- 1、本文档共9页,可阅读全部内容。
- 2、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。
- 3、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。
- 4、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)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、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。
- 7、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。
- 8、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
遗传算法对SVR风速预测模型的多参数优化
朱霄珣;徐搏超;焦宏超;韩中合
【摘要】实验分析发现:通过相空间重构法求出的嵌入维数E和时间延迟τ往往不
是支持向量回归机(SVR)预测模型的最优参数.针对此问题,建立了一种基于遗传算
法(GA)的多参数同步优化的SVR预测方法.利用GA方法对E、τ和SVR模型中的
惩罚因子C、核函数宽度γ进行同步优化获得全局最优解,建立SVR风速预测模型.
对比单纯优化C、γ的模型,以2组风速数据为例进行实验研究,建立的模型预测误
差约为6.56%和7.74%.而对比模型的误差为12.00%和9.30%.这一结果表明,同时
对E、τ、C、γ进行优化的模型相对于单纯优化C、γ的模型,预测精确度大大提
高.%Phasespacereconstructionwasusedtoapplyinthepredictionof
windspeedtimeseriesforcharacteristicfactorsextraction.Afterseveral
experiments,embeddingdimensionEandtimedelayτ,whichweretypical
parametersofphasespacereconstruction,mightnotbetheoptimum
valuesforsupportvectorregressionmodel.Forsolvingthisproblem,a
multi-parameteroptimizationmethodbasedongeneticalgorithmwas
proposedtooptimizeembeddingdimensionE,timedelayτandother
supportvectorregressionmodelparameters(penaltyparameterC,kernel
functionparameterγ)synchronously.Twogroupsofwindspeedtimeseries
werepredictedbyusingthismethodandthepredictionerrorsare6.56%
and7.74%.Theerrorsofthecontrastmethod(optimizeC,γonly)are12.00%
and9.30%.TheresultsshowthattheoptimalselectionofE,τ,C,γis
necessary.Comparedwiththecontrastmodel,thismethodcangreatly
improvethepredictionaccuracy.
【期刊名称】《电机与控制学报》
【年(卷),期】2017(021)002
【总页数】6页(P70-75)
【关键词】遗传算法;支持向量机;空间重构;多参数优化;风速预测
【作者】朱霄珣;徐搏超;焦宏超;韩中合
【作者单位】华北电力大学能源动力与机械工程学院,河北保定071003;华北电力
大学能源动力与机械工程学院,河北保定071003;华北电力大学能源动力与机械
工程学院,河北保定071003;华北电力大学能源动力与机械工程学院,河北保定
071003
【正文语种】中文
【中图分类】TM614
风速预测一直是电网系统规划和运行中重要一项环节,工作量大,重复性高[1-2]。
然而风速变化频繁,所以风电机组的发电功率波动性较大。当风机穿越功率达到一
定阈值后,就会严重影响电网电能质量和功率平衡[3]。因此风速预测是一项意义
重大的任务。建立一个高精确度的风速预测模型成为一个亟待解决的课题。支持向
量回归机[4](supportvectorregression,SVR)作为新兴的机器学习算法,在高
维数、非线性的小样本数据处理方面有其独特的优势,被广泛运用于风速预测。
预测模型的精确度与模型参数有着极大的关联,为了得到合适的模型参数往往需要
对其进行优化。如文献[5]利用粒子群算法对惩罚因子C等参数进行优化。文献[6]
中利用差分进化算法对核函数宽度γ进行优化。在利用SVR进行预测时,样本质
量至关重要,对预
文档评论(0)