CN109272156A - 一种超短期风电功率概率预测方法 - Google Patents
一种超短期风电功率概率预测方法 Download PDFInfo
- Publication number
- CN109272156A CN109272156A CN201811059871.5A CN201811059871A CN109272156A CN 109272156 A CN109272156 A CN 109272156A CN 201811059871 A CN201811059871 A CN 201811059871A CN 109272156 A CN109272156 A CN 109272156A
- Authority
- CN
- China
- Prior art keywords
- wind power
- small echo
- model
- prediction
- learning machine
- 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 13
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 4
- 230000005611 electricity Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 26
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000005619 thermoelectricity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
本发明公开了一种超短期风电功率概率预测方法,采集风电场的历史数据,得到训练样本集;根据影响因素的历史数据生成输入变量,得到样本集;利用小波分析将样本集进行小波分解与小波系数重构,得到小波样本集;利用极限学习机对每一个小波样本集进行模型参数的训练,得到小波的极限学习机预测模型,将测试集带入网络得到小波超短期点预测值,将各小波的极限学习机模型训练误差与点预测值进行存储相加并取平均值,得到经过小波分解之后模型的真实误差与点预测值,对模型的真实误差进行高斯分布参数估计,得到小波模型训练误差的高斯分布函数,应置信度要求结合点预测值即可求出小波的超短期概率预测区间。
Description
技术领域
本发明涉及一种基于小波分析与极限学习机的超短期风电功率概率预测方法,对风电功率进行概率区间预测,属于新能源消纳技术领域。
背景技术
当前,全球的经济快速发展,能源结构向着低碳、清洁的新能源方向发展,风能作为新能源中的重要组成部分,一直受到全球的重视。这些年的风电技术不停的发展,我国的风电装机容量持续增加,风力发电慢慢成为水电、火电之后的第三大电力来源。
在风能利用的过程中也凸显出来很多问题,比如风具有很强的随机性与不稳定性,这使得风力发出来的电能是个未知之数,如果突然并入电网,会对电网的稳定运行造成严重的影响,对于风能的利用,一直以来受到风此属性因素的很大限制,因此,需要对未来的风电功率进行预测研究,以促进风能的消纳。对于风电功率的预测分为超短期、短期、中期、长期风电预测。超短期一般的时限为4小时以内,对未来四小时以内的风功率进行预测。
传统的点预测技术虽能给调度提供一个确切的值,但并不能很准确的预测出未来的风功率,会产生一定的误差,给调度增加了困难,因此迫切的需要对风能进行概率预测研究,目前,对风电功率区间预测的研究仍在不断发展之中,预测方法主要分为两大类:第一类是启发式学习算法,通过学习历史数据的规律,预测风电功率的上限和下限。如:神经网络法、基于分为点回归理论的支持向量机回归法、基于粒子群与极限学习机法进行概率区间预测。第二类是统计方法,基于风电功率的概率分布函数,计算在满足给定置信度水平下,风电功率可能落入区间的上限和下限。如基于Beta分布的风电功率预测误差区间的估计方法、变形的高斯方法模型方法、基于经验分布模型与风参数回归方法进行概率区间预测。然而,具体操作时,如果所给的数据比较活跃,使得预测模型难以适应时,可能会造成模型预测精度降低。因此,选择合适的数据分析处理方法,对于提高建模的效率和预测的精度有着非常重要的意义。
发明内容
发明目的:本发明针对现有技术中超短期风电功率概率预测存在的不足,提供了一种基于小波分析与极限学习机的超短期风电功率概率预测方法。本发明利用小波变换能将高低频信号处时间细分的能力,可以聚焦到信号任意的细节处,增加了预测结果的精度,改善了预测模型的泛化能力。
技术方案:一种基于小波分析与极限学习机的超短期风电功率概率预测方法,包括以下步骤:
1)提取风电场的影响风电功率概率预测的特征和影响因素,形成历史风电场数据向量,得到样本集[x1,x2,x3,x4,...x15,y],其中y为预测时刻对应的风电功率值,即风电功率超短期点预测模型的输出变量;模型所选变量的时间尺度为15分钟,x1,x2,x3,x4,...x8为风电场预测时刻之前两小时内的历史风功率值,x9,x10,x11,x12,...x14为风电场预测时刻之前两小时内的历史风速值,x15为预测时刻所对应的天气类型。
2)对样本集[x1,x2,x3,x4,...x15,y]进行数据预处理,对于功率值不大于零的值以相邻的数据替换,将[x1,x2,x3,x4,...x15]作为模型的输入列向量,y作为模型的输出变量;
3)对样本集作一级小波分解并重构小波系数,分别得到两个小波样本集[x1 1,x2 1,x3 1,x4 1,...x15 1,y1],[x1 2,x2 2,x3 2,x4 2,...x15 2,y2],并将两个小波样本集划分为训练集与测试集并作零均值归一化;
4)设定极限学习机预测模型的隐含层个数为38,使用小波样本训练集[x1 1,x2 1,x3 1,x4 1,...x15 1,y1]对预测模型的网络参数进行训练,得到极限学习机的预测模型,并将小波样本训练集的输入向量代入极限学习机预测网络进行测试,求出小波样本[x1 1,x2 1,x3 1,x4 1,...x15 1,y1]下的模型训练误差T1;
5)将[x1 1,x2 1,x3 1,x4 1,...x15 1,y1]小波样本下的测试样本输入向量代入4)中训练好的预测模型,得到第一个小波样本的预测结果为y’;
6)设定极限学习机预测模型的隐含层个数为38,使用小波样本训练集[x1 2,x2 2,x3 2,x4 2,...x15 2,y2]对极限学习机预测模型进行网络参数训练,得到极限学习机预测模型,并将小波样本训练集的输入向量代入网络进行测试,求出小波样本[x1 2,x2 2,x3 2,x4 2,...x15 2,y2]下的模型训练误差T2;
7)将[x1 2,x2 2,x3 2,x4 2,...x15 2,y2]小波下的测试样本输入向量带入6)中已经训练好的预测模型,得到第二个小波样本的预测结果为y”;
8)将步骤(4)、(6)中的模型训练误差进行相加,得到整个预测模型下的模型误差T,并对T作95%置信度下高斯分布参数估计,得到误差在高斯分布下的均值与方差;
9)将小波预测结果y’与y”进行相加取均值,得到整个预测模型的最终预测结果y”’;
10)结合正态分布表,得到95%置信度下风电超短期概率预测的区间:
Q=y”’±1.96*δ;
其中,Q为概率预测区间的上下限;δ为模型误差在高斯分布下方差。
有益效果:与现有技术相比,本发明利用小波分析与极限学习机相结合方法,既能够对信号的细节处进行聚焦分析,同时包含数据点预测与概率预测模型的建立、误差分析等方法,不仅使得模型在处理信号方面更加的精致,而且提高了预测的精度同时增强了预测方法的泛化能力。
附图说明
图1为本发明的基于小波分析与极限学习机的超短期风电功率概率预测方法的工作流程图;
图2为本发明的基于小波分析与极限学习机的超短期风电功率点预测值与真实值仿真图;
图3为本发明的基于小波分析与极限学习机的超短期风电功率概率区间预测仿真图。
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,一种基于小波分析与极限学习机的超短期风电功率概率预测方法,具体步骤如下:
1)对风电场数据进行分析研究,提取跟风电功率数据密切相关的特征,采集风电场的历史风电功率、历史风速以及天气类型数据向量,得到训练样本集[x1,x2,x3,x4,...x15,y],其中y为预测时刻对应的风电功率值,即模型的输出变量;模型所选变量的时间尺度为15分钟,x1,x2,x3,x4,...x8为风电场预测时刻之前两小时内的历史风功率值,x9,x10,x11,x12,...x14为风电场预测时刻之前两小时内的历史风速值,x15为预测时刻所对应的天气类型。
2)对训练样本集进行缺失数据删除之后,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,x3,x4,...x15,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,j为最大尺度分辨率,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,x3,x4,...x15,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,从而得到两个小波训练样本集[x1 1,x2 1,x3 1,x4 1,...x15 1,y1],[x1 2,x2 2,x3 2,x4 2,...x15 2,y2],最后将两个小波样本训练集数与验证集数分别划分为960与48,并且作零均值归一化处理。
3)对ELM网络进行初始化设置,根据模型确定输入层节点数为15、隐含层节点数38,初始化输入层与隐含层的权值wij,隐含层与输出层的权值wjk,隐含层阀值a,输入层阀值b,给定学习速率和神经元激励函数。则对于训练样本数为960的小波样本[x1 1,x2 1,x3 1,x4 1,...x15 1,y1],有38个隐层节点的ELM的模型为:
式中:αi为输入层到第i个隐层节点的输入权重;βi为第i个隐层节点到输出层的输出权重;bi为第i个隐含层节点的偏置;oj为第j个随机样本对应的网络预测输出值,xj表示输入层的结点值,g为隐含层激励函数,本发明选函数为:
4)根据网络预测输出o和期望输出y,计算网络预测误差e,ek=yk-ok,k=1,2,……,960,式中:yk为第k个样本的期望输出,ok为第k个样本的网络预测输出。存在αi,βi和bi使得||ek||→0,求出对应的ELM网络输出权重,完成对ELM网络的训练。将小波样本[x1 1,x2 1,x3 1,x4 1,...x15 1,y1]对应测试集的输入变量带入ELM网络,将得到的测试集输出值与测试集输出真实值作差,得到ELM的模型误差为T1。
5)将小波样本[x1 1,x2 1,x3 1,x4 1,...x15 1,y1]对应的验证集样本输入变量带入训练好的ELM网络,得到风功率的预测值为y’。
6)根据步骤3)、4)、5)方法建立小波样本[x1 2,x2 2,x3 2,x4 2,...x15 2,y2]的ELM预测模型,得到小波样本[x1 2,x2 2,x3 2,x4 2,...x15 2,y2]下的模型误差T2以及风功率的预测值y”。将两个小波样本下的模型误差T1、T2以及风功率的预测值y’、y”进行叠加,得到整个样本下最终的模型误差T与风功率预测值y”’。
7)对模型误差T作高斯分布假设,采用最大似然估计方法得到模型误差的均值为方差为其中d1,d2,d3,...,dn为模型的误差向量,结合正态分布表,可知在置信度为95%下功率的置信区间为Q=y”’±1.96*δ。
至此,利用上述小波分析与ELM结合的方法便可实现风电功率超短期概率预测。
为了验证本发明方法的有效性,对西北的某风电场进行案例分析,采取该风电场内历史风电功率值与历史风速值及其对应的天气类型作为模型的特征变量,选取预测点之前风电场的数据作为训练集,再对训练集样本划分测试集与验证集,用来建立预测模型以及检验预测效果,使用本发明的小波分析与ELM方法下的仿真结果分别如图2、3所示,并且将点预测结果以及概率区间与现有的一些方法下的结果分析比较如表1所示。
结合图2、3中各曲线的特点以及表1中的概率区间预测的各项指标的结果可以得出以下结论:(1)本发明方法比单一的ELM方法与BP方法下的点预测精度高,说明了本方法具有较高的点预测精度;(2)可信度R指标绝对值越小则对应的可信度越高,对应的与单一的ELM方法以及BP方法进行比较,本发明方法下风电功率概率区间预测的可信度指标绝对值最小,具有较高的可信度。综上所述,本发明方法对于风电功率超短期概率预测具有较好预测效果。
表1三种方法风电功率超短期概率预测效果比较
Claims (5)
1.一种基于小波分析与极限学习机的超短期风电功率概率预测方法,其特征在于,包括以下步骤:
(1)分析并提取风电场的影响风电功率概率预测的特征和影响因素,形成历史风电场数据向量,得到样本集[x1,x2,x3,x4,...x15,y],其中y为预测时刻对应的风电功率值,即模型的输出变量;
(2)对样本集[x1,x2,x3,x4,...x15,y]进行数据预处理,将[x1,x2,x3,x4,...x15]作为模型的输入列向量,y作为模型的输出变量;
(3)对样本集作一级小波分解并重构小波系数,分别得到两个小波样本集[x1 1,x2 1,x3 1,x4 1,...x15 1,y1],[x1 2,x2 2,x3 2,x4 2,...x15 2,y2],并将两个小波样本集划分为训练集与测试集并作归一化;
(4)设定极限学习机预测模型的隐含层个数,使用小波样本训练集[x1 1,x2 1,x3 1,x4 1,...x15 1,y1]对预测模型的网络参数进行训练,得到极限学习机的预测模型,并将小波样本训练集的输入向量代入网络进行测试,求出小波样本[x1 1,x2 1,x3 1,x4 1,...x15 1,y1]下的模型训练误差T1;
(5)将[x1 1,x2 1,x3 1,x4 1,...x15 1,y1]小波样本下的测试样本输入向量代入(4)中已经训练好的预测模型,得到第一个小波样本的预测结果为y’;
(6)设定极限学习机预测模型的隐含层个数,使用小波样本训练集[x1 2,x2 2,x3 2,x4 2,...x15 2,y2]对极限学习机预测模型进行网络参数训练,得到极限学习机预测模型,并将小波样本训练集的输入向量代入网络进行测试,求出小波样本[x1 2,x2 2,x3 2,x4 2,...x15 2,y2]下的模型训练误差T2;
(7)将[x1 2,x2 2,x3 2,x4 2,...x15 2,y2]小波下的测试样本输入向量带入(6)中已经训练好的预测模型,得到第二个小波样本的预测结果为y”;
(8)将步骤(4)、(6)中的模型训练误差进行相加,得到整个预测模型下的模型误差T,并对T作95%置信度下高斯分布参数估计,得到误差在高斯分布下的均值与方差;
(9)将小波预测结果y’与y”进行相加取均值,得到整个预测模型的最终预测结果y”’;
(10)结合正态分布表,得到95%置信度下风电超短期概率预测的区间:
Q=y”’±1.96*δ;
其中,Q为概率预测区间的上下限;δ为模型误差在高斯分布下方差。
2.如权利要求1所述的基于小波分析与极限学习机的超短期风电功率概率预测方法,其特征在于,步骤(1)所述的特征和影响因素包括:输出向量中每个风功率值之前风电场的历史风功率值,输出向量中每个风功率值之前风电场的历史风速值,输出向量中每个风功率值时所对应的天气类型。
3.如权利要求1所述的基于小波分析与极限学习机的超短期风电功率概率预测方法,其特征在于,模型所选变量的时间尺度为15分钟,x1,x2,x3,x4,...x8为风电场预测时刻之前两小时内的历史风功率值,x9,x10,x11,x12,...x14为风电场预测时刻之前两小时内的历史风速值,x15为预测时刻所对应的天气类型。
4.如权利要求1所述的基于小波分析与极限学习机的超短期风电功率概率预测方法,其特征在于,步骤(2)中对样本集[x1,x2,x3,x4,...x15,y]进行数据预处理,对于功率值不大于零的值以相邻的数据替换。
5.如权利要求1所述的基于小波分析与极限学习机的超短期风电功率概率预测方法,其特征在于,步骤(4)、(6)所述的极限学习机预测模型的隐含层的个数设定为38。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811059871.5A CN109272156B (zh) | 2018-09-12 | 2018-09-12 | 一种超短期风电功率概率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811059871.5A CN109272156B (zh) | 2018-09-12 | 2018-09-12 | 一种超短期风电功率概率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109272156A true CN109272156A (zh) | 2019-01-25 |
CN109272156B CN109272156B (zh) | 2021-12-07 |
Family
ID=65188574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811059871.5A Active CN109272156B (zh) | 2018-09-12 | 2018-09-12 | 一种超短期风电功率概率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272156B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377632A (zh) * | 2019-06-17 | 2019-10-25 | 平安科技(深圳)有限公司 | 诉讼结果预测方法、装置、计算机设备和存储介质 |
CN110598929A (zh) * | 2019-09-10 | 2019-12-20 | 河海大学 | 一种风电功率非参数概率区间超短期预测方法 |
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 |
CN112348255A (zh) * | 2020-11-06 | 2021-02-09 | 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 |
CN112686433A (zh) * | 2020-12-21 | 2021-04-20 | 上海东普信息科技有限公司 | 快递数量的预测方法、装置、设备及存储介质 |
CN113193556A (zh) * | 2021-05-12 | 2021-07-30 | 燕山大学 | 基于概率预测模型的短期风电功率预测方法 |
CN113344270A (zh) * | 2021-06-03 | 2021-09-03 | 上海交通大学 | 基于集成式极限学习机的风资源预测方法及系统 |
CN113505909A (zh) * | 2021-05-17 | 2021-10-15 | 中国农业大学 | 一种面向短期风电功率趋势预测的误差补偿方法 |
CN114066089A (zh) * | 2021-11-25 | 2022-02-18 | 中国工商银行股份有限公司 | 批量作业运行耗时区间确定方法及装置 |
CN115130743A (zh) * | 2022-06-22 | 2022-09-30 | 国网山东省电力公司电力科学研究院 | 一种基于变分推断的风电机组调节速率预测方法及系统 |
CN116911467A (zh) * | 2023-09-12 | 2023-10-20 | 浙江华云电力工程设计咨询有限公司 | 一种可再生能源出力的预测方法、装置及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239964A (zh) * | 2014-08-18 | 2014-12-24 | 华北电力大学 | 基于谱聚类和遗传优化极端学习机的超短期风速预测方法 |
CN105046057A (zh) * | 2015-06-24 | 2015-11-11 | 上海大学 | 基于Morlet小波核的LSSVM脉动风速预测方法 |
-
2018
- 2018-09-12 CN CN201811059871.5A patent/CN109272156B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239964A (zh) * | 2014-08-18 | 2014-12-24 | 华北电力大学 | 基于谱聚类和遗传优化极端学习机的超短期风速预测方法 |
CN105046057A (zh) * | 2015-06-24 | 2015-11-11 | 上海大学 | 基于Morlet小波核的LSSVM脉动风速预测方法 |
Non-Patent Citations (1)
Title |
---|
黄庭 等: "基于小波-极限学习机的短期风电功率预测", 《控制工程》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377632A (zh) * | 2019-06-17 | 2019-10-25 | 平安科技(深圳)有限公司 | 诉讼结果预测方法、装置、计算机设备和存储介质 |
CN110377632B (zh) * | 2019-06-17 | 2023-06-20 | 平安科技(深圳)有限公司 | 诉讼结果预测方法、装置、计算机设备和存储介质 |
CN110598929B (zh) * | 2019-09-10 | 2022-09-02 | 河海大学 | 一种风电功率非参数概率区间超短期预测方法 |
CN110598929A (zh) * | 2019-09-10 | 2019-12-20 | 河海大学 | 一种风电功率非参数概率区间超短期预测方法 |
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 |
CN112348255A (zh) * | 2020-11-06 | 2021-02-09 | 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 |
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 |
CN112686433B (zh) * | 2020-12-21 | 2023-07-28 | 上海东普信息科技有限公司 | 快递数量的预测方法、装置、设备及存储介质 |
CN112686433A (zh) * | 2020-12-21 | 2021-04-20 | 上海东普信息科技有限公司 | 快递数量的预测方法、装置、设备及存储介质 |
CN113193556A (zh) * | 2021-05-12 | 2021-07-30 | 燕山大学 | 基于概率预测模型的短期风电功率预测方法 |
CN113505909A (zh) * | 2021-05-17 | 2021-10-15 | 中国农业大学 | 一种面向短期风电功率趋势预测的误差补偿方法 |
CN113505909B (zh) * | 2021-05-17 | 2024-03-26 | 中国农业大学 | 一种面向短期风电功率趋势预测的误差补偿方法 |
CN113344270A (zh) * | 2021-06-03 | 2021-09-03 | 上海交通大学 | 基于集成式极限学习机的风资源预测方法及系统 |
CN114066089A (zh) * | 2021-11-25 | 2022-02-18 | 中国工商银行股份有限公司 | 批量作业运行耗时区间确定方法及装置 |
CN115130743A (zh) * | 2022-06-22 | 2022-09-30 | 国网山东省电力公司电力科学研究院 | 一种基于变分推断的风电机组调节速率预测方法及系统 |
CN116911467A (zh) * | 2023-09-12 | 2023-10-20 | 浙江华云电力工程设计咨询有限公司 | 一种可再生能源出力的预测方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109272156B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272156A (zh) | 一种超短期风电功率概率预测方法 | |
De Giorgi et al. | Assessment of the benefits of numerical weather predictions in wind power forecasting based on statistical methods | |
Yan et al. | Frequency-domain decomposition and deep learning based solar PV power ultra-short-term forecasting model | |
CN109214575A (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 | |
CN112578312B (zh) | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 | |
CN107563565B (zh) | 一种考虑气象因素变化的短期光伏分解预测方法 | |
CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
Zhang et al. | Short term wind energy prediction model based on data decomposition and optimized LSSVM | |
CN105354636B (zh) | 一种基于非参数核密度估计的风功率波动性概率密度建模方法 | |
CN112561058B (zh) | 基于Stacking-集成学习短期光伏功率预测方法 | |
CN106251027B (zh) | 基于模糊支持向量分位数回归的电力负荷概率密度预测方法 | |
CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
CN108830411A (zh) | 一种基于数据处理的风电功率预测方法 | |
Zhang et al. | Photovoltaic power prediction based on hybrid modeling of neural network and stochastic differential equation | |
CN113052469A (zh) | 一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法 | |
CN105279582B (zh) | 基于动态相关性特征的超短期风电功率预测方法 | |
Chen et al. | Short interval solar power prediction for energy harvesting with low computation cost on edge computation network | |
CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
Pouraltafi-kheljan et al. | Power generation nowcasting of the behind-the-meter photovoltaic systems | |
CN110059972B (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 | |
CN116565856A (zh) | 一种考虑未知拓扑变化的配电网状态估计方法 | |
CN110555566A (zh) | 一种基于b样条分位数回归的光电概率密度预测方法 | |
Yang et al. | Investigating the predictability of photovoltaic power using approximate entropy | |
Gunasekaran et al. | Solar irradiation forecasting using genetic algorithms | |
Li et al. | Short-term load forecasting using support vector regression-based local predictor |
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 |