中央高校基本科研业务费专项资金(20112072020008)
- 作品数：5 被引量：202H指数：4
- 相关作者：王贺胡志坚李晨贺建波张承学更多>>
- 相关机构：武汉大学学研究院更多>>
- 发文基金：中央高校基本科研业务费专项资金国家教育部博士点基金国家自然科学基金更多>>
- 相关领域：电气工程更多>>
- 基于集合经验模态分解和小波神经网络的短期风功率组合预测被引量：79
- 2013年
- 从挖掘风功率特性出发,提出一种基于集合经验模态分解(EEMD)和小波神经网络(WNN)的新型风功率组合预测模型。首先对风功率序列进行集合经验模态分解,以降低风功率序列的非平稳性特征;其次基于相空间重构挖掘各子序列的统计特性,以避免预测模型输入维数选取的随意性;然后对各子序列建立小波神经网络预测模型;最后叠加各子序列预测结果得到风功率预测值。实例研究表明本文所提的组合预测模型具有较高的预测精度和较大的工程应用潜力。
- 王贺胡志坚陈珍仉梦林贺建波李晨
- 关键词：小波神经网络
- 基于快速智能协调和声搜索法的电力系统经济调度被引量：1
- 2013年
- 计及爬坡速率限制、机组禁行区域、阀点效应、网损和多燃料的电力系统经济调度(economic dispatch,ED)模型具有非凸、非线性和不可微特性,近年来国内外大量的学者对该模型的求解进行了研究。提出了一种快速智能协调和声搜索法(FITHS),并将其应用于ED模型求解之中。以经典的6机系统、15机系统以及含多种燃料选择的10机系统为算例,通过与其他方法相比较,结果表明,FITHS比其他算法收敛速度更快,计算时间更短,能得到更小的发电费用值。FITHS用于求解复杂的ED模型是可行的、快速的和有效的。
- 贺建波胡志坚王贺
- 关键词：阀点效应经济调度
- 基于IPSO-LSSVM的风电功率短期预测研究被引量：28
- 2012年
- 风电功率预测的关键是预测模型的选择和模型性能的优化。选择最小二乘支持向量机(least squares support vector machine,LSSVM)作为风电功率预测模型,使用改进的粒子群算法(improved particle swarm optimization algorithm,IPSO)对影响最小二乘支持向量机回归性能的参数进行优化。在建立了改进的粒子群算法优化最小二乘支持向量机(LSSVM)的风电功率预测模型后,运用该模型对广西某风电场进行了仿真研究。为了对比研究,同时使用前馈(back propagation,BP)神经网络模型和支持向量机(support vector machine,SVM)模型进行了预测。最后采用多种误差指标对三种模型的预测结果进行综合分析。结果表明,使用改进的粒子群算法优化最小二乘向量机(IPSO-LSSVM)的风电功率预测模型具有较高的预测精度。
- 王贺胡志坚张翌晖张子泳张承学
- 关键词：风电功率预测改进粒子群算法最小二乘支持向量机
- 基于聚类经验模态分解和最小二乘支持向量机的短期风速组合预测被引量：90
- 2014年
- 从分析风速序列的非线性和非平稳性特征出发,将一种基于聚类经验模态分解(EEMD)和最小二乘支持向量机(LSSVM)的组合预测模型引入到风速预测中。首先使用聚类经验模态分解将风速序列分解为一组相对平稳的子序列,以减轻不同趋势信息间的相互影响;然后运用最小二乘支持向量机对各子序列分别建模预测,为降低预测风险,使用自适应扰动粒子群算法(ADPSO)和模型学习效果反馈机制对LSSVM预测模型的输入维数和超参数进行联合优化;最后将各个子序列的预测结果叠加得到预测风速。实例研究表明,本文所提的组合预测模型可以有效挖掘风速序列特性,具有较高的预测精度。
- 王贺胡志坚张翌晖李晨杨楠王战胜
- 关键词：风速最小二乘支持向量机
- 基于集合经验模态分解和改进极限学习机的短期风速组合预测研究被引量：16
- 2014年
- 提出一种基于集合经验模态分解(Ensemble empirical mode decomposition)和改进极限学习机(Improved Extreme Learning Machine,IELM)的新型短期风速组合预测模型。采用集合经验模态分解将风速序列分解成不同频段的分量,以降低序列的非平稳性。使用改进极限学习机对各分量分别建模预测,为避免极限学习机输入维数选取的随意性和分量信息丢失等问题,先对各分量重构相空间,最后将各分量预测结果叠加得到最终预测结果。实例研究表明,所提的组合预测模型具有较高的预测精度。
- 张翌晖王贺胡志坚王凯黄东山宁文辉张承学
- 关键词：风速相空间重构
