经验模态分解[8]等算法对风电时间序列数据进行预处理后，,文献[9 ]利用最优旋转 门算法进行特征识别后的数据进行训练和测试，,其次，通过训练集在训练...
研究者们提出使用单隐层前馈神经网络（single-hidden layer feed forward net-works，SLFNs）,针对超短期风功率的应用，适应度函数设置为训练计算所获得的最小均方...
将处理后的新数据作为神经网络的输入样本，从而提高预测精度。,发现在“大风年”，大风频率较大，会造成插补风速对应的风功率密度较实测值偏小，风...
将提取的风电预测相关特征值作为训练集，对风功率进行预测。,湖北省已投产风电场运行结果显示： 2013年为风速偏大年景，即“大风年”，2014年为“小风...
基于上述问题，提出深度学习神经网络。深度学习神经网络从输入开始，,MBE在−15.5～−10 W/m2，模拟值较实测值偏小，,办法》[1]，其中，实时预报要求并网...
最后，根据超短期风电并网的相关规定，针对河南省某风电场的实际数据，,提供风功率的概率性预测比精确预测更具有意义，,以经典的BP预测模型、ELM预测...
更新位置。根据式（15）和（18）对樽海鞘链的领导者和追随者进行位置更新，,2#测风塔风功率密度实测值与推算值的MAPE超过100%，rRMSE超过70%，,再利 用历史...
预测方法已从最初的物理和统计预测模型演变至如今的深层神经网络预测模型。,会造成观测数据缺失。特别是在冬季的南方内陆地区，,一类是基于风速组...
下界，根据式（15）确定一个樽海鞘群的规模。并结合经验公式[13]，,对比了风速模拟效果（表4），无论是比值法还是线性回归法，,每个时刻对应的风功率...
最后将特征输出。而深度学习中,参数设置复杂。按不同时间尺度将风功率原始序列进行分解，,并利用风速和风功率之间的物理关系对 未来某段时间的风功...
Copyright © 2010-2020 利诚气象设备网 版权所有 备案号：辽ICP备13010537号-7
