دانلود مقاله انگلیسی رایگان:چارچوب پیش بینی نیروی باد مکانی و مکانی رمان بر اساس ماشین بردار پشتیبانی چند خروجی و استراتژی بهینه سازی - 2020
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی داده های بزرگ رایگان
  • A novel spatio-temporal wind power forecasting framework based on multi-output support vector machine and optimization strategy A novel spatio-temporal wind power forecasting framework based on multi-output support vector machine and optimization strategy
    A novel spatio-temporal wind power forecasting framework based on multi-output support vector machine and optimization strategy

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    A novel spatio-temporal wind power forecasting framework based on multi-output support vector machine and optimization strategy


    ترجمه فارسی عنوان مقاله:

    چارچوب پیش بینی نیروی باد مکانی و مکانی رمان بر اساس ماشین بردار پشتیبانی چند خروجی و استراتژی بهینه سازی


    منبع:

    Sciencedirect - Elsevier - Journal of Cleaner Production, Journal Pre-proof, 119993: doi:10:1016/j:jclepro:2020:119993


    نویسنده:

    Peng Lu, Lin Ye, Wuzhi Zhong, Ying Qu, Bingxu Zhai, Yong Tang, Yongning Zhao


    چکیده انگلیسی:

    The integration of a large number of wind farms poses big challenges to the secure and economical operation of power systems, and ultra-short-term wind power forecasting is an effective solution. However, traditional approaches can only predict an individual wind farm power at a time and ignore the spatio-temporal correlation of wind farms. In this paper, a novel ultra-short-term forecasting framework based on spatio-temporal (ST) analysis, multi-output support vector machine (MSVM) and grey wolf optimizer (GWO) which defined ST-GWO-MSVM model is proposed to predict the output wind power from multiple wind farms; the ST-GWO-MSVM model includes data analysis stage, parameters optimization stage, and modeling stage. In the data analysis stage, the person correlation coefficient and partial autocorrelation function are used to analyze the spatio-temporal correlation of wind power. In the parameters optimization stage, to avoid obtaining the unreliable forecasting results due to the parameters are chosen empirically, the GWO algorithm is used to optimize the kernel function parameters of the MSVM model. In the modeling stage, an innovative forecasting model with optimal parameter of MSVM is proposed to predict the output wind power of 15 wind farms. Results show that the performance of ST-GWO-MSVM is better than other benchmark models in terms of multiple-error metrics including fractional bias, direction accuracy, and improvement percentages.
    Keywords: wind power forecasting | Spatio-temporal correlation | Multi-output support vector machine | Grey wolf optimizer | Combined forecasting approaches


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 31
    حجم فایل: 4015 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi