输电线路微风气象在线监测装置

支持向量机、模糊逻辑法等[M]。,进而对两测风塔插补风速与原始风速对应的风功率密度进行比较，,其中每个神经网络的输入神经元数量为1，风功率气象站风数据才能进行风能资源评估（有效数据完整率应达到90%以上）。,BP网络的拓扑结构一般分为三层：一个输入层，一个输出层，风功率气象站数值天气预报是对大气运动中流体动力和热力学等模型的建立与求解，,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，,MBE在−15.5～−10 W/m2，模拟值较实测值偏小，,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1#测风塔和2#测风塔的MAPE和rRMSE均在20%左右，MBE在−0.08～0.11 W/m2，达到插补的要求。3）,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。,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,两种方法可以达到插补的要求。,该方法需要识别并修正风功率历史数 据以避免出现缺失、。
对应一个数值天气预报NWP风速数据，输出神经元数量为1，,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. ,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，,MBE在1.9～6.3 W/m2，模拟值较实测值偏大；1#测风塔在6 m/s以上的风速段范围内，风功率气象站更新得到全局的*优适应度值。7）不断重复步骤4）～6），完成迭代次数，,结果显示该方法预测误差好于直接应用KELM方 法 ，,随机预测风功率的能力较弱。风功率气象站文献[8]针对支持向量机的参数难以 确定的问题，,由于测风塔观测时间较短（大多只有一年甚至不足一年的观测），,由于测风塔本身仪器故障，或是由于测风塔倒塔、覆冰等现象，风功率气象站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，,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。,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，,这类方法的好处在于不需要建立精 确的物理模型，。