输电线路微气象在线监测系统

采用深度学习神经网络算法，建立NWP与风电功率之间的转换模型，,结果显示该方法预测误差好于直接应用KELM方 法 ，,通过传统神经网络对风功率进行预测。,*后，根据超短期风电并网的相关规定，针对河南省某风电场的实际数据，风功率气象站将其风速、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；,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，风功率气象站采用深度学习神经网络算法，建立NWP与风电功率之间的转换模型，,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，,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，,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，,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。风功率气象站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，,以经典的BP预测模型、ELM预测模型和本文SSA–ELM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，,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]，,引 人均方根误差、平均*对误差和相对标准差作为评价指标，。
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，,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，,针对不同频率的风速子序列进行风速预测。,按照这种特定的拓扑结构将大量的简单神经元连接起来，风功率气象站从而构成复杂的神经系统，具有强大的非线性映射能力。,为制定科学合理的消纳措施提供有效的依据。而对于每个时刻，,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。,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，,随机预测风功率的能力较弱。风功率气象站 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，,由于测风塔本身仪器故障，或是由于测风塔倒塔、覆冰等现象，。