CN105046374A - 一种基于核极限学习机模型的功率区间预测方法 - Google Patents
一种基于核极限学习机模型的功率区间预测方法 Download PDFInfo
- Publication number
- CN105046374A CN105046374A CN201510525036.6A CN201510525036A CN105046374A CN 105046374 A CN105046374 A CN 105046374A CN 201510525036 A CN201510525036 A CN 201510525036A CN 105046374 A CN105046374 A CN 105046374A
- Authority
- CN
- China
- Prior art keywords
- data
- interval
- particle
- alpha
- weight
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于风电发电功率预测领域,尤其涉及一种基于粒子群优化核极限学习机模型的风电功率区间预测方法,包括:数据预处理,依据风速与功率相关性预处理SCADA中历史数据;初始化KELM模型参数,计算得到初始输出权重βint;初始化粒子群参数;根据评价指标构建优化准则F,进行粒子群寻优,得到模型最优输出权重βbest;带入测试数据到βbest构成的KELM模型,得到风电功率预测区间,评价预测区间各项指标。本发明易于工程实现,能够得到较好的预测结果,不仅能描述未来风电功率可能波动范围,同时有效评估预测区间的可靠性,给出风电功率在不同置信水平下可能的波动区间,更好地为电力系统决策人提供参考。
Description
技术领域
本发明属于风电发电功率预测领域,尤其涉及一种基于粒子群优化核极限学习机模型的风电功率区间预测方法。
背景技术
风能作为一种清洁的可再生能源已经得到世界各国的广泛应用,它具有安全、清洁、充裕而且资源巨大等特点。风力发电是人类利用风能的主要形式,然而风自身具有很强的随机性和不稳定性,就会导致风电功率的剧烈波动。尤其近几年风电产业发展迅速,装机容量持续增加,大规模风电接入电网的背景下,风电功率的随机不稳定性给电力系统的安全稳定运行带来严峻挑战。对风电功率进行预测,使电力调度部门提前根据风电功率变化及时调整调度计划,以减轻风电系统对电网造成不利影响,减少系统的备用容量,降低电力系统运行成本,保证供电质量。所以风电功率预测已成为风电产业研究热点和技术必需。
目前风电功率预测从预测方法上可分为物理方法和统计方法。物理方法要求较多风机相关物理信息,采用物理方程进行预测,应用较为复杂;统计方法对风电历史数据进行统计分析,根据其内在规律进行预测。常用的统计预测方法有时间序列、人工神经网络、支持向量机等。但是,目前风电功率预测通常为确定性的点预测,这就对预测结果的准确性的要求较高,但实际预测过程中存在各种不确定因素,得到的预测结果一般都有不同程度的误差。因此,需要进行风电功率概率性区间预测,给出预测功率值可能出现的概率。区间预测方法可以对由不确定性因素引起的预测结果变动范围进行量化,得出未来在某一置信水平下由上、下界确定的预测区间(predictionintervals,PIs),向电力系统规划的决策者提供更多信息。
传统区间预测方法,如:分位数回归,非参数核密度估计,单层前向神经网络,需要大量样本进行复杂数学计算以及对参数分布进行先验假设,计算预测误差相关系数矩阵、联合概率分布函数等。为了摆脱模型对于大量训练样本的需求,提高非线性拟合能力能力,学者将极限学习机(ELM,ExtremeLearningMachine)技术应用于风电功率预测领域中,运用较少的训练样本实现了较快更较精确的预测,且有效避免陷入局部最小的危险。但在实际工程运用中ELM也体现了一些不足之处:在计算数据低维时可能出现的线性不可分,影响预测效果,导致ELM模型的输出易出现随机波动,稳定性和泛化能力不理想。
发明内容
针对传统风电功率点预测及极限学习机方法的不足,本发明提出了一种基于粒子群优化核极限学习机(KELM,KernelExtremeLearningMachine)模型的风电功率区间预测方法,包括:
步骤1:获取风电场SCADA(SupervisoryControlAndDataAcquisition,数据采集与监视控制系统)中的实际风速、功率数据,根据风速与功率相关性进行处理,将数据分为训练样本和测试样本,将数据归一化;
步骤2:在训练数据中,将风速数据序列作为KELM模型的输入值,对功率数据进行小幅上下浮动来作为KELM模型的初始预测区间上下限;初始化KELM预测模型的参数,包括选取核函数、惩罚系数,代入步骤1处理的训练样本数据,得到初始输出权重βint;
步骤3:初始化粒子群参数,包括设定种群数、粒子初始位置和随机设定初始速度、个体极值、全体极值;把初始输出权重βint设为粒子初始位置,惯性权重按线性递减策略动态调整;
步骤4:根据预测区间覆盖概率(PIcoverageprobability,PICP)、预测区间平均带宽(PInormalizedaveragewidth,PINAW)和累积带宽偏差(Accumulatedwidthdeviation,AWD)这3个评价指标构建粒子群的优化目标函数F来作为粒子群优化的适应度值,进行粒子群寻优,根据比较每个粒子的F在每次迭代中的大小,更新粒子速度、位置、个体极值和全体极值,得到最优输出权重βbest;
步骤5:根据步骤4寻优得到的最优输出权重βbest代入KELM模型,代入测试样本,输出即为风电功率预测区间,使用步骤4中的各项评价指标来评价预测区间。
所述步骤1具体包括:
步骤101:数据预处理,按一定时间间隔采集SCADA中一一对应的风速与功率数据,按时间顺序排序,删除其中的零点、缺值点、停机点及限功率点,排除人为因素干扰;
步骤102:数据再处理,根据初步处理的风速及功率数据,绘制风功率曲线,根据功率曲线,分别按照风速、功率进行分段,运用莱茵达法则去除每个风速段内误差较大值;如果分段内数据过少则不进行莱茵达法则删除,最终得到一组具有较强相关性的数据;
步骤103:归一化步骤102中处理的数据到[0,1]区间,将数据分为训练样本和测试样本,其中风速数据序列构成xi=[x1,x2…xm]T;与之对应的功率数据序列ti=[t1,t2,…,tm]T,他们共同构成N个训练样本i代表序列中第i个数据,m代表训练数据个数。
所述步骤2具体包括:
步骤201:将风速数据序列xi作为KELM模型的输入值,对功率数据序列ti进行小幅上下浮动,作为KELM模型的初始预测区间上下限
步骤202:初始化KELM预测模型参数,选取RBF径向基核函数:K(μ,ν)=exp(-(μ-ν)2/σ),其中μ、ν为映射数据,σ为宽度参数,控制函数的径向作用范围;β*=HT(I/C+HHT)-1T,其中β*为输出权重,C为惩罚系数,T是模型输出即预测区间上下限,I为单位矩阵,H为极限学习机的隐含层输出矩阵;
步骤203:将步骤1中的训练样本代入KELM模型计算得到初始输出权重βint。
所述步骤3具体包括:
步骤301:初始化粒子群参数,设KELM模型计算得到的初始输出权重βint为粒子初始位置,粒子初始速度为[0-1]的随机数,粒子维数为输出权重维数;
步骤302:采用动态调整惯性权重策略,兼顾粒子群的全局搜索能力和局部搜索能力,惯性权重按线性递减策略动态调整:ω(t)=ωmax-(ωmax-ωmin)(t/tmax)
其中t为当前迭代次数,tmax为最大迭代次数,ω(t)为第t次迭代时权重,权重最大ωmax=0.9,权重最小值ωmin=0.1。
所述步骤4具体包括:
步骤401:根据预测区间覆盖概率、预测区间平均带宽和累积带宽偏差这3个评价指标构建粒子群的优化目标函数F来作为粒子群优化的适应度值:
其中,γ、λ分别为针对预测目标覆盖率偏差、预测区间平均带宽和累积带宽偏差的权重系数,t为当前迭代次数,α为置信水平;
预测区间覆盖概率表示实际观测值即预测目标值ti落在预测区间上下限内的概率;其中Nt为预测样本数,κi为布尔量,如果预测目标值ti包含于区间预测上下限,则κi=1,否则κi=0;
区间平均带宽 其中R为预测目标值ti的变化范围,用于对平均带宽进行归一化处理;
累积带宽偏差表示预测目标值ti偏离预测区间上限或下限的程度:
步骤402:粒子群每次迭代得到一组新的输出权重,进而得到KELM模型输出,由此计算此次优化目标函数F即适应度,与粒子本身最优解即个体极值和种群当前最优解即全体极值进行比较,留下适应度更小的粒子,并更新个体极值和全局极值,同时粒子按下面公式更新自己的速度和位置:
xj(t+1)=xj(t)+φνj(t+1)
其中,t代表迭代次数;vj(t)为第j个粒子在第t代的速度;ω为惯性权重;c1、c2为认知系数取值均为2;R1、R2为均匀分布随机数,由[0,1]之间随机赋值;为粒子j个体历史最优位置;为群体历史最优位置;xj(t)为粒子在第t代的位置;φ是一个收缩因子,用来保持速度在一定范围内,取值为1。
本发明的有益效果在于:通过本发明方法对风电功率区间进行区间预测,替代传统点预测,易于工程实现,能够得到较好的预测结果,不仅能描述未来风电功率可能波动范围,同时能有效评估预测区间的可靠性,给出风电功率在不同置信水平下可能的波动区间,更好地为电力系统决策人提供参考。
附图说明
图1为本发明风电功率区间预测方法的流程示意图。
图2为KELM预测模型示意图。
图3-图5为某风电场风电功率区间在不同置信水平下的实际预测结果,图中的横坐标为时间,每个点之间间隔15分钟。
具体实施方式
下面结合附图,对实施例作详细说明。
如图1流程示意图所示,为本发明采用华能酒泉某风电场在2014年7-10月间从SCADA中采集到的实际风电功率数据,分辨率为15min,包括实测输出功率和测风塔风速,对其中一天功率进行区间预测。该风场有133台1.5MW变桨距调节三叶片水平轴异步发电机。该方法包含以下步骤:
步骤1:获取风电场SCADA中的实际风速、功率数据,根据风速与功率相关性进行处理,将数据分为训练样本和测试样本,将数据归一化;
步骤101:数据预处理:采集SCADA中间隔为15分钟的风速与功率一一对应数据,按时间顺序排序,删除其中的零点,缺值点,停机点及限功率点,排除人为因素干扰;
步骤102:数据再处理:根据初步处理的风速及功率数据,绘制风功率曲线,根据功率曲线,分别按照风速(每段0.25m/s),功率(每段100kW)分段,运用莱茵达法则去除每个风速段内误差较大值。如果分段内数据过少(少于5个点)则不进行莱茵达法则删除,最终得到一组具有较强相关性的数据;
步骤103:归一化步骤102中处理的数据到[0,1]区间,将数据分为训练样本和测试样本,其中风速数据序列构成xi=[x1,x2…xm]T;与之对应的功率数据序列ti=[t1,t2,…,tm]T,他们共同构成N个训练样本i代表序列中第i个数据,m代表训练数据个数。
步骤2:在训练数据中,将风速数据序列作为KELM模型的输入值,对功率数据进行小幅上下浮动来作为KELM模型的初始预测区间上下限;初始化KELM预测模型的参数,模型如图2所示,包括选取核函数、惩罚系数,代入步骤1处理的训练样本数据,得到初始输出权重βint。
步骤201:将风速数据序列xi作为KELM模型的输出值,对功率数据序列ti进行上下浮动25%,作为KELM模型的初始预测区间上下限
步骤202:初始化KELM预测模型参数,选取RBF径向基核函数:K(μ,ν)=exp(-(μ-ν)2/σ),其中μ、ν为映射数据,σ为宽度参数,σ=0.1,控制函数的径向作用范围;β*=HT(I/C+HHT)-1T,其中β*为输出权重,惩罚系数C=0.5,T是模型输出即预测区间上下限,I为单位矩阵,H为极限学习机的隐含层输出矩阵;
步骤203:将步骤1的训练样本代入KELM模型的到初始权重βint。
步骤3:初始化粒子群参数,包括设定种群数,粒子初始位置(设为βint)和随机设定初始速度,个体极值和全体极值;把初始输出权重βint设为粒子初始位置,惯性权重按线性递减策略动态调整;
步骤301:初始化粒子群参数:种群大小的个数设为25,设KELM计算的初始输出权重βint为粒子初始位置,粒子初始速度为[0-1]的随机数,粒子维数为输出权重维数;
步骤302:采用动态调整惯性权重策略,兼顾粒子群的全局搜索能力和局部搜索能力,惯性权重按线性递减策略动态调整:ω(t)=ωmax-(ωmax-ωmin)(t/tmax)其中t为当前迭代次数,ω(t)为第t次迭代时权重,最大迭代次数tmax设为400,权重最大ωmax=0.9,权重最小值ωmin=0.1。
步骤4:根据预测区间覆盖概率、预测区间平均带宽和累积带宽偏差3个评价指标构建粒子群的优化目标函数F(即适应度值),进行粒子群寻优,根据比较每个粒子的F在每次迭代中的大小,更新粒子速度、位置、个体极值和全体极值,得到最优输出权重βbest;
步骤401:根据预测区间覆盖概率、预测区间平均带宽和累积带宽偏差这3个评价指标构建粒子群的优化目标函数F来作为粒子群优化的适应度值:
其中,γ、λ分别为针对预测目标覆盖率偏差、预测区间平均带宽和累积带宽偏差的权重系数,各指标权重值取为γ=1、φ=2、λ=0.1;t为迭代次数,α为置信水平。
预测区间覆盖概率表示实际观测值即预测目标值ti落在预测区间上下限内的概率;其中Nt为预测样本数,κi为布尔量,如果预测目标值ti包含于区间预测上下限,则κi=1,否则κi=0;
区间平均带宽 其中R为预测目标值ti的变化范围,用于对平均带宽进行归一化处理;
累积带宽偏差表示预测目标值ti偏离预测区间上限或下限的程度:
步骤402:粒子群每次迭代得到一组新的输出权重,进而得到KELM模型输出,由此计算此次优化目标函数F即适应度,与粒子本身最优解即个体极值和种群当前最优解即全体极值进行比较,留下适应度更小的粒子,并更新个体极值和全局极值,同时粒子按下面公式更新自己的速度和位置:
步骤402:粒子群每次迭代得到一组新的输出权重,进而得到KELM模型输出,由此计算此次优化目标函数F即适应度,与粒子本身最优解即个体极值和种群当前最优解即全体极值进行比较,留下适应度更小的粒子,并更新个体极值和全局极值,同时粒子按下面公式更新自己的速度和位置:
xi(t+1)=xi(t)+φνi(t+1)
其中,t代表迭代次数;vj(n)为第j个粒子在第t代的速度;ω为惯性权重;c1、c2为认知系数取值均为2;R1、R2为均匀分布随机数,由[0,1]之间随机赋值;为粒子j个体历史最优位置;为群体历史最优位置;xj(t)为粒子在第t代的位置;φ是一个收缩因子,用来保持速度在一定范围内,取值为1。
步骤5:根据步骤4寻优得到的最优输出权重βbest代入KELM模型,代入测试样本(10月某天数据),输出即为风电功率预测区间,使用步骤4中的各项评价指标评价预测区间,得到结果如下表;
额定置信水平表示预测目标值ti以在额定置信水平α的概率落在所构建的预测区间内,分别为预测区间的上下限;
从图3~5中和上表可以看出,预测区间覆盖率(PICP)接近目标值PINC,预测区间宽度和预测区间偏差都较小,且随着额定置信水平的增大而增大,图3~5中情况与表中结果一致。PINC增大,为使更多点实际落入区间之中预测区间的宽度增加,但增加幅度不大。本方法预测区间能包络接近置信水平的风电功率实际值,落入区间外的实际值与区间边界的偏差也比较小,预测结果能够较好的追踪风电功率的变化,能够为电力系统决策者提供参考。
以上所述实施例仅为本发明较佳的具体实施方式,并非对本发明作任何形式上的限制,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种基于粒子群优化核极限学习机模型的风电功率区间预测方法,其特征在于,包括:
步骤1:获取风电场SCADA中的实际风速、功率数据,根据风速与功率相关性进行处理,将数据分为训练样本和测试样本,将数据归一化;
步骤2:在训练数据中,将风速数据序列作为KELM模型的输入值,对功率数据进行小幅上下浮动来作为KELM模型的初始预测区间上下限;初始化KELM预测模型的参数,包括选取核函数、惩罚系数,代入步骤1处理的训练样本数据,得到初始输出权重βint;
步骤3:初始化粒子群参数,包括设定种群数、粒子初始位置和随机设定初始速度、个体极值、全体极值;把初始输出权重βint设为粒子初始位置,惯性权重按线性递减策略动态调整;
步骤4:根据预测区间覆盖概率、预测区间平均带宽和累积带宽偏差这3个评价指标构建粒子群的优化目标函数F来作为粒子群优化的适应度值,进行粒子群寻优,根据比较每个粒子的F在每次迭代中的大小,更新粒子速度、位置、个体极值和全体极值,得到最优输出权重βbest;
步骤5:根据步骤4寻优得到的最优输出权重βbest代入KELM模型,代入测试样本,输出即为风电功率预测区间,使用步骤4中的各项评价指标来评价预测区间。
2.根据权利要求1所述方法,其特征在于,所述步骤1具体包括:
步骤101:数据预处理,按一定时间间隔采集SCADA中一一对应的风速与功率数据,按时间顺序排序,删除其中的零点、缺值点、停机点及限功率点,排除人为因素干扰;
步骤102:数据再处理,根据初步处理的风速及功率数据,绘制风功率曲线,根据功率曲线,分别按照风速、功率进行分段,运用莱茵达法则去除每个风速段内误差较大值;如果分段内数据过少则不进行莱茵达法则删除,最终得到一组具有较强相关性的数据;
步骤103:归一化步骤102中处理的数据到[0,1]区间,将数据分为训练样本和测试样本,其中风速数据序列构成xi=[x1,x2…xm]T;与之对应的功率数据序列ti=[t1,t2,…,tm]T,他们共同构成N个训练样本i代表序列中第i个数据,m代表训练数据个数。
3.根据权利要求1所述方法,其特征在于,所述步骤2具体包括:
步骤201:将风速数据序列xi作为KELM模型的输入值,对功率数据序列ti进行小幅上下浮动,作为KELM模型的初始预测区间上下限
步骤202:初始化KELM预测模型参数,选取RBF径向基核函数:K(μ,ν)=exp(-(μ-ν)2/σ),其中μ、ν为映射数据,σ为宽度参数,控制函数的径向作用范围;β*=HT(I/C+HHT)-1T,其中β*为输出权重,C为惩罚系数,T是模型输出即预测区间上下限,I为单位矩阵,H为极限学习机的隐含层输出矩阵;
步骤203:将步骤1中的训练样本代入KELM模型计算得到初始输出权重βint。
4.根据权利要求1所述方法,其特征在于,所述步骤3具体包括:
步骤301:初始化粒子群参数,设KELM模型计算得到的初始输出权重βint为粒子初始位置,粒子初始速度为[0-1]的随机数,粒子维数为输出权重维数;
步骤302:采用动态调整惯性权重策略,兼顾粒子群的全局搜索能力和局部搜索能力,惯性权重按线性递减策略动态调整:ω(t)=ωmax-(ωmax-ωmin)(t/tmax)
其中t为当前迭代次数,tmax为最大迭代次数,ω(t)为第t次迭代时权重,权重最大ωmax=0.9,权重最小值ωmin=0.1。
5.根据权利要求1所述方法,其特征在于,所述步骤4具体包括:
步骤401:根据预测区间覆盖概率、预测区间平均带宽和累积带宽偏差这3个评价指标构建粒子群的优化目标函数F来作为粒子群优化的适应度值:
其中,γ、λ分别为针对预测目标覆盖率偏差、预测区间平均带宽和累积带宽偏差的权重系数,t为当前迭代次数,α为置信水平;
预测区间覆盖概率表示实际观测值即预测目标值ti落在预测区间上下限内的概率;其中Nt为预测样本数,κi为布尔量,如果预测目标值ti包含于区间预测上下限,则κi=1,否则κi=0;
区间平均带宽 其中R为预测目标值ti的变化范围,用于对平均带宽进行归一化处理;
累积带宽偏差表示预测目标值ti偏离预测区间上限或下限的程度:
步骤402:粒子群每次迭代得到一组新的输出权重,进而得到KELM模型输出,由此计算此次优化目标函数F即适应度,与粒子本身最优解即个体极值和种群当前最优解即全体极值进行比较,留下适应度更小的粒子,并更新个体极值和全局极值,同时粒子按下面公式更新自己的速度和位置:
其中,t代表迭代次数;vj(t)为第j个粒子在第t代的速度;ω为惯性权重;c1、c2为认知系数取值均为2;R1、R2为均匀分布随机数,由[0,1]之间随机赋值;为粒子j个体历史最优位置;为群体历史最优位置;xj(t)为粒子在第t代的位置;φ是一个收缩因子,用来保持速度在一定范围内,取值为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510525036.6A CN105046374B (zh) | 2015-08-25 | 2015-08-25 | 一种基于核极限学习机模型的功率区间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510525036.6A CN105046374B (zh) | 2015-08-25 | 2015-08-25 | 一种基于核极限学习机模型的功率区间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105046374A true CN105046374A (zh) | 2015-11-11 |
CN105046374B CN105046374B (zh) | 2019-04-02 |
Family
ID=54452901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510525036.6A Expired - Fee Related CN105046374B (zh) | 2015-08-25 | 2015-08-25 | 一种基于核极限学习机模型的功率区间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105046374B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354646A (zh) * | 2015-12-04 | 2016-02-24 | 福州大学 | 一种混合粒子群优化与极限学习机的电力负荷预测方法 |
CN105929216A (zh) * | 2016-04-08 | 2016-09-07 | 南京航空航天大学 | 一种卫星电源主母线电流区间预测方法 |
CN106021806A (zh) * | 2016-06-06 | 2016-10-12 | 福州大学 | 一种基于核函数极限学习机的光伏组串故障诊断方法 |
CN106126944A (zh) * | 2016-06-28 | 2016-11-16 | 山东大学 | 一种电力变压器顶层油温区间预测方法及系统 |
CN106355980A (zh) * | 2016-10-27 | 2017-01-25 | 江苏方天电力技术有限公司 | 一种基于限定记忆极限学习机的电网调节能力预测方法 |
CN106503861A (zh) * | 2016-11-08 | 2017-03-15 | 中国地质大学(武汉) | 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法 |
CN107506868A (zh) * | 2017-08-31 | 2017-12-22 | 广东工业大学 | 一种短时电力负荷预测的方法及装置 |
CN107590537A (zh) * | 2016-07-08 | 2018-01-16 | 香港理工大学 | 用于构造概率预测区间的粒化预测方法 |
JP2018036196A (ja) * | 2016-09-01 | 2018-03-08 | 富士電機株式会社 | 風速予測装置、風速予測システム、風速予測方法及びプログラム |
CN107944594A (zh) * | 2017-09-30 | 2018-04-20 | 华南理工大学 | 一种基于spss与rkelm微网短期负荷预测方法 |
CN108428017A (zh) * | 2018-04-23 | 2018-08-21 | 华北电力大学 | 基于核极限学习机分位数回归的风电功率区间预测方法 |
CN108647772A (zh) * | 2018-05-10 | 2018-10-12 | 东北大学 | 一种用于边坡监测数据粗差剔除的方法 |
CN109242200A (zh) * | 2018-09-29 | 2019-01-18 | 华北电力大学 | 一种贝叶斯网络预测模型的风电功率区间预测方法 |
CN109313087A (zh) * | 2016-07-21 | 2019-02-05 | 德国福维克控股公司 | 用于估计系统的可随时间改变的测量参量的方法 |
CN109488526A (zh) * | 2018-11-23 | 2019-03-19 | 湖南工业大学 | 基于比例-极限学习机稳态估计的变桨距控制方法 |
CN110210657A (zh) * | 2019-05-22 | 2019-09-06 | 国网冀北电力有限公司 | 一种基于单机模型的风机功率预测方法、系统及计算机存储介质 |
CN110337616A (zh) * | 2016-11-11 | 2019-10-15 | 通用电气公司 | 用于对工业资产性能持续地进行建模的系统和方法 |
CN110570030A (zh) * | 2019-08-22 | 2019-12-13 | 国网山东省电力公司经济技术研究院 | 基于深度学习的风电集群功率区间预测的方法及系统 |
CN110598929A (zh) * | 2019-09-10 | 2019-12-20 | 河海大学 | 一种风电功率非参数概率区间超短期预测方法 |
CN111025041A (zh) * | 2019-11-07 | 2020-04-17 | 深圳供电局有限公司 | 电动汽车充电桩监测方法及其系统、计算机设备、介质 |
CN111541237A (zh) * | 2020-04-02 | 2020-08-14 | 浙江大学 | 基于机会约束极限学习机的风电功率非参数区间预测方法 |
CN112101669A (zh) * | 2020-09-21 | 2020-12-18 | 国网福建省电力有限公司泉州供电公司 | 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法 |
CN112682269A (zh) * | 2020-12-21 | 2021-04-20 | 浙江工业大学 | 一种基于oc-rkelm的风电机组状态监测方法 |
CN113572206A (zh) * | 2021-07-26 | 2021-10-29 | 大连理工大学 | 一种风电出力区间预测方法 |
CN114219181A (zh) * | 2022-01-20 | 2022-03-22 | 天津大学 | 基于迁移学习的风电功率概率预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040167731A1 (en) * | 2002-12-23 | 2004-08-26 | Abb, Inc. | Failure rate adjustment for electric power network reliability analysis |
CN101930491A (zh) * | 2010-08-18 | 2010-12-29 | 华北电力大学 | 限制短路电流措施的综合评价方法 |
CN103440370A (zh) * | 2013-08-21 | 2013-12-11 | 国家电网公司 | 一种输变电工程造价评估方法及装置 |
-
2015
- 2015-08-25 CN CN201510525036.6A patent/CN105046374B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040167731A1 (en) * | 2002-12-23 | 2004-08-26 | Abb, Inc. | Failure rate adjustment for electric power network reliability analysis |
CN101930491A (zh) * | 2010-08-18 | 2010-12-29 | 华北电力大学 | 限制短路电流措施的综合评价方法 |
CN103440370A (zh) * | 2013-08-21 | 2013-12-11 | 国家电网公司 | 一种输变电工程造价评估方法及装置 |
Non-Patent Citations (3)
Title |
---|
王礼云等: "极限学习机多目标模型选择研究", 《计算机仿真》 * |
裴飞等: "粒子群优化核极限学习机的变压器故障诊断", 《计算机工程与设计》 * |
马超等: "基于PSO-KLEM的发动机特征参数预测", 《控制工程》 * |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354646B (zh) * | 2015-12-04 | 2017-04-12 | 福州大学 | 一种混合粒子群优化与极限学习机的电力负荷预测方法 |
CN105354646A (zh) * | 2015-12-04 | 2016-02-24 | 福州大学 | 一种混合粒子群优化与极限学习机的电力负荷预测方法 |
CN105929216A (zh) * | 2016-04-08 | 2016-09-07 | 南京航空航天大学 | 一种卫星电源主母线电流区间预测方法 |
CN105929216B (zh) * | 2016-04-08 | 2019-04-19 | 南京航空航天大学 | 一种卫星电源主母线电流区间预测方法 |
CN106021806A (zh) * | 2016-06-06 | 2016-10-12 | 福州大学 | 一种基于核函数极限学习机的光伏组串故障诊断方法 |
CN106021806B (zh) * | 2016-06-06 | 2018-10-30 | 福州大学 | 一种基于核函数极限学习机的光伏组串故障诊断方法 |
CN106126944B (zh) * | 2016-06-28 | 2018-05-25 | 山东大学 | 一种电力变压器顶层油温区间预测方法及系统 |
CN106126944A (zh) * | 2016-06-28 | 2016-11-16 | 山东大学 | 一种电力变压器顶层油温区间预测方法及系统 |
CN107590537A (zh) * | 2016-07-08 | 2018-01-16 | 香港理工大学 | 用于构造概率预测区间的粒化预测方法 |
CN109313087A (zh) * | 2016-07-21 | 2019-02-05 | 德国福维克控股公司 | 用于估计系统的可随时间改变的测量参量的方法 |
JP2018036196A (ja) * | 2016-09-01 | 2018-03-08 | 富士電機株式会社 | 風速予測装置、風速予測システム、風速予測方法及びプログラム |
CN106355980A (zh) * | 2016-10-27 | 2017-01-25 | 江苏方天电力技术有限公司 | 一种基于限定记忆极限学习机的电网调节能力预测方法 |
CN106503861A (zh) * | 2016-11-08 | 2017-03-15 | 中国地质大学(武汉) | 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法 |
CN106503861B (zh) * | 2016-11-08 | 2020-09-11 | 中国地质大学(武汉) | 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法 |
CN110337616A (zh) * | 2016-11-11 | 2019-10-15 | 通用电气公司 | 用于对工业资产性能持续地进行建模的系统和方法 |
CN107506868A (zh) * | 2017-08-31 | 2017-12-22 | 广东工业大学 | 一种短时电力负荷预测的方法及装置 |
CN107506868B (zh) * | 2017-08-31 | 2021-01-26 | 广东工业大学 | 一种短时电力负荷预测的方法及装置 |
CN107944594A (zh) * | 2017-09-30 | 2018-04-20 | 华南理工大学 | 一种基于spss与rkelm微网短期负荷预测方法 |
CN107944594B (zh) * | 2017-09-30 | 2021-11-23 | 华南理工大学 | 一种基于斯皮尔曼等级与rkelm微网短期负荷预测方法 |
CN108428017A (zh) * | 2018-04-23 | 2018-08-21 | 华北电力大学 | 基于核极限学习机分位数回归的风电功率区间预测方法 |
CN108428017B (zh) * | 2018-04-23 | 2021-10-19 | 华北电力大学 | 基于核极限学习机分位数回归的风电功率区间预测方法 |
CN108647772A (zh) * | 2018-05-10 | 2018-10-12 | 东北大学 | 一种用于边坡监测数据粗差剔除的方法 |
CN109242200A (zh) * | 2018-09-29 | 2019-01-18 | 华北电力大学 | 一种贝叶斯网络预测模型的风电功率区间预测方法 |
CN109242200B (zh) * | 2018-09-29 | 2022-05-17 | 华北电力大学 | 一种贝叶斯网络预测模型的风电功率区间预测方法 |
CN109488526A (zh) * | 2018-11-23 | 2019-03-19 | 湖南工业大学 | 基于比例-极限学习机稳态估计的变桨距控制方法 |
CN110210657A (zh) * | 2019-05-22 | 2019-09-06 | 国网冀北电力有限公司 | 一种基于单机模型的风机功率预测方法、系统及计算机存储介质 |
CN110570030A (zh) * | 2019-08-22 | 2019-12-13 | 国网山东省电力公司经济技术研究院 | 基于深度学习的风电集群功率区间预测的方法及系统 |
CN110598929A (zh) * | 2019-09-10 | 2019-12-20 | 河海大学 | 一种风电功率非参数概率区间超短期预测方法 |
CN110598929B (zh) * | 2019-09-10 | 2022-09-02 | 河海大学 | 一种风电功率非参数概率区间超短期预测方法 |
CN111025041A (zh) * | 2019-11-07 | 2020-04-17 | 深圳供电局有限公司 | 电动汽车充电桩监测方法及其系统、计算机设备、介质 |
CN111541237B (zh) * | 2020-04-02 | 2021-08-27 | 浙江大学 | 基于机会约束极限学习机的风电功率非参数区间预测方法 |
CN111541237A (zh) * | 2020-04-02 | 2020-08-14 | 浙江大学 | 基于机会约束极限学习机的风电功率非参数区间预测方法 |
CN112101669A (zh) * | 2020-09-21 | 2020-12-18 | 国网福建省电力有限公司泉州供电公司 | 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法 |
CN112682269A (zh) * | 2020-12-21 | 2021-04-20 | 浙江工业大学 | 一种基于oc-rkelm的风电机组状态监测方法 |
CN113572206A (zh) * | 2021-07-26 | 2021-10-29 | 大连理工大学 | 一种风电出力区间预测方法 |
CN113572206B (zh) * | 2021-07-26 | 2022-06-14 | 大连理工大学 | 一种风电出力区间预测方法 |
CN114219181A (zh) * | 2022-01-20 | 2022-03-22 | 天津大学 | 基于迁移学习的风电功率概率预测方法 |
CN114219181B (zh) * | 2022-01-20 | 2024-08-23 | 天津大学 | 基于迁移学习的风电功率概率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105046374B (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105046374A (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
Li et al. | Wind power prediction using a novel model on wavelet decomposition-support vector machines-improved atomic search algorithm | |
Ge et al. | A hybrid model for short-term PV output forecasting based on PCA-GWO-GRNN | |
Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
Yan et al. | Wind power grouping forecasts and its uncertainty analysis using optimized relevance vector machine | |
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
CN102567636B (zh) | 基于相关向量机的高精度风电场功率区间预测方法 | |
CN104978608B (zh) | 一种风电功率预测装置及预测方法 | |
CN107507097A (zh) | 一种风电功率短期预测方法 | |
CN107591844A (zh) | 考虑节点注入功率不确定性的主动配电网鲁棒重构方法 | |
CN106505631B (zh) | 智能风电风功率预测系统 | |
CN105512745A (zh) | 基于粒子群—bp神经网络的风电功率区间预测方法 | |
CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
CN103679263A (zh) | 基于粒子群支持向量机的雷电临近预测方法 | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
CN104376389A (zh) | 基于负载均衡的主从式微电网功率负荷预测系统及其方法 | |
CN105069236B (zh) | 考虑风电场节点空间相关性的广义负荷联合概率建模方法 | |
Shetty et al. | Comparison of modeling methods for wind power prediction: a critical study | |
CN110263984A (zh) | 基于相空间重构和深度神经网络的超短期净负荷预测方法 | |
Bo et al. | Hybrid PSO-BP neural network approach for wind power forecasting | |
CN109858665A (zh) | 基于特征筛选与anfis-pso的光伏短期功率预测方法 | |
CN109242200A (zh) | 一种贝叶斯网络预测模型的风电功率区间预测方法 | |
Karabiber et al. | Short term PV power estimation by means of extreme learning machine and support vector machine | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
CN105844350A (zh) | 一种基于协方差优选组合模型的短期风功率预测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190402 Termination date: 20190825 |
|
CF01 | Termination of patent right due to non-payment of annual fee |