典型文献
基于改进PSO-DE融合算法优化LSSVM的短期风功率预测
文献摘要：
为了提高短期风功率预测精度,采用惯性权系数、粒子初始化规则调整和越界粒子变异操作等策略对粒子群—差分进化(Particle Swarm Optimization-Differential Evolution,PSO-DE)融合算法进行改进,形成改进PSO-DE融合算法,从而提高改进PSO-DE融合算法的优化性能.采用改进PSO-DE融合算法对最小二乘支持向量机进行优化,建立基于改进PSO-DE融合算法优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的短期风功率预测模型.采用风电场实际运行数据进行算例分析,结果表明,PSO-DE融合算法能够减少迭代次数,提高收敛精度,基于改进PSO-DE融合算法优化LSSVM的风功率预测模型的平均相对误差、全局最大误差和均方根误差分别为3.26％、5.97％和13.53,预测精度高于其他几种风功率预测方法,验证了所提出的改进策略及短期风功率预测模型的正确性.
文献关键词：
风功率;预测;最小二乘支持向量机;粒子群;差分进化
中图分类号：
作者姓名：
张志浩;熊文洁;钟文;印云刚;刘闯;郭文超
作者机构：
国网湖北省电力有限公司荆门供电公司,湖北 荆门 448000;国网湖北省电力有限公司荆州供电公司,湖北 荆州 434000;三峡大学电气与新能源学院,湖北 宜昌 443000
文献出处：
引用格式：
[1]张志浩;熊文洁;钟文;印云刚;刘闯;郭文超-.基于改进PSO-DE融合算法优化LSSVM的短期风功率预测)[J].山东电力技术,2022(10):9-15
A类：
B类：
PSO,DE,融合算法,算法优化,LSSVM,短期风功率预测,用惯,权系数,初始化,越界,变异操作,差分进化,Particle,Swarm,Optimization,Differential,Evolution,提高改,优化性能,最小二乘支持向量机,Least,Squares,Support,Vector,Machine,功率预测模型,风电场,实际运行,运行数据,算例分析,迭代次数,收敛精度,平均相对误差,最大误差,改进策略
AB值：
0.264614
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。
