考虑山东近海不同风能天气特征的风电功率区间预测模型

风电功率区间预测是应对大规模风电机组并网运行的有效手段之一。针对山东风电并网运行建立了一种考虑山东半岛不同风能特征的风电功率区间预测模型。对比了不同风能条件下半岛内风电场出力特征和风电功率历史预测误差分布特点,发现风电场出力分布范围随风速增加呈"先增后减"趋势,在出力分布范围较大的风速区间内,预测误差也相对较大。以风速、风向和预测功率为特征变量,在利用层次聚类法对样本数据进行聚类分析基础上,采用非参量核密度估计方法,建立了各类样本在不同风向条件下风速-风电功率预测误差的联合概率密度分布模型。将该模型与NARX(nonlinear auto regressive models with exogenous inputs)网络确定性风电功率预测结果相结合,得到一定置信水平的风电功率区间预测结果,最后通过实际算例验证了模型的有效性。

谈工程量清单计价方式

随着建筑业改革的逐步深入，以及与国际接轨的要求，推行“工程量清单计价”已势在必行。建设工程计价与合同价的确定，在建设工程施工招标投标过程中，是一个非常重要的环节，也是招投标双方极其关切的焦点。从投资方来讲，体现着所投入的资金是否得到了充分的运用、是否最大地发挥了投资效益、是否存在投资浪费的问题。从施工企业来讲，是关乎着企业的运筹和有否得到回报、能否得到确认、是否存在利润空间的大问题。因此招投标双方对《建设工程工程量清单计价规范》所规定的计价方式，都必须有一个全面和细致的了解。

基于PSO与ELM组合算法的短期光伏发电功率预测模型

光伏发电功率受自然环境因素影响较大,具有很强的随机性和波动性,准确及时的光伏发电功率预测对电网的调度运行具有重要的意义.提出了一种基于PSO与ELM组合算法的短期光伏发电功率预测模型.该模型通过调整粒子群优化算法(particle swarm optimization, PSO)不同阶段的寻优重点,为极限学习机(extreme learning machine, ELM)设定出了最佳网络参数,避免了ELM随机产生输入层权值和隐含层阈值造成的网络不稳定问题.同时结合传统神经网络和ELM网络隐含层节点选取原则为组合模型,设定了最佳隐含层节点数,提高了模型预测精度.实际算例验证了组合算法模型能够有效提高短期光伏发电功率预测的预测精度.