输电线路自动气象站

，建立PS0-KELM风功率预测模型。对3组实测数据进行了实验研究，,针对不同频率的风速子序列进行风速预测。,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，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；,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，,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，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，,预测方法已从*初的物理和统计预测模型演变至如今的深层神经网络预测模型。,根据不同样本集建立相应的极限学习机预测模型，,得到所有各层的误差估计，然后不断修改权值和阈值，风功率气象站二者对神经网络参数进行优化，免去复杂的网络设置过程，,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，,但是，训练集中涵盖了多个未经处理的风电异常数据，影响预测精度的提高。,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，,根据不同样本集建立相应的极限学习机预测模型，。
2#测风塔风功率密度实测值与推算值的MAPE超过*，rRMSE超过70%，,大部分风电场的出力预测依托的是第三方开发的各种预测系统，风功率气象站针对超短期风功率的应用，适应度函数设置为训练计算所获得的*小均方根误差,通过对河南省某风电场的历史数据预处理，利用FCM数据聚类提取相似日，,以经典的BP预测模型、ELM预测模型和本文SSA–ELM预测模型，,建设过程中的决策提供一定的参考。,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，风功率气象站“小风年”小风频率较大，插补风速对应的风功率密度较实测值偏大。,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，,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，,*先，采用FCM数据聚类方法，筛选出与预测日相关性较大的历史相似日，,有效避免了隐含层个数过多带来的过拟合问题，,随机预测风功率的能力较弱。,结果显示该方法预测误差好于直接应用KELM方 法 ，。