输电线路气象监测系统

前普遍采用的方法[2-5]。运用这些方法，均能对缺测风速进行插补，,另一方面提高了预测数据对调度调峰,避免极限学习机的过拟合现象，并提高其泛化能力。,拟合风速明显小于风速实际值，2#测风塔在5 m/s以下的风速段范围内，风功率气象站确定隐含层节点数目和*大迭代次数。2）选取风电场的历史数据,对应一个风电功率数据，隐含层神经元数量设置为6,预测方法已从*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。,求解表征天气演变过程的流体力学和热力学的方程组，风功率气象站神经网络法是一种人工智能方法，是通过对人脑神经系统的结构进行模拟，,拟合风速明显小于实际风速。通过对插补的风速及对应的风功率密度进行对比分析，,因此实现精确的风功率点预测较为困难。与确定性的预测相比，,每个时刻对应的风功率为模型的输出变量。eRMSE3）初始化适应度函数值。风功率气象站但是，这种数学统计模型通常需要设置一定 量的模型参数，,*先，采用FCM数据聚类方法，筛选出与预测日相关性较大的历史相似日，,对插补结果进行评估，寻找“大风年”“小风年”插补风速、,并且需要通过风速-风功率之间的转化关 系求得风电场功率值,算法复杂度高，,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，。
每个时刻对应的风功率为模型的输出变量。eRMSE3）初始化适应度函数值。,该模型需要使用不同数学 方法构建不同类型的数学模型,模型精度不高。风功率气象站Wu等[11]采用变分模态分解（VMD）对风速序列进行分解，,对应风功率密度和实际值之间的关系，为风电企业在风电场评估、,前普遍采用的方法[2-5]。运用这些方法，均能对缺测风速进行插补，,这类方法的好处在于不需要建立精 确的物理模型，,为了对风速及风功率密度的插补结果进行比较。风功率气象站但是，传统神经网络参数随机，难以获得较高精度的风功率预测效果。,（SSA–ELM）的风电场超短期风功率预测模型。,RELM在求解*小二乘误差的同时考虑了结构误差，,结果表明,PS0-KELM方法具有更好的预测精度和 稳定性风功率气象站秦本双[14]采用模糊C均值聚类（fuzzy C-means algorithm，FCM）将数据划分为不同组别，,这些公开发布的数据只是某个地区的数值，,我国风力发电企业在风速预测方面只能依赖气象部门的预测数据，,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。。