CN104376386A - 一种风电场中风电机功率预测方法 - Google Patents
一种风电场中风电机功率预测方法 Download PDFInfo
- Publication number
- CN104376386A CN104376386A CN201410709536.0A CN201410709536A CN104376386A CN 104376386 A CN104376386 A CN 104376386A CN 201410709536 A CN201410709536 A CN 201410709536A CN 104376386 A CN104376386 A CN 104376386A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- basis function
- wind energy
- radial basis
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000002790 cross-validation Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 18
- 206010008190 Cerebrovascular accident Diseases 0.000 claims description 12
- 208000006011 Stroke Diseases 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 9
- 241001269238 Data Species 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 3
- 238000010200 validation analysis Methods 0.000 abstract 2
- 238000010606 normalization Methods 0.000 abstract 1
- 230000002035 prolonged effect Effects 0.000 abstract 1
- 238000000638 solvent extraction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000005684 electric field Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种风电场中风电机功率预测方法，属于发电技术领域。该方法将风电场实测数据作为该方法的原始数据，执行如下步骤：1）建立一个扩展常数未定的径向基函数神经网络；2）对原始数据做归一化处理，并按一定周期将原始数据进行划分；3）归一化的原始数并选择样本序列数据和验证数据；4）将步骤3）中的样本序列数据和验证数据在代入到步骤1）的径向基函数神经网络，以交叉验证法确定各径向基函数中的扩展常数；5）将步骤4）中确定的扩展常数代入到步骤1）的径向基函数神经网络中，以此对风电场中未来一段时间内的风电机功率进行预报。本方法同比情况下降低了训练运算的复杂度，增加预报的周期，提高了预报精度。
Description
技术领域
本发明涉及一种风电场中风电机功率预测方法，属于发电技术领域。
背景技术
风能资源是一种清洁的可再生能源，风力发电是目前新能源发电技术中最成熟、最具规模化开发条件和商业化发展前景的发电方式之一。通过合理规划分布式电源，充分运用预测技术提高供电可靠性，保证重要负荷不间断供电。
风功率预测是指风电场风力发电机发电功率预测，对风电场的风力风速进行短期预报，而预测出风电场的功率，从而也可实现电力调度部门对风电调度的要求。
目前现场实用的风电场功率短期预测方法大多为基于历史数据的时间序列分析法、神经网络法等，一般来说，预测精度与预测周期的长短也即训练样本的数量有直接关系，预测周期短，预测误差就越小，反之，预测周期越长，预测误差就会越大。
而如图1所示的常规神经网络（径向基函数神经网络）利用与训练样本等量或多于的基函数进行网络映射，随着需训练样本量增加时，用于训练数据的神经网络计算量也随之增加，使得训练时常增加。
发明内容
本发明要解决的技术问题是，针对现有技术不足，提出一种风电场中风电机功率预测方法,减少用于映射输入层的基函数来提高运算实效，以此增加预报的周期。
本发明为解决上述技术问题提出的技术方案是：一种风电场中风电机功率预测方法，将风电场实测数据作为该方法的原始数据，本方法执行如下步骤：
1）建立一个扩展常数未定的径向基函数神经网络，包括输入层、隐层、求和层及输出层；所述输入层有n个节点，所述隐层有m个节点，所述隐层中各节点均有一个径向基函数 ，所述求和层有若干节点，所述求和层个节点均有一个权值，所述权值的表达式由用于预报的训练算法决定，所述输出层节点个数与所述求何层节点个数相同，且所述输出层各节点均有一个逼近函数；
m≤n且m∈N，σ为所述径向基函数的扩展常数，X为输入到输入节点中的输入数据的集合；
2）对所述原始数据做归一化处理，并按一定周期将所述原始数据进行划分；
3）归一化的原始数据中选择任一天数据作为样本序列数据，并从所述样本序列数据前一周期的数据中取出某一天的数据作为验证数据；
所述验证数据是通过比较前一周期内各数据与所述样本序列数据均方根差值，选取均方根差值最小一天数据作为验证数据；
4）将步骤3）中的所述样本序列数据和所述验证数据在代入到步骤1）的所述径向基函数神经网络，以交叉验证法确定各径向基函数中的扩展常数；
5）将步骤4）中确定的所述扩展常数代入到步骤1）的所述径向基函数神经网络中，完成用于进行风电场中风电机功率预报用的径向基函数神经网络模型的建立，并以该模型对所述风电场中未来一段时间内的风电机功率进行预报。
上述技术方案的改进是：步骤2）用下式对原始数据做归一化处理，
，
式中，
X为所述原始数据的集合；
X*为X进行归一化后的值；
min为所述输入样本序列中的最小值；
max为所述输入样本序列中的最大值。
上述技术方案的改进是：所述训练算法包括，Hebbian规则、离散percrptron规则、连续感知器σ规则、Widrow-Hoff规则、相关规则、Winner-take-all规则、Outstar规则。
上述技术方案的改进是：在步骤4）中所述交叉验证法步骤如下,
4-1将所述样本序列数据和所述验证数据按时间段等分成若干组，将所述样本序列的任一分组数据作为第一测试数据，其余分组数据作为第一训练数据；将所述验证数据中的与所述第一测试数据相同时段的分组数据作为第二测试数据，其余分组数据作为第二测试数据；
4-2将所述扩展常数值设为0.1，以所述第一训练数据和第二训练数据代入扩张常数为0.1的径向基函数神经网络建立验证模型，再将第一测试数据代入验证模型得到第一预测值，计算所述第一预测值与第二测试值的误差平方和，
若所述误差平方和小于误差最大值，则将所述误差平方和的值赋与所述误差最大值，并将所述扩展常数值增加0.1，并重复本步骤；
若所述误差平方和大于或等于误差最大值，则直接将所述扩展常数值增加0.1，并重复本步骤；
直至将所述扩展常数值累加到2.1，结束本次循环，并得到在所述误差平方和最小时的优化扩展常数；
4-3将所述样本序列数据和所述验证数据中其余各分组按上述步骤处理得到相应的优化扩展常数，从得到的所有优化扩展常数中选取最小值作为步骤5）中用到的扩展常数。
上述技术方案的改进是：所述原始数据包括所述风电场获得所述风电场的每小时风速数据、所述风电机的每小时功率数据及所述风电场的气象预报风速数据。
本发明采用上述技术方案的有益效果是：本方法用小于或等于输入节点个数的基函数来尽量减小样本训练过程的复杂度，在相同输入样本量的情况下可以获得更高的运算效率。
同时为提高预报的准确性，交叉验证样本序列，以选出合适的扩展常数，为不同基函数下的训练算法选出合适的扩展常数，以使得径向基函数神经网络模型可以对未来一段时间的风电机功率进行预报。
并且交叉验证使可在一定程度上减小基函数的数量，以为降低训练复杂度提供可能。
此外，本方法还加入气象数据（包括当前的和未来的）以进一步提高预报准确率。
附图说明
下面结合附图对本发明作进一步说明。
图1是本发明背景技术的径向基函数神经网络示意图。
图2是本发明的在径向基函数神经网络基础上改进的网络示意图。
图3是本发明实施例交叉验证确定扩展函数的流程图。
图4是本发明实施例以某风机电场未来24h气象预报风速曲线。
图5是本发明实施例以某风机电场为分析实例所得到的未来24h的风电机功率与实际风电机出力比较图。
图6是本发明实施例以某风机电场为分析实例所得到的未来24h的预测误差百分比图。
具体实施方式
实施例
本实施例以某风电场的实测功率及当前的风速及气象预报的未来24h风速作为原始数据，在该风电场中有50台功率2MW的风电机，以小时为单位时获得风速及功率数据，获得原始数据后，执行如下步骤：
1）建立一个如图2所示的扩展常数未定的径向基函数神经网络，包括输入层、隐层、求和层及输出层；输入层有n个节点，隐层有m个节点，隐层中各节点均有一个径向基函数，求和层有若干节点，求和层个节点均有一个权值，权值的表达式由用于预报的训练算法决定，输出层节点个数与求何层节点个数相同，且输出层各节点均有一个逼近函数；
m≤n且m∈N，σ为径向基函数的扩展常数，X为输入到输入节点中的输入数据的集合。
2）对原始数据做归一化处理，
，
式中，
X为原始数据的集合；
X*为X进行归一化后的值；
min为输入样本序列中的最小值；
max为输入样本序列中的最大值。
并以一天（24h）为划分单位将原始数据进行划分，
3）归一化的原始数据中选择任一天数据作为样本序列数据，并从样本序列数据前一周期（15天）的数据中取出某一天的数据作为验证数据；
验证数据是通过比较前一周期内各数据与样本序列数据均方根差值，选取均方根差值最小，一天数据作为验证数据；即假设选定任一天a所对应的样本序列数据为集合，而15天内的一天b所对应数据为集合，现在需要知道b为多少时，值最小，这个值需根据原始数据来定，在本实施例中b=15,即作为样本序列的第a天前15天的数据为相似数据。
4）如图3所示，将步骤3）中的样本序列数据和验证数据在代入到步骤1）的径向基函数神经网络，以交叉验证法确定各径向基函数中的扩展常数，步骤如下：
4-1将样本序列数据和验证数据按时间段等分成若干组，本实施例分成了4组，将样本序列的任一分组数据作为第一测试数据，其余分组数据作为第一训练数据；将验证数据中的与第一测试数据相同时段的分组数据作为第二测试数据，其余分组数据作为第二测试数据；
4-2将扩展常数值设为0.1，以第一训练数据和第二训练数据代入扩张常数为0.1的径向基函数神经网络建立验证模型，再将第一测试数据代入验证模型得到第一预测值，计算第一预测值与第二测试值的误差平方和，
若误差平方和小于误差最大值，则将误差平方和的值赋与误差最大值，并将扩展常数值增加0.1，并重复本步骤；
若误差平方和大于或等于误差最大值，则直接将扩展常数值增加0.1，并重复本步骤；
直至将扩展常数值累加到2.1，结束本次循环，并得到在误差平方和最小时的优化扩展常数；
4-3将样本序列数据和验证数据中其余各分组按上述步骤处理得到相应的优化扩展常数，从得到的所有优化扩展常数中选取最小值作为步骤5）中用到的扩展常数，最终确认的扩展常数未0.3。
5）将步骤4）中确定的扩展常数代入到步骤1）的径向基函数神经网络中，完成用于进行风电场中风电机功率预报用的径向基函数神经网络模型的建立，并以该模型对风电场中未来一段时间内的风电机功率进行预报。
本实施例的训练算法包括，Hebbian规则、离散percrptron规则、连续感知器σ规则、Widrow-Hoff规则、相关规则、Winner-take-all规则、Outstar规则。详细内容参见表1。
本实施例的原始数据包括风电场获得风电场的每小时风速数据、风电机的每小时功率数据及风电场的气象预报风速数据。
如图4、5所示，本实施例预报值与实际值的比对，可见风功率的变化趋势基本上跟踪了风速的变化趋势。加入了数值气象预报预测得到的功率曲线，在风速出现波动时，能够反映出实际风速的变化，在一定程度上反映实际功率的变化趋势。如图6所示，除了第5和第6个点，24hd的预报误差基本都在12%内，相对于没有引入数值天气预报的神经网络预测，误差减小了，提高了预测的精度。
表1 本实施例各训练算权值定义
本发明不局限于上述实施例。凡采用等同替换形成的技术方案，均落在本发明要求的保护范围。
Claims (5)
1.一种风电场中风电机功率预测方法，将风电场实测数据作为该方法的原始数据，其特征在于执行如下步骤：
1）建立一个扩展常数未定的径向基函数神经网络，包括输入层、隐层、求和层及输出层；所述输入层有n个节点，所述隐层有m个节点，所述隐层中各节点均有一个径向基函数 ，所述求和层有若干节点，所述求和层个节点均有一个权值 ，所述权值的表达式由用于预报的训练算法决定，所述输出层节点个数与所述求何层节点个数相同，且所述输出层各节点均有一个逼近函数；
m≤n且m∈N，σ为所述径向基函数的扩展常数，X为输入到输入节点中的输入数据的集合；
2）对所述原始数据做归一化处理，并按一定周期将所述原始数据进行划分；
3）归一化的原始数据中选择任一天数据作为样本序列数据，并从所述样本序列数据前一周期的数据中取出某一天的数据作为验证数据；
所述验证数据是通过比较前一周期内各数据与所述样本序列数据均方根差值，选取均方根差值最小一天数据作为验证数据；
4）将步骤3）中的所述样本序列数据和所述验证数据在代入到步骤1）的所述径向基函数神经网络，以交叉验证法确定各径向基函数中的扩展常数；
5）将步骤4）中确定的所述扩展常数代入到步骤1）的所述径向基函数神经网络中，完成用于进行风电场中风电机功率预报用的径向基函数神经网络模型的建立，并以该模型对所述风电场中未来一段时间内的风电机功率进行预报。
2.如权利要求1所述的风电场中风电机功率预测方法，其特征在于：步骤2）用下式对原始数据做归一化处理，
，
式中，
X为所述原始数据的集合；
X*为X进行归一化后的值；
min为所述输入样本序列中的最小值；
max为所述输入样本序列中的最大值。
3.如权利要求1所述的风电场中风电机功率预测方法，其特征在于：所述训练算法包括，Hebbian规则、离散percrptron规则、连续感知器σ规则、Widrow-Hoff规则、相关规则、Winner-take-all规则、Outstar规则。
4.如权利要求1所述的风电场中风电机功率预测方法，其特征在于，在步骤4）中所述交叉验证法步骤如下：
4-1将所述样本序列数据和所述验证数据按时间段等分成若干组，将所述样本序列的任一分组数据作为第一测试数据，其余分组数据作为第一训练数据；将所述验证数据中的与所述第一测试数据相同时段的分组数据作为第二测试数据，其余分组数据作为第二测试数据；
4-2将所述扩展常数值设为0.1，以所述第一训练数据和第二训练数据代入扩张常数为0.1的径向基函数神经网络建立验证模型，再将第一测试数据代入验证模型得到第一预测值，计算所述第一预测值与第二测试值的误差平方和，
若所述误差平方和小于误差最大值，则将所述误差平方和的值赋与所述误差最大值，并将所述扩展常数值增加0.1，并重复本步骤；
若所述误差平方和大于或等于误差最大值，则直接将所述扩展常数值增加0.1，并重复本步骤；
直至将所述扩展常数值累加到2.1，结束本次循环，并得到在所述误差平方和最小时的优化扩展常数；
4-3将所述样本序列数据和所述验证数据中其余各分组按上述步骤处理得到相应的优化扩展常数，从得到的所有优化扩展常数中选取最小值作为步骤5）中用到的扩展常数。
5.如权利要求1所述的风电场中风电机功率预测方法，其特征在于：所述原始数据包括所述风电场获得所述风电场的每小时风速数据、所述风电机的每小时功率数据及所述风电场的气象预报风速数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410709536.0A CN104376386A (zh) | 2014-11-28 | 2014-11-28 | 一种风电场中风电机功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410709536.0A CN104376386A (zh) | 2014-11-28 | 2014-11-28 | 一种风电场中风电机功率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104376386A true CN104376386A (zh) | 2015-02-25 |
Family
ID=52555281
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410709536.0A Pending CN104376386A (zh) | 2014-11-28 | 2014-11-28 | 一种风电场中风电机功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104376386A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787592A (zh) * | 2016-02-26 | 2016-07-20 | 河海大学 | 基于改进rbf网络的风电机组超短期风功率预测方法 |
| CN109256810A (zh) * | 2018-11-14 | 2019-01-22 | 南京邮电大学 | 考虑风机出力不确定成本的多目标优化方法 |
| CN110277802A (zh) * | 2019-07-24 | 2019-09-24 | 云南电力技术有限责任公司 | 一种用于风电场有功功率的实时预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
| CN101968832A (zh) * | 2010-10-26 | 2011-02-09 | 东南大学 | 基于构造－剪枝混合优化rbf网络的煤灰熔点预测方法 |
| CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
| CN102610092A (zh) * | 2012-03-23 | 2012-07-25 | 天津大学 | 基于rbf神经网络城市道路速度预测方法 |
| CN104112166A (zh) * | 2014-05-22 | 2014-10-22 | 国家电网公司 | 一种风电场的短期风速预测方法及系统 |
-
2014
- 2014-11-28 CN CN201410709536.0A patent/CN104376386A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
| CN101968832A (zh) * | 2010-10-26 | 2011-02-09 | 东南大学 | 基于构造－剪枝混合优化rbf网络的煤灰熔点预测方法 |
| CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
| CN102610092A (zh) * | 2012-03-23 | 2012-07-25 | 天津大学 | 基于rbf神经网络城市道路速度预测方法 |
| CN104112166A (zh) * | 2014-05-22 | 2014-10-22 | 国家电网公司 | 一种风电场的短期风速预测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 张小龙: "基于改进RBF网的汽车侧偏角估计方法试验研究", 《机械工程学报》 * |
| 曲婧: "基于神经网络的无源时差定位算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 武小梅 等: "基于RBF 神经元网络的风电功率短期预测", 《电力系统保护与控制》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787592A (zh) * | 2016-02-26 | 2016-07-20 | 河海大学 | 基于改进rbf网络的风电机组超短期风功率预测方法 |
| CN109256810A (zh) * | 2018-11-14 | 2019-01-22 | 南京邮电大学 | 考虑风机出力不确定成本的多目标优化方法 |
| CN109256810B (zh) * | 2018-11-14 | 2021-06-08 | 南京邮电大学 | 考虑风机出力不确定成本的多目标优化方法 |
| CN110277802A (zh) * | 2019-07-24 | 2019-09-24 | 云南电力技术有限责任公司 | 一种用于风电场有功功率的实时预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Forecasting power output of photovoltaic system using a BP network method | |
| Jain et al. | Analytical study of Wind power prediction system by using Feed Forward Neural Network | |
| Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
| CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
| CN104732300B (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 | |
| CN103106544B (zh) | 一种基于t-s型模糊神经网络的光伏发电预测系统 | |
| CN106126906A (zh) | 基于c‑c与elm的短期风速预测方法 | |
| CN104484715A (zh) | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 | |
| Verma et al. | Markov models based short term forecasting of wind speed for estimating day-ahead wind power | |
| CN102129511A (zh) | 一种基于matlab的风电场短期风速预测系统 | |
| Cui et al. | Statistical scenarios forecasting method for wind power ramp events using modified neural networks | |
| CN113659565B (zh) | 一种新能源电力系统频率态势的在线预测方法 | |
| CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
| CN114595891A (zh) | 一种配电网电压及潮流越界风险评估方法、系统及设备 | |
| Bou-Rabee et al. | One-month-ahead wind speed forecasting using hybrid AI model for coastal locations | |
| CN104376386A (zh) | 一种风电场中风电机功率预测方法 | |
| Ansari et al. | Wind power forecasting using artificial neural network | |
| Xu et al. | Short-term wind speed prediction based on GRU | |
| CN105303319A (zh) | 一种基于运行数据的风电场动态分群等值方法 | |
| CN102750542A (zh) | 一种插值修匀优化的支持向量回归机风速组合预测方法 | |
| CN104834816A (zh) | 一种短期风速预测方法 | |
| Li et al. | Wind power forecasting based on time series and neural network | |
| Nguyen et al. | A machine learning-based approach for the prediction of electricity consumption | |
| Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network | |
| Wu et al. | Short-term wind power prediction based on time series analysis model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150225 |
|
| WD01 | Invention patent application deemed withdrawn after publication |