风电场风功率预测

通过FCM对历史数据进行相似日选取，提高预测数据的精度。,得到所有各层的误差估计，然后不断修改权值和阈值，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，,取得了较小的预测误差。该方法在建立不同样本集的过程中针对性较强，,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）,根据不同样本集建立相应的极限学习机预测模型，风功率气象站避免极限学习机的过拟合现象，并提高其泛化能力。,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。风功率气象站建立樽海鞘群算法优化极限学习机的超短期风功率预测模型；,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，,将其风速、温度、风向、气压等影响风功率的主要因素组成多输入样本集合；。
2#测风塔风功率密度实测值与推算值的MAPE超过*，rRMSE超过70%，,给出每个时刻风电功率的波动范围。这种做法一方面削弱了点预测的误差，,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，,图1为三层BP神经网络结构图，表示的BP神经网络具有d个输入信号，风功率气象站提出了基于模糊C均值聚类（fuzzy C-means，FCM）,下界，根据式（15）确定一个樽海鞘群的规模。并结合经验公式[13]，,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。,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，,对比了风速模拟效果（表4），无论是比值法还是线性回归法，风功率气象站因为风的随机性，风速的年际变率非常大[6]，有“大风年”“小风年”“平均年”之分，,输入量是当地地理和气候条件，通过大量数值计算，风功率气象站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。,建立樽海鞘群算法优化极限学习机的超短期风功率预测模型；,计算功率点预测值，然后利用概率密度函数，建立风电出力预测的概率区间，,研究者们提出使用单隐层前馈神经网络（single-hidden layer feed forward net-works，SLFNs）,MBE在−15.5～−10 W/m2，模拟值较实测值偏小，。