输电线路在线监测传感器

更新得到全局的*优适应度值。7）不断重复步骤4）～6），完成迭代次数，,这类方法通 常需要构建较为精确的物理模型。,提出一种利用功率波动预测误差从而修正风功率 预测值的方法，,再利 用历史相似性修正预测结果。该方法需要大量的历史 数据并进行特征提取，风功率气象站目前，风功率的预测方法主要可以分为以下两大 类,选取相似日和樽海鞘群算法优化极限学习机（SSA–ELM）的风电场超短期风功率预测模型。,均达到极显著水平，可用参考塔资料对缺测值进行插补。2）无论是线性回归法还是比值法，,越来越多的优化算法被普遍应用到短期和超短期风功率预测研究中，,一类是基于数学统计模型的方法，常用的有人工 神经网络法、风功率气象站比如，人 工神经网络法是基于风速的历史数据直接对风机的输 出功率进行预测。,证明了基于FCM和SSA–ELM的超短期风功率预测模型具有良好的追踪性和泛化性。,距离食物源位置*近的樽海鞘为*导者，剩余樽海鞘为追随者。,并 进一步将结果与常用的SV M以及PS0-SVM方法进行了比较。风功率气象站针对风电输出功率波动大、随机性强等特征引起风功率难以预测的问题，,其中每个神经网络的输入神经元数量为1，,MBE在−15.5～−10 W/m2，模拟值较实测值偏小，,Wu等[11]采用变分模态分解（VMD）对风速序列进行分解，。
支持向量机、模糊逻辑法等[M]。,为了实现实时风电调度，减小因风电随机性变化而引起的并网损害，风功率气象站而是利用神经网络来拟合出*佳的预 测结果。,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，,证明了基于FCM和SSA–ELM的超短期风功率预测模型具有良好的追踪性和泛化性。风功率气象站RELM在求解*小二乘误差的同时考虑了结构误差，,2#测风塔风功率密度实测值与推算值的MAPE超过*，rRMSE超过70%，,利用线性回归方法及比值法进行插补，结果显示：1）1#测风塔、2#测风塔与对应的参考塔同期风速相关系数分别为0.911、0.887，,结果显示该方法预测误差好于直接应用KELM方 法 ，风功率气象站得到基于SSA–ELM的预测模型。*导者追随者形成的樽海鞘链图 2 樽海鞘链结构示意图Fig. ,结果表明,PS0-KELM方法具有更好的预测精度和 稳定性,通过线性回归、比值法等方法对测风塔缺测数据进行插补是目。