共查询到18条相似文献,搜索用时 93 毫秒
1.
2.
基于风速历史数据统计法和基于地理信息与数值预报的物理方法都不能经济、有效、准确地对超短期风速做出预测。为了满足超短期风速预测的时效性和准确性,提出了基于风速历史数据和周边风速数据的风速时空信息BP神经网络超短期风速预测的思想,并研究了基于风速时空信息BP神经网络风速预测模型。建立基于MATLAB平台的BP神经网络预测程序,并实例验证了基于风速时空信息BP神经网络风速预测方法具有更高的精确度、时效性和经济性。 相似文献
3.
风速预测对于风力发电并网调度至关重要。基于BP神经网络建立了风速预测模型,并从BP算法及遗传算法自身特点出发,针对BP网络结构确定困难、收敛速度慢等问题,提出创建多种群遗传算法,实现对BP神经网络的结构和权值初始值的同步优化。通过具体算例表明,经优化后的BP算法的收敛步数和计算时间明显减少,预测精度更高,网络整体性能有了显著提高。 相似文献
4.
介绍了基于AdaBoost的多神经网络集成预测方法。集成方法的预测结果优于其他方法的预测结果,这一点在理论上和经验上已经得到证明。AdaBoost是适用于时间序列预测的集成方法。基于AdaBoost算法,采用多个BP神经网络训练随机生成的风速样本,再由多个训练结果生成最终的风速预测值。用该方法预测的误差低于用单一BP神经网络进行的预测,其分析和仿真结果表明了其优越性。 相似文献
5.
风电场缺失测风数据插补方法的分析 总被引:1,自引:0,他引:1
在对风电场进行风资源评估时,常需要对缺失测风数据进行插补,然后据此订正成代表年风速。文章以广东地区某风电场风资源分析为例,采用以下3种不同的线性相关插补方法 :方法一,相关关系构建基于主测风塔和参照测风塔同期所有的测风数据(除去缺测数据);方法二,相关关系构建基于不同季节的测风数据;方法三,相关关系构建基于不同风向扇区(一般16个)的测风数据。误差分析结果表明,方法三误差最小,方法二次之,方法一误差最大。 相似文献
6.
7.
8.
9.
风电场风速预测模型研究 总被引:3,自引:3,他引:0
介绍了两种风电场风速预测模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经网络结合,即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开,体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中,从预测结果对比得出组合模型更适合该风电场的逐时风速预测。 相似文献
10.
叙述了数控机床插补计算原理,通过实例重点阐述了对直线和圆弧的逐点比较插补计算方法,为数控机床软件设计提供数学依据。 相似文献
11.
12.
13.
一种实时校正的改进BP神经网络超短期 总被引:1,自引:0,他引:1
摘要: 风电机组出力可由风速计算得出,提高风速预测精度对减小风电并网冲击、合理调度风能资源至关重要。基于风电场气象及风速数据的时间连续性,提出了一种加入误差实时校正环节及风速变化趋势分析的改进方法介绍,在提高风速预测精度的同时有效改善了过校正情况。采用某个风电场的实际运行数据进行了仿真,结果表明,所提出的改进BP神经网络风速预测模型方法具有较好的预测精度。 相似文献
14.
基于特征选择和BP神经网络的风电机组故障分类监测研究 总被引:3,自引:1,他引:2
为了减少风电场的经济损失,采用ReliefF特征选择与BP神经网络相结合的方法,对风电机组进行状态监测研究.基于风电场实际运行数据,重点分析了桨距角不对称故障.结果表明:ReliefF特征选择与BP神经网络相结合的方法可以有效地分辨出是否发生了桨距角不对称故障,且准确率较高. 相似文献
15.
16.
17.
为提高分形插值的准确性,提出分段分形插值,建立多个迭代函数系。为验证分段分形插值准确性,采用全域随机湍流风模拟程序Turb Sim对SMOOTH和Kaimal两种湍流风谱模型进行风场仿真,并随机选取点作为初始插值点,对初始点进行分段分形插值。结果表明:分段分形插值能有效提高垂直比例因子选取的准确性,相同时间段内,分段分形插值平均标准误差低于传统非分段分形插值,30 s时,分段分形差值的平均标准误差为0. 910,而当时间段为50 s时,平均标准误差仅为0. 695;分段节点作为初始插值点被使用了两次,间接地增加了初始点个数,提高了分形插值精度;分段分形插值降低了生成点个数,便于分析数据局部波动信息。 相似文献
18.
风速预测对风电场和电力系统的运行具有重要意义。为了提高风速预测的精度,提出了一种新的风速预测方法——基于粗糙集理论的遗传神经网络模型。由于影响风速预测的因素很多,利用粗糙集理论的属性约简对神经网络输入的影响因素进行约简,识别出与预测风速相关性较大的影响因素作为输入量,减少了神经网络的计算量;利用全局搜索能力强的遗传算法对神经网络的初始权值进行优化,克服了神经网络收敛速度慢和容易陷入局部极小的缺点。实例结果表明该算法能够有效地提高预测的速度与精度,证明了该方法在风速预测中的可行性和有效性。 相似文献