CN103065202A - 一种基于组合核函数的风电场超短期风速预测方法 - Google Patents
一种基于组合核函数的风电场超短期风速预测方法 Download PDFInfo
- Publication number
- CN103065202A CN103065202A CN2012105673460A CN201210567346A CN103065202A CN 103065202 A CN103065202 A CN 103065202A CN 2012105673460 A CN2012105673460 A CN 2012105673460A CN 201210567346 A CN201210567346 A CN 201210567346A CN 103065202 A CN103065202 A CN 103065202A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- time series
- kernel function
- vector machine
- training sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明公开了一种基于组合核函数的风电场超短期风速预测方法,采用基于组合核函数支持向量机,将小波核函数与多项式核函数结合,结合多项式核函数的全局性特点以及小波核函数的高精度和良好学习能力,有效地提高支持向量机模型的预测能力,减小预测误差。同时在支持向量机模型建立上,选择相似数据,分类建立模型,使得训练样本与测试样本有相似关系,从而增强了支持向量回归模型的非线性拟合能力。本发明通过组合核函数和相似数据的结合,提高了风速预测的精度。
Description
技术领域
本发明属于风力发电系统中的超短期风速预测技术领域,更为具体地讲,涉及一种基于组合核函数的风电场超短期风速预测方法。
背景技术
目前,国内外对于风力发电各种课题的研究越来越深入,风电作为一种间歇性能源,具有很大的随机性和不可控制性,其输出功率的波动范围通常较大,速度较快,导致电网调峰、无功及电压控制十分困难,给电网的安全稳定及正常调度带来新的问题。
基于历史数据的风速预测的常用方法包括持续法、卡尔曼滤波法、随机时间序列法、神经网络法、模糊逻辑法、空间相关性方法和支持向量机法(supportvector machine,SVM)等。目前,风电场短期风速预测的绝对平均误差为25%-40%。
其中,基于小波核函数的支持向量机模型(wavelet support vector machine,WSVM)不仅对非平稳信号具有局部分析和特征提取的优点,而且能够在扩展空间中逼近任意非线性函数,具有较高的精度。然而,单一核函数具有其应用上的局限性,会直接影响风速预测的精度。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于组合核函数的风电场超短期风速预测方法,采用组合核函数,提高支持向量机模型的预测能力;并通过相似数据提取训练样本,增强了支持向量回归模型的非线性拟合能力,提高了超短期风速预测的精度。
本发明基于组合核函数的风电场超短期风速预测方法,其特征在于,包括以下步骤:
(1)、采集风电场的风速数据,按照时间顺序排列成风速的时间序列数据X,时间序列表达式为:
X={xt,t=1,2,...,N.}
其中,N为风速时间序列的个数;
(2)风速时间序列X的自相关度计算公式为:
其中,rD为自相关度,0≤rD≤100%,μ和s分别为风速时间序列的均值和标准差,D为嵌入维度,即选择的特征的个数;
(3)、对风速时间序列X进行归一化处理,换算为[0,1]的范围内的相对风速,归一化处理公式为:
(4)支持向量机模型的训练样本输入序列为时刻t前的历史风速序列,训练样本输出为t时刻的风速,根据嵌入维度D得到训练样本输入矩阵P:
输入矩阵P为n×D阶矩阵,其中,n=N-D,行向量Pi,1≤i≤n表示时刻D+i的历史风速序列,即训练样本输入序列,每个元素pil,1≤i≤n,1≤l≤D表示时刻i+l-1的风速;
训练样本输出矩阵Q:
训练样本的输出矩阵Q为n×1阶矩阵,qi,1≤i≤n表示时刻D+i的风速;
(5)对每个训练样本输入序列Pi,1≤i≤n,按照时间顺序比较风速时间序列所有时刻的值的大小,如果某一时刻的值比其前后两个时刻的值都要大或者小,那么记录此值为风速时间序列的一个极值点,同时记录此点在风速时间序列中的时刻。利用此方法可以找出风速时间序列上所有极值点集合H={hm,m=1,2,...,M.}和相应极值点的时刻集合Um={um,m=1,2,...,M.},M为极值点的个数;
设定阈值τ,τ>0,当I≥τ,风速时间序列呈上升趋势;当-τ<I<τ,风速时间序列呈平缓趋势;当I≤-τ,风速时间序列呈下降趋势;据此可将训练样本输入序列Pi,1≤i≤n分为上升、平缓、下降三类;
(6)、小波核函数参数寻优,小波核函数表达式为:
其中,a与k为可调参数;
求出参数a与k的最优取值,得到小波核函数;
(7)、建立组合核函数,组合核函数的公式为:
其中,参数d由用户设置,ρ1与ρ2为组合系数;
求出ρ1与ρ1的最优取值,得到组合核函数;
(8)、以训练样本输入矩阵P作为组合核函数支持向量机模型的输入,以训练样本输出矩阵Q作为支持向量机模型的输出f(P),根据相似特征分类进行模型训练,可得到三个支持向量机模型f上升,f平缓,f下降;
(9)、将预测样本输入训练得到的支持向量机模型,计算预测样本的风速时间序列相似特征I预测,当I预测≥τ,预测样本风速时间序列呈上升趋势,采用支持向量机模型f上升预测风速;当-τ<I预测<τ,预测样本风速时间序列呈平缓趋势,采用支持向量机模型f平缓预测风速;当I预测≤-τ,预测样本风速时间序列呈下降趋势,采用支持向量机模型f下降预测风速。
其中,步骤(6)中可调参数a与k通过网格法确定最优取值,包括以下步骤:
1)、设置参数a与k的寻优范围和寻优步长,在寻优范围内根据寻优步长制成网格;
2)、对网格上每一对a、k建立模型,进行交叉检验,选择交叉检验误差最小的一对a、k作为参数a、k的最优取值。
其中,步骤(7)中组合系数ρ1与ρ1的最优取值确定方法包括以下步骤:
1)、设定ρ2=1-ρ1,令ρ1=0.1×n,n=0,1,2,…,10,求出对应的ρ2;
2)、对于每一对ρ1、ρ1分别训练模型,进行交叉检验,选择交叉检验误差最小的一对ρ1、ρ2作为参数ρ1、ρ2的最优取值。
本发明采用基于组合核函数支持向量机,提出一种误差最小的多项式核函数,将小波核函数与多项式核函数结合,多项式核函数是典型的全局核函数,具有较好的外推能力,能够提高模型的泛化能力,小波核函数具有很高的精度和学习能力,组合核函数能够有效地提高风速预测的精度。同时在支持向量机模型建立上,选择相似数据,分类建立模型,使得训练样本与测试样本有相似关系,从而增强了支持向量回归模型的非线性拟合能力。相似数据-分类建模,根据风速趋势分类并提前训练好模型,从而解决现有技术在预测样本变化时需要重新选择训练样本对模型进行训练的缺陷,提高风速预测的实时性。
附图说明
图1是基于组合核函数的风电场超短期风速预测方法的一种具体实施方式流程图;
图2是本发明根据支持向量机模型进行风速预测的流程图;
图3是采用本发明的风速预测仿真图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
图1是基于组合核函数的风电场超短期风速预测方法的一种具体实施方式流程图。如图1所示,本发明基于组合核函数的风电场超短期风速预测方法包括以下步骤:
S101:采集风电场的风速数据,按照时间顺序排列成风速的时间序列数据,以该历史风速的时间序列作为预测样本的原始数据,时间序列可表达为:
X={xt,t=1,2,...,N.}(1)
S102:选择训练样本历史风速的个数,即特征个数,也称为嵌入维度D。风速作为一个时间序列,具有很强的自相关性。嵌入维度D是由数据之间的自相关度来决定的。自相关度的计算公式为:
其中,rD为自相关度,0≤rD≤100%,μ和s分别为风速时间序列的均值和标准差。用户设定一个自相关度的阈值rT,0≤rT≤100%,就可以计算得到相应的嵌入维度即在大于rT的所有自相关度rD集合中,取对应的D值最大的一个。
S103:对数据做归一化处理,即将历史风速数据换算为[0,1]的范围内的相对风速,将其作为支持向量机模型的输入。将训练样本的输入大小换算到[0,1]范围内,可减小支持向量机模型的不稳定性。
S104:建立支持向量机模型的训练样本。
支持向量机模型的训练样本输入序列为时刻t前的历史风速序列,训练样本输出为t时刻的风速,根据嵌入维度D得到训练样本输入矩阵P:
输入矩阵P为n×D阶矩阵,其中,n=N-D,行向量Pi,1≤i≤n表示时刻D+i的历史风速序列,即训练样本输入序列,每个元素pil,1≤i≤n,1≤l≤D表示时刻i+l-1的风速;
训练样本输出矩阵Q:
训练样本的输出矩阵Q为n×1阶矩阵,qi,1≤i≤n表示时刻D+i的风速。
S105:通过相似数据提取训练样本。
根据风速的变化趋势,本发明提出一种分类建模的方法,将训练样本分为三大类:上升,平缓,下降。
对风速时间序列选取具有相似特征的数据的方法为:对每个训练样本输入序列Pi,1≤i≤n,按照时间顺序比较风速时间序列所有时刻的值的大小,如果某一时刻的值比其前后两个时刻的值都要大或者小,那么记录此值为风速时间序列的一个极值点,同时记录此点在风速时间序列中的时刻。利用此方法可以找出风速时间序列上所有极值点集合H={hm,m=1,2,...,M.}和相应极值点的时刻集合Um={um,m=1,2,...,M.},M为极值点的个数。
设定阈值τ,τ>0,当I≥τ,风速时间序列呈上升趋势;当-τ<I<τ,风速时间序列呈平缓趋势;当I≤-τ,风速时间序列呈下降趋势;据此可将训练样本输入序列Pi,1≤i≤n分为上升、平缓、下降三类。
S106:小波核函数参数寻优。
小波核函数的表达式为:
小波核函数表达式为:
本发明所用的小波母函数的表达式为:
其中a、k为可调参数,求出a与k的最优取值,得到小波核函数。
网格法的原理为:给出参数a、k的寻优范围与寻优步长,然后在寻优范围内根据a、k的寻优步长制成网格,对网格上每一对a、k参数值建立模型,做交叉检验,得到交叉检验误差最小的一组参数。
S107:将小波核函数与多项式核函数结合为组合核函数,组合核函数的公式为:
其中,参数d由用户设置,ρ1与ρ2为组合系数;
S108:组合核函数组合系数ρ1与ρ1的最优取值,得到组合核函数。
设定取ρ2=1-ρ1,令ρ1=0.1×n,n=0,1,2,…,10,求出对应的ρ2。对于每一对ρ1、ρ2,分别训练模型,得到模型的交叉校验结果,取误差最小的一对。
交叉检验法是十分常用的模型验证方法。其原理是将训练样本输入序列Pi,1≤i≤n分成容量相同的g个子集,并对模型训练g次。在第i次(i=1,2,…,g)训练时,要用除了第i个子集的所有子集训练模型,再用得到的模型对第i个子集计算误差。以g次误差的平均数值作为模型推广能力的近似数值。
S109:以训练样本输入矩阵P作为组合核函数支持向量机模型的输入,以训练样本输出矩阵Q作为支持向量机模型的输出f(P),根据相似特征分类进行模型训练,可得到三个支持向量机模型f上升,f平缓,f下降。
S110:将预测样本输入训练得到的支持向量机模型,预测风速,得到风速预测结果并输出。
图2是本发明根据支持向量机模型进行风速预测的流程图。如图2所示,风速预测包括以下步骤:
S201:将预测样本输入训练得到的支持向量机模型。
S202:计算预测样本的风速时间序列相似特征I预测。
S203:判断是否I预测≥τ,如果结果为是,表示预测样本风速时间序列呈上升趋势,进入步骤S204;如果结果为否,进入步骤S205。
S204:采用支持向量机模型f上升预测风速,得到风速预测结果并输出。
S205:判断是否I预测≤-τ,如果结果为是,表示预测样本风速序列呈下降趋势,进入步骤S206;如果结果为否,即-τ<I预测<τ,表示预测样本风速序列呈平缓趋势,进入步骤S207。
S206:采用支持向量机模型f下降预测风速,得到风速预测结果并输出。
S207:采用支持向量机模型f平缓预测风速,得到风速预测结果并输出。
实施例
以某风电场2012年6月的历史风速数据作为原始数据,训练样本数为882,预测样本数为378。
对每个训练样本输入序列Pi,1≤i≤880,找出风速时间序列上所有极值点集合H={hm,m=1,2,...,M.}和相应极值点的时刻集合Um={um,m=1,2,...,M.},计算每个线性分段的斜率Im和此线性分段的点在所有点中所占的比重ωm,计算相似特征I。
本实施例中,设置选择相似特征的阈值τ=0.003,将风速训练样本较为均等地分为上升、平缓、下降三大类。
采用网格法确定小波核函数的参数a与k,本实施例中a与k的寻优范围为2-5~25,寻优步长为21。经交叉检验误差最小的一组参数为a=0.1,k=0.2。小波核函数为:
本发明所用的小波母函数的表达式为:
组合核函数中,设置参数d=3,经交叉检验得到ρ1=0.4,ρ2=0.6,组合核函数为:
以训练样本输入矩阵P作为组合核函数支持向量机模型的输入,以训练样本输出矩阵Q作为支持向量机模型的输出f(P),得到三个支持向量机模型f上升,f平缓,f下降。
将预测样本输入训练得到的支持向量机模型,计算预测样本的风速时间序列相似特征I预测,采用合适的向量机模型进行预测。
本实施例中,采用平均相对误差(MAPE),均方误差(MSE),以及最大允许误差(MPE)作为衡量风速预测结果误差的标准。
MPE=max{|vp(t)-vr(t)|}/vt×100
式中,vp是预测的风速,vr是真实的风速,μp为预测样本的平均值,Np为预测样本的个数。MAPE和MSE更注重预测模型的总体平均性能,而MPE体现的是预测模型对个体的误差控制能力。
表1是本实施例中预测风速结果与实际风速数据的误差结果。
表1
如表1所示,本发明基于组合核函数的风电场超短期风速预测方法,结合采用组合核函数和相似数据,MAPE、MSE、MPE都优于小波核函数和单独的组合核函数。
图3是采用本发明的风速预测仿真图。如图3所示,采用本发明基于组合核函数的风电场超短期风速预测方法所预测的风速与真实的风速数据趋势基本一致。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种基于组合核函数的风电场超短期风速预测方法,其特征在于,包括以下步骤:
(1)、采集风电场的风速数据,按照时间顺序排列成风速的时间序列数据X,时间序列表达式为:
X={xt,t=1,2,...,N.}
其中,N为风速时间序列的个数;
(2)风速时间序列X的自相关度计算公式为:
其中,rD为自相关度,0≤rD≤100%,μ和s分别为风速时间序列的均值和标准差,D为嵌入维度,即选择的特征的个数;
设定一个自相关度的值rT,计算嵌入维度D;
(3)、对风速时间序列X进行归一化处理,换算为[0,1]的范围内的相对风速,归一化处理公式为:
(4)支持向量机模型的训练样本输入序列为时刻t前的历史风速序列,训练样本输出为t时刻的风速,根据嵌入维度D得到训练样本输入矩阵P:
输入矩阵P为n×D阶矩阵,其中,n=N-D+1,行向量Pi,1≤i≤n表示时刻D+i的历史风速序列,即训练样本输入序列,每个元素pil,1≤i≤n,1≤l≤D表示时刻i+l-1的风速;
训练样本输出矩阵Q:
训练样本的输出矩阵Q为n×1阶矩阵,qi,1≤i≤n表示时刻D+i的风速;
(5)对每个训练样本输入序列Pi,1≤i≤n,按照时间顺序比较风速时间序列所有时刻的值的大小,如果某一时刻的值比其前后两个时刻的值都要大或者小,那么记录此值为风速时间序列的一个极值点,同时记录此点在风速时间序列中的时刻。利用此方法可以找出风速时间序列上所有极值点集合H={hm,m=1,2,...,M.}和相应极值点的时刻集合Um={um,m=1,2,...,M.},M为极值点的个数;
设定阈值τ,τ>0,当I≥τ,风速时间序列呈下降趋势;当-τ<I<τ,风速时间序列呈平缓趋势;当I≤-τ,风速时间序列呈上升趋势;据此可将训练样本输入序列Pi,1≤i≤n分为上升、平缓、下降三类;
(6)、小波核函数参数寻优,小波核函数表达式为:
其中,a与k为可调参数;
求出参数a与k的最优取值,得到小波核函数;
(7)、建立组合核函数,组合核函数的公式为:
其中,参数d由用户设置,ρ1与ρ2为组合系数;
求出ρ1与ρ2的最优取值,得到组合核函数;
(8)、以训练样本输入矩阵P作为组合核函数支持向量机模型的输入,以训练样本输出矩阵Q作为支持向量机模型的输出f(P),根据相似特征分类进行模型训练,可得到三个支持向量机模型f上升,f平缓,f下降;
(9)、将预测样本输入训练得到的支持向量机模型,计算预测样本的风速时间序列相似特征I预测,当I预测≥τ,预测样本风速时间序列呈上升趋势,采用支持向量机模型f上升预测风速;当-τ<I预测<τ,预测样本风速时间序列呈平缓趋势,采用支持向量机模型f平缓预测风速;当I预测≤-τ,预测样本风速时间序列呈下降趋势,采用支持向量机模型f上升预测风速。
2.根据权利要求1所述的风电场超短期风速预测方法,其特征在于,所述步骤(6)中可调参数a与k通过网格法确定最优取值,包括以下步骤:
1)、设置参数a与k的寻优范围和寻优步长,在寻优范围内制成网格;
2)、对网格上每一对a、k建立模型,进行交叉检验,选择交叉检验误差最小的一对a、k作为参数a、k的最优取值。
3.根据权利要求1所述的风电场超短期风速预测方法,其特征在于,所述步骤(7)中组合系数ρ1与ρ2的最优取值确定方法包括以下步骤:
1)、设定ρ2=1-ρ1,令ρ1=0.1×n,n=0,1,2,…,10,求出对应的ρ2;
2)、对于每一对ρ1、ρ2分别训练模型,进行交叉检验,选择交叉检验误差最小的一对ρ1、ρ2作为参数ρ1、ρ2的最优取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210567346.0A CN103065202B (zh) | 2012-12-24 | 2012-12-24 | 一种基于组合核函数的风电场超短期风速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210567346.0A CN103065202B (zh) | 2012-12-24 | 2012-12-24 | 一种基于组合核函数的风电场超短期风速预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103065202A true CN103065202A (zh) | 2013-04-24 |
CN103065202B CN103065202B (zh) | 2015-07-15 |
Family
ID=48107824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210567346.0A Expired - Fee Related CN103065202B (zh) | 2012-12-24 | 2012-12-24 | 一种基于组合核函数的风电场超短期风速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103065202B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217260A (zh) * | 2014-09-19 | 2014-12-17 | 南京信息工程大学 | 一种风场邻近多台风电机测量风速缺损值的组合填充系统 |
CN104239689A (zh) * | 2014-08-18 | 2014-12-24 | 华北电力大学 | 基于优化相关向量机的短期风速预测方法 |
CN104573877A (zh) * | 2015-01-29 | 2015-04-29 | 广州供电局有限公司 | 配电网设备需求量预测和定量方法及其系统 |
CN104598755A (zh) * | 2015-02-09 | 2015-05-06 | 哈尔滨工业大学 | 基于风速陡变占空比的风速间歇性定量刻画方法 |
CN105046044A (zh) * | 2015-05-29 | 2015-11-11 | 上海大学 | 基于最优小波包变换的非平稳风速预测方法 |
CN106529075A (zh) * | 2016-11-28 | 2017-03-22 | 西安交通大学 | 一种考虑分时段的非线性模拟风速方法 |
CN107194507A (zh) * | 2017-05-17 | 2017-09-22 | 华北电力大学(保定) | 一种基于组合支持向量机的风电场短期风速预测方法 |
CN108009689A (zh) * | 2017-12-22 | 2018-05-08 | 北京金风慧能技术有限公司 | 风速修正模型训练、风速修正方法、装置及风力发电机组 |
CN110175639A (zh) * | 2019-05-17 | 2019-08-27 | 华北电力大学 | 一种基于特征选取的短期风电功率预测方法 |
CN110598923A (zh) * | 2019-09-03 | 2019-12-20 | 深圳市得益节能科技股份有限公司 | 基于支持向量回归机优化与误差修正的空调负荷预测方法 |
CN111396248A (zh) * | 2020-03-16 | 2020-07-10 | 明阳智慧能源集团股份公司 | 一种基于短期风向预测的风电机组智能偏航控制方法 |
CN114386454A (zh) * | 2021-12-09 | 2022-04-22 | 首都医科大学附属北京友谊医院 | 基于信号混合策略的医疗时序信号数据处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100867938B1 (ko) * | 2007-09-27 | 2008-11-10 | 한국전력공사 | 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법 |
CN101916998A (zh) * | 2010-07-12 | 2010-12-15 | 东北电力科学研究院有限公司 | 一种基于支持向量机的风电功率预测装置及方法 |
CN102129511A (zh) * | 2011-02-21 | 2011-07-20 | 北京航空航天大学 | 一种基于matlab的风电场短期风速预测系统 |
US20110320386A1 (en) * | 2010-06-29 | 2011-12-29 | Rockwell Automation Technologies, Inc. | Extrapolating empirical models for control, prediction, and optimization applications |
-
2012
- 2012-12-24 CN CN201210567346.0A patent/CN103065202B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100867938B1 (ko) * | 2007-09-27 | 2008-11-10 | 한국전력공사 | 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법 |
US20110320386A1 (en) * | 2010-06-29 | 2011-12-29 | Rockwell Automation Technologies, Inc. | Extrapolating empirical models for control, prediction, and optimization applications |
CN101916998A (zh) * | 2010-07-12 | 2010-12-15 | 东北电力科学研究院有限公司 | 一种基于支持向量机的风电功率预测装置及方法 |
CN102129511A (zh) * | 2011-02-21 | 2011-07-20 | 北京航空航天大学 | 一种基于matlab的风电场短期风速预测系统 |
Non-Patent Citations (2)
Title |
---|
杜颖 等: "基于最小二乘支持向量机的风电场短期风速预测", 《电网技术》 * |
程砚秋: "基于支持向量机的证券价格预测方法研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239689A (zh) * | 2014-08-18 | 2014-12-24 | 华北电力大学 | 基于优化相关向量机的短期风速预测方法 |
CN104217260B (zh) * | 2014-09-19 | 2017-08-22 | 南京信息工程大学 | 一种风场邻近多台风电机测量风速缺损值的组合填充系统 |
CN104217260A (zh) * | 2014-09-19 | 2014-12-17 | 南京信息工程大学 | 一种风场邻近多台风电机测量风速缺损值的组合填充系统 |
CN104573877A (zh) * | 2015-01-29 | 2015-04-29 | 广州供电局有限公司 | 配电网设备需求量预测和定量方法及其系统 |
CN104598755A (zh) * | 2015-02-09 | 2015-05-06 | 哈尔滨工业大学 | 基于风速陡变占空比的风速间歇性定量刻画方法 |
CN104598755B (zh) * | 2015-02-09 | 2017-06-23 | 哈尔滨工业大学 | 基于风速陡变占空比的风速间歇性定量刻画方法 |
CN105046044A (zh) * | 2015-05-29 | 2015-11-11 | 上海大学 | 基于最优小波包变换的非平稳风速预测方法 |
CN106529075B (zh) * | 2016-11-28 | 2019-07-02 | 西安交通大学 | 一种考虑分时段的非线性模拟风速方法 |
CN106529075A (zh) * | 2016-11-28 | 2017-03-22 | 西安交通大学 | 一种考虑分时段的非线性模拟风速方法 |
CN107194507A (zh) * | 2017-05-17 | 2017-09-22 | 华北电力大学(保定) | 一种基于组合支持向量机的风电场短期风速预测方法 |
CN108009689A (zh) * | 2017-12-22 | 2018-05-08 | 北京金风慧能技术有限公司 | 风速修正模型训练、风速修正方法、装置及风力发电机组 |
CN110175639A (zh) * | 2019-05-17 | 2019-08-27 | 华北电力大学 | 一种基于特征选取的短期风电功率预测方法 |
CN110175639B (zh) * | 2019-05-17 | 2021-06-11 | 华北电力大学 | 一种基于特征选取的短期风电功率预测方法 |
CN110598923A (zh) * | 2019-09-03 | 2019-12-20 | 深圳市得益节能科技股份有限公司 | 基于支持向量回归机优化与误差修正的空调负荷预测方法 |
CN111396248A (zh) * | 2020-03-16 | 2020-07-10 | 明阳智慧能源集团股份公司 | 一种基于短期风向预测的风电机组智能偏航控制方法 |
CN114386454A (zh) * | 2021-12-09 | 2022-04-22 | 首都医科大学附属北京友谊医院 | 基于信号混合策略的医疗时序信号数据处理方法 |
CN114386454B (zh) * | 2021-12-09 | 2023-02-03 | 首都医科大学附属北京友谊医院 | 基于信号混合策略的医疗时序信号数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103065202B (zh) | 2015-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103065202B (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
Liu et al. | Forecasting power output of photovoltaic system using a BP network method | |
CN103258142B (zh) | 基于天气模式的风电场短期风速预测方法 | |
CN104463349A (zh) | 一种基于多时段综合相似日的光伏发电功率预测方法 | |
CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
CN103683326A (zh) | 一种区域电网风电多点接入最佳接纳能力的计算方法 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN102479347B (zh) | 基于数据驱动的风电场短期风速预测方法和系统 | |
CN105426956A (zh) | 一种超短期光伏预测方法 | |
CN103218674A (zh) | 基于bp神经网络模型的光伏发电系统输出功率预测方法 | |
CN103020423A (zh) | 基于copula函数获取风电场出力相关特性的方法 | |
CN103823504B (zh) | 一种基于最小二乘支持向量机的最大功率跟踪控制方法 | |
CN103996079B (zh) | 一种基于条件概率的风电功率加权预测方法 | |
CN102938562B (zh) | 一种区域内风电总功率的预测方法 | |
CN102880907B (zh) | 风速校正方法和装置 | |
CN102831475B (zh) | 用于风电场功率预测模型的正弦归一化方法 | |
CN107403015B (zh) | 一种基于时间序列相似性的短期光功率预测方法 | |
CN104732300A (zh) | 一种基于模糊分区理论的神经网络风功率短期预测方法 | |
CN104463356A (zh) | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 | |
CN103927460A (zh) | 一种基于rbf的风电场短期风速预测方法 | |
CN110009141B (zh) | 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统 | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
CN103473393A (zh) | 一种考虑随机概率的输电裕度控制模型建模方法 | |
CN105631550A (zh) | 一种短时风电功率的组合预测方法 | |
CN103345585A (zh) | 基于支持向量机的风功率预测校正方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150715 Termination date: 20171224 |