电子技术杂志官网

摘要：阐述DBSCAN方法对风电场实测数据进行预处理，剔除异常数据，建立一种GA-LSSVM与ARIMA加权组合后得到的短期风功率预测模型，从而获得风功率预测的结果，算例验证方法的有效性。

关键词： 仿真模拟; 算例验证; 风功率预测;

基金资助： 内蒙古自治区自然科学基金(2020LH05019)；

专辑： 工程科技Ⅱ辑;信息科技

专题： 电力工业;自动化技术

分类号： TM614;TP18

相似文献

[1] 基于ARIMA模型的风电功率预测[J]. 周扬.价值工程,2014(32)

[2] 基于多元回归-ARIMA-卡尔曼组合模型的风电功率超短期预测[J]. 刘震;刘丹;王彦文;孙书贝;刘冰.风能,2018(06)

[3] 基于GA-LSSVM的数控机床热误差建模方法研究[J]. 李高强;张宇;李鸣.机床与液压,2021(02)

[4] 基于ARIMA和神经网络的单脉冲雷达设备故障预测研究[J]. 欧阳霄;杨辉;朱东济;罗昊;蔡红维.计算机测量与控制,2021(10)

[5] 基于ARIMA和小波神经网络组合模型的交通流预测[J]. 成云;成孝刚;谈苗苗;周凯;李海波.计算机技术与发展,2017(01)

[6] 时间序列分析与机器学习方法在预测肺结核发病趋势中的应用[J]. 付之鸥;周扬;陈诚;郑洪伟;宋伟;李苑;陆伟;彭志行.中国卫生统计,2020(02)

[7] 面向区块链节点负载预测的ARIMA组合预测方法[J]. 孙凯俐;李晖;陈梅.电子技术与软件工程,2019(08)

[8] 基于极值偏移优化的ARIMA的短期风速预测[J]. 黄进.制造业自动化,2018(01)

[9] 基于ARIMA模型的驱动电流预测方法研究[J]. 廖毅;王田;李亚锦.电工技术,2021(12)

[10] ARIMA联合深度学习的基坑形变预测模型探讨[J]. 王隆安;魏长寿;张家威;王俊杰;李豪杰.矿山测量,2021(05)