文献

J-GLOBAL ID：202102284754964846   整理番号：21A0416360

FCMとSSA-ELMに基づく超短期風電力予測【JST・京大機械翻訳】

Ultra-short-term Wind Power Prediction Based on Combination of FCM and SSA-ELM

著者 (5件)： Zhang Hongtao (華北水利水電大学 電力学院,河南 鄭州 450000) ,  Han Jing (華北水利水電大学 電力学院,河南 鄭州 450000) ,  Tan Lian (華北水利水電大学 電力学院,河南 鄭州 450000) ,  Liu Peng (華北水利水電大学 電力学院,河南 鄭州 450000) ,  Zhang Liang (華北水利水電大学 電力学院,河南 鄭州 450000)
資料名： Sichuan Daxue Xuebao. Gongchengkexueban  (Sichuan Daxue Xuebao. Gongchengkexueban)
巻： 52  号： 6  ページ： 234-241  発行年： 2020年 
JST資料番号： C2596A  ISSN： 1009-3087  CODEN： SXGKFI  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 風力発電出力の変動が大きく、ランダム性が強いなどの特徴による風パワーの予測が難しいという問題に対して、ファジーC平均クラスタリング(fuzzyC-means)を提案した。類似日とホヤーシース群アルゴリズムを採用して,限界学習機械(SSA-ELM)のウィンドファームの超短期風電力予測モデルを最適化した。まず、FCMデータクラスタリング法を用いて、予測日と相関性が大きい歴史的類似日を選別し、風速、温度、風向、気圧などの風パワーに影響する主な要素を多入力サンプル集合に構成した。第二に,訓練セットの訓練過程で,ネットワークパラメータを決定し,そして,限界学習機械の入力重み行列および隠れ層偏差値を,反復プロセスの間,最適化し,そして,最適限界学習機械の超短期風力電力予測モデルを,確立した。終わりに,超短期風力発電所の送電網に関する規定に従って,河南省の風力発電所の実際のデータに対して,類似日超短期予測,代表的な四季予測および転がり誤差の3つの側面から,シミュレーション実験を行った。伝統的な限界学習機械(extremelearningma-chine,ELM)とBPニューラルネットワークモデルとの比較により、提案したモデルの収束速度が速く、予測精度が高いことが分かった。FCMとSSA-ELMに基づく超短期風電力予測モデルは,良好な追跡性と一般化性を持つことを証明した。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  最適化 ,  シミュレーション ,  風速 ,  *電力 ,  送電系統 ,  学習機械 ,  風向 ,  風力発電 ,  クラスタ化 ,  風力 ,  ウインドファーム ,  予測モデル
準シソーラス用語： 予測精度 ,  隠れ層 , 【Automatic Indexing@JST】

分類 (2件)： 計算機シミュレーション  (JE11000H) ,  数値計算  (JE02000J)

タイトルに関連する用語 (3件)： FCM ,  短期 ,  予測