风电并网进程越来越快,风电功率随机性、间歇性等特点也对整个电网电压以及频率等带来了一定的影响,电网对风力发电功率预测精度提出了更高的要求。基于清洗后的数据,以风力发电输出功率作为输出,在原始的灰狼优化算法(grey wolf optimi...风电并网进程越来越快,风电功率随机性、间歇性等特点也对整个电网电压以及频率等带来了一定的影响,电网对风力发电功率预测精度提出了更高的要求。基于清洗后的数据,以风力发电输出功率作为输出,在原始的灰狼优化算法(grey wolf optimization,GWO)中引入交叉、变异和选择过程,为提升全局搜索性能,搭建了混合灰狼优化算法(hybrid grey wolf optimization,HGWO),并用其对支持向量机(support vector machine,SVM)中的核函数系数g和惩罚系数c进行全局寻优,训练得到基于HGWO-SVM风电功率预测模型。预测结果对比传统的算法形式(包括优化SVM、粒子群算法优化SVM、遗传算法优化SVM),所提的方法更具优越性,耗时相对较短,能实现对风电功率精准、快速预测。展开更多
文摘风电并网进程越来越快,风电功率随机性、间歇性等特点也对整个电网电压以及频率等带来了一定的影响,电网对风力发电功率预测精度提出了更高的要求。基于清洗后的数据,以风力发电输出功率作为输出,在原始的灰狼优化算法(grey wolf optimization,GWO)中引入交叉、变异和选择过程,为提升全局搜索性能,搭建了混合灰狼优化算法(hybrid grey wolf optimization,HGWO),并用其对支持向量机(support vector machine,SVM)中的核函数系数g和惩罚系数c进行全局寻优,训练得到基于HGWO-SVM风电功率预测模型。预测结果对比传统的算法形式(包括优化SVM、粒子群算法优化SVM、遗传算法优化SVM),所提的方法更具优越性,耗时相对较短,能实现对风电功率精准、快速预测。
