1、“.....而对于输入样本数据具有定冗余性的问题来说，这种方法就不太适用。为此，设计者可以考虑在样本密集的地方中心点可以适当多些，样本稀疏的地方中心点可以少些进步的方法是通过自组织的方法自动找到不同区域样本的代表向量。在这种方法中，旦中心点选定，就而已进步确定基函数的扩展系数。例如高斯函数的宽度可以取式中，是所选数据中心之间的最大距离，是数据中心的数目。自组织学习选取中心及网络设计中心通过自组织学习进行聚类，选取聚类中心作为中心，而输出层的权值可以通过解线性方程组，也可以通过有监督的学习规则计算。自组织学习的目的是使的中心位于样本空间的代表性区域。年，和提出种由两个阶段组成的混合学习过程的思路。第阶段为自组织学习阶段，目的是为隐藏层径向基函数的中心估计个合适的位置，可采用聚类算法确定合适的数据中心，并根据各中心之间的距离确定隐节点的扩展系数第二阶段为监督学习阶段，用有监督学习算法，如梯度法训练网络得出输出层的权值。虽然可以用批处理来执行上述两种学习阶段，但是用自适应迭代的方法更理想。对于自组织学习过程，我们需要个聚类的算法将所给的数据点剖几个不同的部分......”。

2、“.....种这样的算法为均值聚类算法，他将径向基函数的中心放在输入空间中重要数据点所在的区域上。那么，数据中心的均值聚类算法的步骤如下初始化。选择个互不相同向量作为初始聚类中心，选择方法可以是随机选取。计算各样本点与聚类中心点的距离。相似匹配。将全部样本划分为个子集，每个子集构成个以聚类中心为典型代表的聚类域。更新各类的聚类中心。对各聚类域中的样本取均值表示聚类中心。令,转到第步，重复上述过程，对于均值聚类法，直到时停止训练。各聚类中心确定后，可根据各中心之间的距离确定对应径向基函数的扩展系数。，则扩展系数取，为重叠系数。混合学习过程的第二步是用有监督学习算法得到输出层的权值，常采用算法，下节中有所说明。有监督学习选取中心及网络设计关于数据中心的监督学习算法，最般的情况是对输出层各权向量赋小随机数并进行归化处理隐节点函数的中心，扩展系数和输出层权值均采用监督学习算法进行训练，所有参数都经历个误差修正学习过程。以单输出网络为例，采用梯度下降算法。定义目标函数为式中，为训练样本数，为输入第个样本时的误差信号。定义为，式中输出函数忽略了阈值。为使目标函数最小化......”。

3、“.....经推到得计算式为隐单元中心调整函数宽度扩展系数调整输出单元的权值更新上述目标函数是所有训练样本引起的误差的总和，导出的参数修正公式是种批处理式调整。其他方法试验法令扩展参数以增量在定范围,内递增变化，在学习样本中，采用的数据作为训练样本数据，对网络进行训练信息损失小的前提下，为减少网络的训练时间，利用最大最小标准化为数据进行归化，并对数值保留小数点后四位。归化计算公式为式中，和分别为校正风功率数据中的最大值和最小值，该公式将数据归化到，之间。转化矩阵形式对时间序列数据进行。然后用训练出的网络对另外为检验样本数据进行预测，最后得出预测值与样本之间的误差矩阵，用式作为评价网络性能的指标，将能够令误差最小的扩展参数的值选出，并用在最后的网络预测中，而式可以作为网络训练的终止准则。可以看出，扩展参数的确定过程体现了对网络性能的验证过程。文中由于将预测的数据均标准化至,区间内，输入向量之间距离的最大及最小值分别为和，因此选择扩展参数由,并以步长为进行变化。采用进化优选算法选择中心把网络的结构设计问题归结为寻找最优选择路径问题，然后采用进化策略进行寻找......”。

4、“.....例如基于免疫算法的网络优化基于遗传算法的网络优化。下面以遗传算法为例介绍。遗传算法，是类借鉴生物界的进化规则适者生存，优胜劣汰遗传机制演化而来的种全局自适应优化概率搜索算法。遗传算法模拟自然选择和自然遗传过程中发生的繁殖交叉和基因突变现象，在每次迭代中都保留组候选解，并按照些指标从解群中选取较优的个体，利用遗传算子选择交叉和变异对这些个体进行组合，产生新代的候选解群，重复此过程，直到选出满足些收敛指标为止。用遗传算法优化平滑参数的步骤为定义规模为的初始种群根据缺交叉预测的方法，分别计算每个个体的适应度根据得到的适应度，保留若干个适应度大的优良个体④执行选择交换变异操作，生成新代种群判断是否满足终止条件，若是，求出最优解若否，返回至步骤。终止条件可以设置成连续进化几代后，最优值仍然保持不变，或已经达到最大进化代数。最终，经过遗传算法优化，得到最优值。图遗传算法的运算流程基于神经网络的风功率预测建模方法问题描述我国的风电开发已具有相当规模，为保证风电并网后电网安全可靠运行，电网企业作为风电的实际调度主体，熟悉大范围内风电运行特性，应充分发挥自身优势......”。

5、“.....不断完善风电功率预测系统的功能，并且根据我国实际特点，电网企业能够有条件制定适应我国风电开发特点的风电功率预测执行规范。风电场功率预测是指风电场经营企业根据气象条件统计规律等技术和手段，提前对定运行时间内风电场发电有功功率进行分析预报，向电网调度机构提交预报结果，提高风电场与电力系统协调运行的能力。根据电力调度部门安排运行方式的不同需求，风电功率预测分为日前预测和实时预测。日前预测是预测明日小时个时点每分钟个时点的风功率数值。实时预测是滚动地预测每个时点未来小时内的个时点每分钟个时点的风功率数值。按预测时间的不同又可分为长期预测中期预测短期预测超短期预测。其中超短期预测是提前几个小时或几十分钟预测。本例预测是根据从风电场获得的风电机组输出功率数据，运用神经网络对风功率进行超短期实时预测并检验预测结果。数据预处理合理性检验风电场输出功率值应均为正值，且不能大于总机组安装容量，故数值范围为单位为。在此数值要求情况下，对风电场输出功率数据进行适当修正。数据标准化在保证数据，这样会导致解线性方程组时出现奇异矩阵，导致解的结果不可靠，这种情况随着样本数的增加而更加明显。因此......”。

6、“.....在些国家使用很高的塔架超过为了利用随着高度而增大的风速。在过去的些研究中，为了确定最佳的风力发电机大小以平衡全部的制造，安装成本和运行各尺寸风力发电机对生产的收益。根据已生产的风力机的假设，结果表明风力发电机叶轮直径在米时能获得最低的能源成本。然而，这些假设将显现得相当低，并且风轮直径没有明显的数字，因此，风力机输出功率将是有限的，特别是海上风力发电机。所有现代的风力发电机都使用来自叶片的升力来驱动风轮，高转速的转子是可取的，以减少所需的变速齿轮箱的增速比，并且这将降低密实比叶片面积和风轮扫掠面积的比例。低密实比风轮作为种有效的风能利用机构，从台风力发电机上的风能恢复周期，好的情况下少于年，风能能够用于制造，并且风力发电机可在其第年运作中恢复安装。代偏航驱动器，使整个结构导向对风。叶片数量最好的选择在些方面仍然不是很明确，基本上大的风机都是使用单叶片，双叶片或者是三叶片。许多重要的科学和工程信息都是从这些政府资助的研究方案和般的原型设计工作中获得的。但是，必须认识到运行个没有人工操作，大型的风力机的问题，这种恶劣的风气候经常是不可估计的......”。

7、“.....同时，多兆瓦的风机也在私人的公司中建造，往往相当多的国家支持，建设要小得多，往往很简单的风力机作为商业销售。世纪年代中期在加利福尼亚州，特别是财政支持机制催生了大量小型千瓦风力发电机的安装。其中的些设计也有遇到了各种各样的问题，但是由于是小型的，可以利用普通简便的方法来修理和改进，所谓的风力机概念出现了三叶片，失速调节转子和个恒定的速率，感应电机驱动。这个简单的架构已被证明是非常成功的，并且有现在米直径风力机样大的直径和兆瓦的功率。图和图这种设计的两个例子。然而，随着商用风力机的规模引用世纪年代的大型模型成为可能，有趣的是看到当时变速操作的概念调查，充分跨度控制叶片和增强的材料越来越多的被设计者使用到。图显示了个采用变速直趋的风力机的风场。在图兆瓦，米直径风力机这种设计中，同步发电机是直接耦合的气动转子，所以这样的就不需要齿轮变速箱了，图显示了个更传统，使用变速齿轮箱的变速风力机，而个小风电场的音高调节风力发电机，叶片充分跨度控制是用来限制功率的，如图。图千瓦......”。

8、“.....利用风力发电机发电的主要驱动力量是非常低的二氧化碳排放量在制造，安装，操作和去调试的整个生命周期和用来帮助限制气候变化影响的风能的潜力。年，欧洲联盟委员会出版了名为欧盟成员国在年的能源需求将从可再生能源中获得的白皮书。随着从年已安装的容量为万千瓦的风力发电机组到年的万千瓦这样的增长，风力发电已被确定为在可再生能源供应方面可发挥关键作用。这个目标是可能实现的，因为在年月编写这个报告时，在欧洲已经有些万千瓦容量的风力发电机组的安装成为可能，从年只有兆瓦和年的万千瓦相比，这个目标将法适用于那些给定样本数据具有代表性的问题。而对于输入样本数据具有定冗余性的问题来说，这种方法就不太适用。为此，设计者可以考虑在样本密集的地方中心点可以适当多些，样本稀疏的地方中心点可以少些进步的方法是通过自组织的方法自动找到不同区域样本的代表向量。在这种方法中，旦中心点选定，就而已进步确定基函数的扩展系数。例如高斯函数的宽度可以取式中，是所选数据中心之间的最大距离，是数据中心的数目。自组织学习选取中心及网络设计中心通过自组织学习进行聚类，选取聚类中心作为中心......”。

9、“.....自组织学习的目的是使的中心位于样本空间的代表性区域。年，和提出种由两个阶段组成的混合学习过程的思路。第阶段为自组织学习阶段，目的是为隐藏层径向基函数的中心估计个合适的位置，可采用聚类算法确定合适的数据中心，并根据各中心之间的距离确定隐节点的扩展系数第二阶段为监督学习阶段，用有监督学习算法，如梯度法训练网络得出输出层的权值。虽然可以用批处理来执行上述两种学习阶段，但是用自适应迭代的方法更理想。对于自组织学习过程，我们需要个聚类的算法将所给的数据点剖几个不同的部分，每部分中的数据都尽量有相同性质。种这样的算法为均值聚类算法，他将径向基函数的中心放在输入空间中重要数据点所在的区域上。那么，数据中心的均值聚类算法的步骤如下初始化。选择个互不相同向量作为初始聚类中心，选择方法可以是随机选取。计算各样本点与聚类中心点的距离。相似匹配。将全部样本划分为个子集，每个子集构成个以聚类中心为典型代表的聚类域。更新各类的聚类中心。对各聚类域中的样本取均值表示聚类中心。令,转到第步，重复上述过程，对于均值聚类法，直到时停止训练。各聚类中心确定后......”。