典型文献
基于粒子群算法改进极限学习机的风电功率短期预测
文献摘要：
风速、风向的随机性导致风电场功率具有很大波动,对风电功率的精确预测在提高电网运行能力,增强电网接收风电能力和适时安排风电场检修计划等方面提供重要依据.提出了一种粒子群优化核极限学习机(PSO-KELM)算法;对风电机组SCADA数据进行预处理,补充和纠正异常数据;针对极限学习机的复共线性问题提出基于核函数的改进极限学习机,避免了极限学习机输出结果的随机性;采用粒子群优化算法对KELM核函数中的惩罚因子和径向参数值进行优化,建立了基于粒子群优化的极限学习机模型.与BPNN与RBFNN等其他方法相比,真实风电场数据验证了该模型的预测精度.
文献关键词：
风电功率预测;粒子群优化;核极限学习机;径向基函数神经网络
中图分类号：
作者姓名：
田艳丰;王顺;王哲;刘洋;邢作霞
作者机构：
沈阳工业大学电气工程学院,辽宁沈阳 110870
文献出处：
引用格式：
[1]田艳丰;王顺;王哲;刘洋;邢作霞-.基于粒子群算法改进极限学习机的风电功率短期预测)[J].电器与能效管理技术,2022(03):39-44,76
A类：
B类：
粒子群算法,算法改进,改进极限学习机,风电功率短期预测,随机性,风电场,大波动,精确预测,电网运行,运行能力,强电,收风,排风,检修计划,核极限学习机,PSO,KELM,风电机组,SCADA,异常数据,对极,共线性,核函数,输出结果,粒子群优化算法,惩罚因子,参数值,极限学习机模型,BPNN,RBFNN,其他方法,数据验证,风电功率预测,径向基函数神经网络
AB值：
0.309408
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
