利用收缩因子粒子群优化增强自回归风电功率预测模型的估计
计算工程、金融与科学
2016-11-17 v1 神经与进化计算
摘要
准确的预测对于基于可再生能源发电的经济高效监测和控制至关重要。由于风能具有广泛变化且不可预测的特性，基于风能的电力是最难准确预测的能源之一。尽管自回归 (AR) 技术已被广泛用于构建风电功率模型，但它们在预测精度方面表现有限，且在确定优化 AR 模型的正确参数方面存在困难。本文采用收缩因子粒子群优化 (CF-PSO) 来最优地确定自回归 (AR) 模型的参数，以准确预测风电功率输出行为。基于 Akaike 信息准则选择所提出模型的适当滞后阶数。将所提出的基于 PSO 的 AR 模型性能与四种成熟方法进行了比较：前向 - 后向法、几何格点法、最小二乘法和 Yule-Walker 法，这些方法广泛用于 AR 模型的误差最小化。为验证所提出的方法，从澳大利亚能源市场运营商获取了 Capital Wind Farm 的实际风电功率数据。基于多个不同数据集的实验评估表明，与基准方法相比，AR 模型的性能得到了显著提升。
引用
@article{arxiv.1408.4792,
title = {Enhanced Estimation of Autoregressive Wind Power Prediction Model Using Constriction Factor Particle Swarm Optimization},
author = {Adnan Anwar and Abdun Naser Mahmood},
journal= {arXiv preprint arXiv:1408.4792},
year = {2016}
}
备注
The 9th IEEE Conference on Industrial Electronics and Applications (ICIEA) 2014