《表3 不同预测模型的预测误差比较》

  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

《果蝇优化广义神经网络的风电功率短期预测》

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

（%）

基于以上风力发电机转速预测结果，再对风电功率进行预测，即以风速、风向、温度、发电机转速作为输入变量，风电功率作为输出变量，采用FOA-GRNN对风电功率进行预测。为进一步验证FOA-GRNN对风电功率预测的有效性，将FOA-GRNN与PSO-BP、PSO-RBF和GRNN预测模型进行比较分析。实验中，GRNN中平滑参数为0.201 5；PSO-BP预测模型中BP网络的输入层为4，隐含层数为6，输出层数为1；PSO-RBF预测模型中RBF网络的输入层为4，隐含层数为4，输出层数为1；PSO的最大最小速度为±0.5，学习因子c1、c2均为2，种群规模为20，最大迭代次数为200。对于FOA-GRNN，除最大迭代次数改为200外，FOA的其他参数同上。为了避免随机性，实验中3种预测模型均独立运行20次。FOA-GRNN、PSO-BP、PSO-RBF和GRNN这4种模型的预测误差结果如表3所示。图5所示为不同预测模型的风电功率输出值与实际值的比较情况。