典型文献
基于天牛须搜索算法的短期风电功率组合预测
文献摘要：
为了提高风电功率预测精度,提出了一种完全集成经验模态分解(complete ensemble empirical mode decomposition adaptive noise,CEEMDAN)、极限学习机(extreme learning machine,ELM)和改进天牛须搜索算法(improved beetle antennae search algorithm,IBAS)的组合预测模型来预测风电功率.引入动态惯性权重改进天牛的位置更新方式,提高天牛须搜索算法的寻优能力.在预测过程中,首先通过CEEMDAN对原始风电功率数据进行预处理,将非平稳信号分解为一组按照频率和振幅大小排列的序列分量,减少数据波动带来的预测误差.然后利用IBAS优化ELM构建预测模型,分别预测每个序列分量,最后叠加每个序列分量的预测值得到最终预测值.仿真结果表明,与其他预测模型相比,本预测模型预测精度最高,评价指标平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute per-centage error,MAPE)均为最小,具有广阔的实际应用前景.
文献关键词：
短期风电功率预测;完全集成经验模态分解;改进天牛须搜索算法;极限学习机
中图分类号：
作者姓名：
单斌斌;李华;谷瑞政;李玲玲
作者机构：
河北工业大学电气工程学院/省部共建电工装备可靠性与智能化国家重点实验室/河北省电磁场与电器可靠性重点实验室, 天津300130;国网天津市电力公司检修公司,天津300232
文献出处：
引用格式：
[1]单斌斌;李华;谷瑞政;李玲玲-.基于天牛须搜索算法的短期风电功率组合预测)[J].科学技术与工程,2022(02):540-546
A类：
B类：
完全集成经验模态分解,complete,ensemble,empirical,mode,decomposition,adaptive,noise,CEEMDAN,极限学习机,extreme,learning,machine,ELM,改进天牛须搜索算法,improved,beetle,antennae,search,algorithm,IBAS,组合预测模型,测风,动态惯性权重,位置更新,更新方式,寻优能力,非平稳信号,信号分解,少数据,预测误差,平均绝对误差,mean,absolute,error,MAE,root,square,RMSE,平均绝对百分比误差,per,centage,MAPE,短期风电功率预测
AB值：
0.315687
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。
