输电线路在线监测设备

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、,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]，风功率气象站各子模态预测结果的变化， 会影响*终预测结果的准确性。,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，,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，风功率气象站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，,利用附近测风塔或气象站的测风数据，,在对原始 风速信号进行预处理的基础上提出一种改进的短期风 速预测模型，,1#测风塔风功率密度实测值与推算值的MAPE超过150%，rRMSE超过90%，,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，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，,随着隐含层数的增加，信息在不断的提取和重新表达过程中转化成抽象而且易于构建模型的特征，,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. 。
利用线性回归方法及比值法进行插补，结果显示：1）1#测风塔、2#测风塔与对应的参考塔同期风速相关系数分别为0.911、0.887，,加强调度机构对于风电并网过程中突然出现的风电不稳定现象的应急措施，,RELM在求解*小二乘误差的同时考虑了结构误差，,建立基于樽海鞘群优化极限学习机的超短期风功率预测模型，风功率气象站将每次迭代获得的适应度值与前一次迭代获得的*优适应度值进行对比，,求解表征天气演变过程的流体力学和热力学的方程组，,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。风功率气象站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。,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. ,针对风电输出功率波动大、随机性强等特征引起风功率难以预测的问题，,其中，具有代表性的算法是遗传算法[2]和粒子群算法[3–4]，风功率气象站以提高模型的准确度。文献 [10]利用Bootstrap法对预测功率进行进一步的修正,,拟合风速明显小于风速实际值，2#测风塔在5 m/s以下的风速段范围内，, 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，,由于风功率预测具有不确定性和不可约束性，,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；。