基于改进SOA和岭回归赋权的风电负荷组合预测

张树国; 张俊炜

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于改进SOA和岭回归赋权的风电负荷组合预测

更新时间：2025-12-18

- 基于改进SOA和岭回归赋权的风电负荷组合预测
- 基于改进SOA和岭回归赋权的风电负荷组合预测
- 华北电力大学学报（自然科学版） 2025年52卷第6期页码：60-68+79
- 作者机构：
  
  华北电力大学经济与管理学院
- 作者简介：
- 基金信息：
  
  河北省哲学社会科学规划研究项目(HB18GL061)
- DOI：
  中图分类号： M614;TP18
- 纸质出版：2025
- 稿件说明：
移动端阅览
张树国, 张俊炜. 基于改进SOA和岭回归赋权的风电负荷组合预测[J]. 华北电力大学学报（自然科学版）, 2025,52(6):60-68+79.

张树国, 张俊炜. 基于改进SOA和岭回归赋权的风电负荷组合预测[J]. 2025, 52(6): 60-68+79.
张树国, 张俊炜. 基于改进SOA和岭回归赋权的风电负荷组合预测[J]. 华北电力大学学报（自然科学版）, 2025,52(6):60-68+79. DOI：

张树国, 张俊炜. 基于改进SOA和岭回归赋权的风电负荷组合预测[J]. 2025, 52(6): 60-68+79. DOI：

摘要

为促进可再生能源应用和提高电力系统的可靠性，以风力发电负荷数据为研究对象，基于改进海鸥优化算法和岭回归权重赋值对风电负荷变化进行预测。首先，利用互补集合经验模态分解和经验小波变换构成的二次分解方法对原始数据进行去噪处理，以降低原始序列的波动性。然后，使用多策略改进的海鸥优化算法对BP神经网络和最小二乘支持向量机两种模型进行优化，并用优化后的模型分别对分解结果进行建模。最后，基于岭回归权重赋值，融合两个预测模型的输出分量，获得总的负荷值。实验证明：相较于其他预测模型，该模型具有更高的预测精度，能够准确捕捉风力发电负荷的变化趋势，可以为风力发电负荷预测研究提供参考，有望在可再生能源领域的实际应用中发挥积极作用。

Abstract

关键词

Keywords

references

赵兵,王增平,纪维佳,高欣,李晓兵.基于注意力机制的CNN-GRU短期电力负荷预测方法[J].电网技术,2019(12).

徐晓刚,徐冠雷,王孝通,秦绪佳.经验模式分解(EMD)及其应用[J].电子学报,2009(03).

邓带雨,李坚,张真源,滕予非,黄琦.基于EEMD-GRU-MLR的短期电力负荷预测[J].电网技术,2020(02).

徐晴,周超,赵双双,刘建,龚丹,赵永春.基于机器学习的短期电力负荷预测方法研究[J].电测与仪表,2019(23).

闫重熙,陈皓.基于改进天牛须搜索算法优化LSSVM短期电力负荷预测方法研究[J].电测与仪表,2020(06).

李焱,贾雅君,李磊,郝建姝,张晓英.基于随机森林算法的短期电力负荷预测[J].电力系统保护与控制,2020(21).

张金金,张倩,马金辉,丁津津.基于EWT和LSSVM模型的短期电力负荷预测[J].制造业自动化,2021(01).

林乐义.岭回归在消除多重共线性中的应用[J].辽东学院学报(自然科学版),2020(04).

杨海柱,田馥铭,张鹏,石剑.基于CEEMD-FE和AOA-LSSVM的短期电力负荷预测[J].电力系统保护与控制,2022(13).

吴凯枫,张立新,阚希,王军昂,王赛.基于改进GA-BP神经网络的压力传感器校准方法[J].国外电子测量技术,2023(02).

浏览量

548

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

组合灰色神经网络模型及其季节性负荷预测