• 设为首页
  • 加入收藏
  • 联系邮箱
  • 网站首页
  • 期刊介绍
    • 期刊简介
    • 历任主编
    • 期刊荣誉
  • 编委会
    • 社长及主编
    • 主任委员
    • 编委名单
  • 投稿指南
    • 作者须知
    • 投稿步骤
    • 范文(规范细则)
    • 稿件处理流程
    • 著作权转让协议
  • 期刊影响力
  • 开放获取
  • 出版道德政策
    • 出版伦理声明
    • 学术不端认定和处理方法
    • 广告及市场推广
    • 同行评议流程
    • 斟误和撤回
    • 回避制度
    • 文章署名及版权转让
  • 历年目次
  • 联系我们
  • English
站内检索    
 
程亚丽,王致杰,刘三明,江秀臣,盛戈皞.基于改进TLBO优化LSSVM的风电功率短期预测[J].电测与仪表,2019,56(13):81-85.
chengyali,王致杰,刘三明,江秀臣,盛戈皞.Short-term prediction of wind power based on improved TLBO optimization LSSVM[J].Electrical Measurement & Instrumentation,2019,56(13):81-85.
基于改进TLBO优化LSSVM的风电功率短期预测
Short-term prediction of wind power based on improved TLBO optimization LSSVM
DOI:
中文关键词:  风电功率短期预测  改进TLBO  LSSVM  自适应教学因子  高斯变异算子
英文关键词:short-term forecast of wind power, improved TLBO, LSSVM, adaptive teaching factor, gaussian mutation operator
基金项目:国家自然科学基金资助项目(51477099); 上海市自然科学基金资助项目(15ZR1417300,14ZR1417200); 上海市教委创新基金项目(14YZ157,15ZZ106)
              
作者中文名作者英文名单位
程亚丽chengyali上海电机学院
王致杰王致杰
刘三明刘三明
江秀臣江秀臣
盛戈皞盛戈皞
摘要点击次数: 1888
中文摘要:
      为提高风电功率短期预测的精度,提出一种基于改进TLBO优化LSSVM的风电功率短期预测方法。首先对基本TLBO算法中的‘教’阶段进行改进,在采用自适应教学因子的同时改变所有搜索个体的平均值,从而能够自适应的提高TLBO在整个搜索空间的性能;然后改进TLBO算法的‘学’阶段,为维持种群的多样性,避免TLBO算法过早收敛和陷入局部最优,在学习阶段引入高斯变异算子;最后用改进的TLBO优化构建的LSSVM预测模型。以上海北沿风电场实测数据为例,仿真结果表明,与PSO 和 TLBO 优化 LSSVM 相比,改进的TLBO 优化 LSSVM 方法对短期风电功率预测具有更好的稳定性和更高的准确性。
英文摘要:
      In order to improve the accuracy of short-term forecasting of wind power, a short-term forecasting method based on improved TLBO optimization LSSVM is proposed. Firstly, to improve TLBO algorithm of "teach" stage, the adaptive teaching factor is used, at the same time, changing average of all search individuals, which can enhance the performance of TLBO in the whole search space; Then, the 'learning' stage of TLBO algorithm is improved to maintain the diversity of the population and avoid the premature convergence and local optimization of TLBO algorithm, and the gaussian mutation operator is introduced in the learning stage. Finally, the improved LSSVM prediction model is optimized with improved TLBO. Take the measured data of beiyan wind farm in Shanghai as an example, the simulation results show that with the PSO and TLBO compared to optimizing LSSVM, improved TLBO optimizing LSSVM method for short-term wind power prediction has better stability and higher accuracy
查看全文  查看/发表评论  下载PDF阅读器
关闭
  • 哈尔滨电工仪表研究所有限公司
  • 中国电工仪器仪表信息网
  • 中国仪器仪表学会
  • 中华人民共和国新闻出版总署
  • 中国科技期刊编辑学会
  • 黑龙江省科学技术协会
  • 编辑之家
  • 中国知网
  • 万方数据库
  • 维普网
  • 北极星电力网
  • 中华中控网
  • 网站首页
  • 期刊介绍
    • 期刊简介
    • 历任主编
    • 期刊荣誉
  • 编委会
    • 社长及主编
    • 主任委员
    • 编委名单
  • 投稿指南
    • 作者须知
    • 投稿步骤
    • 范文(规范细则)
    • 稿件处理流程
    • 著作权转让协议
  • 期刊影响力
  • 开放获取
  • 出版道德政策
    • 出版伦理声明
    • 学术不端认定和处理方法
    • 广告及市场推广
    • 同行评议流程
    • 斟误和撤回
    • 回避制度
    • 文章署名及版权转让
  • 历年目次
  • 联系我们
地址:哈尔滨市松北区创新路2000号    邮编:150028
邮箱:dcyb@vip.163.com    电话:0451-86611021;87186023
© 2012 电测与仪表    哈公网监备2301003445号
黑ICP备11006624号-1
技术支持:北京勤云科技发展有限公司