典型文献
基于集群划分的区域短期风电功率预测模型
文献摘要：
首先,利用自适应K-means聚类算法对区域风电场进行合理集群划分,并选择集群内各风电场历史功率数据与集群总历史功率数据间相关系数大的风电场为集群特征点;其次,为各集群特征点分别建立基于改进粒子群(improved particle swarm optimization,IPSO)优化的长短期神经网络(long short-term memory,LSTM)风电功率预测模型(IPSO-LSTM);最后,以各集群特征点的功率预测值为输入,利用IPSO-LSTM模型预测各集群的风电功率,以各集群风电功率预测值之和为该区域的风电功率预测结果.以实际数据为算例的仿真结果表明,所提方法不仅克服了人为确定LSTM参数的缺点,且相比于直接相加法,能更好地拟合实际风电功率曲线,具有更高的预测精度.
文献关键词：
集群划分;区域风电功率预测;自适应K-means;改进粒子群优化;长短期神经网络
中图分类号：
作者姓名：
黄秋红;王霄;杨靖;范圆成
作者机构：
贵州大学电气工程学院,贵州贵阳 550025;中国电建集团贵州工程有限公司,贵州贵阳 550025
文献出处：
引用格式：
[1]黄秋红;王霄;杨靖;范圆成-.基于集群划分的区域短期风电功率预测模型)[J].电力科学与工程,2022(12):8-17
A类：
区域风电功率预测
B类：
集群划分,短期风电功率预测,功率预测模型,means,聚类算法,风电场,特征点,improved,particle,swarm,optimization,IPSO,长短期神经网络,long,short,term,memory,实际数据,相加,加法,风电功率曲线,改进粒子群优化
AB值：
0.205566
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。
