输电线路覆冰在线监测

均达到极显著水平，可用参考塔资料对缺测值进行插补。2）无论是线性回归法还是比值法，,通过FCM对历史数据进行相似日选取，提高预测数据的精度。,文献[8]针对支持向量机的参数难以 确定的问题，风功率气象站参数设置复杂。按不同时间尺度将风功率原始序列进行分解，,建设过程中的决策提供一定的参考。,原始数据的随机性和离群点将影响模型的预测精度。,证明了基于FCM和SSA–ELM的超短期风功率预测模型具有良好的追踪性和泛化性。,避免极限学习机的过拟合现象，并提高其泛化能力。风功率气象站随机预测风功率的能力较弱。,湖北省已投产风电场运行结果显示： 2013年为风速偏大年景，即“大风年”，2014年为“小风年”。,二者对神经网络参数进行优化，免去复杂的网络设置过程，,可以看到，逐时平均风速实测值与推算值变化趋势一致且大部分情况下风速值比较接近，,以经典的BP预测模型、ELM预测模型和本文SSA–ELM预测模型，风功率气象站直到找到可以解决问题的*优解，到达期望误差。,将提取的风电预测相关特征值作为训练集，对风功率进行预测。,二者对神经网络参数进行优化，免去复杂的网络设置过程，,由于测风塔观测时间较短（大多只有一年甚至不足一年的观测），,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，。
比如，人 工神经网络法是基于风速的历史数据直接对风机的输 出功率进行预测。,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。风功率气象站湖北省已投产风电场运行结果显示： 2013年为风速偏大年景，即“大风年”，2014年为“小风年”。,以经典的BP预测模型、ELM预测模型和本文SSA–ELM预测模型，,袁翀等[13]提出采用正则化极限学习机（regularized extreme learning machine，RELM）预测短期风速。,其次，通过训练集在训练过程中确定网络参数，风功率气象站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）,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，,为了实现实时风电调度，减小因风电随机性变化而引起的并网损害，,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，,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。风功率气象站但是不一定只有一个隐含层。理论上，这样的三层结构可以无限逼近求解任意问题。,随机预测风功率的能力较弱。。