《表2 S1、S2信号预测误差指标》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于游程检测法重构CEEMD的短时风功率预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

布谷鸟算法优化BP神经网络以及SVM的算法流程如图6所示，S1、S2和S3这3类信号用不同模型预测效果如图7所示，S1、S2信号的不同模型预测误差指标如表2所示。BP神经网络虽然应用广泛，但在梯度下降过程中，随机生成的初始权值和阈值使网络易陷入局部最优解，甚至无法寻到全局最优进而影响最终的拟合精度，用智能算法优化BP神经网络的结构权值和阈值可提高预测精度[18]。有学者研究表明布谷鸟算法参数少、速度快，而且能较好地与其他算法无缝对接，因此本文对高频信号预测时采用1.3节改进的布谷鸟算法优化BP神经网络以便得到更好的网络初始权值和阈值。神经网络结构设置为：输入层有4个节点、隐含层数量为1、隐含层有5个节点、输出层有1个节点、需要优化的权值与阈值变量数量为30个。对低频信号预测时同样采用ICS优化支持向量机的惩罚参数c和核函数参数g。用本文设计的优化模型与标准布谷鸟算法、传统遗传算法以及粒子群算法做比较分析。