کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
1744008 1017949 2016 7 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Solar power output forecasting using evolutionary seasonal decomposition least-square support vector regression
ترجمه فارسی عنوان
پیش بینی خروجی برق خورشیدی با استفاده از رگرسیون بردار پشتیبانی حداقل مربعات تجزیه فصلی تکاملی
کلمات کلیدی
خروجی برق خورشیدی؛ پیش بینی؛ تجزیه فصلی؛ رگرسیون بردار پشتیبانی حداقل مربعات. الگوریتم های ژنتیکی
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
چکیده انگلیسی


• An ESDLS-SVR model was developed to forecast monthly solar power output data.
• The ESDLS-SVR model can obtain satisfying forecasting results.
• The developed mode can forecast solar power output effectively.

Renewable power output is an important factor in scheduling and for improving balanced area control performance. This investigation develops an evolutionary seasonal decomposition least-square support vector regression (ESDLS-SVR) to forecast monthly solar power output. The construction of the ESDLS-SVR uses seasonal decomposition and least-square support vector regression (LS-SVR). Genetic algorithms (GA) are used simultaneously to select the parameters of the LS-SVR. Monthly solar power output data from Taiwan Power Company are used. Empirical results indicate that the proposed forecasting system demonstrates a superior performance in terms of forecasting accuracy. A comparative study has been introduced showing that the ESDLS-SVR model performance is better than autoregressive integrated moving average (ARIMA), seasonal autoregressive integrated moving average (SARIMA), generalized regression neural network (GRNN) and LS-SVR models.

ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Cleaner Production - Volume 134, Part B, 15 October 2016, Pages 456–462
نویسندگان
, ,