CN108830411A - 一种基于数据处理的风电功率预测方法 - Google Patents
一种基于数据处理的风电功率预测方法 Download PDFInfo
- Publication number
- CN108830411A CN108830411A CN201810579700.9A CN201810579700A CN108830411A CN 108830411 A CN108830411 A CN 108830411A CN 201810579700 A CN201810579700 A CN 201810579700A CN 108830411 A CN108830411 A CN 108830411A
- Authority
- CN
- China
- Prior art keywords
- wind power
- data
- data processing
- wind
- method based
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 24
- 238000013277 forecasting method Methods 0.000 title claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000007637 random forest analysis Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000011946 reduction process Methods 0.000 claims abstract description 14
- 241001269238 Data Species 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 239000002245 particle Substances 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 235000013399 edible fruits Nutrition 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据处理的风电功率预测方法，其中所述预测方法包括以下步骤：获取风电场的风向、风速等气象数据以及对应的风电输出功率的历史数据，并对历史数据进行抽样得到样本数据；对样本数据的特性进行分析，利用小波阈值和变分模态分解方法对其进行降噪处理，去除数据中的噪声；对影响风电功率的多种气象数据进行分析，利用核主成分分析进行特征提取；基于降噪处理和特征提取，利用随机森林进行建模，将处理过的数据作为输入，对风电功率进行预测。本发明利用风电场的历史数据，在数据处理基础上，通过随机森林模型进行风电功率预测，大大提高了预测的精度。
Description
技术领域
本发明属于风电预测技术领域，具体涉及一种基于数据处理的风电功率预测方法。
背景技术
经济的发展和人口的日益增加，能源消耗越来越多，传统的化石燃料日益减少，已无法满足人们的需要。同时，这些传统的化石燃料的使用伴随着大量的环境问题，这为人与自然之间的和谐、可持续发展带来了挑战。针对这种现象，各国开始将重心向可再生能源发展。可再生能源具有清洁、用之不竭等特点，利用可再生能源可以缓解能源危机，减少燃料燃烧对环境的污染。
风能作为一种无燃料消耗、零排放的清洁能源，其能量主要来源于大气运动，只要有可利用的风速，就能通过风力发电机来发电，应用前景非常广阔。利用风来进行发电时，风具有随机性和间歇性，同时各个风电场地形、安装位置等不同，风电的功率不稳定，存在一定的波动，将大量风力发电接入电网时，不仅会影响电力系统的安全，还会给系统的稳定运行带来威胁，进而影响到电网的电能质量，这些都会对风力发电的发展规模产生限制，因而风电功率预测对风电场的运行有重要的参考意义。
发明内容
本发明目的是提出一种基于数据处理的风电功率预测方法，以解决风电数据含噪多、信息混叠的问题，以进一步提高风电功率预测的精度。
为解决上述问题，本发明在数据处理基础上提供了一种风电功率预测方法，该方法包括如下步骤：
步骤S1：获取风电场的风向、风速等气象数据以及对应的风电输出功率的历史数据，并对历史数据进行抽样得到样本数据；
步骤S2：对样本数据的特性进行分析，对数据进行降噪处理，去除数据中的噪声；
步骤S3：对影响风电功率的多种气象数据进行分析，进行特征提取；
步骤S4：基于降噪处理和特征提取，利用随机森林进行建模，将处理过的数据作为输入，对风电功率进行预测。
进一步的，步骤S1中，所述获取到的风电场气象数据为风电场采集到的天气预报信息，包括风速、风向、温度、湿度、气压、海平面气压及降水量。
进一步的，步骤S1中，所述历史数据为风电场过去两个月内的气象数据和运行数据。
进一步的，所述步骤S2具体包括以下步骤：
步骤S21：对预测样本数据进行筛选，删除缺失部分数据的样本数据；
步骤S22：将预测样本数据利用变分模态分解进行处理，得到多个分解模态；
步骤S23：对分解出的多个模态，采用小波阈值进行降噪处理；
步骤S24：对降噪处理后的样本数据进行归一化处理。
进一步的，步骤S23中，所述小波阀值采用了硬阈值处理，阈值函数为：
其中，λ为阈值，其表达式为：σ为估计的噪声标准方差，N为相应尺度的小波变换系数的个数。
进一步的，所述步骤S3具体包括以下步骤：
步骤S31：选用核主成分分析方法对多种气象数据进行特征提取；
步骤S32：选定核函数；
步骤S33：采用粒子群算法进行参数优化；
步骤S34：利用优化的参数进行特征提取，计算主成分的贡献率；
步骤S35：根据贡献率提取出新的主成分。
进一步的，步骤S32中，所述核函数选用了高斯径向基核函数，其表达式为：
其中，σ为核函数的宽度参数。
进一步的，步骤S33中，所述参数优化包括以下步骤：
步骤S331：确定粒子群算法的适应度函数；
步骤S332：种群初始化；
步骤S333：计算各粒子目标函数，找出当前个体极值和全局极值；
步骤S334：计算更新的速度和更新位置；
步骤S335：判断是否达到最大迭代次数，若达到就停止更新，若没有达到，则重新计算目标函数，直至达到最大迭代次数，停止循环。
进一步的，步骤S331中，所述适应度函数选用了与主成分个数密切相关的适应度函数，其表达式为：
其中，m为主成分数，为累计贡献率，选取时一般累计贡献率需要达到85％以上。
进一步的，步骤S4中，所述随机森林建模包括以下步骤：
步骤S41：从样本中选取部分数据作为训练的样本集，随机可重复取样，每个样本集对应一棵分类树；
步骤S42：每个样本集都是一棵带有多个枝叶的分类树，树的每个节点都具有多个特征，从中随机挑选出几个特征，构造出完整的分类树；
步骤S43：不断重复上一步，直至形成随机森林；
步骤S44：利用得到的多个分类树对测试的样本数据进行处理，投票表决，得到最终结果。
本发明由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果：
本发明构建了一种基于数据处理的风电功率预测方法，该方法包括数据降噪、特征提取以及功率预测三部分。本发明在已有气象数据和风电场运行数据基础上，进行了降噪处理，滤除了数据中的噪声成分，同时，针对风电功率影响因素较多、各个因素之间信息重叠现象严重的情况，对输入的影响因素进行了特征提取，在这两种数据处理基础上，采用随机森林进行功率预测，大大提高了预测的精度，缩短了预测所用的时间，保证了风电预测系统的稳定运行。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图中：
图1是本发明一种基于数据处理的风电功率预测方法流程图。
图2是特征提取过程中粒子群优化参数的流程图。
图3是随机森林的形成过程图。
具体实施方式
以下将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整的描述和讨论，显然，这里所描述的仅仅是本发明的一部分实例，并不是全部的实例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
本发明在数据处理基础上提供了一种风电功率预测方法，该方法包括如下步骤：
步骤S1：获取风电场的风向、风速等气象数据以及对应的风电输出功率的历史数据，并对历史数据进行抽样得到样本数据；
这里获取的数据为国外某风电场两个月内的气象数据和运行数据，气象数据主要通过天气预报来获取，所获取的气象数据主要包括风速、风向、温度、湿度、气压、海平面气压及降水量等。
步骤S2：对样本数据的特性进行分析，对数据进行降噪处理，去除数据中的噪声，具体的包括以下步骤；
步骤S21：对预测样本数据进行筛选，删除缺失部分数据的样本数据；
步骤S22：将预测样本数据利用变分模态分解进行处理，得到多个分解模态。进行变分模态分解前需要先设定模态分解个数K的值，不同的分解个数分解出的中心频率也有所不同，K值的选取必须以避免模态混叠为依据，同时还必须保留信号中的特征信息，不能丢弃有用信息，通过观察、对比各模态分量与原始信号的关系可以确定分解模态的个数；
步骤S23：对分解出的多个模态，采用小波阈值进行降噪处理；小波阀值去噪方法主要有两种：硬阀值法和软阀值法。相比于软阈值法，采用硬阈值处理时，信号的信噪比要更高，为了提高降噪效果，本实施例采用了硬阈值处理，阈值函数为：
其中，λ为阈值，其表达式为：σ为估计的噪声标准方差，N为相应尺度的小波变换系数的个数。为了提高分解效果，令噪声分布在小波域中，本实施例采用了近似对称、光滑的紧支撑双正交小波db4来进行处理，共对信号进行了三层分解。
步骤S24：对降噪处理后的样本数据进行归一化处理。
步骤S3：对影响风电功率的多种气象数据进行分析，进行特征提取；
风电功率受多种因素影响，这些影响因素之间并不是独立存在的，若只利用单个因素作为预测功率的输入，结果会不够准确，风速与功率之间基本呈线性关系，但一些其他因素与功率之间并不是直接线性相关的，它们之间可能是非线性的，主成分分析只适合具有线性关系的对象，若采用单一的主成分分析不仅达不到特征提取的目的，可能还会对后期的功率预测产生干扰，因此本实施例采用了核主成分分析进行主成分特征提取，其具体步骤为：
步骤S31：选用核主成分分析方法对多种气象数据进行特征提取；
步骤S32：选定核函数；
步骤S33：采用粒子群算法进行参数优化；
步骤S34：利用优化的参数进行特征提取，计算主成分的贡献率；
步骤S35：根据贡献率提取出新的主成分。
在步骤S32中，所述核函数选用了高斯径向基核函数，其表达式为：
其中，σ为核函数的宽度参数。
图2为步骤S33中粒子群算法优化参数的流程图，具体包括以下几步：
步骤S331：确定粒子群算法的适应度函数；
在步骤S331中，本实施例选用了与主成分个数密切相关的适应度函数，其表达式为：
其中，m为主成分数，为累计贡献率，选取时一般累计贡献率需要达到85％以上。当累计贡献率一定时，主成分个数越少，所对应的适应度函数就越小。
步骤S332：种群初始化；
步骤S333：计算各粒子目标函数，找出当前个体极值和全局极值；
步骤S334：计算更新的速度和更新位置；
步骤S335：判断是否达到最大迭代次数，若达到就停止更新，若没有达到，则重新计算目标函数，直至达到最大迭代次数，停止循环。
步骤S4：基于降噪处理和特征提取，利用随机森林进行建模，将处理过的数据作为输入，对风电功率进行预测。
图3为随机森林的形成过程，在单棵决策树基础上，只要将K棵以相同方式构建的决策树进行组合，就可以得到随机森林的基本模型。
利用随机森林进行风电功率预测的具体步骤如下：
步骤S41：从样本中选取部分数据作为训练的样本集，随机可重复取样，每个样本集对应一棵分类树；
步骤S42：每个样本集都是一棵带有多个枝叶的分类树，树的每个节点都具有多个特征，从中随机挑选出几个特征，构造出完整的分类树；
步骤S43：不断重复上一步，直至形成随机森林；
步骤S44：利用得到的多个分类树对测试的样本数据进行处理，投票表决，得到最终结果。
利用上述方案便能得到样本数据对应的预测值。
本发明由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果：
本发明构建了一种基于数据处理的风电功率预测方法，该方法包括数据降噪、特征提取以及功率预测三部分。本发明在已有气象数据和风电场运行数据基础上，进行了降噪处理，滤除了数据中的噪声成分，同时，针对风电功率影响因素较多、各个因素之间信息重叠现象严重的情况，对输入的影响因素进行了特征提取，在这两种数据处理基础上，采用随机森林进行功率预测，大大提高了预测的精度，缩短了预测所用的时间，保证了风电预测系统的稳定运行。
以上所述，仅为本发明较佳的具体实施方式，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 (10)
1.一种基于数据处理的风电功率预测方法，其特征在于，所述预测方法包括以下步骤：
步骤S1：获取风电场的风向、风速等气象数据以及对应的风电输出功率的历史数据，并对历史数据进行抽样得到样本数据；
步骤S2：对样本数据的特性进行分析，对数据进行降噪处理，去除数据中的噪声；
步骤S3：对影响风电功率的多种气象数据进行分析，进行特征提取；
步骤S4：基于降噪处理和特征提取，利用随机森林进行建模，将处理过的数据作为输入，对风电功率进行预测。
2.根据权利要求1所述的一种基于数据处理的风电功率预测方法，其特征在于，步骤S1中，所述获取到的风电场气象数据为风电场采集到的天气预报信息，包括风速、风向、温度、湿度、气压、海平面气压及降水量。
3.根据权利要求1所述的一种基于数据处理的风电功率预测方法，其特征在于，步骤S1中，所述历史数据为风电场过去两个月内的气象数据和运行数据。
4.根据权利要求1所述的一种基于数据处理的风电功率预测方法，其特征在于，所述步骤S2具体包括以下步骤：
步骤S21：对预测样本数据进行筛选，删除缺失部分数据的样本数据；
步骤S22：将预测样本数据利用变分模态分解进行处理，得到多个分解模态；
步骤S23：对分解出的多个模态，采用小波阈值进行降噪处理；
步骤S24：对降噪处理后的样本数据进行归一化处理。
5.根据权利要求4所述的一种基于数据处理的风电功率预测方法，其特征在于，步骤S23中，所述小波阀值采用了硬阈值处理，阈值函数为：
其中，λ为阈值，其表达式为：σ为估计的噪声标准方差，N为相应尺度的小波变换系数的个数。
6.根据权利要求1所述的一种基于数据处理的风电功率预测方法，其特征在于，所述步骤S3具体包括以下步骤：
步骤S31：选用核主成分分析方法对多种气象数据进行特征提取；
步骤S32：选定核函数；
步骤S33：采用粒子群算法进行参数优化；
步骤S34：利用优化的参数进行特征提取，计算主成分的贡献率；
步骤S35：根据贡献率提取出新的主成分。
7.根据权利要求6所述的一种基于数据处理的风电功率预测方法，其特征在于，步骤S32中，所述核函数选用了高斯径向基核函数，其表达式为：
其中，σ为核函数的宽度参数。
8.根据权利要求6所述的一种基于数据处理的风电功率预测方法，其特征在于，步骤S33中，所述参数优化包括以下步骤：
步骤S331：确定粒子群算法的适应度函数；
步骤S332：种群初始化；
步骤S333：计算各粒子目标函数，找出当前个体极值和全局极值；
步骤S334：计算更新的速度和更新位置；
步骤S335：判断是否达到最大迭代次数，若达到就停止更新，若没有达到，则重新计算目标函数，直至达到最大迭代次数，停止循环。
9.根据权利要求8所述的一种基于数据处理的风电功率预测方法，其特征在于，步骤S331中，所述适应度函数选用了与主成分个数密切相关的适应度函数，其表达式为：
其中，m为主成分数，为累计贡献率，选取时一般累计贡献率需要达到85％以上。
10.根据权利要求1所述的一种基于数据处理的风电功率预测方法，其特征在于，步骤S4中，所述随机森林建模包括以下步骤：
步骤S41：从样本中选取部分数据作为训练的样本集，随机可重复取样，每个样本集对应一棵分类树；
步骤S42：每个样本集都是一棵带有多个枝叶的分类树，树的每个节点都具有多个特征，从中随机挑选出几个特征，构造出完整的分类树；
步骤S43：不断重复上一步，直至形成随机森林；
步骤S44：利用得到的多个分类树对测试的样本数据进行处理，投票表决，得到最终结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810579700.9A CN108830411A (zh) | 2018-06-07 | 2018-06-07 | 一种基于数据处理的风电功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810579700.9A CN108830411A (zh) | 2018-06-07 | 2018-06-07 | 一种基于数据处理的风电功率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108830411A true CN108830411A (zh) | 2018-11-16 |
Family
ID=64144352
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810579700.9A Pending CN108830411A (zh) | 2018-06-07 | 2018-06-07 | 一种基于数据处理的风电功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108830411A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110596492A (zh) * | 2019-09-17 | 2019-12-20 | 昆明理工大学 | 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 |
| CN111242345A (zh) * | 2019-12-26 | 2020-06-05 | 浙江大学 | 基于聚类分析和随机森林回归的核电机组电功率预测方法 |
| CN112255316A (zh) * | 2020-09-23 | 2021-01-22 | 南昌航空大学 | 镍基高温合金增材制造构件微小缺陷超声信号增强方法 |
| CN113049684A (zh) * | 2021-03-23 | 2021-06-29 | 大连海洋大学 | 基于变分模态分解的超声兰姆波缺陷信号识别方法 |
| WO2021227408A1 (zh) * | 2020-05-09 | 2021-11-18 | 湖南省计量检测研究院 | 一种基于信号分离和精准积分的直流电能计量装置及方法 |
| CN114239920A (zh) * | 2021-11-23 | 2022-03-25 | 国网河南省电力公司电力科学研究院 | 一种风电功率短期预测方法 |
-
2018
- 2018-06-07 CN CN201810579700.9A patent/CN108830411A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110596492A (zh) * | 2019-09-17 | 2019-12-20 | 昆明理工大学 | 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 |
| CN110596492B (zh) * | 2019-09-17 | 2021-04-27 | 昆明理工大学 | 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 |
| CN111242345A (zh) * | 2019-12-26 | 2020-06-05 | 浙江大学 | 基于聚类分析和随机森林回归的核电机组电功率预测方法 |
| WO2021227408A1 (zh) * | 2020-05-09 | 2021-11-18 | 湖南省计量检测研究院 | 一种基于信号分离和精准积分的直流电能计量装置及方法 |
| CN112255316A (zh) * | 2020-09-23 | 2021-01-22 | 南昌航空大学 | 镍基高温合金增材制造构件微小缺陷超声信号增强方法 |
| CN113049684A (zh) * | 2021-03-23 | 2021-06-29 | 大连海洋大学 | 基于变分模态分解的超声兰姆波缺陷信号识别方法 |
| CN113049684B (zh) * | 2021-03-23 | 2023-07-28 | 大连海洋大学 | 基于变分模态分解的超声兰姆波缺陷信号识别方法 |
| CN114239920A (zh) * | 2021-11-23 | 2022-03-25 | 国网河南省电力公司电力科学研究院 | 一种风电功率短期预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108830411A (zh) | 一种基于数据处理的风电功率预测方法 | |
| Gao et al. | Hourly forecasting of solar irradiance based on CEEMDAN and multi-strategy CNN-LSTM neural networks | |
| Ren et al. | Ensemble methods for wind and solar power forecasting—A state-of-the-art review | |
| Meng et al. | An intelligent hybrid wavelet-adversarial deep model for accurate prediction of solar power generation | |
| CN109524993B (zh) | 用于中长期优化调度的风电光伏典型周出力场景生成方法 | |
| CN105184391B (zh) | 基于小波分解和支持向量机的风电场风速与功率预测方法 | |
| De Giorgi et al. | Assessment of the benefits of numerical weather predictions in wind power forecasting based on statistical methods | |
| CN109272156B (zh) | 一种超短期风电功率概率预测方法 | |
| CN111210082A (zh) | 一种基于优化的bp神经网络算法的降水量预测方法 | |
| CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
| Zhang et al. | Photovoltaic power prediction based on hybrid modeling of neural network and stochastic differential equation | |
| CN113783527A (zh) | 一种基于光伏组件温度和辐照度校验的数据挖掘方法 | |
| Prastawa et al. | New approach on renewable energy solar power prediction in Indonesia based on Artificial Neural Network technique: Southern region of Sulawesi island study case | |
| CN117543567A (zh) | 用于风电场无功优化的风电功率预测方法及装置 | |
| Wang et al. | An experimental investigation of FNN model for wind speed forecasting using EEMD and CS | |
| CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
| Wang et al. | Two-tier prediction of solar power generation with limited sensing resource | |
| Mahdi et al. | Application of Artificial Neural Network to Predict Wind Speed: Case Study in Duhok City, Iraq | |
| Bantupalli et al. | Wind Speed forecasting using empirical mode decomposition with ANN and ARIMA models | |
| CN109165792B (zh) | 一种基于soa-wnn的光伏短期输出功率预测方法 | |
| Liu et al. | Research on power load forecasting based on random forest regression | |
| Alquthami et al. | A day ahead prediction of solar PV power output using ensemble neural network | |
| Park et al. | Zero‐Shot Photovoltaic Power Forecasting Scheme Based on a Deep Learning Model and Correlation Coefficient | |
| CN117151303B (zh) | 一种基于混合模型的超短期太阳辐照度预测方法及系统 | |
| Singh et al. | Power forecasting in photovoltaic system using hybrid ANN and wavelet transform based method |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181116 |