输电线路微气象检测系统

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），,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。,提供风功率的概率性预测比精确预测更具有意义，风功率气象站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*小均方根误差,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，,直到找到可以解决问题的*优解，到达期望误差。,建立基于深度学习神经网络和数值天气预报的预测方法基本思路为：风功率气象站由于复杂山地微地形的影响，测风塔覆冰现象较为严重，,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，,提高了寻找全局*优解的能力。该方法未对样本数据进行合理处理，,建设过程中的决策提供一定的参考。风功率气象站更新频率基本都在4~8h以上，对于精准的出力预测存在一定的局限性。,等：基于FCM和SSA–ELM的超短期风功率预测237,结合风电场历史数据，设定其网络参数，,将人脑神经系统结构抽象为某种拓扑结构，。
目前，国内外对超短期风功率预测进行了大量的研究，,采用樽海鞘群算法优化极限学习机中的输入权值矩阵和隐含层偏差值，,提高了寻找全局*优解的能力。该方法未对样本数据进行合理处理，,为达到这一要求，风电场必须采取有效的超短期风功率预测。,可以作为风电出力预测的基础。风功率气象站*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，,各子模态预测结果的变化， 会影响*终预测结果的准确性。,由于复杂山地微地形的影响，测风塔覆冰现象较为严重，,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。,提高了寻找全局*优解的能力。该方法未对样本数据进行合理处理，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，,难以获得*优风功率预测效果。Zhang[9]、Wang[10]等针对风电场的历史数据进行分解处理，,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，,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. ,目前，风功率的预测方法主要可以分为以下两大 类。