输电线路微气象设备

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。,本文仅选取了一个大风年和一个小风年的一个月进行了验证，所得结论可能有一定的偶然性，,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，风功率气象站因而研究如何精准进行风功率预测对保证电网的安全 稳定运行具有重要意义。,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，,再叠加每个子模态预测结果得到风功率的置 信区间进行风功率预测。,但是，这种数学统计模型通常需要设置一定 量的模型参数，风功率气象站得到所有各层的误差估计，然后不断修改权值和阈值，,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。,根据不同样本集建立相应的极限学习机预测模型，,该方法针对不同数据序列的突出特征要求较高，预测过程繁琐。,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，风功率气象站针对不同频率的风速子序列进行风速预测。,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，,但都存在过拟合现象，易陷入局部*优解。针对上述问题，。
本文提出一种基于模糊C均值聚类（fuzzy C-means，FCM）选取相似日和樽海鞘群算法优化极限学习机,并利用风速和风功率之间的物理关系对 未来某段时间的风功率进行预测的方法。,数值天气预报通过物理建模的方法可以预测包括风速在内的多种气象数据，,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、,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。,二者对神经网络参数进行优化，免去复杂的网络设置过程，风功率气象站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，,得到所有各层的误差估计，然后不断修改权值和阈值，,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, 从而提高风功率预测的准确度。文献[11]*先将风功 率序列分解为一系列不同带宽的子模态分量以降低其 非线性，风功率气象站 将得到的各子序列再分别进行建模，并将结果叠加作 为*终风功率预测的结果。,可以作为风电出力预测的基础。, 从而提高风功率预测的准确度。文献[11]*先将风功 率序列分解为一系列不同带宽的子模态分量以降低其 非线性，,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，,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，。