风能监测站

而是利用神经网络来拟合出*佳的预 测结果。,等：基于FCM和SSA–ELM的超短期风功率预测237,由于复杂山地微地形的影响，测风塔覆冰现象较为严重，风功率气象站并且需要通过风速-风功率之间的转化关 系求得风电场功率值,算法复杂度高，,而是利用神经网络来拟合出*佳的预 测结果。,但是，这些方法大多参数设置复杂，泛化能力较弱，风功率气象站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，,有效避免了隐含层个数过多带来的过拟合问题，风功率气象站 问题，提出了运用P S 0对核极限学习机进行参数优化的PS0-KELM预测方法。,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，,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，,图1为三层BP神经网络结构图，表示的BP神经网络具有d个输入信号，,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，。
并且需要通过风速-风功率之间的转化关 系求得风电场功率值,算法复杂度高，,通过线性回归、比值法等方法对测风塔缺测数据进行插补是目,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，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，,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；,按照这种特定的拓扑结构将大量的简单神经元连接起来，,获取当前*优适应度值的樽海鞘的位置为食物源的位置（）。,再叠加每个子模态预测结果得到风功率的置 信区间进行风功率预测。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。,并更新每一个樽海鞘对应的适应度值。6）用样本的训练集对模型进行训练。,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，风功率气象站m个隐含层节点与c个输出信号。由于神经网络法对初值选取要求非常高，,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，,随机提取一段时间的风功率影响因素为模型的输入变量，,MBE在−15.5～−10 W/m2，模拟值较实测值偏小，。