CN109214575B - 一种基于小波长短期记忆网络的超短期风电功率预测方法 - Google Patents
一种基于小波长短期记忆网络的超短期风电功率预测方法 Download PDFInfo
- Publication number
- CN109214575B CN109214575B CN201811059862.6A CN201811059862A CN109214575B CN 109214575 B CN109214575 B CN 109214575B CN 201811059862 A CN201811059862 A CN 201811059862A CN 109214575 B CN109214575 B CN 109214575B
- Authority
- CN
- China
- Prior art keywords
- wind power
- wavelet
- term memory
- short
- samples
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000006403 short-term memory Effects 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000015654 memory Effects 0.000 claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000006641 stabilisation Effects 0.000 claims abstract description 4
- 238000011105 stabilization Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 claims 1
- 238000009499 grossing Methods 0.000 claims 1
- 230000000644 propagated effect Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (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)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于小波长短期记忆网络的超短期风电功率预测方法,根据历史数据生成输入变量,以所对应的风功率历史数据作为输出,得到训练样本;采用小波分析方法对训练样本进行三级小波分解,得到四个小波样本,利用长短期记忆网络模型对四个小波样本分别进行训练,得到训练后的小波长短期记忆网络预测模型;根据四个小波样本的待预测时刻的实际数据生成测试输入数据,并输入到预测模型,其输出即为待预测的时刻的超短期风电功率预测值。本发明将小波分析方法与长短期记忆深度网络结合,可以同时实现数据的平稳化处理与深度学习,提高了预测的精度,增强了模型的泛化能力。
Description
技术领域
本发明属于新能源消纳技术领域,具体涉及一种超短期风电功率预测方法,对风电功率进行预测。
背景技术
如今化石能源的日益减少与人类对能源的需要逐渐增加已经成为了能源领域的主要矛盾,为解决能源问题,人类需要大力开发可再生能源,如清洁的风资源、太阳能资源等,但由于可再生资源具有的强随机性、间歇性以及波动性,至今可再生能源的弃风、弃光现象还很严重,可再生能源的预测研究成为了新能源消纳的关键技术之一。随着人工智能的时代到来,越来越多的领域成功将先进的智能算法引进。对于新能源预测研究,更加需要具有优势性的算法来支撑,深度学习技术已经被应用在图像处理、语音识别、自动驾驶等多个领域。风电功率预测分为超短期、短期、中期、长期风电预测,超短期为对未来四小时的风电功率进行预测,有利于调度部门能够及时对电网进行调控,维持电网的稳定与安全。
基于小波长短期记忆网络的超短期风电功率预测需要获得足够的风电功率数据,利用小波分析的技术实现对风电功率数据的平稳化处理,再利用长短期记忆网络LSTM能够很好的对时间序列建模的优点,建立超短期风电功率预测模型。
当前,对于超短期风电功率预测研究,主要分为统计学习方法,依据统计学的理论知识,对风电功率的时间序列建立统计学习模型,
目前,对于超短期风电功率的预测已经出现了很多方法,主要分为两大类:一是统计学习方法,利用风电场历史数据及周边风电场测量数据建立统计学习模型,其中统计学习方法包括时间序列分析法、人工神经网络、支持向量机等及其学习的方法;二是物理方法,根据数值天气预报的预测数据以及风电功率历史数据对风电建立一种混合物理输入模型。然而,实际操作时,如果选取的特征或者影响因素过多时,可能会导致预测的模型结构复杂化,训练效率降低,因此,选择合适的预测算法简化预测模型的结构,对于提高建模的效率和预测的精度有着十分重要的意义。
发明内容
发明目的:本发明针对现有技术中风电功率预测存在的缺陷,提供一种基于小波长短期记忆网络的超短期风电功率预测方法。
技术方案:一种基于小波长短期记忆网络的超短期风电功率预测方法,包括以下步骤:
1)、采集分析风电场历史数据,将当前时刻之前的20个风功率值x1,x2...,x20作为输入向量,未来四小时时刻的风功率值y作为输出向量,构建训练样本集[x1,x2...,x20,y],样本数选取700个;
2)、采用Mallat算法对训练样本列向量进行三级小波分解,可以对风功率时间序列进行平稳化处理,并且重构小波系数得到四个小波训练样本集;
3)、对小波训练样本进行归一化处理,归一化的处理方式为将每一维的特征标准化为0均值单位标准差,并且选取模型训练集与验证集样本;
4)设置10层长短期记忆网络LSTM,网络的误差训练函数采用均方误差函数,目标优化器为adam函数,Dropout层设为0.5,输出层激活函数选用linear函数,网络迭代次数为2000,建立四个小波样本的长短期记忆网络LSTM深度网络预测模型,输入向量维数为20;
5)将四个小波样本验证集的输入带入长短期记忆网络LSTM深度网络预测模型,得到四个小波样本的预测值,将四个小波样本的预测值进行叠加得到整体样本最终的预测值。
有益效果:本发明将小波分析与深度学习网络相结合,既可以较好的对非平稳数据进行处理,实现对数据细微之处的观察分析,同时利用长短期记忆网络LSTM良好的时序建模能力,建立风电功率的时间序列模型,将深度学习技术应用于风电功率预测方法之上。实现了对非平稳风电功率时间序列良好的预测,提高了预测的精度同时使得算法的泛化能力得到增强。
附图说明
图1为本发明的基于长短期记忆网络的超短期风电功率预测方法的工作流程图。
图2为本发明的基于长短期记忆网络的超短期风电功率预测值与真实值仿真图。
图3为本发明的基于长短期记忆网络的超短期风电功率预测误差百分比仿真图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,本发明的基于小波长短期记忆网络的超短期风电功率预测方法,包括以下步骤:
1)对风电功率数据进行分析研究,提取跟风电功率数据密切相关的特征,采集风电场的历史数据,得到训练样本集;其中,所提取的特征信息包括:当前时刻之前的20个风功率值x1,x2...,x20作为输入向量,未来四小时时刻的风功率值y作为输出向量,每个风电功率值时间间隔为5分钟,构建训练样本集[x1,x2...,x20,y]。
2)对训练样本集进行坏数据预处理之后,利用小波分析算法,对数据进行平稳化处理的具体步骤如下:首先利用Mallat算法对[x1,x2...,x20,y]各列向量进行高频、低频两级分解,式中:H为低通滤波器,G为高通滤波器,cj为信号在分辨率2-j下的低频分量,dj为信号在分辨率2-j下的高频分量,c0为[x1,x2...,x20,y]中的各列向量;并且对高低频信号进行重构,cj=H*cj+1+G*dj+1,j=1,0,式中:H*为H的对偶算子,G*为G的对偶算子,对c1、d1各自做重构,得出重构的低频信号与高频信号,再将高频信号进行小波分解,依次共进行三次分解,从而得到四个小波训练样本集,最后将四个小波样本训练集数与验证集数分别划分为590与110,并且作归一化处理。
3)对长短期记忆网络LSTM进行初始化设置,根据模型确定输入层节点数为15、隐含长短期记忆网络LSTM层数设为10层,网络所采用的误差训练函数为均方误差函数,目标优化器为adam函数,Dropout层设为0.5,输出层激活函数选用linear函数,网络训练迭代次数为2000;
4)分别将四个小波样本集输入进网络,首先,在正向传递过程中,遗忘门层抛弃通过输入层的风电历史功率状态信息Xt,得到经遗忘门处理之后的风电历史功率状态信息ft:ft=σ(Wf·[ht-1,Xt]+bf),接着,根据当前时刻的风电历史功率状态信息Xt生成临时新的风电功率状态值更新风电功率旧状态值Ct-1,将临时新的风电功率状态值与遗忘之后的风电功率旧状态值Ct-1相加,得到新的风电功率状态值Ct:
it=σ(Wi·[ht-1,Xt]+bi),
最后,将通过sigmoid函数的输出信息与经过tanh函数转化的单元状态值相乘,得到最终的输出:ot=σ(Wo[ht-1,Xt]+bo),ht=ot*tanh(Ct)。
式中,ft为经遗忘门处理之后的风电历史功率状态信息,σ为sigmoid函数,Wf为遗忘门连接的权重矩阵,ht-1是隐含层上一个时间节点的输出,Xt是t时刻输入层的输出,即为风电历史功率状态信息;bf是遗忘门的偏移值,it为t时刻输入门的输出,Wi为输入门连接的权重矩阵,bi为输入门的偏移值,为临时新的风电功率状态值,WC为t时刻计算单元新状态的连接权重矩阵,bC为t时刻计算单元新状态的偏移值,Ct-1为风电功率旧状态值,Ct为t时刻新的风电功率状态值,Wo为输出门的连接权重,bo为输出门的偏移值,ht为输出门的值。
5)根据模型拟合结果与实际值之间的误差函数的两个传播方向对网络进行反向训练,一是沿着时间进行反向传播,另一个是将误差向上一层单元进行传播,其中门限的激活函数全部设置为sigmoid函数,输出的激活函数设为tanh函数。通过反向训练,学习以下的8组参数,分别为遗忘门的权重矩阵Wf与偏置项bf、输入门的权重矩阵Wi与偏置项bi、输出门的权重矩阵Wo和偏置矩阵bo以及计算单元状态的权重矩阵WC与偏置项bC。
6)利用已经学习好的长短期记忆网络LSTM模型对四个小波样本进行预测,直至将所有小波样本全部预测完成,得到最终的风电功率值为四个小波样本预测值的叠加。
至此,利用上述小波长短期记忆网络LSTM预测方法便可实现超短期风电功率的预测。
为了验证本发明方法的有效性,进行以下实验:选择中国西北某风电场与东北某风电场进仿真分析,该西北风电场每过15分钟采集一个风功率值,该东北风电场没过5分钟采集一个风功率值,选取两风电场某段时间内600个功率值作为样本,取当前时刻前四小时内风功率值作为预测模型的输入向量,取未来四小时时刻的值作为预测模型的输出向量,构建训练样本集,并划分模型训练集与验证集,以此建立风电功率超短期概率预测模型,实现对该两处风电场功率未来四小时的超短期概率预测。预测结果如下图2、3所示,并且将本发明的方法与现有的一些方法结果进行比较如表1所示。
结合表1中平均绝对百分比误差的指标与图2、图3中各仿真结果可以得出以下结论:
将单独的长短期记忆网络LSTM方法用于超短期风电功率预测的精度要比小波BP网络方法的精度高,将小波分析的方法与长短期记忆网络LSTM方法相结合起来用于风电功率预测的结果精度要高于单独的长短期记忆网络LSTM方法,通过实验结果的对比,充分证明了本发明所提方法的有效性,将小波分析与长短期记忆网络LSTM相结合可以提高预测结果的精度。
表1预测结果平均绝对百分比误差
Claims (4)
1.一种基于小波长短期记忆网络的超短期风电功率预测方法,其特征在于,包括以下步骤:
1)、采集分析风电场历史数据,将当前时刻之前的20个风功率值x1,x2...,x20作为输入向量,未来四小时时刻的风功率值y作为输出向量,构建原始样本集[x1,x2...,x20,y];
2)、采用Mallat算法对原始样本集中样本的列向量进行三级小波分解,对数据进行平稳化处理并且重构小波系数得到四个小波样本集;
3)、对四个小波样本集中的样本进行归一化处理,归一化的处理方式为将每一维的特征标准化为0均值单位标准差,并且划分为小波样本训练集与小波样本验证集;
4)设置10层长短期记忆网络LSTM,网络的误差训练函数采用均方误差函数,目标优化器为adam函数,Dropout层参数设为0.5,输出层激活函数选用linear函数,建立四个小波样本的长短期记忆网络LSTM深度网络预测模型,输入向量维数为20;
5)采用四个小波样本集中的小波样本训练集分别训练所述长短期记忆网络LSTM深度网络预测模型,得到四个小波样本集的长短期记忆网络LSTM深度网络预测模型;将四个小波样本集中的小波样本验证集的输入代入长短期记忆网络LSTM深度网络预测模型,得到四个小波样本的预测值,将四个小波样本的预测值进行叠加得到整体样本最终的预测值;
所述步骤5)具体为:
分别将小波样本训练集中每个样本的四个小波样本输入进网络,首先,在正向传递过程中,遗忘门层抛弃输入层输出的t时刻的风电历史功率状态信息Xt,得到经遗忘门处理之后的风电历史功率状态信息ft:ft=σ(Wf·[ht-1,Xt]+bf),接着,根据t时刻的风电历史功率状态信息Xt生成临时新的风电功率状态值更新风电功率旧状态值Ct-1,将t时刻输入门的输出it与临时新的风电功率状态值的乘积、经遗忘门处理之后的风电历史功率状态信息ft与风电功率旧状态值Ct-1的乘积相加,得到新的风电功率状态值Ct:
it=σ(Wi·[ht-1,Xt]+bi),
最后,将通过sigmoid函数的输出信息与经过tanh函数转化的单元状态值相乘,得到最终的输出:ot=σ(Wo[ht-1,Xt]+bo),ht=ot*tanh(Ct);
式中,ft为经遗忘门处理之后的风电历史功率状态信息,σ为sigmoid函数,Wf为遗忘门连接的权重矩阵,ht-1是隐含层t-1时刻的输出,Xt是t时刻输入层的输出,即为t时刻的风电历史功率状态信息;bf是遗忘门的偏移值,it为t时刻输入门的输出,Wi为输入门连接的权重矩阵,bi为输入门的偏移值,为临时新的风电功率状态值,WC为t时刻计算单元新状态的连接权重矩阵,bC为t时刻计算单元新状态的偏移值,Ct-1为风电功率旧状态值,Ct为t时刻新的风电功率状态值,Wo为输出门的连接权重矩阵,bo为输出门的偏移值,ht为输出门的值;
根据均方误差函数的两个传播方向对网络进行反向训练,通过反向训练,学习以下的8组参数,分别为遗忘门连接的权重矩阵Wf与偏移值bf、输入门连接的权重矩阵Wi与偏移值bi、输出门的连接权重矩阵Wo和偏移值bo以及t时刻计算单元新状态的连接权重矩阵WC与偏移值bC;
利用小波样本验证集对训练后的长短期记忆网络LSTM深度网络预测模型进行验证;
利用已经学习好的长短期记忆网络LSTM模型对当前时刻的风电场历史数据对应的四个小波样本进行预测,直至将所有小波样本全部预测完成,得到最终的风电功率值为四个小波样本预测值的叠加。
2.如权利要求1所述的基于小波长短期记忆网络的超短期风电功率预测方法,其特征在于,利用Mallat算法对原始样本集中样本的列向量进行三级小波分解,对数据进行平稳化处理并且重构小波系数得到四个小波样本集的具体步骤如下:首先利用Mallat算法对[x1,x2...,x20,y]各列向量进行高频、低频两级分解,式中:H为低通滤波器,G为高通滤波器,cj为信号在分辨率2-j下的低频分量,dj为信号在分辨率2-j下的高频分量,c0为[x1,x2...,x20,y]中的各列向量;并且对高低频信号进行重构,cj=H*cj+1+G*dj+1,j=1,0,式中:H*为H的对偶算子,G*为G的对偶算子,对c1、d1各自做重构,得出重构的低频信号与高频信号,再将高频信号进行小波分解,依次共进行三次分解,从而得到四个小波样本集,最后划分四个小波样本集为小波样本训练集与小波样本验证集。
3.如权利要求1所述的基于小波长短期记忆网络的超短期风电功率预测方法,其特征在于,对长短期记忆网络LSTM进行初始化设置,根据模型确定输入层节点数为15、网络训练迭代次数为2000。
4.如权利要求1所述的基于小波长短期记忆网络的超短期风电功率预测方法,其特征在于,所述根据均方误差函数的两个传播方向对网络进行反向训练,一是沿着时间进行反向传播,另一个是将误差向上一层单元进行传播,其中门限的激活函数全部设置为sigmoid函数,输出的激活函数设为tanh函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811059862.6A CN109214575B (zh) | 2018-09-12 | 2018-09-12 | 一种基于小波长短期记忆网络的超短期风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811059862.6A CN109214575B (zh) | 2018-09-12 | 2018-09-12 | 一种基于小波长短期记忆网络的超短期风电功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109214575A CN109214575A (zh) | 2019-01-15 |
CN109214575B true CN109214575B (zh) | 2021-08-31 |
Family
ID=64983826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811059862.6A Active CN109214575B (zh) | 2018-09-12 | 2018-09-12 | 一种基于小波长短期记忆网络的超短期风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214575B (zh) |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993368A (zh) * | 2019-04-08 | 2019-07-09 | 福州大学 | 基于奇异谱分解和长短期记忆网络的功率预测方法 |
CN110070229A (zh) * | 2019-04-26 | 2019-07-30 | 中国计量大学 | 家庭电力负荷的短期预测方法 |
CN110110796B (zh) * | 2019-05-13 | 2020-12-18 | 哈尔滨工程大学 | 一种基于深度学习的海上船舶时序数据的分析方法 |
CN110276472A (zh) * | 2019-05-21 | 2019-09-24 | 南方电网调峰调频发电有限公司 | 一种基于lstm深度学习网络的海上风电功率超短期预测方法 |
CN110378541A (zh) * | 2019-08-08 | 2019-10-25 | 上海交通大学 | 一种风功率短期多步预测方法及装置 |
CN110705743B (zh) * | 2019-08-23 | 2023-08-18 | 国网浙江省电力有限公司 | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 |
CN110738363B (zh) * | 2019-09-30 | 2022-04-01 | 华中科技大学 | 一种光伏发电功率预测方法 |
CN110867902B (zh) * | 2019-10-15 | 2023-05-16 | 东北大学 | 基于发电预测的微电网分布式电源去中心优化运行方法 |
CN110991689B (zh) * | 2019-10-17 | 2022-10-04 | 国网河南省电力公司鹤壁供电公司 | 基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法 |
CN111475909B (zh) * | 2019-10-28 | 2022-08-16 | 国网江西省电力有限公司电力科学研究院 | 一种基于长短期记忆网络的风电机组出力相关性映射建模方法 |
CN110826791A (zh) * | 2019-10-31 | 2020-02-21 | 东北电力大学 | 一种基于长短时记忆神经网络的混合风功率预测方法 |
CN111091233B (zh) * | 2019-11-26 | 2023-07-28 | 江苏科技大学 | 一种风电场短期风电预测建模方法 |
CN110991737A (zh) * | 2019-11-29 | 2020-04-10 | 河海大学 | 一种基于深度置信网络的超短期风电功率预测方法 |
CN111160620B (zh) * | 2019-12-06 | 2022-06-17 | 江苏方天电力技术有限公司 | 一种基于端到端记忆网络的短期风电功率预测方法 |
CN111079906B (zh) * | 2019-12-30 | 2023-05-05 | 燕山大学 | 基于长短时记忆网络的水泥成品比表面积预测方法及系统 |
CN111597971B (zh) * | 2020-05-14 | 2024-05-21 | 北京交通大学 | 一种城市轨道交通短期进站客流量预测方法 |
CN111639852B (zh) * | 2020-05-27 | 2023-11-03 | 国网新源控股有限公司技术中心 | 基于小波奇异值的水电机组振动状态实时评估方法及系统 |
CN111814101A (zh) * | 2020-07-10 | 2020-10-23 | 北京无线电测量研究所 | 一种航迹预测方法、系统和电子设备 |
CN111832840B (zh) * | 2020-07-27 | 2024-03-12 | 南方电网科学研究院有限责任公司 | 基于可微成本函数的超短期风电功率区间预测方法、装置 |
CN111915092B (zh) * | 2020-08-11 | 2023-08-22 | 东北大学 | 基于长短时记忆神经网络的超短期风电功率预测方法 |
CN112036658B (zh) * | 2020-09-09 | 2022-06-14 | 华东交通大学 | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 |
CN112348255B (zh) * | 2020-11-06 | 2024-04-09 | 湖南大学 | 基于小波时频图像化的超短期风电功率预测方法 |
CN112434891A (zh) * | 2020-12-18 | 2021-03-02 | 中国计量大学上虞高等研究院有限公司 | 基于wcnn-alstm的太阳辐照度时间序列的预测方法 |
CN112598180A (zh) * | 2020-12-21 | 2021-04-02 | 北京华能新锐控制技术有限公司 | 一种分布式区域风电功率预测方法 |
CN112949945B (zh) * | 2021-04-15 | 2022-09-02 | 河海大学 | 一种改进双向长短期记忆网络的风电功率超短期预测方法 |
CN113659615B (zh) * | 2021-07-07 | 2023-07-18 | 双登集团股份有限公司 | 一种风光储氢交直流系统的可再生能源波动管控方法 |
CN113505938A (zh) * | 2021-07-26 | 2021-10-15 | 中国电力科学研究院有限公司 | 一种超短期风电功率组合预测方法及系统 |
CN113591382B (zh) * | 2021-08-02 | 2023-08-04 | 东北电力大学 | 一种基于wt-tcn风电功率超短期滚动预测方法 |
CN113705922B (zh) * | 2021-09-06 | 2023-09-12 | 内蒙古科技大学 | 一种改进的超短期风电功率预测算法及模型建立方法 |
CN113964825A (zh) * | 2021-10-21 | 2022-01-21 | 中国电建集团华东勘测设计研究院有限公司 | 基于二次分解和BiGRU的超短期风电功率预测方法 |
CN113919600B (zh) * | 2021-12-08 | 2022-04-01 | 国网湖北省电力有限公司经济技术研究院 | 一种居民负荷超短期预测方法 |
CN114358161B (zh) * | 2021-12-27 | 2024-02-02 | 中国人民解放军国防科技大学 | 一种基于小波散射网络的跌倒检测方法、装置及电子设备 |
CN116805782A (zh) * | 2023-05-22 | 2023-09-26 | 国家电网有限公司华东分部 | 新能源出力场景的生成方法、装置及计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521671A (zh) * | 2011-11-29 | 2012-06-27 | 华北电力大学 | 一种风电功率超短期预测方法 |
CN104615855A (zh) * | 2015-01-04 | 2015-05-13 | 国家电网公司 | 融合数值天气预报的日前风速多步预报方法 |
CN105825289A (zh) * | 2015-12-17 | 2016-08-03 | 国网江苏省电力公司经济技术研究院 | 风功率时间序列的预测方法 |
CN106295857A (zh) * | 2016-07-29 | 2017-01-04 | 电子科技大学 | 一种风电功率超短期预测方法 |
CN107909227A (zh) * | 2017-12-20 | 2018-04-13 | 北京金风慧能技术有限公司 | 超短期预测风电场功率的方法、装置及风力发电机组 |
-
2018
- 2018-09-12 CN CN201811059862.6A patent/CN109214575B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521671A (zh) * | 2011-11-29 | 2012-06-27 | 华北电力大学 | 一种风电功率超短期预测方法 |
CN104615855A (zh) * | 2015-01-04 | 2015-05-13 | 国家电网公司 | 融合数值天气预报的日前风速多步预报方法 |
CN105825289A (zh) * | 2015-12-17 | 2016-08-03 | 国网江苏省电力公司经济技术研究院 | 风功率时间序列的预测方法 |
CN106295857A (zh) * | 2016-07-29 | 2017-01-04 | 电子科技大学 | 一种风电功率超短期预测方法 |
CN107909227A (zh) * | 2017-12-20 | 2018-04-13 | 北京金风慧能技术有限公司 | 超短期预测风电场功率的方法、装置及风力发电机组 |
Also Published As
Publication number | Publication date |
---|---|
CN109214575A (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214575B (zh) | 一种基于小波长短期记忆网络的超短期风电功率预测方法 | |
Li et al. | Smart wind speed forecasting approach using various boosting algorithms, big multi-step forecasting strategy | |
CN110175386B (zh) | 变电站电气设备温度预测方法 | |
CN108900346B (zh) | 基于lstm网络的无线网络流量预测方法 | |
CN111292525B (zh) | 基于神经网络的交通流预测方法 | |
CN107292453A (zh) | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 | |
CN109034054B (zh) | 基于lstm的谐波多标签分类方法 | |
CN110941928A (zh) | 一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法 | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
Yin et al. | A novel asexual-reproduction evolutionary neural network for wind power prediction based on generative adversarial networks | |
CN109583588B (zh) | 一种短期风速预测方法及系统 | |
CN112434891A (zh) | 基于wcnn-alstm的太阳辐照度时间序列的预测方法 | |
CN116362398A (zh) | 基于模态分解和重构及lstm-mlr混合模型的电力负荷预测方法 | |
CN114036850A (zh) | 一种基于vecgm的径流预测方法 | |
CN115561005A (zh) | 基于eemd分解和轻量化神经网络的化工过程故障诊断方法 | |
CN114169251A (zh) | 一种超短期风电功率预测方法 | |
CN116960978A (zh) | 基于风速-功率组合分解重构的海上风电功率预测方法 | |
CN113361782B (zh) | 基于改进mkpls的光伏发电功率短期滚动预测方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
CN110555566B (zh) | 一种基于b样条分位数回归的光电概率密度预测方法 | |
CN116401949A (zh) | 分布式光伏资源出力曲线推演方法、系统、设备及介质 | |
CN109459609B (zh) | 一种基于人工神经网络的分布式电源频率检测方法 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
CN113761777B (zh) | 一种基于hp-ovmd的超短期光伏功率预测方法 |
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 |