Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Research on Wind Speed Vertical Extrapolation Based on Extreme Learning Machine Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

A Multivariate Wind Power Fitting Model Based on Cluster Wavelet Neural Network

verfasst von : Ruiwen Zheng, Qing Fang, Zhiyuan Liu, Binghong Li, Xiao-Yu Zhang

Erschienen in: Advanced Computational Methods in Energy, Power, Electric Vehicles, and Their Integration

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper, we select the hierarchical cluster method to classify the wind energy level with the meteorological data, and then apply the 0–1 output method to quantify the wind energy level. Next, we utilize wavelet neural network to fit multivariate wind power data, which solves the problem of randomness, intermittency and volatility of wind power data. Finally, a wind-power numerical experiment shows the ideal fitting results with an error precision of \(1.71\%\) and demonstrates the effectiveness of our model.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel MFAC-PID Control for Variable-Speed Constant Frequency Wind Turbine
Nächstes Kapitel Control Strategy for Isolated Wind-Solar-Diesel Micro Grid System Considering Constant Load
Literatur
1.
Potter, C.W., Negnevitsky, M.: Very short-term wind forecasting for Tasmanian power generation. IEEE Trans. Power Syst. 21, 2 (2006)CrossRef
2.
Fan, G.F., et al.: Wind power prediction based on artificial neural network. Proc. CSEE 34, 118–123 (2008)
3.
Lin, Y.E., Liu, P.: Combined model based on EMD-SVM for short-term wind power prediction. Proc. CSEE 31, 102–108 (2011)
4.
De Giorgi, M.G., et al.: Comparison between wind power prediction models based on wavelet decomposition with least-squares support vector machine (LS-SVM) and artificial neural network (ANN). Energies 7, 5251–5272 (2014)CrossRef
5.
Wang, X.L.: Proposals of amendments of wind power density grade and wind energy area classification. Electr. Power Technol. 19(8) (2010)
6.
Ward, J.J.H.: Hierarchical grouping to optimize an objective function. J. Am. Stat. Assoc. 58(301), 236–244 (1963)MathSciNetCrossRef
7.
Zhang, J., et al.: Wavelet neural networks for function learning. IEEE Trans. Signal Process. 43(6), 1485–1497 (1995)CrossRef
8.
Chen, W.G., Ling, Y., Gan, D.G., Wei, C., Yue, Y.F.: Method to identify developing stages of air-gap discharge in oil-paper insulation based on cluster-wavelet neural network. Power Syst. Technol. 36(7), 126–132 (2012)
9.
Yang, Q., Zhang, J.H., Wang, X.F., Li, W.G.: Wind speed and generated wind power forecast based on wavelet-neural network. Power Syst. Technol. 33(17), 44–48 (2009)
Metadaten
Titel
A Multivariate Wind Power Fitting Model Based on Cluster Wavelet Neural Network
verfasst von
Ruiwen Zheng
Qing Fang
Zhiyuan Liu
Binghong Li
Xiao-Yu Zhang
Copyright-Jahr
2017
Verlag
Springer Singapore
Buch
Advanced Computational Methods in Energy, Power, Electric Vehicles, and Their Integration

Print ISBN: 978-981-10-6363-3

Electronic ISBN: 978-981-10-6364-0

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-981-10-6364-0_10