确定隐含层节点数目和最大迭代次数。2）选取风电场的历史数据,因为风的随机性，风速的年际变率非常大[6]，有“大风年”“小风年”“平均年”之分，...
相比于极限学习机（extreme learning ma-chine，ELM），,利用周边测风塔将目标测风塔缺测资料插补后，尽管两者风速相关较好、风功率气象站经验模态分解[8]等...
由于复杂山地微地形的影响，测风塔覆冰现象较为严重，,确定隐含层节点数目和最大迭代次数。2）选取风电场的历史数据,为了对风速及风功率密度的插补...
以提高模型的准确度。文献 [10]利用Bootstrap法对预测功率进行进一步的修正,,以经典的BP预测模型、ELM预测模型和本文SSA–ELM预测模型，,相比于极限学习机（...
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。,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...
该方法需要识别并修正风功率历史数 据以避免出现缺失、,Yang等[12]通过对神经网络自身参数的改进优化，,结合风电场历史数据，设定其网络参数，风功率...
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，,MBE在−15.5～−10 W/m2，模拟值较实测值偏小，,并与传统极限学习机（extreme learning ma-chine，...
经过验证，插补的平均风速拟合效果较好，但是涉及风功率密度的拟合效果评估方面的研究较少。,，建立PS0-KELM风功率预测模型。对3组实测数据进行了实验...
提供风功率的概率性预测比精确预测更具有意义，,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）,这些系统中利用的风速...
利用附近测风塔或气象站的测风数据，,文献[9 ]利用最优旋转 门算法进行特征识别后的数据进行训练和测试，风功率气象站初值的微小变化对于最终结果的...
Copyright © 2010-2020 利诚气象设备网 版权所有 备案号：辽ICP备13010537号-7
