基于改進(jìn)遺傳算法尋優(yōu)的SVM風(fēng)能短期預(yù)測(cè).pdf

1、風(fēng)能隨機(jī)波動(dòng)性的特征,嚴(yán)重影響了風(fēng)電場(chǎng)大規(guī)模并入電網(wǎng)后電網(wǎng)的穩(wěn)定安全運(yùn)行。因此,提高風(fēng)能(風(fēng)速,功率)短期的預(yù)測(cè)精度,是實(shí)現(xiàn)電力部門(mén)對(duì)風(fēng)電場(chǎng)的實(shí)時(shí)調(diào)度、減少棄風(fēng),維持接入了風(fēng)電場(chǎng)電網(wǎng)的穩(wěn)定運(yùn)行等目的的主要手段。
　　本文主要研究了通過(guò)對(duì)遺傳算法的改進(jìn),尋找到建立更符合數(shù)據(jù)樣本的支持向量回歸機(jī)的相關(guān)參數(shù),以提高支持向量回歸機(jī)的預(yù)測(cè)精度。預(yù)測(cè)方法:首先,利用小波分析方法處理非平穩(wěn)歷史數(shù)據(jù),以期得到不同頻率的分解序列來(lái)分別建模;其次,通

2、過(guò)小生境算法,免疫算法與標(biāo)準(zhǔn)遺傳算法相結(jié)合的方式來(lái)提高遺傳算法的尋優(yōu)精度和速度;在此基礎(chǔ)上,建立了各個(gè)分量的SVM短期預(yù)測(cè)模型;最后,以內(nèi)蒙古某地區(qū)的小時(shí)風(fēng)速數(shù)據(jù)和國(guó)內(nèi)某風(fēng)電場(chǎng)的功率數(shù)據(jù)為樣本,運(yùn)用MATLAB進(jìn)行仿真,利用本文提出的預(yù)測(cè)模型對(duì)風(fēng)速和功率進(jìn)行短期預(yù)測(cè)。
　　仿真結(jié)果證明了本文對(duì)遺傳算法進(jìn)行改進(jìn)的有效性,同時(shí),相較于利用遺傳算法尋優(yōu)的支持向量機(jī)的預(yù)測(cè)模型,本文提出的預(yù)測(cè)模型可進(jìn)一步提升風(fēng)速和功率的預(yù)測(cè)精度,具有比較大