基于麻雀搜索优化支持向量机的短期风机发电功率预测

摘要

风电大规模并入电网,风电所占比例越来越大。然而,由于风的不确定性和随机性,风机发电并不稳定,给风电并网带来巨大困难,因此需要引入准确的风电预测。为了提高风电预测精度,本文提出麻雀搜索算法优化支持向量机预测模型,该模型在支持向量机学习参数(惩罚系数C和核参数g)选择困难的问题上,基于麻雀搜索算法优化选择学习参数,建立SSA-SVM短期风电预测模型。经实验仿真并对比SSA-SVM、GA-SVM和SVM模型预测结果,发现经过优化后SSA-SVM模型的平均绝对误差较GA-SVM,SVM模型减少3.796 MW和4.153 MW,相对改善百分比为68.25%和70.16%;均方根误差减少4.886 MW和4.945 MW,相对改善百分比为67.59%和67.87%,说明SSA-SVM模型能有效提高学习参数选择效率和预测精确度。