在线监测测风测速设备

经验模态分解[8]等算法对风电时间序列数据进行预处理后，,*后将特征输出。而深度学习中,由于复杂山地微地形的影响，测风塔覆冰现象较为严重，风功率气象站但是，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。,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，,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，,这些系统中利用的风速数据主要来自气象部门公开发布的数据，,选取2座测风塔*高层风速（两测风塔70 m高度）有观测数据的8月1—31日逐小时观测资料作为缺测，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。,一类是基于风速组成时间序列数据通过对未来风 速进行预测，风功率气象站但是，这种数学统计模型通常需要设置一定 量的模型参数，,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，,将所有历史数据输入到基于抛物线核函数的概率密度模型中，。
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,以经典的BP预测模型、ELM预测模型和本文SSA–ELM预测模型，风功率气象站难以获得*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，,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。,Wu等[11]采用变分模态分解（VMD）对风速序列进行分解，风功率气象站提高了寻找全局*优解的能力。该方法未对样本数据进行合理处理，,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，,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：。