基于优化核极限学习机的光伏出力短期预测

基于优化核极限学习机的光伏出力短期预测
田德;张琦
【期刊名称】《电力科学与工程》
【年(卷),期】2017(033)012
【摘要】光伏出力的精确预测有利于确保电力系统的可靠运行,减小投资者的利益风险.考虑到光伏出力的不确定性和非平稳性,首先采用自适应白噪声的完整集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)将原始光伏出力序列分解为一系列相关性较强、较平稳的子序列,再使用核极限学习机(Kernel Extreme Learning Machine,KELM)分别对每一子序列进行预测.由于KELM学习参数选取对其预测性能有较大影响,提出了基于改进蝙蝠算法(Improved Bat Algorithm,IBA)对KELM模型参数进行寻优.最后,将每一子序列预测结果通过求和相加获取最终的预测值.实际算例表明,该IBA 算法收敛速度快,全局搜索能力强,所提的CEEMDAN?IBA?KELM组合方法能有效提高光伏出力的预测精度.
【总页数】7页(P15-21)
【作者】田德;张琦
【作者单位】广东工业大学自动化学院,广东广州510006;广东工业大学自动化学院,广东广州510006
【正文语种】中文
【中图分类】TM615
【相关文献】
1.基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测[J], 任家铭;李灿;姚李孝
2.基于优化BP神经网络光伏出力短期预测研究 [J], 齐琦;陈芳芳;赵辉;赵玉
3.基于数据优化的改进深度学习方法光伏出力超短期预测模型 [J], 雷前;潘妍;徐任超;黄继明;刘巽梁;潘榕
4.基于数据优化的改进深度学习方法光伏出力超短期预测模型 [J], 雷前;潘妍;徐任超;黄继明;刘巽梁;潘榕
5.基于ALSTM的光伏出力短期预测研究 [J], 韩坤
因版权原因，仅展示原文概要，查看原文内容请购买。