GA优化ELM神经网络的风电场测风数据插补

被引：18

作者：

秦琼 ^{[1
]}

刘树洁 ^{[2
]}

赖旭 ^{[1
]}

刘霄 ^{[1
]}

机构：

[1] 武汉大学水资源与水电工程科学国家重点实验室

[2] 中国电建集团华东勘测设计研究院有限公司

来源：

太阳能学报 | 2018年 / 39卷 / 08期

基金：

高等学校博士学科点专项科研基金;

关键词：

风能; 插补; 神经网络; 遗传算法; 极限学习机; 数据相关性;

D O I：

暂无

中图分类号：

TM614 [风能发电]; TP183 [人工神经网络与计算];

学科分类号：

0807 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对风电场待插补测风塔与参考塔或气象站的数据间具有非线性相关关系的特点,采用遗传算法（GA）对极限学习机（ELM）神经网络的权值和阈值进行优化,建立用于风电场测风数据插补的GA-ELM模型。选取原始参考数据相关性不同的4个插补实例对基于GA-ELM模型的插补方法进行验证,并与ELM方法和线性回归法进行对比。结果表明:GA-ELM方法较ELM方法的插补精度有一定提高;GA-ELM方法与线性回归法相比,对于相关性较强的参考数据,插补风速与实测风速的均方根误差减少的绝对值和相对值分别可达0.06 m/s和30%以上,对于相关性较弱的参考数据,均方根误差减少的绝对值为0.1～0.3 m/s,相对值为7%19%。GA-ELM方法较传统插补方法的精度有较大提高,且对相关性较弱的风电场测风数据的插补更有优势。

引用

页码：2125 / 2132

页数：8

共 16 条

[1]

极限学习机及其在无线频谱预测中的应用研究.[D].吕娜.兰州大学.2014, 10

[2] 基于再分析数据的测风数据插补方法 [J].