메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Zhongda Tian (Shenyang University of Technology) Yi Ren (Shenyang University of Technology) Gang Wang (Shenyang University of Technology)
저널정보
대한전기학회 Journal of Electrical Engineering & Technology Journal of Electrical Engineering & Technology Vol.13 No.5
발행연도
2018.9
수록면
1,841 - 1,851 (11page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
For the safe and stable operation of the power system, accurate wind power prediction is of great significance. A wind power prediction method based on empirical mode decomposition and improved extreme learning machine is proposed in this paper. Firstly, wind power time series is decomposed into several components with different frequency by empirical mode decomposition, which can reduce the non-stationary of time series. The components after decomposing remove the long correlation and promote the different local characteristics of original wind power time series. Secondly, an improved extreme learning machine prediction model is introduced to overcome the sample data updating disadvantages of standard extreme learning machine. Different improved extreme learning machine prediction model of each component is established. Finally, the prediction value of each component is superimposed to obtain the final result. Compared with other prediction models, the simulation results demonstrate that the proposed prediction method has better prediction accuracy for wind power.
#Short-term wind power #Prediction #Empirical mode decomposition #Improved extreme learning machine

목차

Abstract
1. Introduction
2. The Preliminaries
3. The Implementation Process of the Proposed Prediction Method
4. Simulation
5. Conclusion
References

참고문헌 (28)

참고문헌 신청
Y. Wang, Z. X. Xie, Q. H. Hu, and S. H. Xiong. “Correlation aware multi-step ahead wind speed forecasting with heteroscedastic multi-kernel learning,” Energy Conversion and Management, vol. 163, pp. 384-406, May. 2018. W. Y. Y. Cheng, Y. B. Liu, A. J. Bourgeois, Y. H. Wu, and S. E. Haupt, “Short-term wind forecast of a data assimilation/weather forecasting system with wind turbine anemometer measurement assimilation,” Renewable Energy, vol. 107, pp. 340-351, Jul. 2017. Z. D. Tian, S. J. Li, Y. H. Wang, and X. D. Wang. “Wind power prediction method based on hybrid kernel function support vector machine,” Wind Engineering, vol. 42, no. 3, pp. 252-264, Jun. 2018. U. Meyyappan. “Wavelet neural network-based wind speed forecasting and application of shuffled frog leap algorithm for economic dispatch with prohibited zones incorporating wind power,” Wind Engineering, vol. 42, no. 1, pp. 3-15, Jan. 2018. I. Colak, S. Sagiroglu, and M. Yesilbudak. “Data mining and wind power prediction: A literature review,” Renewable Energy, vol. 46, pp. 241-247, Oct. 2012.

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2018-560-003325322