相似样本优化选取的短期风电功率预测OA北大核心CSTPCD
Short-term wind power forecast based on DTW similar optimization sample selection
为减少训练样本中的冗余数据和特征信息,提高风电功率预测的精度,提出了一种基于核主成分分析(KPCA)、动态时间规整法(DTW)及核极限学习机(KELM)相结合的预测方法(KPCA_DTW_KELM).首先对影响风机出力的各个因素进行核主成分分析,筛选出贡献率较高的特征因素.为优化样本数据,引入动态时间规整法,找出与预测日相似的样本数据,采用核极限学习机(KELM)进行风电功率预测.根据提出的预测方法,对上海某风电场数据进行对比实验.实验证明,KP…查看全部>>
张颖超;沈子豪;马伟叁;熊雄;陈昕
南京信息工程大学 自动化学院,南京 210044南京信息工程大学 江苏省大气环境与装备技术协同创新中心,南京 210044南京信息工程大学 自动化学院,南京 210044中国铁路上海局集团有限公司,上海 200000南京信息工程大学 自动化学院,南京 210044
大气科学
核主成分分析动态时间规整法核极限学习机短期风电功率预测
《重庆理工大学学报（自然科学版）》 2022 (1)
277-284,8
南京信息工程大学人才启动项目(2243141701053)江苏省高校自然科学研究面上项目(19KJB170004)中国国家铁路集团有限公司重点科研项目(N2019 T003)中国国家铁路上海局集团有限公司重大科研项目(2019041)
评论