目前,国内外对超短期风功率预测进行了大量的研究,,该方法需要识别并修正风功率历史数 据以避免出现缺失、,文献[9 ]利用*优旋转 门算法进行特征识别后的数据进行训练和测试,,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,风功率气象站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,,经验模态分解[8]等算法对风电时间序列数据进行预处理后,风功率气象站误差较小,但是推算风速对应风功率密度与实测值差异较,为了对风速及风功率密度的插补结果进行比较。,其中,具有代表性的算法是遗传算法[2]和粒子群算法[3–4],,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. ,距离食物源位置*近的樽海鞘为*导者,剩余樽海鞘为追随者。风功率气象站具体步骤如下:1)初始化网络参数。设置变量数目以及搜索空间的上、,其中,具有代表性的算法是遗传算法[2]和粒子群算法[3–4],,因此,本文通过选取湖北省内2013、2014年2座测风塔风速观测资料,,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,,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,。
通过选取湖北省内2013、2014年2座测风塔观测资料分别代表“大风年”及“小风年”风速观测,,数值天气预报是对大气运动中流体动力和热力学等模型的建立与求解,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,,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. ,文献[9 ]利用*优旋转 门算法进行特征识别后的数据进行训练和测试,,以经典的BP预测模型、ELM预测模型和本文SSA–ELM预测模型,,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;风功率气象站发现在“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,,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、,结果见表5。从对比结果可以看到,,初值的微小变化对于*终结果的影响也很大,而且神经元容易陷入局部*优。,为达到这一要求,风电场必须采取有效的超短期风功率预测。风功率气象站同时模型参数的取值将直接影响模型 预测的准确性。,提出一种改进的遗传算法对模型的惩罚 参数和核函数分别进行寻优。。
在线询盘