电力输电线路在线监测

办法》[1]，其中，实时预报要求并网风电场每15 min一次滚动上报未来,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。风功率气象站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。,分别从基于相似日超短期预测、具有代表性的四季预测和滚动误差3方面进行仿真实验，,这类方法的好处在于不需要建立精 确的物理模型，,具体步骤如下：1）初始化网络参数。设置变量数目以及搜索空间的上、风功率气象站等：基于FCM和SSA–ELM的超短期风功率预测237,Wu等[11]采用变分模态分解（VMD）对风速序列进行分解，,其中，具有代表性的算法是遗传算法[2]和粒子群算法[3–4]，风功率气象站再利 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，,初值的微小变化对于*终结果的影响也很大，而且神经元容易陷入局部*优。, 问题，提出了运用P S 0对核极限学习机进行参数优化的PS0-KELM预测方法。。
根据不同样本集建立相应的极限学习机预测模型，,有效避免了隐含层个数过多带来的过拟合问题，,文献[8]针对支持向量机的参数难以 确定的问题，,因为风的随机性，风速的年际变率非常大[6]，有“大风年”“小风年”“平均年”之分，风功率气象站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，,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。,通过FCM对历史数据进行相似日选取，提高预测数据的精度。风功率气象站输入量是当地地理和气候条件，通过大量数值计算，,提供风功率的概率性预测比精确预测更具有意义，,针对正则化系数C和核参数A作为模型参数，对核极限学习机预测模型精度产生影响的,袁翀等[13]提出采用正则化极限学习机（regularized extreme learning machine，RELM）预测短期风速。,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，风功率气象站结果表明,PS0-KELM方法具有更好的预测精度和 稳定性,并与传统极限学习机（extreme learning ma-chine，ELM）和BP神经网络模型进行对比分析，,通过FCM对历史数据进行相似日选取，提高预测数据的精度。,并更新每一个樽海鞘对应的适应度值。6）用样本的训练集对模型进行训练。,将正则化系数C和核参数A作为 优化对象，利用P S 0方法对参数共同优化。