CN108229732A - 基于误差修正的极端学习机风速超短期预测方法 - Google Patents
基于误差修正的极端学习机风速超短期预测方法 Download PDFInfo
- Publication number
- CN108229732A CN108229732A CN201711386258.XA CN201711386258A CN108229732A CN 108229732 A CN108229732 A CN 108229732A CN 201711386258 A CN201711386258 A CN 201711386258A CN 108229732 A CN108229732 A CN 108229732A
- Authority
- CN
- China
- Prior art keywords
- error
- wind speed
- prediction
- learning machine
- extreme learning
- 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 25
- 238000012937 correction Methods 0.000 title claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 28
- 210000002569 neuron Anatomy 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 210000004205 output neuron Anatomy 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000013480 data collection Methods 0.000 abstract 2
- 230000010354 integration Effects 0.000 abstract 1
- 241001123248 Arma Species 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种基于误差修正的极端学习机风速超短期预测方法,包括步骤:S1:对风速历史数据做归一化处理,获得归一化数据集;S2:建立极端学习机模型,并利用极端学习机模型和归一化数据集进行风速预测,获得初步预测值集和误差集;S3:判断误差集的序列是否平稳;如平稳,将误差集输入自回归滑动平均模型获得第一误差预测序列;如不平稳,将误差集输入自回归积分滑动平均模型获得第二误差预测序列;S4:将初步预测值集和第一误差预测序列或第二误差预测序列叠加,获得最终风速预测值集。本发明的一种基于误差修正的极端学习机风速超短期预测方法,通过对误差进行修正来对风速进行预测,具有提高了风速预测的精度的优点。
Description
技术领域
本发明涉及风速超短期预测方法领域,尤其涉及一种基于误差修正的极端学习机风速超短期预测方法。
背景技术
风电作为重要清洁能源之一,为我国的能源和环境保护做出了很大贡献。超短期风速预测在电网并网运行中起到重要作用,预测的精度越高,实时调度系统做出的判断越准确,对备用机组的选择就越准确。现今对风速的预测大部分都是对历史数据进行处理,较少的关注预测误差。为了提高风速的预测精度,为并网风电场带来更精准的数据参考。提出了对误差修正的风速预测方法。
目前,现有技术中一般是通过时间序列和马尔科夫链组合的预测模型、卡尔曼滤波与时间序列相结合的算法、或时间序列与神经网络相结合的方法来进行风速预测。这些方法通过分摊单独预测的误差风险来减小大偏差对最终预测值的影响,但是加权系数的强壮性一直是组合方法的瓶颈。
发明内容
针对上述现有技术中的不足,本发明提供一种基于误差修正的极端学习机风速超短期预测方法,通过对误差进行修正来对风速进行预测,具有提高了风速预测的精度的优点。
为了实现上述目的,本发明提供一种基于误差修正的极端学习机风速超短期预测方法,包括步骤:
S1:对风速历史数据做归一化处理,获得一归一化数据集;
S2:建立一极端学习机模型,并利用所述极端学习机模型和所述归一化数据集进行风速预测,获得一初步预测值集和一误差集;
S3:判断所述误差集的序列是否平稳;如平稳,将所述误差集输入一自回归滑动平均模型获得一第一误差预测序列;如不平稳,将所述误差集输入一自回归积分滑动平均模型获得一第二误差预测序列;
S4:将所述初步预测值集和所述第一误差预测序列或所述第二误差预测序列叠加,获得一最终风速预测值集。
优选地,所述S1步骤中利用公式(1)对所述风速历史数据做归一化处理:
其中,为归一化后的值,xi为所述风速历史数据;ymax、ymin分别是映射区间的最大值1和最小值0;xmin、xmax分别是所述风速历史数据的最小值与最大值。
优选地,所述S2步骤进一步包括步骤:
S21:建立所述极端学习机模型;
S22:将所述归一化数据集分为一训练集、一测试集和一预测集;
S23:采用所述训练集对所述极端学习机模型进行训练;
S24:将训练好的所述极端学习机对所述测试集进行测试后,通过所述极端学习机模型对所述预测集进行预测,获得所述初步预测值集和所述误差集。
优选地,所述极端学习机模型包括多个输入层神经元、多个隐含层神经元和多个输出层神经元,且所述极端学习机模型满足公式(2):
其中,T表示所述极端学习机模型的输出向量;th表示所述输出向量的第h个列向量;M表示所述列向量的维数;n表示所述列向量的个数;tMh表示所述输出向量第h个输出神经元所对应列向量的第M维的元素;βi表示第h个输出神经元与隐含神经元的权值;f(x)表示激活函数;xi表示输入向量;bh表示第h个隐含层的偏置;f(ωh,bh,xj)表示第h个隐含层神经元输出。
优选地,所述激活函数包括sigmoid函数和sine函数。
优选地,所述自回归滑动平均模型的公式为:
其中,y′t表示原始时间序列经d阶差分后的序列;ca表示常数;p表示自回归项的阶数;q表示滑动平均项的阶数;ψi表示第i个回归项的系数;θj是第j个滑动平均项系数;et表示参差项。
优选地,所述S4步骤中通过公式(4)获得所述最终风速预测值集:
Pend=P+Wp (4);
其中,Pend表示所述最终风速预测值集;P表示所述初步预测值集;Wp表示所述第一误差预测序列或所述第二误差预测序列。
本发明由于采用了以上技术方案,使其具有以下有益效果:
本发明的方法通过建立极端学习机模型对风速历史数据进行预测,获得预测误差;然后通过ARIMA对误差进行预测,获得误差预测值;最后将误差预测值与风速初步预测值相叠加获得风速最终预测值,通过对误差进行修正来对风速进行预测,提高了风速的预测精度。
附图说明
图1为本发明实施例的基于误差修正的极端学习机风速超短期预测方法的流程图;
图2为本发明实施例的极端学习机模型的结构示意图;
图3为本发明实施例的Eviews绘制的自相关、偏相关图。
具体实施方式
下面根据附图1~图3,给出本发明的较佳实施例,并予以详细描述,使能更好地理解本发明的功能、特点。
本实施例选用中国东北一风电场2007年4月7日~2007年4月11日的风速数据,每10分钟记录一次,共计720个数据。
请参阅图1和图2,本发明实施的一种基于误差修正的极端学习机风速超短期预测方法,包括步骤:
S1:对风速历史数据做归一化处理,获得一归一化数据集。
远离零区域的数据会对学习速度造成影响,因此在训练前要对数据进行归一化处理。本文将风速原始数据映射到[0,1]区间内,训练结束后再反映射回原数据空间。
S1步骤中利用公式(1)对风速历史数据做归一化处理:
其中,为归一化后的值,xi为风速历史数据;ymax、ymin分别是映射区间的最大值1和最小值0;xmin、xmax分别是风速历史数据的最小值与最大值。
S2:建立一极端学习机模型(ELM),并利用极端学习机模型和归一化数据集进行风速预测,获得一初步预测值集和一误差集。
其中,S2步骤进一步包括步骤:
S21:建立极端学习机模型,本实施例中,极端学习机模型的结构可参见图2,极端学习机模型包括J个输入层神经元、K个隐含层神经元和L个输出层神经元;且极端学习机模型满足公式(3):
其中,T表示极端学习机模型的输出向量;th表示输出向量的第h个列向量;M表示列向量的维数;n表示列向量的个数;tMh表示输出向量第h个输出神经元所对应列向量的第M维的元素;βi表示第h个输出神经元与隐含神经元的权值;f(x)表示激活函数;xi表示输入向量;bh(h=1,2,…,K)表示第h个隐含层的偏置;f(ωh,bh,xj)表示第h个隐含层神经元输出。
另外,ωjk为输入层第j个神经元与第k个隐含层神经元的权重;βkl为第k个隐含层神经元与第l个输出层的权重;X=[x1,x2,…,xJ]为输入向量序列,Y=[y1,y2,…,yL]为输出向量序列。本实施例中,激活函数包括sigmoid函数和sine函数。th∈T,ωi=[ω1i,ω2i,…,ωJi]表示第J个隐含层神经元与输入向量xi=[x1,x2,。。。,xJ]之间的权值。
如果极限学习机能以零误差逼近学习样本,则可以认为存在βi、ωi、bi使式(5)成立
将式(5)改写成矩阵形式,则式(5)变为:
Hβ=Y(6);
式(6)中:H为隐含层输出矩阵,β为输出权值矩阵,Y为输出向量。
这样就变成了求输出权值的最小二乘解β问题,即:
极端学习机模型可以总结为求解方程最小值的优化问题。其实,极端学习机模型的训练目的就是找最优权值以使输出值与实际值误差最小。
S22:将归一化数据集分为一训练集、一测试集和一预测集,本实施例中,训练集包括576个数据,测试集包括132个数据,预测集包括12个数据。
S23:采用训练集对极端学习机模型进行训练。
本实施例中,将训练集导入Matlab软件,调用Matlab中的ELM工具箱对ELM进行训练。
S24:将训练好的极端学习机对测试集进行测试后,通过极端学习机模型对预测集进行预测,获得初步预测值集和误差集;其中初步预测值包括12个数值;误差集包括708个误差值W。
S3:判断误差集的序列是否平稳;如平稳,将误差集输入一自回归滑动平均模型获得一第一误差预测序列;如不平稳,需要对数据进行平衡化处理,最常用的是差分处理,本实施例中,采用Eviews软件对数据进行差分处理,将误差集输入一自回归积分滑动平均模型获得一第二误差预测序列。
本实施例中,判断序列是否平稳采用单位根检验,采用Eviews进行处理,其输出结果如表1所示。可见,数据经过一阶差分后,ADF数值小于1%置信区间的数值,此时可以认为1阶差分后的序列为平稳序列。
表1Eviews输出结果表
自回归积分滑动平均模型(ARIMA),又叫做Box-Jenkins模型,是一种基于时间序列的预测模型,适用于短期和超短期预测,精度较高。ARIMA(p,d,q)是对自回归滑动平均模型ARMA(p,q)的扩展。通过对非平稳时间序列的d阶差分处理使其平稳化,然后对平稳序列建立自回归滑动平均模型(ARMA(p,q)模型):
其中,y′d表示原始时间序列经d阶差分后的序列;ca表示常数;p表示自回归项的阶数;q表示滑动平均项的阶数;ψi表示第i个回归项的系数;θj是第j个滑动平均项系数;et表示参差项。
在估计自回归系数、滑动平均系数值时,最常用的是最小二乘法,可得出ψi,θj;并根据赤池信息准则进行定阶,得出p,q。
赤池信息准则(Akaike Information Criterion,AIC),在一般情况下,AIC表示为:
AIC=(2k-2L)/n(7);
式(7)中:k是所拟合模型中参数的个数,L是对数似然值,n为观测值个数。
本实施例中,采用Eviews绘制数据的自相关、偏相关图,如图3所示,其中虚线为置信区间,自相关图在k=7时已经明显收束到区间内,而偏相关图在k=2时已经明显收束到区间内,故p、q的取值在0到6之间。
然后利用Matlab软件根据赤池信息准则选取最优p、q值。
建立ARIMA模型进行误差预测,获得误差值W的12步预测值Wp。ARMA模型只是比ARIMA模型少了d阶差分环节,是ARIMA的特殊情况。
S4:将初步预测值集和第一误差预测序列或第二误差预测序列叠加,获得一最终风速预测值集。
优选地,S4步骤中通过公式(4)获得最终风速预测值集:
Pend=P+Wp (4);
其中,Pend表示最终风速预测值集;P表示初步预测值集;Wp表示第一误差预测序列或第二误差预测序列。
以上结合附图实施例对本发明进行了详细说明,本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而,实施例中的某些细节不应构成对本发明的限定,本发明将以所附权利要求书界定的范围作为本发明的保护范围。
Claims (7)
1.一种基于误差修正的极端学习机风速超短期预测方法,包括步骤:
S1:对风速历史数据做归一化处理,获得一归一化数据集;
S2:建立一极端学习机模型,并利用所述极端学习机模型和所述归一化数据集进行风速预测,获得一初步预测值集和一误差集;
S3:判断所述误差集的序列是否平稳;如平稳,将所述误差集输入一自回归滑动平均模型获得一第一误差预测序列;如不平稳,将所述误差集输入一自回归积分滑动平均模型获得一第二误差预测序列;
S4:将所述初步预测值集和所述第一误差预测序列或所述第二误差预测序列叠加,获得一最终风速预测值集。
2.根据权利要求1所述的基于误差修正的极端学习机风速超短期预测方法,其特征在于,所述S1步骤中利用公式(1)对所述风速历史数据做归一化处理:
其中,为归一化后的值,xi为所述风速历史数据;ymax、ymin分别是映射区间的最大值1和最小值0;xmin、xmax分别是所述风速历史数据的最小值与最大值。
3.根据权利要求2所述的基于误差修正的极端学习机风速超短期预测方法,其特征在于,所述S2步骤进一步包括步骤:
S21:建立所述极端学习机模型;
S22:将所述归一化数据集分为一训练集、一测试集和一预测集;
S23:采用所述训练集对所述极端学习机模型进行训练;
S24:将训练好的所述极端学习机对所述测试集进行测试后,通过所述极端学习机模型对所述预测集进行预测,获得所述初步预测值集和所述误差集。
4.根据权利要求3所述的基于误差修正的极端学习机风速超短期预测方法,其特征在于,所述极端学习机模型包括多个输入层神经元、多个隐含层神经元和多个输出层神经元,且所述极端学习机模型满足公式(2):
其中,T表示所述极端学习机模型的输出向量;th表示所述输出向量的第h个列向量;M表示所述列向量的维数;n表示所述列向量的个数;tMh表示所述输出向量第h个输出神经元所对应列向量的第M维的元素;βi表示第h个输出神经元与隐含神经元的权值;f(x)表示激活函数;xi表示输入向量;bh表示第h个隐含层的偏置;f(ωh,bh,xj)表示第h个隐含层神经元输出。
5.根据权利要求4所述的基于误差修正的极端学习机风速超短期预测方法,其特征在于,所述激活函数包括sigmoid函数和sine函数。
6.根据权利要求5所述的基于误差修正的极端学习机风速超短期预测方法,其特征在于,所述自回归滑动平均模型的公式为:
其中,y′t表示原始时间序列经d阶差分后的序列;ca表示常数;p表示自回归项的阶数;q表示滑动平均项的阶数;ψi表示第i个回归项的系数;θj是第j个滑动平均项系数;et表示参差项。
7.根据权利要求6所述的基于误差修正的极端学习机风速超短期预测方法,其特征在于,所述S4步骤中通过公式(4)获得所述最终风速预测值集:
Pend=P+Wp (4);
其中,Pend表示所述最终风速预测值集;P表示所述初步预测值集;Wp表示所述第一误差预测序列或所述第二误差预测序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711386258.XA CN108229732A (zh) | 2017-12-20 | 2017-12-20 | 基于误差修正的极端学习机风速超短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711386258.XA CN108229732A (zh) | 2017-12-20 | 2017-12-20 | 基于误差修正的极端学习机风速超短期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108229732A true CN108229732A (zh) | 2018-06-29 |
Family
ID=62652538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711386258.XA Pending CN108229732A (zh) | 2017-12-20 | 2017-12-20 | 基于误差修正的极端学习机风速超短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229732A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753633A (zh) * | 2018-12-05 | 2019-05-14 | 中国能源建设集团江苏省电力设计院有限公司 | 一种基于非平稳gev分布模型的结构抗风失效风险评估方法 |
CN110165693A (zh) * | 2019-06-27 | 2019-08-23 | 上海电机学院 | 一种风电场优化储能配置方法 |
CN110555784A (zh) * | 2019-07-23 | 2019-12-10 | 中国地质大学(武汉) | 基于门控循环神经网络风速修正的风电功率预测方法 |
CN111563236A (zh) * | 2020-04-20 | 2020-08-21 | 中国科学院数学与系统科学研究院 | 一种短期风速预测方法及装置 |
CN112668807A (zh) * | 2021-01-17 | 2021-04-16 | 国网江苏省电力有限公司宿迁供电分公司 | 一种用于风电场功率预测的风速预测方法 |
CN112668249A (zh) * | 2020-07-17 | 2021-04-16 | 国网山东省电力公司电力科学研究院 | 电网一次设备大修技改方案在线构建方法及系统 |
CN112801332A (zh) * | 2020-11-18 | 2021-05-14 | 国网江苏省电力有限公司江阴市供电分公司 | 一种基于灰度共生矩阵的短期风速预测方法 |
CN112926807A (zh) * | 2021-04-15 | 2021-06-08 | 德州欧瑞电子通信设备制造有限公司 | 考虑预测误差的机柜设备发热量超短期预测方法及系统 |
CN113515889A (zh) * | 2021-05-21 | 2021-10-19 | 华北电力大学(保定) | 一种动态风速预测模型建立方法 |
CN114418180A (zh) * | 2021-12-16 | 2022-04-29 | 广东电网有限责任公司 | 一种风电功率的超短期预测方法、装置及存储介质 |
CN116992274A (zh) * | 2023-09-28 | 2023-11-03 | 国网山东省电力公司滨州市滨城区供电公司 | 基于改进主成分回归模型的短期风速预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102855385A (zh) * | 2012-07-31 | 2013-01-02 | 上海交通大学 | 一种风力发电短期负荷预测方法 |
CN105376097A (zh) * | 2015-11-30 | 2016-03-02 | 沈阳工业大学 | 网络流量的一种混合预测方法 |
US20170169342A1 (en) * | 2015-12-14 | 2017-06-15 | Siemens Aktiengesellschaft | System and method for diagnosing at least one component requiring maintenance in an appliance and/or installation |
-
2017
- 2017-12-20 CN CN201711386258.XA patent/CN108229732A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102855385A (zh) * | 2012-07-31 | 2013-01-02 | 上海交通大学 | 一种风力发电短期负荷预测方法 |
CN105376097A (zh) * | 2015-11-30 | 2016-03-02 | 沈阳工业大学 | 网络流量的一种混合预测方法 |
US20170169342A1 (en) * | 2015-12-14 | 2017-06-15 | Siemens Aktiengesellschaft | System and method for diagnosing at least one component requiring maintenance in an appliance and/or installation |
Non-Patent Citations (3)
Title |
---|
伍雪冬: "《非线性时间序列在线预测建模与仿真》", 30 November 2015 * |
张宁: "短期电力负荷时间序列预测的极限学习机方法", 《福建工程学院学报》 * |
郎坤 等: "基于迭代误差补偿的核极端学习机模型在短期电力负荷预测中的应用", 《计算机应用》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753633A (zh) * | 2018-12-05 | 2019-05-14 | 中国能源建设集团江苏省电力设计院有限公司 | 一种基于非平稳gev分布模型的结构抗风失效风险评估方法 |
CN110165693A (zh) * | 2019-06-27 | 2019-08-23 | 上海电机学院 | 一种风电场优化储能配置方法 |
CN110165693B (zh) * | 2019-06-27 | 2023-05-02 | 上海电机学院 | 一种风电场优化储能配置方法 |
CN110555784A (zh) * | 2019-07-23 | 2019-12-10 | 中国地质大学(武汉) | 基于门控循环神经网络风速修正的风电功率预测方法 |
CN111563236B (zh) * | 2020-04-20 | 2021-07-02 | 中国科学院数学与系统科学研究院 | 一种短期风速预测方法及装置 |
CN111563236A (zh) * | 2020-04-20 | 2020-08-21 | 中国科学院数学与系统科学研究院 | 一种短期风速预测方法及装置 |
CN112668249A (zh) * | 2020-07-17 | 2021-04-16 | 国网山东省电力公司电力科学研究院 | 电网一次设备大修技改方案在线构建方法及系统 |
CN112801332A (zh) * | 2020-11-18 | 2021-05-14 | 国网江苏省电力有限公司江阴市供电分公司 | 一种基于灰度共生矩阵的短期风速预测方法 |
CN112801332B (zh) * | 2020-11-18 | 2024-03-26 | 国网江苏省电力有限公司江阴市供电分公司 | 一种基于灰度共生矩阵的短期风速预测方法 |
CN112668807B (zh) * | 2021-01-17 | 2023-07-11 | 国网江苏省电力有限公司宿迁供电分公司 | 一种用于风电场功率预测的风速预测方法 |
CN112668807A (zh) * | 2021-01-17 | 2021-04-16 | 国网江苏省电力有限公司宿迁供电分公司 | 一种用于风电场功率预测的风速预测方法 |
CN112926807A (zh) * | 2021-04-15 | 2021-06-08 | 德州欧瑞电子通信设备制造有限公司 | 考虑预测误差的机柜设备发热量超短期预测方法及系统 |
CN113515889A (zh) * | 2021-05-21 | 2021-10-19 | 华北电力大学(保定) | 一种动态风速预测模型建立方法 |
CN113515889B (zh) * | 2021-05-21 | 2023-06-13 | 华北电力大学(保定) | 一种动态风速预测模型建立方法 |
CN114418180A (zh) * | 2021-12-16 | 2022-04-29 | 广东电网有限责任公司 | 一种风电功率的超短期预测方法、装置及存储介质 |
CN114418180B (zh) * | 2021-12-16 | 2023-01-20 | 广东电网有限责任公司 | 一种风电功率的超短期预测方法、装置及存储介质 |
CN116992274A (zh) * | 2023-09-28 | 2023-11-03 | 国网山东省电力公司滨州市滨城区供电公司 | 基于改进主成分回归模型的短期风速预测方法及系统 |
CN116992274B (zh) * | 2023-09-28 | 2024-02-02 | 国网山东省电力公司滨州市滨城区供电公司 | 基于改进主成分回归模型的短期风速预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229732A (zh) | 基于误差修正的极端学习机风速超短期预测方法 | |
US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
CN106651089A (zh) | 生产调度问题的分布集鲁棒模型的建模及优化求解方法 | |
CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
CN109376897A (zh) | 一种基于混合算法的短期风电功率预测方法 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
JP3637412B2 (ja) | 時系列データ学習・予測装置 | |
US11436494B1 (en) | Optimal power flow computation method based on multi-task deep learning | |
CN105117975B (zh) | 一种光伏输出功率值的分频预测方法 | |
CN102479339A (zh) | 基于混合神经网络的风电场短期风速预测方法和系统 | |
CN109840633B (zh) | 光伏输出功率预测方法、系统和存储介质 | |
CN109242265A (zh) | 基于误差平方和最小的城市需水量组合预测方法 | |
CN108596407B (zh) | 一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法 | |
CN115169746A (zh) | 基于融合模型的电力负荷短期预测方法、装置及相关介质 | |
CN116432037A (zh) | 一种在线迁移学习方法、装置、设备和存储介质 | |
Zhang et al. | Improvement of dynamic hand gesture recognition based on HMM algorithm | |
CN110852522A (zh) | 一种短期电力负荷预测方法及系统 | |
Netsanet et al. | Input parameters selection and accuracy enhancement techniques in PV forecasting using Artificial Neural Network | |
CN109254321A (zh) | 一种地震激励下快速贝叶斯模态参数识别方法 | |
CN115049163A (zh) | 基于禁忌搜索与深度稳定学习的光伏区域预测方法及装置 | |
CN106067075B (zh) | 一种建筑用能负荷预测模型建立、负荷预测方法及其装置 | |
CN112700050A (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN111476402A (zh) | 耦合气象信息与emd技术的风电发电能力预测方法 | |
CN105205560A (zh) | 一种基于正负误差变权的光伏发电功率预测方法 | |
CN116205123A (zh) | 一种超短期风电场功率预测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180629 |