Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Semi-Markov Model of a Swarm Functioning Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

A Hybrid GA-PSO Adaptive Neuro-Fuzzy Inference System for Short-Term Wind Power Prediction

verfasst von : Rendani Mbuvha, Ilyes Boulkaibet, Tshilidzi Marwala, Fernando Buarque de Lima Neto

Erschienen in: Advances in Swarm Intelligence

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The intermittency of wind remains the greatest challenge to its large scale adoption and sustainability of wind farms. Accurate wind power predictions therefore play a critical role for grid efficiency where wind energy is integrated. In this paper, we investigate two hybrid approaches based on the genetic algorithm (GA) and particle swarm optimisation (PSO). We use these techniques to optimise an Adaptive Neuro-Fuzzy Inference system (ANFIS) in order to perform one-hour ahead wind power prediction. The results show that the proposed techniques display statistically significant out-performance relative to the traditional backpropagation least-squares method. Furthermore, the hybrid techniques also display statistically significant out-performance when compared to the standard genetic algorithm.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Hybrid Differential Evolution Algorithm and Particle Swarm Optimization with Alternative Replication Strategy
Nächstes Kapitel A Decomposition-Based Multiobjective Evolutionary Algorithm for Sparse Reconstruction
Literatur
1.
Bezdek, J.C., Ehrlich, R., Full, W.: FCM: the fuzzy c-means clustering algorithm. Comput. Geosci. 10(2–3), 191–203 (1984)CrossRef
2.
Cárdenas, J.J., Garcia, A., Romeral, J., Kampouropoulos, K.: Evolutive ANFIS training for energy load profile forecast for an IEMS in an automated factory. In: IEEE 16th Conference on Emerging Technologies & Factory Automation (ETFA), 2011, pp. 1–8. IEEE (2011)
3.
Ernst, B., Oakleaf, B., Ahlstrom, M.L., Lange, M., Moehrlen, C., Lange, B., Focken, U., Rohrig, K.: Predicting the wind. IEEE Power Energy Mag. 5(6), 78–89 (2007)CrossRef
4.
Eseye, A.T., Zhang, J., Zheng, D., Ma, H., Jingfu, G.: A double-stage hierarchical ANFIS model for short-term wind power prediction. In: 2017 IEEE 2nd International Conference on Big Data Analysis (ICBDA), pp. 546–551, March 2017
5.
Fischer, A., Montuelle, L., Mougeot, M., Picard, D.: Statistical learning for wind power: a modeling and stability study towards forecasting. Wind Energy 20(12), 2037–2047 (2017). we.2139CrossRef
6.
Garg, H.: A hybrid PSO-GA algorithm for constrained optimization problems. Appl. Math. Comput. 274, 292–305 (2016)MathSciNet
7.
Hochberg, Y., Tamhane, A.C.: Distribution-Free and Robust Procedures, pp. 234–273. Wiley, New York (2008)
8.
Jang, J.S.R.: ANFIS: adaptive-network-based fuzzy inference system. IEEE Trans. Syst. Man Cybern. 23(3), 665–685 (1993)CrossRef
9.
Kassa, Y., Zhang, J.H., Zheng, D.H., Wei, D.: Short term wind power prediction using ANFIS. In: 2016 IEEE International Conference on Power and Renewable Energy (ICPRE), pp. 388–393, October 2016
10.
MacKay, D.J.: Bayesian model comparison and backprop nets. In: Advances in Neural Information Processing Systems, pp. 839–846 (1992)
11.
Mbuvha, R.: Bayesian Neural Networks for Short Term Wind Power Forecasting. Master’s thesis, KTH, School of Computer Science and Communication (CSC) (2017)
12.
McKight, P.E., Najab, J.: Kruskal-wallis test. Corsini Encyclopedia of Psychology (2010)
13.
Potter, C.W., Negnevitsky, M.: Very short-term wind forecasting for tasmanian power generation. IEEE Trans. Power Syst. 21(2), 965–972 (2006)CrossRef
14.
Pousinho, H., Mendes, V., Catalão, J.: A hybrid PSO-ANFIS approach for short-term wind power prediction in Portugal. Energy Convers. Manag. 52(1), 397–402 (2011)CrossRef
15.
Salleh, M.N.M., Hussain, K.: A review of training methods of ANFIS for applications in business and economics. Int. J. u- e-Serv. Sci. Technol. 9(7), 165–172 (2016)CrossRef
16.
Sargolzaei, A., Faez, K., Sargolzaei, S.: A new method for foetal electrocardiogram extraction using adaptive nero-fuzzy interference system trained with PSO algorithm. In: IEEE International Conference on Electro/Information Technology (EIT), 2011, pp. 1–5. IEEE (2011)
17.
Wang, X., Guo, P., Huang, X.: A review of wind power forecasting models. Energy Procedia 12, 770–778 (2011). the Proceedings of International Conference on Smart Grid and Clean Energy Technologies (ICSGCE 2011)CrossRef
18.
Yu, S., Wei, Y.M., Wang, K.: A PSO-GA optimal model to estimate primary energy demand of China. Energy Policy 42, 329–340 (2012)CrossRef
19.
Zhang, Q., Ogren, R.M., Kong, S.C.: A comparative study of biodiesel engine performance optimization using enhanced hybrid PSO-GA and basic GA. Appl. Energy 165, 676–684 (2016)CrossRef
20.
Zhang, Y., Wang, J., Wang, X.: Review on probabilistic forecasting of wind power generation. Renew. Sustain. Energy Rev. 32, 255–270 (2014)CrossRef
Metadaten
Titel
A Hybrid GA-PSO Adaptive Neuro-Fuzzy Inference System for Short-Term Wind Power Prediction
verfasst von
Rendani Mbuvha
Ilyes Boulkaibet
Tshilidzi Marwala
Fernando Buarque de Lima Neto
Copyright-Jahr
2018
Buch
Advances in Swarm Intelligence

Print ISBN: 978-3-319-93814-1

Electronic ISBN: 978-3-319-93815-8

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-93815-8_47

Premium Partner

    Bildnachweise