CN107844872A - 一种用于风力发电的短期风速预报方法 - Google Patents
一种用于风力发电的短期风速预报方法 Download PDFInfo
- Publication number
- CN107844872A CN107844872A CN201711371556.1A CN201711371556A CN107844872A CN 107844872 A CN107844872 A CN 107844872A CN 201711371556 A CN201711371556 A CN 201711371556A CN 107844872 A CN107844872 A CN 107844872A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- wind speed
- sample
- wind
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 16
- 230000005611 electricity Effects 0.000 title claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012706 support-vector machine Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 21
- 230000008859 change Effects 0.000 description 7
- 241000039077 Copula Species 0.000 description 5
- 230000004927 fusion Effects 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009466 transformation Effects 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种用于风力发电的短期风速预报方法，首先采用CM‑kNN算法,找到与被测风速样本点最相似的k个风速样本，再利用支持向量机对训练样本进行短期风速预报建模，最后根据从预测模型得到的若干风速预测值，来预测当前的风速。
Description
技术领域
本发明属于风力发电技术领域，特别涉及短期风速预报方法。
背景技术
近年来，由于能源消耗的增加和环境污染的加重，对于新能源的需求也越来越大。其中风能由于其天然的优势，越来越被世界各国所关注。虽然风力发电技术日趋成熟，但由于风电功率的波动性和不确定性，这与风电并网时所要求的风电功率必须平衡不匹配，因此会对电网的调度方式，稳定性和高峰调频有重大影响。所以，准确预报风电功率至关重要。由于风电功率的最主要的影响因素是风速，因此准确预报风速又是预报风电功率的关键点。
目前，风速预报方法可大致归纳为物理预报方法，融合预报方法等。物理方法是通过对当地气象数据进行物理方程式计算，得到当地风速的数值预报结果。但由于物理预报方法耗资巨大且预报范围相比于风电场要大得多,不适用于风电场范围的风速预报。融合预报方法是假设所有训练样本是独立同分布的,对所有预测样本建立一个统一的风速预报模型。但由于风速动态变化的分布,在不同的时刻，风速是不一样的且变化复杂,因此融合预报方法也并不能准确地描述风速之间的复杂关系。在参考文献[2]中，采用了支持向量机模型，这也是当前较常用的一种预测方法。
现有技术中相关的文献如下：
[1]胡清华，于曼.基于局部集成学习的短期风速预报方法,CN201510147768.6,2015.07.15
[2]张华,曾杰.基于支持向量机的风速预测模型研究[J].太阳能学报,2010,31(07):928-932.
[3]郭创新,王扬,沈勇,王媚,曹一家.风电场短期风速的多变量局域预测法[J].中国电机工程学报,2012,32(01):24-31+22.
[4]王明伟.风电场短期风速预测研究[D].兰州理工大学,2009.
[5]陈盼,陈皓勇,叶荣,陈天恩,李丹.基于小波包和支持向量回归的风速预测[J].电网技术,2011,35(05):177-182.
[6]潘学萍,史宇伟,张弛.双加权最小二乘支持向量机的短期风速预测[J].电力系统及其自动化学报,2014,26(01):13-17+66.
[7]王印松,苏子卿.一种基于相邻风机测量数据相关性分析的风速预测方法[J].华北电力大学学报(自然科学版),2015,42(02):91-96.
[8]薛禹胜,陈宁,王树民,文福拴,林振智,汪震.关于利用空间相关性预测风速的评述[J].电力系统自动化,2017,41(10):161-169.
从参考文献[1]可知，物理方法由于耗资巨大且预报范围相比于风电场要大得多,不适用于风电场范围的风速预报。融合预报方法由于风速动态变化的分布,在不同的时刻，风速是不一样的且变化复杂,因此融合预报方法也并不能准确地描述风速之间的复杂关系。对比于参考文献[2]，我们知道，支持向量机只适合解决小样本、非线性和高维模式识别等方面的问题，因而也存在一定的局限性。
相关的专利文献包括，申请号为CN201510147768.6的专利文件公开了“一种基于局部集成学习的短期风速预报方法,步骤一、采用近邻算法,找到与被测风速样本点最相似的个风速样本；步骤二、将每一个风速样本点的局部样本得到相应的风速预测值；步骤三、从步骤二得到的若干风速预测值,采用一定的融合策略将其进行融合,得到当前风速点的预测值”。
申请号为CN201710485792.X的专利文件，公开了“一种基于时变混合Copula函数的短期风速预测的方法，其特征在于，包括：依据历史风速数据的实际值和对应的预测值，构建时变混合Copula函数；利用期望最大化-最大似然方法，确定出所述时变混合Copula函数的目标参数值；所述目标参数值包括每种Copula函数的参数值以及对应的权值系数；依据所述预测值和所述时变混合Copula函数，计算出风速预测误差的条件概率密度函数；将所述条件概率密度函数转化为离散的条件概率密度函数，并对所述离散的条件概率密度函数进行积分面积累加，得到在预设置信水平下的风速预测置信区间”。
申请号为CN201710347542.X的专利文件公开了“一种基于组合支持向量机的风电场短期风速预测方法，其特征在于，通过风速仪或者风速传感器设备实测电场的风速数据，获得原始风速序列；分析原始风速序列的混沌特性，用C-C算法计算风速序列的嵌入维数m和延迟时间τ，依据m和τ构建预测模型的输入输出数据集，把数据集分成训练集和验证集；在所述训练集上建立基于不同核函数的支持向量机单项预测模型，并用综合学习策略粒子群优化算法确定各支持向量机模型的关键参数”。
申请号为CN201510434388.0的专利文件，公开了“一种风电场短期风速预测方法，包括：识别并按照第一预设变换分解当前含噪风速混沌时间序列，得到多个固有模态函数分量；构建针对各固有模态函数分量的预设参数，调用预设算法对所述预设参数进行估计，得到参数集；基于所述参数集更新所述各固有模态函数分量，并选取与各最新固有模态函数分量匹配的方案集和属性集；按照所述方案集和属性集的预测方法，分别对所述各最新固有模态函数分量进行预测，并依预设准则计算各最新固有模态函数分量相应的最优多属性决策预测值；组合各最新固有模态函数分量相应的最优多属性决策预测值，并按照所述第一预设变换的反变换计算当前风速预测值”。
发明内容
本发明提出了一种基于CM-kNN算法的短期风速预报方法来准确预报风速，目的在于解决现有预报方法的缺陷。
本发明的技术方案是一种基于CM-kNN算法(相关性矩阵kNN算法)的短期风速预报方法,首先采用CM-kNN算法,找到与被测风速样本点最相似的k个风速样本，再利用支持向量机对训练样本进行建模，最后从得到的若干风速预测值，来预测当前的风速。
本发明的创新在于首次提出基于CM-kNN的短期风速预报方法,由于风速样本的变化具有复杂性与多样性，因此利用CM-kNN算法，对风速样本训练数据进行有效处理,再采用支持向量机的方法来进行风速预测,从而以此预测值来预测当前的风速。本发明具有很强的实用性，可以以很高的精度来预测风速，从而准确预报风电功率，降低对电网的干扰。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1本发明预报方法中建模过程示意图。
具体实施方式
如图1所示，本发明的基于CM-kNN算法(相关性矩阵kNN算法)的短期风速预报方法，包括
(1)运用CM-kNN算法，对风速样本点进行预处理。CM-kNN具体操作步骤为：
a1)用训练样本X去重构每一个测试样本Y,采用最小二乘损失函数来表示残差和，并产生稀疏的解W，如下式：
W＝[w1,...,wm]表示训练样本和测试样本之间的重构系数或者相似性矩阵,L1-范数正则项R1(W)＝||W||1＝∑i∑j|wij|，已经被证明可W产生稀疏的解W。
a2)去除样本中存在的噪声，考虑L2，1-范数正则项，它可以在重构过程中使W产生整行稀疏，也即行稀疏，定义如下：
a3)通过局部保持投影(LPP)保证样本间的局部邻近性不变,其正则项R3＝Tr(WTXTLXW)。
所以，CM-kNN算法的最优目标函数(1)定义如下：
通过实验不断调整参数ρ1，ρ2，ρ3，得到最终的系数矩阵W,从而确定k值。
CM-kNN算法伪代码描述如下：
算法：CM-kNN算法伪代码描述
输入：X,Y；
输出：
Switch task
Case 1:类标签；
Case 2：预测值；
Case 3：填充值；
End
对X和Y进行预处理、正规化；
求解目标函数(1)得到最优解W；
根据相似矩阵W对每个测试样本得到最佳的k值；
Switch task
Case 1:根据k值使用kNN获得k个最近邻，使用众数法则得到类标签；
End
(2)利用支持向量机对训练样本进行建模，其具体操作步骤如下：
b1)建立训练样本的支持向量机模型可表示为：
其中，ω是模型参数即权重向量，是从输入空间到高维空间的非线性特征映射，b是残差项；
b2)引入拉格朗日乘子λi后，基于SVM的预测模型变为：
其中，核函数K采用高斯径向基核函数形式：
K(x,xi)＝exp(-||x-xi||2/σ2)
其中，xi(i＝1,2，3…,N)为输入训练样本，σ为核函数参数。
(3)将最优预测值输出。
由于现有技术对动态变化的风速之间的复杂关系无法准确的描述，本发明提出了利用CM-kNN算法来描述风速之间的复杂关系。CM-kNN算法采用最小二乘损失函数来用训练样本X去重构每一个测试样本Y,从而描述了风速之间的复杂关系，并产生稀疏的解W。同时，为了克服样本中噪声的影响，考虑L2，1-范数正则项来去除噪声。除此之外，为了保持局部间的关系不变，采用局部保持投影(LPP)法。之后，建立训练样本的支持向量机模型，并最终将最优解输出。
本发明所提出的基于CM-kNN算法的短期风速预报方法，与采用传统的kNN算法相比，可以非常明显的提高预测的精度。因为CM-kNN算法采用的是最小二乘损失函数来描述风速之间的复杂关系。相比于传统的kNN算法，CM-kNN算法还加入了去噪环节和局部保持投影环节。这些措施都可以使样本数据更加精确和简化，提高了分类效率，从而降低误差。
值得说明的是，虽然前述内容已经参考若干具体实施方式描述了本发明创造的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (2)
1.一种用于风力发电的短期风速预报方法，其特征在于，首先采用CM-kNN算法,找到与被测风速样本点最相似的k个风速样本，再利用支持向量机对训练样本进行短期风速预报建模，最后根据从预测模型得到的若干风速预测值，来预测当前的风速。
2.如权利要求1所述的用于风力发电的短期风速预报方法，其特征在于，该方法的还包括：
(1)运用CM-kNN算法，对风速样本点进行预处理，具体操作步骤为：
a1)用训练样本X去重构每一个测试样本Y,采用最小二乘损失函数来表示残差和，并产生稀疏的解W，如下式：
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>W</mi>
</munder>
<mo>|</mo>
<mo>|</mo>
<mi>X</mi>
<mi>W</mi>
<mo>-</mo>
<mi>Y</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&rho;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>R</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>)</mo>
</mrow>
</mrow>
W＝[w1,...,wm]表示训练样本和测试样本之间的重构系数或者相似性矩阵，L1-范数正则项R1(W)＝||W||1＝∑i∑j|wij|，已经被证明可W产生稀疏的解W；
a2)去除样本中存在的噪声，考虑L2，1-范数正则项，在重构过程中使W产生整行稀疏，也即行稀疏，定义如下：
a3)通过局部保持投影(LPP)保证样本间的局部邻近性不变,其正则项R3＝Tr(WTXTLXW)；
CM-kNN算法的最优目标函数(1)定义如下：
<mrow>
<munder>
<mi>min</mi>
<mi>W</mi>
</munder>
<mo>|</mo>
<mo>|</mo>
<mi>X</mi>
<mi>W</mi>
<mo>-</mo>
<mi>Y</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&rho;</mi>
<mn>1</mn>
</msub>
<msub>
<mi>R</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&rho;</mi>
<mn>2</mn>
</msub>
<msub>
<mi>R</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&rho;</mi>
<mn>3</mn>
</msub>
<msub>
<mi>R</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
通过实验不断调整参数ρ1，ρ2，ρ3，得到最终的系数矩阵W,从而确定k值；
(2)利用支持向量机对训练样本进行建模，其具体操作步骤如下：
b1)建立训练样本的支持向量机模型可表示为：
其中，ω是模型参数即权重向量，是从输入空间到高维空间的非线性特征映射，b是残差项；
b2)引入拉格朗日乘子λi后，基于SVM的预测模型变为：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
</mrow>
其中，核函数K采用高斯径向基核函数形式：
K(x,xi)＝exp(-||x-xi||2/σ2)
其中，xi(i＝1,2，3…,N)为输入训练样本，σ为核函数参数；
(3)将最优预测值输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711371556.1A CN107844872B (zh) | 2017-12-19 | 2017-12-19 | 一种用于风力发电的短期风速预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711371556.1A CN107844872B (zh) | 2017-12-19 | 2017-12-19 | 一种用于风力发电的短期风速预报方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107844872A true CN107844872A (zh) | 2018-03-27 |
| CN107844872B CN107844872B (zh) | 2021-12-28 |
Family
ID=61663946
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711371556.1A Active CN107844872B (zh) | 2017-12-19 | 2017-12-19 | 一种用于风力发电的短期风速预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107844872B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111915070A (zh) * | 2020-07-17 | 2020-11-10 | 天津大学 | 一种采用大气压的空间相关性k近邻日前风速预测方法 |
| CN114723120A (zh) * | 2022-03-30 | 2022-07-08 | 北京城市气象研究院 | 一种近地面风速预报方法以及装置 |
| CN114744623A (zh) * | 2022-06-09 | 2022-07-12 | 深圳万甲荣实业有限公司 | 一种基于深度学习的新能源发电预测方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102539822A (zh) * | 2011-12-31 | 2012-07-04 | 东北电力大学 | 一种短期风速预测方法 |
| CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
| US20140236871A1 (en) * | 2013-02-20 | 2014-08-21 | Nec Corporation | Sparse variable optimization device, sparse variable optimization method, and sparse variable optimization program |
| CN104778506A (zh) * | 2015-03-31 | 2015-07-15 | 天津大学 | 基于局部集成学习的短期风速预报方法 |
| CN106485603A (zh) * | 2016-10-21 | 2017-03-08 | 国家电网公司 | 一种应用于风力发电的短期风速预测方法 |
| CN106709586A (zh) * | 2015-07-15 | 2017-05-24 | 华北电力大学（保定） | 一种风电场短期风速预测方法和系统 |
-
2017
- 2017-12-19 CN CN201711371556.1A patent/CN107844872B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102539822A (zh) * | 2011-12-31 | 2012-07-04 | 东北电力大学 | 一种短期风速预测方法 |
| US20140236871A1 (en) * | 2013-02-20 | 2014-08-21 | Nec Corporation | Sparse variable optimization device, sparse variable optimization method, and sparse variable optimization program |
| CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
| CN104778506A (zh) * | 2015-03-31 | 2015-07-15 | 天津大学 | 基于局部集成学习的短期风速预报方法 |
| CN106709586A (zh) * | 2015-07-15 | 2017-05-24 | 华北电力大学（保定） | 一种风电场短期风速预测方法和系统 |
| CN106485603A (zh) * | 2016-10-21 | 2017-03-08 | 国家电网公司 | 一种应用于风力发电的短期风速预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘炳春等: "基于KNN&SVM的北京空气污染预测模型研究", 《产业创新研究》 * |
| 张华等: "基于支持向量机的风速预测模型研究", 《太阳能学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111915070A (zh) * | 2020-07-17 | 2020-11-10 | 天津大学 | 一种采用大气压的空间相关性k近邻日前风速预测方法 |
| CN111915070B (zh) * | 2020-07-17 | 2022-05-31 | 天津大学 | 一种采用大气压的空间相关性k近邻日前风速预测方法 |
| CN114723120A (zh) * | 2022-03-30 | 2022-07-08 | 北京城市气象研究院 | 一种近地面风速预报方法以及装置 |
| CN114744623A (zh) * | 2022-06-09 | 2022-07-12 | 深圳万甲荣实业有限公司 | 一种基于深度学习的新能源发电预测方法和系统 |
| CN114744623B (zh) * | 2022-06-09 | 2022-08-23 | 深圳万甲荣实业有限公司 | 一种基于深度学习的新能源发电预测方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107844872B (zh) | 2021-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Two novel hybrid linear and nonlinear models for wind speed forecasting | |
| Liu et al. | Short-term wind-power prediction based on wavelet transform–support vector machine and statistic-characteristics analysis | |
| Ren et al. | A comparative study of empirical mode decomposition-based short-term wind speed forecasting methods | |
| Wang et al. | Decision tree based online stability assessment scheme for power systems with renewable generations | |
| Hu et al. | A hybrid approach based on the Gaussian process with t-observation model for short-term wind speed forecasts | |
| CN109272156B (zh) | 一种超短期风电功率概率预测方法 | |
| Zhao et al. | A self-organizing forecast of day-ahead wind speed: Selective ensemble strategy based on numerical weather predictions | |
| CN108241873B (zh) | 一种面向泵站主设备的智能故障诊断方法 | |
| CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
| CN107844872A (zh) | 一种用于风力发电的短期风速预报方法 | |
| Sambasivan et al. | A statistical machine learning approach to yield curve forecasting | |
| CN109886464A (zh) | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 | |
| CN107274028A (zh) | 一种基于混合Copula函数的多风场出力预测方法 | |
| Wang et al. | Short-term wind speed prediction using support vector regression | |
| CN110428100A (zh) | 一种风机短期发电功率预测方法 | |
| CN108520310A (zh) | 基于G-L混合噪声特性v-支持向量回归机的风速预报方法 | |
| Fujimoto et al. | Pattern sequence-based energy demand forecast using photovoltaic energy records | |
| Moosavi et al. | A machine learning approach to adaptive covariance localization | |
| CN103279672B (zh) | 基于噪声模型支持向量回归技术的短期风速预报方法 | |
| Bai et al. | Evolutionary algorithm-based error parameterization methods for data assimilation | |
| CN106405683B (zh) | 基于g-l混合噪声特性核岭回归技术的风速预报方法及装置 | |
| Netsanet et al. | Input parameters selection and accuracy enhancement techniques in PV forecasting using Artificial Neural Network | |
| Xiaolan et al. | One-month ahead prediction of wind speed and output power based on EMD and LSSVM | |
| Subbiah | Deep learning based load forecasting with decomposition and feature selection techniques | |
| CN111597494B (zh) | 一种基于非平稳时间序列分解的统计降尺度方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |