CN109272139A - 一种基于非线性集成深度学习的短期风速预测方法 - Google Patents

一种基于非线性集成深度学习的短期风速预测方法 Download PDF

Info

Publication number
CN109272139A
CN109272139A CN201810822591.9A CN201810822591A CN109272139A CN 109272139 A CN109272139 A CN 109272139A CN 201810822591 A CN201810822591 A CN 201810822591A CN 109272139 A CN109272139 A CN 109272139A
Authority
CN
China
Prior art keywords
wind speed
forecasting
value
short
term
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
Application number
CN201810822591.9A
Other languages
English (en)
Inventor
陈杰
周武能
陆康迪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Donghua University
National Dong Hwa University
Original Assignee
Donghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Donghua University filed Critical Donghua University
Priority to CN201810822591.9A priority Critical patent/CN109272139A/zh
Publication of CN109272139A publication Critical patent/CN109272139A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Neurology (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于非线性集成深度学习的短期风速预测方法，包括如下步骤：将采集得到的历史风电场风速数据进行归一化处理；初始化一簇具有不同隐含层层数和不同神经元个数的长短期记忆LSTM网络群；基于处理后的数据，利用初始化后的LSTM网络群进行时间序列预测，产生不同的风速预测序列；将所述风速预测序列传递至支持向量回归机SVM；通过粒子群优化算法PSO优化得到SVM的参数；风电场短期集成风速预测的结果由PSO优化后的SVM给出。本发明方法充分挖掘隐藏在风速时间序列下的非线性关系，大大提升了风速预测准确性和精确性，同时还具备更强大的学习能力、泛化能力和鲁棒性能，可大规模应用于风电场风速预测。

Description

一种基于非线性集成深度学习的短期风速预测方法
技术领域
本发明属于新能源风能、时间序列预测、机器学习、数据挖掘技术领域，特别是涉及一种基于非线性集成深度学习的短期风速预测方法。
背景技术
随着全球生态环境破坏和气候变暖的日益严重，世界各国开始不断地开发新能源技术以解决这一问题，具体包括太阳能发电、风能、潮汐能和热能等。中国作为世界能源的需求大国，迫切需要提升新能源技术来解决全球能源危机和环境治理难题，以建立绿色、环保和安全的能源供应系统。
在近年来的新能源技术中，风能相较于太阳能和潮汐能等其他能源是一种更加清洁绿色的可再生能源，而且具有资源量丰富、分布范围广、转能技术成熟和开发规模大等优点。但是，自然界产生的风速会极大地影响风电场风能功率的产生，而且风速的变化往往具有很强的不可控性和随机性。为减小风电场产生的风能对电网运行的影响和保障电网的供电质量，如何对风电场风速实施可靠的精确预测就变得十分重要。
目前的风速预测方法可以分为3大类：物理模型方法、统计模型方法和人工智能方法。物理模型方法是一类简单直接的方法，其利用一些可获取的物理信息量输入至相应的数学公式进行预测，物理信息量包括大气压强、温度和湿度等。统计模型方法主要包括自回归模型(AR)、滑动平均模型(MA)、自回归滑动平均模型(ARMA)、自回归积分滑动平均模型(ARIMA)和季节性差分自回归滑动平均模型(SARIMA)等时间序列预测模型。近年来，随着计算机技术的发展，人工智能应用在风速预测中的主要方法有神经网络(ANN)、支持向量机(SVM)、K最近邻算法(KNN)和高斯过程回归(GPR)等，其中，神经网络包括BP神经网络、多层感知机(MLP)、径向基神经网络(RBF)、贝叶斯网络(Bayesian)和极限学习机(ELM)等。
尽管以上方法已经成功地应用于风电场风速的预测中，但仍存在着风速预测精度不高、模型泛化能力不足等缺点。物理模型方法虽然直接利用大量物理信息进行预测，但这类信息往往不容易获取且代价高昂，而且由于天气因素易变等特点，预测的数学公式需要进行及时地更新，这在实际的应用中往往是做不到的。统计模型方法方便简洁，但由于统计模型内在具有的线性化特点，不能挖掘隐藏在风速时间序列的非线性特性，导致其风速预测准确度有待提升。人工智能方法可以大大提高风速预测精度，但随着深度学习和集成学习等新技术的出现，迫切地需要更加先进和智能的预测方法引入到风速预测中，以期进一步提升风速预测模型的准确性和精确性。
发明内容
本发明要解决的技术问题是如何进一步提升风速预测模型的准确性和精确性。
为了解决上述技术问题，本发明的技术方案是提供一种基于非线性集成深度学习的短期风速预测方法，其特征在于，包括如下步骤：
步骤1：将采集得到的历史风电场风速数据进行归一化处理；
步骤2：初始化一簇具有不同隐含层层数和不同神经元个数的长短期记忆LSTM网络群；
步骤3：基于步骤1处理后的数据，利用步骤2初始化后的LSTM网络群，进行时间序列预测，产生不同的风速预测序列；
步骤4：将步骤3得到的不同的风速预测序列传递至非线性集成学习回归顶层，即支持向量回归机SVM；
步骤5：通过粒子群优化算法PSO优化得到SVM的参数；
步骤6：风电场短期集成风速预测的结果由PSO优化后的SVM给出。
优选地，所述步骤1中，归一化处理的具体方法为：对原始数据进行Z分数规范化，即f’＝(f-u)/σ，其中，f’为归一化后的值，f为未归一化前的值，u为该数据集的平均值，σ为该数据集的标准差。
优选地，所述步骤2的具体方法为：采用包含8个LSTM网络的网络群，具体为：LSTM1-50、LSTM2-100、LSTM3-150、LSTM4-200、LSTM5-50，50、LSTM6-50，100、LSTM7-50，150、LSTM8-50，200；
其中，LSTMi-j表示第i个LSTM网络具有1个隐含层，隐含层神经元个数为j；LSTMi-j，k表示第i个LSTM网络具有2个隐含层，2个隐含层神经元个数依次为j，k；i、j、k为正整数。
优选地，所述步骤3的具体方法为：参照时间序列预测的技术手段，LSTM网络群的输入为前一时刻的值，输出为对应下一时刻的值，即：对于风速时间序列的预测，依据前一时刻值来预测下一时刻值。
优选地，所述步骤5的具体方法为：
步骤5.1：初始化一群微粒，包括随机位置和速度；
步骤5.2：评价每个微粒的适应度，适应度函数取为在训练数据上10折交叉验证得到的MSE值；
步骤5.3：对每个微粒，将其适应值与整个群微粒经过的最好位置pbest作比较，如果前者较后者好，则将前者作为当前的最好位置pbest；
步骤5.4：对每个微粒，将其适应值与其经过的最好位置gbest作比较，如果前者较后者好，则将前者作为当前的最好位置gbest；
步骤5.5：根据步骤5.2和步骤5.3调整微粒速度和位置；
步骤5.6：若未达到结束条件，则转步骤5.2；否则输出最佳参数值。
优选地，还包括步骤7：将步骤6得到的风电场短期集成风速预测的结果与标准测试风速数据进行比较，得到数值统计指标，以评价该方法的有效性。
更优选地，所述步骤7中，数值统计指标如下：
平均绝对差值MAE：
均方根误差RMSE：
平均绝对值百分误差MAPE：
其中，h(i)和f(i)分别代表真实值和预测值，N代表数据个数。
本发明提供的方法利用深度学习(Deep Learning)中LSTM(Long Short-TermMemory，长短期记忆)网络的强大序列学习能力，充分挖掘风速时间序列的内在特征以做出准确的预测；此外，为克服单个深度学习方法的弱泛化能力和弱鲁棒性，受到集成学习强大学习性能的启发，本方法中首先引入一簇具有不同隐含层层数和不同神经元个数的LSTM网络群对风速时间序列做出不同的预测；其次，加入一个由支持向量回归机(SVM)组成的非线性集成学习回归顶层，用于融合该簇LSTM网络群所做出的不同预测，其中，SVM的参数由智能优化算法粒子群优化算法(PSO)得到；最后，风电场短期集成风速预测的结果由粒子群优化算法(PSO)优化后的非线性回归层SVM给出。
相比于传统的物理模型方法、统计模型方法和人工智能方法，本发明提供的方法利用深度学习的强大学习能力，充分挖掘隐藏在风速时间序列下的非线性关系，从而大大提升风速预测准确性和精确性。此外，与一般的人工智能方法相比，本方法除了借助深度学习技术外，还受集成学习的启发，具备更强大的学习能力、泛化能力和鲁棒性能，为大规模应用于风电场风速预测奠定了坚实的基础。
附图说明
图1为本实施例提供的基于非线性集成深度学习的短期风速预测方法的流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。
作为一种深度学习(Deep Learning)中具备卓越序列学习能力的循环神经网络-LSTM(Long Short-Term Memory)网络，已成功地广泛应用于各类时间序列预测问题中，包括交通流数据预测、股票价格预测、电力网络负荷预测和光伏能量预测等，但并未实际应用于风电场短期风速预测的问题中。鉴于LSTM网络的强大学习能力，本方法将其作为预测引擎加以应用，以期提高风速预测精度与稳定性。此外，为克服单个深度学习方法的弱泛化能力和弱鲁棒性，受集成学习强大学习性能的启发，本方法中首先引入一簇具有不同隐含层层数和不同神经元个数的LSTM网络群对风速时间序列做出不同的预测，其次，加入一个由支持向量回归机(SVM)组成的非线性集成学习回归顶层，用于融合该簇LSTM网络群所做出的不同预测，其中，SVM的参数由粒子群优化算法(PSO)得到，最后，风电场短期集成风速预测的结果由粒子群优化算法(PSO)优化后的非线性回归层SVM给出。
图1为本实施例提供的基于非线性集成深度学习的短期风速预测方法的流程图，所述的基于非线性集成深度学习的短期风速预测方法包括如下步骤：
步骤1：将采集得到的历史风电场风速数据进行归一化处理。
将获得的数据集进行归一化处理的具体流程为：对原始数据进行Z分数(z-score)规范化，即f’＝(f-u)/σ，其中，f’为归一化后的值，f为未归一化前的值，u为该数据集的平均值，σ为该数据集的标准差。
步骤2：初始化一簇具有不同隐含层层数和不同神经元个数的LSTM网络群。
初始化一簇具有不同隐含层层数和不同神经元个数的LSTM网络群的具体流程为：考虑到LSTM网络的性能效果取决于神经网络的隐含层层数和神经元个数，同时为避免LSTM网络群的复杂度过大，本方法采用包含8个LSTM网络的网络群，具体为LSTM1-50，LSTM2-100，LSTM3-150，LSTM4-200，LSTM5-50，50，LSTM6-50，100，LSTM7-50,150，LSTM8-50，200。以上模型可理解为，如LSTM5-50，50，表示该LSTM网络具有2个隐含层，每层神经元个数为50，50，其余模型可依次类推。
步骤3：基于所获历史风速训练数据，利用该簇具有不同隐含层层数和不同神经元个数的LSTM网络群进行时间序列预测，产生不同的风速预测序列。
参照时间序列预测的技术手段，LSTM网络群的输入为前一时刻的值，输出为对应下一时刻的值，即对于风速时间序列的预测，依据前一时刻值来预测下一时刻值。
步骤4：将由LSTM网络群预测得到的不同的风速预测序列传递至非线性集成学习回归顶层，即支持向量回归机(SVM)。
步骤5：非线性集成学习回归顶层SVM的参数由粒子群优化算法(PSO)优化得到。具体过程如下：
a)初始化一群微粒(群体规模为N，N为正整数)，包括随机位置和速度；
b)评价每个微粒的适应度，本方法中适应度函数取为在训练数据上10折交叉验证得到的MSE值；
c)对每个微粒，将其适应值与整个群微粒经过的最好位置pbest作比较，如果较好，则将其作为当前的最好位置pbest；
d)对每个微粒，将其适应值与其经过的最好位置gbest作比较，如果较好，则将其作为当前的最好位置gbest；
e)根据步骤b)、c)调整微粒速度和位置；
f)未达到结束条件则转步骤b)，否则输出最佳参数值。
步骤6：风电场短期集成风速预测的结果由粒子群优化算法(PSO)优化后的非线性回归层SVM给出。
步骤7：将本方法得到的基于非线性集成深度学习的短期风速预测与标准测试风速数据进行比较，得到数值统计指标，以评价该方法的有效性。
用以评价方法性能的数值统计指标为：
平均绝对差值Mean absolute error(MAE)：
均方根误差Root mean square error(RMSE)：
平均绝对值百分误差Mean absolute percent error(MAPE)：
其中，h(i)和f(i)分别代表真实值和预测值，N代表数据个数。
以下，将本实施方法用于中国内蒙古某风电场风速预测中，所对比的算法包括：自回归积分滑动平均模型(ARIMA)、支持向量回归机(SVM)、神经网络(ANN)、K最近邻算法(KNN)和Boost集成回归树(GBRT)，具体预测结果见下表。
预测方法 MAE(m/s) RMSE(m/s) MAPE(％)
本方法 0.3473 0.5290 3.4075
ARIMA 0.4840 0.5982 4.4039
SVM 0.4038 0.5481 3.8264
ANN 0.4225 0.5549 3.9788
KNN 0.4589 0.5667 4.1822
GBRT 0.4601 0.5723 4.2965
由上表可知，本实施例提供的方法的平均绝对差值MAE、均方根误差RMSE、平均绝对值百分误差MAPE均最低，本实施例提供的方法风速预测的准确性和精确性大大提高，同时，与ANN、SVM、KNN、GBRT等方法相比，本方法还具备更强大的学习能力、泛化能力和鲁棒性能。
以上所述，仅为本发明的较佳实施例，并非对本发明任何形式上和实质上的限制，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还将可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。凡熟悉本专业的技术人员，在不脱离本发明的精神和范围的情况下，当可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对上述实施例所作的任何等同变化的更动、修饰与演变，均仍属于本发明的技术方案的范围内。

Claims (7)

1.一种基于非线性集成深度学习的短期风速预测方法，其特征在于，包括如下步骤：
步骤1：将采集得到的历史风电场风速数据进行归一化处理；
步骤2：初始化一簇具有不同隐含层层数和不同神经元个数的长短期记忆LSTM网络群；
步骤3：基于步骤1处理后的数据，利用步骤2初始化后的LSTM网络群，进行时间序列预测，产生不同的风速预测序列；
步骤4：将步骤3得到的不同的风速预测序列传递至非线性集成学习回归顶层，即支持向量回归机SVM；
步骤5：通过粒子群优化算法PSO优化得到SVM的参数；
步骤6：风电场短期集成风速预测的结果由PSO优化后的SVM给出。
2.如权利要求1所述的一种基于非线性集成深度学习的短期风速预测方法，其特征在于：所述步骤1中，归一化处理的具体方法为：对原始数据进行Z分数规范化，即f’＝(f-u)/σ，其中，f’为归一化后的值，f为未归一化前的值，u为该数据集的平均值，σ为该数据集的标准差。
3.如权利要求1所述的一种基于非线性集成深度学习的短期风速预测方法，其特征在于：所述步骤2的具体方法为：采用包含8个LSTM网络的网络群，具体为：LSTM1-50、LSTM2-100、LSTM3-150、LSTM4-200、LSTM5-50，50、LSTM6-50，100、LSTM7-50，150、LSTM8-50，200；
其中，LSTMi-j表示第i个LSTM网络具有1个隐含层，隐含层神经元个数为j；LSTMi-j，k表示第i个LSTM网络具有2个隐含层，2个隐含层神经元个数依次为j，k；i、j、k为正整数。
4.如权利要求1所述的一种基于非线性集成深度学习的短期风速预测方法，其特征在于：所述步骤3的具体方法为：参照时间序列预测的技术手段，LSTM网络群的输入为前一时刻的值，输出为对应下一时刻的值，即：对于风速时间序列的预测，依据前一时刻值来预测下一时刻值。
5.如权利要求1所述的一种基于非线性集成深度学习的短期风速预测方法，其特征在于：所述步骤5的具体方法为：
步骤5.1：初始化一群微粒，包括随机位置和速度；
步骤5.2：评价每个微粒的适应度，适应度函数取为在训练数据上10折交叉验证得到的MSE值；
步骤5.3：对每个微粒，将其适应值与整个群微粒经过的最好位置pbest作比较，如果前者较后者好，则将前者作为当前的最好位置pbest；
步骤5.4：对每个微粒，将其适应值与其经过的最好位置gbest作比较，如果前者较后者好，则将前者作为当前的最好位置gbest；
步骤5.5：根据步骤5.2和步骤5.3调整微粒速度和位置；
步骤5.6：若未达到结束条件，则转步骤5.2；否则输出最佳参数值。
6.如权利要求1所述的一种基于非线性集成深度学习的短期风速预测方法，其特征在于：还包括步骤7：将步骤6得到的风电场短期集成风速预测的结果与标准测试风速数据进行比较，得到数值统计指标，以评价该方法的有效性。
7.如权利要求6所述的一种基于非线性集成深度学习的短期风速预测方法，其特征在于：所述步骤7中，数值统计指标如下：
平均绝对差值MAE：
均方根误差RMSE：
平均绝对值百分误差MAPE：
其中，h(i)和f(i)分别代表真实值和预测值，N代表数据个数。
CN201810822591.9A 2018-07-24 2018-07-24 一种基于非线性集成深度学习的短期风速预测方法 Pending CN109272139A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810822591.9A CN109272139A (zh) 2018-07-24 2018-07-24 一种基于非线性集成深度学习的短期风速预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810822591.9A CN109272139A (zh) 2018-07-24 2018-07-24 一种基于非线性集成深度学习的短期风速预测方法

Publications (1)

Publication Number Publication Date
CN109272139A true CN109272139A (zh) 2019-01-25

Family

ID=65148239

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810822591.9A Pending CN109272139A (zh) 2018-07-24 2018-07-24 一种基于非线性集成深度学习的短期风速预测方法

Country Status (1)

Country Link
CN (1) CN109272139A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059867A (zh) * 2019-03-27 2019-07-26 华中科技大学 一种swlstm结合gpr的风速预测方法
CN110083940A (zh) * 2019-04-28 2019-08-02 东华大学 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法
CN110082841A (zh) * 2019-04-18 2019-08-02 东华大学 一种短期风速预测方法
CN110991774A (zh) * 2019-12-31 2020-04-10 新奥数能科技有限公司 一种电量负荷预测方法及装置
CN111222695A (zh) * 2019-12-31 2020-06-02 新奥数能科技有限公司 一种电负荷预测方法及装置
CN111426816A (zh) * 2020-04-10 2020-07-17 昆明理工大学 一种基于pso-lstm的变压器油中溶解气体浓度预测方法
CN111783953A (zh) * 2020-06-30 2020-10-16 重庆大学 一种基于优化lstm网络的24点电力负荷值7日预测方法
CN112561180A (zh) * 2020-12-21 2021-03-26 深圳大学 短期风速预测方法、装置、计算机设备及存储介质
CN112561174A (zh) * 2020-12-18 2021-03-26 西南交通大学 基于lstm和mlp的叠加神经网络预测地热产能方法
CN113312836A (zh) * 2021-05-10 2021-08-27 国核电力规划设计研究院有限公司 一种短期风速预测方法

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059867B (zh) * 2019-03-27 2021-01-19 华中科技大学 一种swlstm结合gpr的风速预测方法
CN110059867A (zh) * 2019-03-27 2019-07-26 华中科技大学 一种swlstm结合gpr的风速预测方法
CN110082841A (zh) * 2019-04-18 2019-08-02 东华大学 一种短期风速预测方法
CN110083940A (zh) * 2019-04-28 2019-08-02 东华大学 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法
CN110991774A (zh) * 2019-12-31 2020-04-10 新奥数能科技有限公司 一种电量负荷预测方法及装置
CN111222695A (zh) * 2019-12-31 2020-06-02 新奥数能科技有限公司 一种电负荷预测方法及装置
CN111426816A (zh) * 2020-04-10 2020-07-17 昆明理工大学 一种基于pso-lstm的变压器油中溶解气体浓度预测方法
CN111783953A (zh) * 2020-06-30 2020-10-16 重庆大学 一种基于优化lstm网络的24点电力负荷值7日预测方法
CN111783953B (zh) * 2020-06-30 2023-08-11 重庆大学 一种基于优化lstm网络的24点电力负荷值7日预测方法
CN112561174A (zh) * 2020-12-18 2021-03-26 西南交通大学 基于lstm和mlp的叠加神经网络预测地热产能方法
CN112561174B (zh) * 2020-12-18 2023-05-02 西南交通大学 基于lstm和mlp的叠加神经网络预测地热产能方法
CN112561180A (zh) * 2020-12-21 2021-03-26 深圳大学 短期风速预测方法、装置、计算机设备及存储介质
CN113312836A (zh) * 2021-05-10 2021-08-27 国核电力规划设计研究院有限公司 一种短期风速预测方法

Similar Documents

Publication Publication Date Title
CN109272139A (zh) 一种基于非线性集成深度学习的短期风速预测方法
Wang et al. Research and application of a combined model based on multi-objective optimization for multi-step ahead wind speed forecasting
Shi et al. Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features
CN103942736B (zh) 一种风电场多机等值建模方法
CN109523084A (zh) 一种基于主元分析和机器学习的风电功率超短期预测方法
CN108306303A (zh) 一种考虑负荷增长和新能源出力随机的电压稳定评估方法
WO2024051524A1 (zh) 一种水风光发电功率联合预测方法、装置
CN109086928A (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN102831475B (zh) 用于风电场功率预测模型的正弦归一化方法
CN110009135B (zh) 一种基于宽度学习的风电功率预测方法
CN110276472A (zh) 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
Xu et al. Short-term prediction of wind power based on adaptive LSTM
CN103425867A (zh) 一种短期风电功率组合预测方法
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
WO2021063461A1 (en) Method for planning a layout of a renewable energy site
CN112927097A (zh) 基于GRA-ABC-Elman模型的光伏发电功率短期预测方法
Liu et al. A weight-varying ensemble method for short-term forecasting PV power output
Wang et al. Wind process pattern forecasting based ultra-short-term wind speed hybrid prediction
Chen et al. Graph neural network-based wind farm cluster speed prediction
Fotso et al. A novel hybrid model based on weather variables relationships improving applied for wind speed forecasting
CN108038518A (zh) 一种基于气象数据的光伏发电功率确定方法及系统
CN103268416A (zh) 基于stcp-bp的风速预测方法
Lv et al. Research on short-term load forecasting approach for smart grid
CN109359671A (zh) 一种水电站水库调度规则的分类智能提取方法
Chaka et al. Improving wind speed forecasting at Adama wind farm II in Ethiopia through deep learning algorithms

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: 20190125