CN104834816A - 一种短期风速预测方法 - Google Patents
一种短期风速预测方法 Download PDFInfo
- Publication number
- CN104834816A CN104834816A CN201510232871.0A CN201510232871A CN104834816A CN 104834816 A CN104834816 A CN 104834816A CN 201510232871 A CN201510232871 A CN 201510232871A CN 104834816 A CN104834816 A CN 104834816A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- prediction
- tau
- neural network
- short
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及风力发电技术领域,包括以下步骤:利用风速采集仪器每隔10-20分钟记录一次同一地区的风速数据,整理采集的原始风速数据,形成风速时间序列用于分析预测;基于混沌理论对时间序列进行相空间重构:运用C-C法确定混沌理论中最佳的嵌入维数和延迟时间,并进行多尺度分解和相空间重构;相空间重构生成新的样本空间用BP神经网络建立模型;仿真验证,对比预测结果得出结论。本发明的目的在于克服现有风速预测技术上的缺陷,提出一种风速预测精度高的短期风速预测方法。
Description
技术领域
本发明涉及风力发电技术领域。
背景技术
在可再生能源中风力发电的增长速度最快,装机容量每年增长超过30%。根据欧洲风能协会和绿色和平组织签署的《关于2020年风电达到世界电力总量的12%的蓝图》的报告期望并预测2020年全球的风力发电装机将达到12.31亿kW(是2002年世界风电装机容量的38.4倍),年安装量达到1.5亿kW,风力发电量将占全球发电量的12%。我国的风电行业也进入快速增长时期,为了使风电在快速增长的电力工业占有较多的份额,我国政府计划在2020年风电的装机容量达到3000万kW。
如果对风电场风速预测比较准确,将有利于调整调度计划,从而有效减轻风电对整个电网的不利影响,减少电力系统运行成本和旋转备用,提高风电穿透功率极限,并且有利于在开放的电力市场环境下正确制定电能交换计划等。风电穿透功率是指风电功率占系统总发电功率的比例。中国电力科学研究院在这方面进行了大量的研究工作。一般情况下,在风电穿透功率不超过8%时,我国电网不会出现较大的技术问题。但是,当风电穿透功率超过一定值之后,有可能对电能质量和电力系统的运行产生影响,并且会危及常规发电方式。对风电场做短期风速预测,再由风功曲线得到风力发电功率的预测值,这是进行风力发电功率预测的有效途径之一。
根据研究期长短及用途的不同,可将风特征分为长期、中期和短期特征。目前,国内外用于风速预测的方法主要有持续预测法、卡尔曼滤波法、时间序列分析法、神经网络方法和模糊逻辑法等,而对于短期风速的预测常采用神经网络方法中的BP神经网络建模预测风速。这些风速预测的方法只需对风电场的原始风速时间序列建立模型,就可以进行预测,或者通过差分等手段,把非平稳的风速序列先转换为平稳序列,再对平稳序列进行建模和预测,存在着平均相对预测误差大,通常预测误差可达到20%。由于风速受温度、气压、地形等多种因素的影响,具有很强的随机性。对于短期风速的预测,按照现有神经网络方法中的BP神经网络建模预测风速,最终预测的风速误差大,增大了风电的运行成本。究其原因在于:BP神经网络建模预测风速,需要确定神经网络的结构参数即需要确定神经网络的输入神经元,隐层神经元,和输出神经元。其中神经网络的隐层神经元节点数的多少,对预测效果也有很大的影响。
为降低风电的运行成本,必须提高风速预测精度,本领域技术人员一直在努力研究具有高精度的风速预测方法,解决预测风速误差大的难题,但迄今尚未获得成功。
发明内容
本发明的目的在于克服现有风速预测技术上的缺陷,提出一种风速预测精度高的短期风速预测方法。
为了实现上述目的,本发明提供如下技术方案:一种短期风速预测方法,包括以下步骤:
(1)利用风速采集仪器每隔10-20分钟记录一次同一地区的风速数据,整理采集的原始风速数据,形成风速时间序列用于分析预测;
(2)基于混沌理论对时间序列进行相空间重构:运用C-C法确定混沌理论中最佳的嵌入维数和延迟时间,并进行多尺度分解和相空间重构;
设X(n),n=1,2…,N为时间序列Xi(n)={Xi(n),Xi(n+τ),…Xi(n+(m-1)τ)}(i=1,2,…,M)为相空间中的点,C-C法的具体描述如下:
嵌入时间序列的关联积分定义为下式的函数,其中r>0
式中:m为嵌入维数;N为时间序列的长度;r为邻域半径的大小;τ为延迟时间;θ(·)为Heaviside单位函数,
关联维数为
其中,将时间序列X(n),n=1,2…,N,分成t个不相交的时间序列,长度为INT(N/t),INT为取整,对于一般的自然数t,有
然后计算每个子序列的统计量S(m,N,r,τ)
式中:Cl是第l个子序列的相关积分,局部最大间隔可以取S(·)零点或对所有的半径r相互差别最小的时间点,选择对应值最大和最小两个半径r,定义差量为:
ΔS(m,t)=max[S(m,N,ri,t)]-min[S(m,N,rj,t)],i≠j
根据统计学原理,m取值在2到5之间,r的取值在σ/2和2σ之间,σ是时间序列的均方差,得到方程如下:
其中,为所有子序列的统计量S(m,N,rj,t)的均值,的第一个极小值对应第一个局部最大时间τ,Scor(t)的最小值对应时间序列独立的第一个整体最大值时间窗口,即延迟时间窗口,用τw=(m-1)τ可以求出嵌入维数m,τw即为延迟时间τ;
(3)由步骤(2)中相空间重构生成新的样本空间,并用BP神经网络建立模型;
(4)将步骤(3)中建立的模型进行仿真验证,对比预测结果并得出结论。
上述方案中的混沌理论是一种确定系统中出现的无规则的运动。混沌的离散情况常常表现为混沌时间序列,混沌时间序列是由混沌模型生成的具有混沌特性的时间序列,混沌时间序列中蕴涵着系统丰富的动力学信息,混沌时间序列是混沌理论通向现实世界的一个桥梁,是混沌的一个重要应用领域。混沌理论目的是要揭示貌似随机的现象背后可能隐藏的简单规律,以求发现一大类复杂问题普遍遵循的共同规律。相空间重构是分析混沌动力学系统的第一步,系统中任一分量的演化都是由与之相互作用着的其他分量所决定的。因此,这些相关分量的信息隐含在任一分量的发展过程中,重构系统相空间只需考察一个分量,通过某些固定的延时点上的观测值找到m维向量,就可以重构出一个等价的相空间。在这个相空间中恢复原有动力学系统,研究其吸引子的性质等。所以,如何选择适当的嵌入维数m和延迟时间τ是相空间重构的主要研究内容。
上述方案中的BP神经网络是能反向传递并能修正误差的多层前向映射网络,通常是由输入层、若干隐含层和输出层组成的,层与层之间的神经元采用全互连的模式,通过相应的网络权值相互联系,每层内的神经元没有连接。当参数适当时,此网络能收敛到较小的均方差。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(output layer)。BP神经网络的学习,就是利用样本资料并根据一定的目标函数来优化网络的参数(权值和阈值)的过程。目前,网络学习算法通常采用的是反传学习算法(Back-PropagationAlgorithm,简称BP算法),它通过误差函数最小化来完成输入到输出的映射。
优选的,在步骤(3)中,所述BP神经网络建立模型包括运用BP神经网络预测和BP神经网络隐层神经元的确定。
优选的,运用BP神经网络预测是通过BP神经网络将步骤(2)中的m和τ进行组合,组合成多组嵌入维数和延迟时间进行预测,并通过性能指标来预测最佳的嵌入维数和延迟时间,根据混沌时间序列的嵌入维数m,用m-1作为网络的输入层节点数,输出层位1,网络的输入、输出为:
样本输入 输出
优选的,BP神经网络隐层神经元的确定是根据公式来选择隐层节点数,确定了不同嵌入维数和延迟时间组合相空间重构后BP神经网络的最佳隐层节点数,式中:k为输入节点个数,b为输出节点个数,a为1到10之间的常数。
本发明一种短期风速预测方法的优点体现在:本发明对于混沌时间序列,运用相空间重构技术,求出了最佳的嵌入维数和延迟时间,并判断了他的混沌特性。取出嵌入维数和延迟时间的应属范围,在嵌入维数和延迟时间的不同组合下,用BP神经网络建模预测,计算出预测的各项指标,从预测指标中选出最佳的嵌入维数和延迟时间,可以从相对误差中看出预测结果达到了理想范围,最后本发明对建立的模型进行仿真验证,预测的相对误差为19.509%,用武隆风电场提供的短期风速数据进行了相空间重构和BP神经网络建模,并预测了两小时内的风速,预测的风速数据的相对误差达到了16.2%,达到了理想的精度,结果分析表明该短期风速预测方法具有较高的实用价值,也可用于电力调度的分配。
附图说明
图1是本发明一种短期风速预测方法实施例中的武隆风速时间序列图;
图2是本发明一种短期风速预测方法实施例中m=3,τ=1的三维误差曲面图;
图3是本发明一种短期风速预测方法实施例中m=4,τ=1时的三维误差曲面图;
图4是本发明一种短期风速预测方法实施例中m=5,τ=1时的三维误差曲面图;
图5是本发明一种短期风速预测方法实施例中m=3,τ=7时的三维误差曲面图;
图6是本发明一种短期风速预测方法实施例中m=4,τ=7时的三维误差曲面图;
图7是本发明一种短期风速预测方法实施例中m=5,τ=15时的三维误差曲面图;
图8是本发明一种短期风速预测方法实施例中m=3,τ=34时的三维误差曲面图;
图9是本发明一种短期风速预测方法实施例中m=4,τ=34时的三维误差曲面图;
图10是本发明一种短期风速预测方法实施例中m=5,τ=34时的三维误差曲面图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明:
1.风速数据来源
本实施例以武隆风电场从2010年4月1号零时开始到2010年4月20号24时每隔十分钟取一次平均风速共2872组数据进行研究。
武隆风速时间序列
将2872组风速数据用matalb绘制图形,横坐标对应的为每一个点的序号,纵坐标对应的为这些风速的值,绘得武隆风速时间序列图(如图1)。
2.相空间重构
取武隆风电场从2010年4月1号零时开始到2010年4月20号24时每隔十分钟取一次平均风速共2872组数据进行研究,武隆风速数据相空间重构用重构函数,在相空间重构之前先求出它们的嵌入维数和延迟时间。求嵌入维数和延迟时间如下:
用C-C法同时求嵌入维数和延迟时间:
设X(n),n=1,2…,N为时间序列Xi(n)={Xi(n),Xi(n+tau),…Xi[n+(m-1)tau]}(i=1,2,…,M)为相空间中的点。C-C方法的具体描述如下:
嵌入时间序列的关联积分定义为下式的函数,其中r>0
式中:m为嵌入维数;N为时间序列的长度;r为邻域半径的大小;τ为延迟时间;θ(·)为Heaviside单位函数。
关联维数为
其中,
将时间序列X(n),n=1,2…,N,分成t个不相交的时间序列,长度为INT(N/t),INT为取整。对于一般的自然数t,有
然后计算每个子序列的统计量S(m,N,r,τ)
式中:Cl是第l个子序列的相关积分。
局部最大间隔可以取S(·)零点或对所有的半径r相互差别最小的时间点。选择对应值最大和最小两个半径r,定义差量为
ΔS(m,t)=max[S(m,N,ri,t)]-min[S(m,N,rj,t)],i≠j
根据统计学原理,m取值在2到5之间,r的取值在σ/2和2σ之间。σ是时间序列的均方差。得到方程如下:
其中,为所有子序列的统计量S(m,N,rj,t)的均值,的第一个极小值对应第一个局部最大时间τ,Scor(t)的最小值对应时间序列独立的第一个整体最大值时间窗口,即延迟时间窗口。用τw=(m-1)τ可以求出嵌入维数,τw即为延迟时间窗。
3.混沌识别
在确定最佳嵌入维数时还要考虑最佳嵌入维数,结合嵌入维数和延迟时间两方面的考虑,对武隆风速最佳嵌入维数为4,延迟时间为1。下面计算当m为4,延迟时间为1时的最大Lyapunov指数。
对一维映射x(t+1)=f[x(t)],假设初始位置x(t0)附近有一点x(t0)+δx(t0),则经过n次迭代后有
x(tn+1)+δx(tn+1)=f[x(tn)+δx(tn)]≈f[x(tn)]+δx(tn)f`[x(tn)]
所以
δx(tn+1)=δx(tn)f`[x(tn)]
式中:t0与t1分别为预选择的初始时间与当前时间。
定义设相轨迹上的两点之间的初始距离为|δx(t0)|,用|δx(tn)|表示经过n次迭代后该两点直接按的距离,由(4.19)式有
则称
为系统的Lyapunov指数。
当λ<0时,系统有稳定的不动点,λ=0时,对应着分岔点或系统的周期解,即系统
出现周期现象;λ>0时,系统具有混沌特性。
4.运用BP神经网络预测
通过BP神经网络将步骤(2)中的m和τ进行组合,组合成多组嵌入维数和延迟时间进行预测,并通过性能指标来预测最佳的嵌入维数和延迟时间,根据混沌时间序列的嵌入维数m,用m-1作为网络的输入层节点数,输出层位1,网络的输入、输出为:
样本输入 输出
5.BP神经网络隐层神经元的确定
根据公式来选择隐层节点数,确定了不同嵌入维数和延迟时间组合相空间重构后BP神经网络的最佳隐层节点数,式中:k为输入节点个数,b为输出节点个数,a为1到10之间的常数。
本实施例选取武隆短期风速嵌入维数为4延迟时间为1作为例子来确定隐层节点数:由公式可以知道n1取3到12。
表4.6隐层节点数与误差的关系
由表4.6可以看出:增加隐层节点数可以减少训练误差,但超过9以后训练误差和测试误差的变化都很小,此时可以决定隐层节点数选用9。
基于上述方法,可以求得m取3,4,5时τ取1,7,15,34时的最好的隐层节点数如下表所示:
表4.7取不同的嵌入维数和延迟时间的最佳隐层节点数
6.短期风速预测
确定了不同嵌入维数和延迟时间组合相空间重构后BP神经网络的最佳隐层节点数。下面将重构后的样本空间进行建模预测。
BP神经网络的结构参数如下:表4.8神经网络结构参数表
根据上表中的输入输出还有隐层节点数BP神经网络的结构,取武隆风电场短期风速的2870个点进行结构训练,然后进行12组数据的预测,预测结果与观测值进行比较。
预测值需要用不同的性能指标来评判预测效果,下面介绍几种不同的预测指标:
均方误差MSE或均方根误差RMSE、平均绝对误差MAE、平均相对误差MAPE、拟合优度U,计算公式如下:
U=1-MAPE
其中si为观测值、ei为绝对误差;所使用的武隆短期风速数据,i=1:12,N为12。
其预测效果如下表所示:
m=3,τ=1的三维误差曲面图如图2所示,可以看出,在预测的第10分钟,预测的效果较好,越往后,预测的效果越差;预测12组的总体性能指标如下各项性能指标如下表:
表4.10 BP神经网络预测的各项性能指标
m=4,τ=1时的三维误差曲面图如图3所示,在预测的第10.、20分钟预测的效果较好,越往后,预测的效果越差;预测12组的总体性能指标如下各项性能指标如下表:
表4.12 BP神经网络预测的各项性能指标
m=5,τ=1时的三维误差曲面图如图4所示,在预测的第10、20分钟预测的效果较好,越往后,预测的效果越差;预测12组的总体性能指标如下各项性能指标如下表:
表4.14 BP神经网络预测的各项性能指标
m=3,τ=7时的三维误差曲面图如图5所示,在预测的第1个点,预测的效果较好,越往后,预测的效果越差;预测12组的总体性能指标如下各项性能指标如下表:
表4.16 BP神经网络预测的各项性能指标
m=4,τ=7时的三维误差曲面图如图6所示,在预测的第1、2个点,预测的效果较好,越往后,预测的效果越差;预测12组的总体性能指标如下各项性能指标如下表:
表4.18 BP神经网络预测的各项性能指标
m=5,τ=15时的三维误差曲面图如图7所示,在每一组的前几个点预测效果较好,越往后,预测的效果越差;预测12组的总体性能指标如下各项性能指标如下表:
表4.26 BP神经网络预测的各项性能指标
m=3,τ=34时的三维误差曲面图如图8所示,在预测的第1个时刻,预测的效果较好,越往后,预测的效果越差;预测12组的总体性能指标如下各项性能指标如下表:
表4.28 BP神经网络预测的各项性能指标
m=4,τ=34时的三维误差曲面图如图9所示,在预测的第1组的图形大致的拟合,预测的效果相对较好,越往后,预测的效果越差;预测12组的总体性能指标如下各项性能指标如下表:
表4.30 BP神经网络预测的各项性能指标
m=5,τ=34时的三维误差曲面图如图10所示,在预测的第1组效果相对较好,越往后,预测的效果越差;预测12组的总体性能指标如下各项性能指标如下表:
表4.32 BP神经网络预测的各项性能指标
以上用BP神经网络预测的武隆风速短期时间序列12个点共12组,对比他们的各项预测指标,列表如下:
表4.33 12组的性能指标
从表中可以看出,在τ=1时,各个维数的预测误差比τ=7,15,34时要好,从维数的来看,在m=3时的预测效果最好,所以,最佳嵌入维数为3,延迟时间为1。此时误差为16.2%,达到理想范围。
本实施例对于典型的混沌时间序列武隆风点场时间序列,运用相空间重构技术,求出了最佳的嵌入维数和延迟时间,运用Lyapunov指数判断了他的混沌特性。取出嵌入维数和延迟时间的应属范围,在嵌入维数和延迟时间的不同组合下,用BP神经网络预测建模,计算出预测的各项指标,从预测指标中确定了最佳嵌入维数和延迟时间,预测结果的相对误差达到了理想范围。
以上所述的仅是本发明的优选实施方式,应当指出,对于本领域的技术人员来说,在不脱离本发明的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。
Claims (5)
1.一种短期风速预测方法,其特征在于,包括以下步骤:
(1)利用风速采集仪器每隔10-20分钟记录一次同一地区的风速数据,整理采集的原始风速数据,形成风速的时间序列用于分析预测;
(2)基于混沌理论对步骤(1)中的时间序列进行相空间重构:运用C-C法确定混沌理论中的嵌入维数和延迟时间,并进行多尺度分解和相空间重构:
设X(n),n=1,2…,N为时间序列Xi(n)={Xi(n),Xi(n+τ),…Xi(n+(m-1)τ)}
(i=1,2,…,M)为相空间中的点,C-C法的具体描述如下:
嵌入时间序列的关联积分定义为下式的函数,其中r>0
式中:m为嵌入维数;N为时间序列的长度;r为邻域半径的大小;τ为延迟时间;θ(·)为Heaviside单位函数,
关联维数为
其中,将时间序列X(n),n=1,2…,N,分成t个不相交的时间序列,长度为INT(N/t),INT为取整,对于一般的自然数t,有
{x(1),x(t+1),x(2t+1),…}
{x(2),x(t+2),x(2t+2),…}
·
·
·
{x(3),x(t+3),x(2t+3),…}
然后计算每个子序列的统计量S(m,N,r,τ)
式中:Cl是第l个子序列的相关积分,局部最大间隔可以取S(·)零点或对所有的半径r相互差别最小的时间点,选择对应值最大和最小两个半径r,定义差量为:
ΔS(m,t)=max[S(m,N,ri,t)]-min[S(m,N,rj,t)],i≠j
根据统计学原理,m取值在2到5之间,r的取值在σ/2和2σ之间,σ是时间序列的均方差,得到方程如下:
其中,为所有子序列的统计量S(m,N,rj,t)的均值,的第一个极小值对应第一个局部最大时间τ,Scor(t)的最小值对应时间序列独立的第一个整体最大值时间窗口,即延迟时间窗口,用τw=(m-1)τ可以求出嵌入维数m,τw即为延迟时间τ;
(3)由步骤(2)中相空间重构生成新的样本空间,并用BP神经网络建立模型;
(4)仿真验证,对比预测结果并得出结论。
2.如权利要求1所述的短期风速预测方法,其特征在于,在步骤(3)中,所述BP神经网络建立模型包括运用BP神经网络预测和BP神经网络隐层神经元的确定。
3.如权利要求2所述的短期风速预测方法,其特征在于,运用BP神经网络预测是通过BP神经网络将步骤(2)中的m和τ进行组合,组合成多组嵌入维数和延迟时间进行预测,并通过性能指标来预测最佳的嵌入维数和延迟时间,根据混沌时间序列的嵌入维数m,用m-1作为网络的输入层节点数,输出层位1,网络的输入、输出为:
4.如权利要求2所述的短期风速预测方法,其特征在于,BP神经网络隐层神经元的确定是根据公式来选择隐层节点数,确定了不同嵌入维数和延迟时间组合相空间重构后BP神经网络的最佳隐层节点数,式中:k为输入节点个数,b为输出节点个数,a为1到10之间的常数。
5.如权利要求1或2所述的短期风速预测方法,其特征在于,在步骤(4)中的仿真验证中,预测的相对误差为19.509%,然后用武隆风电场提供的短期风速数据进行相空间重构和BP神经网络建模,并对武隆风电场所预测的风速数据的相对误差进行对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510232871.0A CN104834816A (zh) | 2015-05-08 | 2015-05-08 | 一种短期风速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510232871.0A CN104834816A (zh) | 2015-05-08 | 2015-05-08 | 一种短期风速预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104834816A true CN104834816A (zh) | 2015-08-12 |
Family
ID=53812699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510232871.0A Pending CN104834816A (zh) | 2015-05-08 | 2015-05-08 | 一种短期风速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104834816A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184411A (zh) * | 2015-09-19 | 2015-12-23 | 东北电力大学 | 一种基于最大Lyapunov指数-校正的风电功率实时预测方法 |
CN107153870A (zh) * | 2017-05-12 | 2017-09-12 | 沈阳工程学院 | 小风机的功率预测系统 |
CN107563017A (zh) * | 2017-08-15 | 2018-01-09 | 华北电力大学 | 一种油色谱在线监测数据最优长度选择方法 |
CN117439730A (zh) * | 2023-12-20 | 2024-01-23 | 湖南省第三测绘院 | 基于Chaos-LSTM与混沌序列增殖的地理信息加密方法、系统及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101793907A (zh) * | 2010-02-05 | 2010-08-04 | 浙江大学 | 一种风电场短期风速预测方法 |
CN102651095A (zh) * | 2012-04-10 | 2012-08-29 | 天津工业大学 | 一种基于不稳定周期的风速时间序列预测方法 |
-
2015
- 2015-05-08 CN CN201510232871.0A patent/CN104834816A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101793907A (zh) * | 2010-02-05 | 2010-08-04 | 浙江大学 | 一种风电场短期风速预测方法 |
CN102651095A (zh) * | 2012-04-10 | 2012-08-29 | 天津工业大学 | 一种基于不稳定周期的风速时间序列预测方法 |
Non-Patent Citations (2)
Title |
---|
20140315: "基于小波过程神经网络的短期风速预测方法研究", 《中国优秀硕士论文全文数据库(工程科技Ⅱ辑)》 * |
王君: "基于神经网络的混沌时间序列预测", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184411A (zh) * | 2015-09-19 | 2015-12-23 | 东北电力大学 | 一种基于最大Lyapunov指数-校正的风电功率实时预测方法 |
CN105184411B (zh) * | 2015-09-19 | 2018-06-19 | 东北电力大学 | 一种基于最大Lyapunov指数-校正的风电功率实时预测方法 |
CN107153870A (zh) * | 2017-05-12 | 2017-09-12 | 沈阳工程学院 | 小风机的功率预测系统 |
CN107563017A (zh) * | 2017-08-15 | 2018-01-09 | 华北电力大学 | 一种油色谱在线监测数据最优长度选择方法 |
CN107563017B (zh) * | 2017-08-15 | 2021-02-05 | 华北电力大学 | 一种油色谱在线监测数据最优长度选择方法 |
CN117439730A (zh) * | 2023-12-20 | 2024-01-23 | 湖南省第三测绘院 | 基于Chaos-LSTM与混沌序列增殖的地理信息加密方法、系统及介质 |
CN117439730B (zh) * | 2023-12-20 | 2024-02-20 | 湖南省第三测绘院 | 基于Chaos-LSTM与混沌序列增殖的地理信息加密方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Forecasting hourly solar irradiance using hybrid wavelet transformation and Elman model in smart grid | |
Huang et al. | Prediction of wind power by chaos and BP artificial neural networks approach based on genetic algorithm | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN106875041A (zh) | 一种短期风速预测方法 | |
CN109543901A (zh) | 基于信息融合卷积神经网络模型的短期电力负荷预测方法 | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN107133695A (zh) | 一种风电功率预测方法和系统 | |
CN107730044A (zh) | 一种可再生能源发电和负荷的混合预测方法 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
CN103413174A (zh) | 基于深度学习方法的短期风速多步预测方法 | |
CN106875033A (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
CN105005708B (zh) | 一种基于ap聚类算法的广义负荷特性聚类方法 | |
CN104933471A (zh) | 一种用于短期风速预测方法中相空间重构方法 | |
CN111900731A (zh) | 一种基于pmu的电力系统状态估计性能评价方法 | |
CN104834816A (zh) | 一种短期风速预测方法 | |
US20220115871A1 (en) | Power System Low-Frequency Oscillation Mechanism Identification with CNN and Transfer Learning | |
CN104102832A (zh) | 一种基于混沌时间序列的风电功率超短期预测方法 | |
Chang | Comparison of three short term wind power forecasting methods | |
CN104112062A (zh) | 基于插值方法的风资源分布的获取方法 | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
CN112100911A (zh) | 一种基于深度bisltm的太阳辐射预测方法 | |
CN105488598A (zh) | 一种基于模糊聚类的中长期电力负荷预测方法 | |
Ullah et al. | Adaptive data balancing method using stacking ensemble model and its application to non-technical loss detection in smart grids | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150812 |