Suzhou Electric Appliance Research Institute
期刊号: CN32-1800/TM| ISSN1007-3175

Article retrieval

文章检索

首页 >> 文章检索 >> 最新索引

基于PSO-ICA-BP神经网络的短期风电功率预测

来源:电工电气发布时间:2019-02-19 12:19 浏览次数:19
基于PSO-ICA-BP神经网络的短期风电功率预测
 
王帅哲1,王金梅1,2,王永奇1,马文涛1
(1 宁夏大学 物理与电子电气工程学院,宁夏 银川 750021;
2 宁夏沙漠信息智能感知自治区重点实验室,宁夏 银川 750021)
 
    摘 要:针对传统的BP神经网络对短期风电功率预测精度不高的缺点,提出粒子群算法改进帝国竞争算法(PSO-ICA),通过PSO算法改进殖民地同化操作提高ICA 算法的全局寻优能力,输出全局最优解作为BP神经网络初始权值阈值。同时用主成分分析法降维压缩输入数据,提高网络泛化能力。利用PSOICA-BP预测模型对某风电场实际风电功率数据进行预测,仿真结果表明该模型预测误差更小,对短期风电功率预测更有效。
    关键词:帝国竞争算法;粒子群算法;BP神经网络;风电功率预测
    中图分类号:TM614;TM715     文献标识码:A     文章编号:1007-3175(2019)02-0007-05
 
Short-Term Wind Power Forecast Based on PSO-ICA-BP Neural Network
 
WANG Shuai-zhe1, WANG Jin-mei1,2, WANG Yong-qi1, MA Wen-tao1
(1 School of Physics and Electronic-Electrical Engineering, Ningxia University, Yinchuan 750021, China;
2 Key Laboratory of Ningxia Desert Information Intelligent Perception Autonomous Region, Yinchuan 750021, China)
 
    Abstract: In view of the shortcomings of the traditional BP neural network for short-term wind power prediction, the particle swarm optimization algorithm (PSO) was proposed to improve the Empire competition algorithm (PSO-ICA), to improve the diversity of colonial assimilation, and to optimize the initial weight threshold of the BP neural network by the output of the global optimal solution. The principal component analysis method was used to reduce dimension and to compress input data and improved the network generalization ability. The PSO-ICA-BP prediction model was used to predict the actual wind power data of certain wind farm. The simulation results show that the prediction error of this PSO-ICA-BP model is smaller and more effective for the short-term wind power prediction.
    Key words: imperial competition algorithm; particle swarm optimization; BP neural network; wind power forcast
 
参考文献
[1] 王焱,汪震,黄民翔,等. 基于OS-ELM和Bootstrap方法的超短期风电功率预测[J]. 电力系统自动化,2014,38(6):14-19.
[2] 张彦恒,郑玉玉. 基于RBF神经网络的风电场功率预测研究[J]. 南方农机,2018,49(7):192.
[3] 田淑慧,于惠钧,赵巧红,等. 基于经验模态分解的PSO-SVM风电功率短期预测[J]. 湖南工业大学学报,2018,32(3):59-64.
[4] 周松林,茆美琴,苏建徽. 基于主成分分析与人工神经网络的风电功率预测[J]. 电网技术,2011,35(9):128-132.
[5] 王强,汪姚,胡红飒,等. 基于BP神经网络算法的风电功率预测[J]. 科技和产业,2014,14(4):143-146.
[6] 刘帅, 刘长良. 基于帝国竞争算法的主汽温控制系统参数优化研究[J]. 系统仿真学报,2017,29(2):368-373.
[7] 杨晓博, 李阳, 肖朝霞, 等. 改进粒子群算法的自动阻抗匹配技术[J]. 重庆大学学报,2016,39(6):41-48.
[8] 朱晓青,马定寰,李圣清,等. 基于BP神经网络的微电网蓄电池荷电状态估计[J]. 电子测量与仪器学报,2017,31(12):2042-2048.
[9] 马广慧,马豆豆,邵秀丽. 基于遗传BP神经网络的三七价格预测[J]. 天津师范大学学报( 自然科学版),2017,7(6):76-80.
[10] LI Dong jie, LI Yang yang, LI Jun xiang, et al. Gesture Recognition Based on BP Neural Network Improved by Chaotic Genetic Algorithm[J]. International Journal of Automation and Computing,2018,15(3):267-276.
[11] 张晓东,杨圣祥. 基于PCA与NARX的市政工程造价组合预测[J]. 控制工程,2017,24(12):2485-2490.
[12] 李亚,蒋伟,樊汝森,等. 基于BP神经网络的智能台区识别方法研究[J]. 电测与仪表,2017,54(3):25-30.
[13] 张立影,孟令甲,王泽忠. 基于双层BP神经网络的光伏电站输出功率预测[J]. 电测与仪表,2015,52(11):31-35.