基于相似数据的支持向量机短期风速预测仿真研究 short-term wind speed forecasting based on support vector machine with similar data.pdfVIP

下载本文档

3
0
约2.37万字
约 7页
2017-08-14 发布于上海
举报
版权申诉

基于相似数据的支持向量机短期风速预测仿真研究 short-term wind speed forecasting based on support vector machine with similar data.pdf

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

基于相似数据的支持向量机短期风速预测仿真研究 short-term wind speed forecasting based on support vector machine with similar data

第 32卷第 4期中国电机工程学报 Vo1．32No．4 Feb．5，2012 2012年2月5日 ProceedingsoftheCSEE ~2012Chin．Soc．forElec．Eng． 35 文章编号：0258-8013(2012)04—0035—07 中图分类号：TM71 文献标志码：A 学科分类号：4704·0 基于相似数据的支持向量机短期风速预测仿真研究杨锡运，孙宝君，张新房2，李利霞 (1．华北电力大学控制与计算机工程学院，北京市昌平区 102206； 2．国核电力规划设计研究院，北京市海淀区 100094) Short—term W indSpeedForecastingBasedonSupportVectorM achineW ithSimilarData YANGXiyun，SUNBaojun，ZHANGXinfang，LILixia (1．SchoolofControlandComputerEngineering，NorthChinaElectricPowerUniversity,ChangpingDisrtict，Beijing102206， China；2．StateNuclearElectricPowerPlanningDesignReserachInstitute，HaidianDistrict，Beijing100094，China) ABSTRACT：Windpowerprediction isaneffectivewayt0 的支持向量机短期风速预测方法。该方法从大量的数据样本 decreasetheeffectsofrthelrage—scalewindpowerconnecting 中提取相似数据创建训练样本，采用小波分解技术将风速信 togrid．Improvingaccuracyofshort-term windprediction is 号分解成低频趋势信号和高频随机信号，分别采用支持向量 keyofwindpowerprediction．Inthispaper,asupportvector 机理论建模，合成得到风速预测数据。仿真结果表明，相似 machine (SVM)methodwasproposedbased onwavelet 数据有效地提高了数据的相关度，小波分解使支持向量机模 analysisand similardata．Similra datawere extracted from 型更好地拟合风速信号的低频和高频特性，提高了预测精 large amounts ofdata to create the rtaining samples．The 度。通过与某风电场的实际风速数据验证，表明模型具有较 originalwindspeeddatawasdecomposedintortendsignalof 强的泛化能力，程序运行时间可满足工程需要。 low frequencybandandrandom sing alofhighrfequencyband bywaveletdecomposition．DifferentSVM speedforecasting 关键词：风速；短期预测；相似数据；小波分析；支持向量机 modelswere trained respectively and combined to obtain 0 引言 forecasting results．The simulation experiments show that similardataeffectivelyimprovehterelevanceofdata．SVM 由于风速的特点，风场输出的功率具有