttodetermine．Th

4、eSimulationresultsarecomparedwithanordinarySVMmodel，showingthatthemethodcanimprovepredictionaccuracy．Keywords：supportvectormachine(SVM)；windpowergeneration；windpowerprediction；artificialbeecolony(ABC)目前，风力发电作为一种可再生能源的发电形chine，sVM)的应用较为广泛。尤其在解决高维和式已在中

5、国被大量生产使用[】]。但是，风能易受非线性问题方面具有速度快和学习能力强等优点，气象环境的影响，具有随机性和不稳定性，对风力但一般是通过网格搜索交叉的方法进行参数寻发电造成了严重的影响。因此，很多学者进行了大优l6]，然而该寻优方法不仅浪费资源且耗时较多。量研究并采用了很多方法进行改进，其中，风电场本文针对SVM存在的参数选取的缺陷，采用基于功率预测[3是有效解决问题的方法之一。在众多人工蜂群算法(ArtificialBeeColony，ABC)优化的预测方法中，支持向量机(SupportVe

6、ctorMa—SVM的风电功率预测方法，对实际风机输出功率收稿日期：2014-06—19基金项目：上海市教育委员会科研创新项目资助(13YZ140)；上海市教育委员会重点学科资助(J51901)作者简介：张鑫(1991一)，女，硕士生，主要研究领域为风电场风电功率预测，E-mail：554383106@qq．corn142上海电机学院学报2015年第3期进行预测。仿真实验表明，基于ABC优化的SVM到高维特征空间，在高维特征空间构造线性函数，的风电功率预测方法的有效性。这样原始样本空间中非线性问

7、题就转化为高维特征空间中的线性问题。1SVM理论一般情况下，SVM的核函数选择高斯径向基SVM是一种通用机器学习方法，一般用于解函数，即决函数拟合、非线性和高维模型识别等问题，具有愚(z)一exPf一1(5)＼，良好的泛化能力和外推能力]。按照用途划分，式中，o为核参数。本文选取径向基核函数。SVM可以分为支持向量分类机(主要用于分类领1．3SVM参数优化域)和支持向量回归机(主要用于预测领域)_1。SVM有两个参数需要选择，即惩罚因子C和1．1支持向量回归原理核参数。C的作用是调节SVM置信范

8、围和经验支持向量回归法先采用一个非线性映射风险比例，使其泛化能力最好。C取值小，表示对：R一R(m≥n，，为维数)，将输入空间映射经验误差的惩罚小，SVM的复杂度小，而经验风到高维的特征空间，数据拟合，险值较大；反之，亦然。c取值小为欠学习，取值-厂(z)一∞·(z)+b(1)大为过学习。的取值与C一样，取值不当也会式中，OJ、妒(z)为m维向量；b为阈值。引起SVM的过学习和欠学习。本文优化的参数根据统计学习理论，SVM回归算法通过目标是惩罚因子C和核函数的参数，采用寻优能力强函数Q来确定回归