基于局部高斯过程的短期风速预测

doi:10.3969/j.issn.1006-2475.2017.01.003

计算机与现代化

基于局部高斯过程的短期风速预测

(1.苏州大学艺术学院，江苏苏州 215123; 2.安徽科技学院信息与网络工程学院，安徽滁州 233100)

收稿日期:2016-06-21 出版日期:2017-01-12 发布日期:2017-01-11
作者简介:常纯(1989-)，女，安徽望江人，苏州大学艺术学院助教，硕士，研究方向：人工智能与模式识别，风速及风功率预测; 李德胜(1979-)，男，安徽科技学院信息与网络工程学院副教授，博士，研究方向：人工智能与模式识别。
基金资助:
安徽省自然科学基金资助项目(1308085QF103); 安徽省教育厅自然科学基金资助项目(KJ2013B073)

Short-term Wind Speed Forecasting Based on Local Gaussian Process

(1. School of Arts, Soochow University, Suzhou 215123, China;
2. College of Information and Network Engineering, University of Science and Technology of Anhui, Chuzhou 233100, China)

Received:2016-06-21 Online:2017-01-12 Published:2017-01-11

摘要/Abstract

摘要： 准确的风速预测对于风电场和电力系统的稳定运行具有重要意义。本文提出一种基于局部高斯过程的短期风速预测方法。首先，把总的训练样本集按固定长度的时间窗划分成许多个子训练集。然后，运用局部高斯过程模型对各个子训练集进行建模，通过最小化训练集的预测误差为优化目标，用改进粒子群算法求取模型的最优超参数。最后，对某实测风速数据进行风速预测分析，结果表明基于局部高斯过程的短期风速预测能有效提高风速预测精度。

关键词: 风速预测, 短期, 局部高斯过程, 改进粒子群算法

Abstract: Wind speed forecasting is very important to the operation of wind power plants and power system. A short-term wind speed forecasting method based on local Gaussian process model is proposed. Firstly, the training sample set is divided into many sub training set according to the fixed length of time window. Secondly, the local Gaussian process model is used to forecast the wind speed of each sub training set. By minimizing prediction error of the training set as the optimization goal, the improved PSO algorithm is used to optimize the hyper parameters. The prediction results show that the proposed method can improve the prediction accuracy.

Key words: wind speed forecasting, short-term, local Gaussian process, improved PSO algorithm

中图分类号:

TP391

常纯1，李德胜2. 基于局部高斯过程的短期风速预测[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2017.01.003.

CHANG Chun1, LI De-sheng2. Short-term Wind Speed Forecasting Based on Local Gaussian Process[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2017.01.003.

参考文献

[1] 李晶,宋家骅,王伟胜. 大型变速恒频风力发电机组建模与仿真[J]. 中国电机工程学报, 2004,24(6):100-105.

[2] Bhaskar M, Jain A, Srinath N V. Wind speed forecasting: Present status[C]// Proceedings of the 2010 IEEE International Conference on Power System Technology. 2010.

[3] Fabbri A, Roman T G S, Abbad J R, et al. Assessment of the cost associated with wind generation prediction errors in a liberalized electricity market[J]. IEEE Transactions on Power Systems, 2005,20(3):1440-1446.

[4] 史宇伟,潘学萍. 计及历史气象数据的短期风速预测[J]. 电力自动化设备, 2014,34(10):75-80.

[5] 杨秀媛,肖洋,陈树勇. 风电场风速和发电功率预测研究[J]. 中国电机工程学报, 2005,25(11):1-5.

[6] He Yu, Gao Shan, Chen Hao. Wind speed forecast for wind farms based on ARMA-ARCH model[C]// Proceedings of the 2009 IEEE International Conference on Sustainable Power Generation and Supply. 2009,3:449-451.

[7] Kamal L, Jafri Y Z. Time series models to simulate and forecast hourly averaged wind speed in Quetta, Pakistan[J]. Solar Energy, 1997,61(1):23-32.

[8] Damousis I G, Alexiadis M C, Theocharis J B, et al. A fuzzy model for wind speed prediction and power generation in wind parks using spatial correlation[J]. IEEE Transactions on Energy Conversion, 2004,19(2):352- 361.

[9] Alexiadis M C, Dokopoulos P S, Sahsamanoglou H S. Wind speed and power forecasting based on spatial correlation models[J]. IEEE Transactions on Energy Conversion, 1999,14(3):836-842.

[10] 朱亚,孙冬梅,何响,等. 基于EMD-GRNN和概率统计结合的短期风速预测[J]. 计算机科学, 2014,41(S1):72-75.

[11] 武小梅,白银明,文福拴. 基于RBF神经元网络的风电功率短期预测[J]. 电力系统保护与控制, 2011,39(15):80-83.

[12] 潘学萍,史宇伟,张弛. 双加权最小二乘支持向量机的短期风速预测[J]. 电力系统及其自动化学报, 2014,26(1):13-17.

[13] 方必武,刘涤尘,王波,等. 基于小波变换和改进萤火虫算法优化LSSVM的短期风速预测[J]. 电力系统保护与控制, 2016,44(8):37-43.

[14] Seeger M. Gaussian processes for machine learning[J]. International Journal of Neural Systems, 2004,14(2):69-106.

[15] Rasmussen C E, Williams C K I. Gaussian Processes for Machine Learning[M]. MIT Press, 2006:7-31.

[16] 孙斌,姚海涛,刘婷. 基于高斯过程回归的短期风速预测[J]. 中国电机工程学报, 2012,32(29):104-109.

[17] Kou Peng, Gao Feng. Sparse heteroscedastic Gaussian process for shortterm wind speed forecasting[C]// Proceedings of the 2012 International Joint Conference on Neural Networks. 2012.

基于局部高斯过程的短期风速预测

Short-term Wind Speed Forecasting Based on Local Gaussian Process

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	郑立瑞, 肖晓霞, 邹北骥, 刘彬, 周展. 基于BERT的电子病历命名实体识别[J]. 计算机与现代化, 2024, 0(01): 87-91.
[2]	王宇航, 董宝良, 公超, 尚真真, 姚康宁. 基于意图识别的空中群目标动态威胁评估[J]. 计算机与现代化, 2023, 0(12): 100-104.
[3]	曾丽丽, 汤华贝, 牛艺晓, 孟凡月. 基于LSTM堆叠残差网络的岩相识别方法[J]. 计算机与现代化, 2023, 0(08): 38-43.
[4]	朱亚军, 拥措, 尼玛扎西, . 基于藏文BERT的藏医药医学实体识别[J]. 计算机与现代化, 2023, 0(01): 43-48.
[5]	冯申, 於跃成, 张宗海. 结合动态多类信息的兴趣点推荐[J]. 计算机与现代化, 2022, 0(08): 57-64.
[6]	张龄允, 韩莹, 张凯, 卢海鹏, 丁昱杰. 基于深度学习的短时交通流预测模型[J]. 计算机与现代化, 2022, 0(07): 54-60.
[7]	徐胜超, 叶力洪. 基于长短期记忆神经网络的容器云队列在线任务动态分配[J]. 计算机与现代化, 2022, 0(07): 79-84.
[8]	饶海兵, 朱苏磊, 杨春夏. 基于空时特征融合和注意力机制的网络入侵检测模型[J]. 计算机与现代化, 2022, 0(06): 116-121.
[9]	齐战硕, 高彦东. 面向消除通信时延的车辆轨迹多步预测方法[J]. 计算机与现代化, 2022, 0(05): 114-118.
[10]	尹春杰, 肖发达, 李鹏飞, 赵钦. 基于LSTM神经网络的区域微网短期负荷预测[J]. 计算机与现代化, 2022, 0(04): 7-11.
[11]	欧阳孟可, 沈卫康, 成徽, 石凯. 基于VMD与MOGOA-LSTM的短期负荷预测模型[J]. 计算机与现代化, 2022, 0(03): 7-12.
[12]	纪平, 郭瑛. 基于长短期记忆网络修正测距的水下定位算法[J]. 计算机与现代化, 2022, 0(02): 52-57.
[13]	徐小亮, 赵英. 基于BiLSTM和ResCNN的实体关系抽取方法[J]. 计算机与现代化, 2022, 0(01): 10-16.
[14]	郭成, 王宵, 王波, 王加富. 基于多层融合神经网络模型的短期电力负荷预测方法[J]. 计算机与现代化, 2021, 0(10): 94-99.
[15]	王增光, 王海起, 陈海波. 基于图卷积网络的短时交通速度预测[J]. 计算机与现代化, 2021, 0(09): 99-105.