典型文献
3种机器学习方法预报风电功率的对比
文献摘要：
根据甘肃省华家岭风力发电场的风场变化特征,利用风电场2017年8月-2018年7月的风电功率监测数据及同期欧洲中期天气预报中心的数值模式预报资料,用随机森林(RF)算法分析和筛选出主要的预报因子,分别选择RF、极限学习机和支持向量机3种机器学习方法建立预报模型,通过对比预报效果,得出适合的预报方法和模型.结果表明,RF算法的平均预报均方根误差为15.6％,预报效果优于极限学习机和支持向量机(预报均方根误差分别为16.8％和17.2％).RF算法在风电功率的短期预报方面取得了更好的效果,预报值与实际监测值更加接近;基于3种机器学习算法建立的风电功率预报模型的预报结果误差值都会随着风速的增大而增大,随着风速的减小而减小.
文献关键词：
机器学习;随机森林算法;极限学习机;支持向量机;风电功率预报
中图分类号：
作者姓名：
陈金车;王金艳;苏士翔;孙彩霞;谢祥珊
作者机构：
兰州大学大气科学学院,甘肃省干旱气候变化与减灾重点实验室,兰州730000
文献出处：
引用格式：
[1]陈金车;王金艳;苏士翔;孙彩霞;谢祥珊-.3种机器学习方法预报风电功率的对比)[J].兰州大学学报（自然科学版）,2022(01):124-129,136
A类：
风电功率预报
B类：
机器学习方法,华家岭,风力发电场,风场,风电场,功率监测,天气预报,数值模式,模式预报,RF,算法分析,预报因子,极限学习机,预报模型,预报效果,预报方法,短期预报,报值,机器学习算法,误差值,随机森林算法
AB值：
0.232806
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。
