Resumen

Con el desarrollo de la tecnología de energía eólica, la seguridad del sistema eléctrico, la calidad de la energía y la operación estable enfrentarán nuevos desafíos. Por lo tanto, en este artículo, proponemos una técnica de aprendizaje automático recientemente desarrollada, la máquina de vectores de relevancia (RVM, por sus siglas en inglés), para la predicción de la velocidad del viento para el día siguiente. Combinamos la función de núcleo gaussiano y la función de núcleo polinómico para obtener un núcleo mixto para RVM. Luego, RVM se compara con la red neuronal de retropropagación (BP) y la máquina de vectores de soporte (SVM) para la predicción de la velocidad del viento en las cuatro estaciones en términos de precisión y velocidad; los resultados de la predicción demuestran que el método propuesto es razonable y efectivo.

• Materias:Modelos matemáticos Conjuntos difusos Ecuaciones integrales Fusión de características Algoritmo de optimización
• Subjects:Mathematical models Fuzzy sets Integral equations Feature fusion Optimization algorithm
• Palabras claves:Desarrollo; Tecnología eólica; Técnica de aprendizaje automático; Máquina de vectores de relevancia; Pronóstico de velocidad del viento; Función de núcleo gaussiano
• Keywords:Development; Wind power technology; Machine learning technique; Relevance vector machine; Wind speed forecasting; Gaussian kernel function