陈浩
- 作品数：3 被引量：55H指数：3
- 供职机构：南京信息工程大学信息与控制学院更多>>
- 发文基金：江苏省“六大人才高峰”高层次人才项目国家自然科学基金江苏省高校优势学科建设工程资助项目更多>>
- 相关领域：电气工程自动化与计算机技术更多>>
- 基于IAFSA-BPNN的短期风电功率预测被引量：30
- 2017年
- 为提高短期风电功率预测精度,提出一种基于IAFSA-BPNN的短期风电功率预测方法。该方法通过改进的人工鱼群算法来优化BP神经网络的权值和阈值,从而提高BP神经网络的收敛速度和泛化能力。利用2014年上海某风场实测数据对新算法进行检验。试验结果表明,改进的人工鱼群算法一定程度上克服了原算法后期搜索的盲目性较大,收敛速度减慢,搜索精度变低的缺陷。IAFSA-BPNN混合算法在预测的稳定性和精度、收敛速度等方面优于BPNN、AFSA-BPNN算法。IAFSA-BPNN算法不仅能提高短期风电功率预测的精度,而且改善了预测结果稳定性。
- 张颖超王雅晨邓华熊雄陈浩
- 关键词：短期风电功率预测人工鱼群算法BP神经网络
- 基于风速升降特征的短期风电功率预测被引量：10
- 2016年
- 为提高短期风电功率预测精度,提出了基于风速升降特征的短期风电功率预测方法。该方法分析风速上升或下降对风力发电的影响,根据风速升降特征,为风速添加标记值,增加训练样本维度,从而提高功率预测精度。用上海某风电场2014年9月至2015年9月数据对算法进行验证,并对比最小二乘支持向量机(LSSVM)、极限学习机(ELM)、遗传BP神经网络(GA-BP)三种方法的预测结果。实验结果表明,在风电功率预测中引入风速升降特征能够明显提高了模型的预测精度,适合风电场的短期功率预测。
- 叶小岭陈浩郭晓杰邓华王雅晨
- 关键词：短期风电功率预测特征值LSSVMELM
- 基于WRF模式和PSO-LSSVM的风电场短期风速订正被引量：17
- 2017年
- 风速预测是风电场风电功率预测的基础与前提,以数值天气预报(WRF模式)为基础进行风速预测,为了提高WRF模式预测的准确性,采用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)对WRF模式输出的风速进行订正。同时,为提高LSSVM算法的精确度和减小拟合过程的复杂度,采用粒子群优化算法(Particle Swarm Optimization,PSO)对其参数进行优化。试验结果表明:采用LSSVM订正可以进一步减小WRF模式预测风速的误差,再经过PSO优化后,相对均方根误差和相对平均绝对误差降低了5%~10%,均方根误差下降了0.5 m/s。与未经优化的LSSVM以及极限学习机(ELM)算法对比分析后得出,粒子群优化最小二乘支持向量机(PSO-LSSVM)对WRF模式预测的风速有较好的订正效果,能进一步提高风速预测的准确性。
- 叶小岭顾荣邓华陈浩杨星
- 关键词：风力发电WRF模式PSO-LSSVM
