CN109523077A - 一种风电功率预测方法 - Google Patents
一种风电功率预测方法 Download PDFInfo
- Publication number
- CN109523077A CN109523077A CN201811361295.XA CN201811361295A CN109523077A CN 109523077 A CN109523077 A CN 109523077A CN 201811361295 A CN201811361295 A CN 201811361295A CN 109523077 A CN109523077 A CN 109523077A
- Authority
- CN
- China
- Prior art keywords
- wind power
- prediction
- formula
- empty
- convolutional neural
- 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 15
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000000694 effects Effects 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 12
- 230000003750 conditioning effect Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000010130 dispersion processing Methods 0.000 claims 1
- 230000001537 neural effect Effects 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 8
- 230000005611 electricity Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000000611 regression analysis Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000007619 statistical method 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Wind Motors (AREA)
Abstract
本申请公开了一种风电功率预测方法,该方法通过结合分位数回归与空洞卷积神经网络的优点,给出了更加准确、范围更小的预测区间和更加符合风电功率的概率密度分布,使风电功率预测结果更加准确,解决了传统风电功率预测方法存在的预测准确性低、预测效果差的问题。另外,该方法中的模型参数较少,具有较高的训练速度;且其模型能够学习更长时间尺度的风电功率变化规律,因此,相比传统的预测方法,本申请的预测方法可对风电功率进行更精确的预测。本申请的风电功率预测方法可用于预测未来风电功率区间以及概率分布,为电网的运行提供数据支撑以及方向指导。
Description
技术领域
本申请涉及电力技术领域,尤其涉及一种风电功率预测方法。
背景技术
随着电力改革措施的深入,传统火力发电去产能持续推进,风电、太阳能等新能源在电网中的比例不断提升,风电的随机性、波动性等固有缺点也进一步凸显。为更好的协调电网与含风电、光伏等多种类发电形式的电源间的建设,指导发电计划、电网协调调度等工作,以及预防和消除风电爬坡以及其他对电网具有较大威胁的风电事件的发生,对电网建设中风电功率的预测提出了更高的要求。
目前,风电功率预测的方法包括物理方法和统计学习方法,其中,基于物理模型的预测方法主要是利用NWP(numerical weather prediction,数值天气预报),该预测的精度有限。相对于基于物理模型的预测方法,统计学习方法在短期风电功率预测上预测精度较高。统计学习方法包括点预测(确定性预测)和区间预测(不确定性预测)。点预测的预测方法有IAFSA-BPNN(Improvement Artificial Fish Swarm Algorithm-BP neural network)等。但是,确定性预测不能对风电功率不确定性做出定量描述的缺陷很难克服。区间预测的预测方法有回归分析(Regression Analysis),回归分析是一种确定2种或2种以上变数间相互依赖的定量关系的统计分析方法。通常的回归分析又称均值回归分析,但是,在实际使用中,可发现均值回归分析存在一问题,即均值回归很难代表当响应变量服从非对称分布或者散布较大时的情况。
发明内容
本申请提供了一种风电功率预测方法,以解决现有的风电功率预测方法的准确度低、预测区间范围过大的问题。
本申请提供了一种风电功率预测方法,包括:
S100,获取风电场的风电功率数据,并对风电功率数据进行归一化处理;
S200,将归一化后的风电功率数据划分为训练集与测试集;
S300,利用训练集,构建空洞因果卷积神经网络分位数回归模型;
S400,利用测试集,对训练后的孔洞因果卷积神经网络分位数回归模型进行测试,推导出条件密度预测;
S500,对条件密度预测进行X条件化与τ离散化处理,采用密度估计,得到风电功率预测值的条件密度预测。
优选地,S300,利用训练集,构建空洞因果卷积神经网络分位数回归模型,具体包括,
S310,获取堆叠孔洞卷积层结构的输出层的特征映射,其特征映射如式(1)与式(2),
其中,式(1)为堆叠空洞卷积层的第一层对应的特征映射式,式(2)中为堆叠空洞卷积层的第l层对应的特征映射式,式中,为第l层、第h个卷积核,fl-1为第l-1层的输出,*为求卷积,i,j为卷积核的下标,i、j∈[1,2,...,N],m为卷积核的大小,d是空洞因子,d∈[20,21,...,2L-1],设空洞卷积有L层,则该结构的感受野为r=2L-1k,k为卷积核的大小;
S320,通过式(1)与式(2)的堆叠,构成空洞因果卷积神经网络分位数回归模型M(·)。
优选地,S400,利用测试集,对训练后的孔洞因果卷积神经网络分位数回归模型进行测试,推导出条件密度预测,具体包括,
S410,设置空洞因果卷积神经网络分位数回归模型的目标函数,
其中,
式中,W、b是空洞卷积神经网络的权重、偏置集合,Yi为风电功率预测值,Xi为输入的风电功率样本值;
S420,预设一维风电功率序列输入数据为τ取为0,预设权重W、偏置集合b的初始值;
S430,将X、W、b输入目标函数中,并采用Adam随机梯度下降法求解目标函数的最小值,得到带分位数条件的权重与偏置集合
S440,将计算的与代入条件分位数公式,得到预测输出Y的条件分位数估计,其中,预测输出Y的条件分位数公式为,
QY(τ|X)=f(X,W(τ),b(τ)) (6);
S450,令τ=τ+0.01,返回至步骤S430,直到τ=1,将计算的最后一组带分位数条件的权重与偏置集合作为权重与偏置集合的最优参数值;
S460,将计算得到的权重与偏置集合的最优参数值代入空洞因果卷积神经网络分位数回归模型M(·)中,计算得到风电功率概率密度预测其中,为风电功率的序列数据,N=r;
根据风电功率概率密度预测值Xpre,计算条件密度预测,其计算公式为:
优选地,S500,对条件密度预测进行X条件化与τ离散化处理,采用密度估计,得到风电功率预测值的条件密度预测,具体包括,
对条件密度预测进行关于X条件化与τ离散化处理;
采用密度估计,得到风电功率预测值的条件密度预测
本申请中,通过结合分位数回归与空洞卷积神经网络的优点,提出一种基于空洞因果卷积神经网络分位数回归的风电功率预测方法。该方法给出更加准确、范围更小的预测区间和更加符合风电功率的概率密度分布,使风电功率预测结果更加准确,解决了传统风电功率预测方法存在的预测准确性低、预测效果差的问题。另外,该方法中的模型参数较少,具有较高的训练速度;且其模型能够学习更长时间尺度的风电功率变化规律,因此,相比传统的预测方法,本申请的预测方法可对风电功率进行更精确的预测。本申请的风电功率预测方法可用于预测未来风电功率区间以及概率分布,为电网的运行提供数据支撑以及方向指导。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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。
图1为本申请一种风电功率预测方法的流程图。
具体实施方式
本申请提供了一种基于空洞因果卷积神经网络分位数与分位数回归的风电功率预测方法,通过空洞因果卷积神经网络分位数与分位数回归的结合使用,一方面,克服了传统回归分析的均值无法代表当响应变量服从非对称分布或这分布较大时情况的问题,另一方面,避免了传统BP神经网络的预测精度受模型结构与参数设置影响较大,易陷入局部最优,预测准确性低、预测效果差的问题。
本申请提供了一种基于空洞因果卷积神经网络分位数与分位数回归的风电功率预测方法,图1为本申请一种风电功率预测方法的流程图,如图1所示,该方法的实现过程包括,
S100,获取风电场的风电功率数据,并对风电功率数据进行归一化处理,其中,归一化处理包括异常值检测与修正;
S200,将归一化后的风电功率数据划分为训练集与测试集;
S300,利用训练集,构建空洞因果卷积神经网络分位数回归模型;
S400,利用测试集,对训练后的孔洞因果卷积神经网络分位数回归模型进行测试,推导出条件密度预测;
S500,对条件密度预测进行X条件化与τ离散化处理,采用密度估计,得到风电功率预测值的条件密度预测。
以下将对实现过程进行具体说明。
S100,获取风电场的风电功率数据,并对风电功率数据进行归一化处理。
本实施例中,该步骤具体包括,获取风电场的风电功率数据,并对风电功率数据进行归一化处理,其中,归一化处理包括异常值检测与修正。
S200,将归一化后的风电功率数据划分为训练集与测试集。
本实施例中,该步骤具体包括,
将归一化后的风电功率数据划分为训练集与测试集,例如,训练集占总数据的80%,测试集占总数据的20%。当然,本领域技术人员可根据实际需要,划分训练集与测试集。
S300,利用训练集,构建空洞因果卷积神经网络分位数回归模型。
本实施例中,该步骤具体包括,
S310,获取堆叠孔洞卷积层结构的输出层的特征映射,其特征映射如式(1)与式(2),
其中,式(1)为堆叠空洞卷积层的第一层对应的特征映射式,式(2)中为堆叠空洞卷积层的第l层对应的特征映射式,式中,为第l层、第h个卷积核,fl-1为第l-1层的输出,*为求卷积,i,j为卷积核的下标,i、j∈[1,2,...,N],m为卷积核的大小,d是空洞因子,d∈[20,21,...,2L-1],设空洞卷积有L层,则该结构的感受野为r=2L-1k,k为卷积核的大小;
S320,通过式(1)与式(2)的堆叠,构成空洞因果卷积神经网络分位数回归模型M(·);
空洞因果卷积神经网络分位数回归模型M(·)的作用在于,将风电功率数据输入该模型中,得到风电功率概率密度预测值Xpre,即
其中,为风电功率的序列数据,N=r。
S400,利用测试集,对训练后的孔洞因果卷积神经网络分位数回归模型进行测试,推导出条件密度预测。
本实施例中,该步骤具体包括,
S410,设置空洞因果卷积神经网络分位数回归模型的目标函数,
其中,
式中,W、b是空洞卷积神经网络的权重、偏置集合,Yi为风电功率预测值,Xi为输入的风电功率样本值;
S420,预设一维风电功率序列输入数据为τ取为0,预设权重W、偏置集合b的初始值;
S430,将X、W、b输入目标函数中,并采用Adam随机梯度下降法求解目标函数的最小值,得到带分位数条件的权重与偏置集合
S440,将计算的与代入条件分位数公式,得到预测输出Y的条件分位数估计,其中,预测输出Y的条件分位数公式为,
QY(τ|X)=f(X,W(τ),b(τ)) (6);
S450,令τ=τ+0.01,返回至步骤S430,直到τ=1,将计算的最后一组带分位数条件的权重与偏置集合作为权重与偏置集合的最优参数值。
S460,将计算得到的权重与偏置集合的最优参数值代入空洞因果卷积神经网络分位数回归模型M(·)中,计算得到风电功率概率密度预测其中,为风电功率的序列数据,N=r;
根据风电功率概率密度预测值Xpre,计算条件密度预测,其计算公式为:
S500,对条件密度预测进行X件化与τ离散化处理,采用密度估计,得到风电功率预测值的条件密度预测。
本实施例中,该步骤具体包括,
对条件密度预测进行关于X条件化与τ离散化处理;
采用密度估计,得到风电功率预测值的条件密度预测
本申请中,通过结合分位数回归与空洞卷积神经网络的优点,提出一种基于空洞因果卷积神经网络分位数回归的风电功率预测方法。该方法给出更加准确、范围更小的预测区间和更加符合风电功率的概率密度分布,使风电功率预测结果更加准确,解决了传统风电功率预测方法存在的预测准确性低、预测效果差的问题。另外,该方法中的模型参数较少,具有较高的训练速度;且其模型能够学习更长时间尺度的风电功率变化规律,因此,相比传统的预测方法,本申请的预测方法可对风电功率进行更精确的预测。本申请的风电功率预测方法可用于预测未来风电功率区间以及概率分布,为电网的运行提供数据支撑以及方向指导。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。
Claims (4)
1.一种风电功率预测方法,其特征在于,包括:
S100,获取风电场的风电功率数据,并对风电功率数据进行归一化处理;
S200,将归一化后的风电功率数据划分为训练集与测试集;
S300,利用训练集,构建空洞因果卷积神经网络分位数回归模型;
S400,利用测试集,对训练后的孔洞因果卷积神经网络分位数回归模型进行测试,推导出条件密度预测;
S500,对条件密度预测进行X条件化与τ离散化处理,采用密度估计,得到风电功率预测值的条件密度预测。
2.根据权利要求1所述的方法,其特征在于,S300,利用训练集,构建空洞因果卷积神经网络分位数回归模型,具体包括,
S310,获取堆叠孔洞卷积层结构的输出层的特征映射,其特征映射如式(1)与式(2),
其中,式(1)为堆叠空洞卷积层的第一层对应的特征映射式,式(2)中为堆叠空洞卷积层的第l层对应的特征映射式,式中,为第l层、第h个卷积核,fl-1为第l-1层的输出,*为求卷积,i,j为卷积核的下标,i、j∈[1,2,...,N],m为卷积核的大小,d是空洞因子,d∈[20,21,...,2L-1],设空洞卷积有L层,则该结构的感受野为r=2L-1k,k为卷积核的大小;
S320,通过式(1)与式(2)的堆叠,构成空洞因果卷积神经网络分位数回归模型M(·)。
3.根据权利要求2所述的方法,其特征在于,S400,利用测试集,对训练后的孔洞因果卷积神经网络分位数回归模型进行测试,推导出条件密度预测,具体包括,
S410,设置空洞因果卷积神经网络分位数回归模型的目标函数,
其中,
式中,W、b是空洞卷积神经网络的权重、偏置集合,Yi为风电功率预测值,Xi为输入的风电功率样本值;
S420,预设一维风电功率序列输入数据为τ取为0,预设权重W、偏置集合b的初始值;
S430,将X、W、b输入目标函数中,并采用Adam随机梯度下降法求解目标函数的最小值,得到带分位数条件的权重与偏置集合
S440,将计算的与代入条件分位数公式,得到预测输出Y的条件分位数估计,其中,预测输出Y的条件分位数公式为,
QY(τ|X)=f(X,W(τ),b(τ)) (6);
S450,令τ=τ+0.01,返回至步骤S430,直到τ=1,将计算的最后一组带分位数条件的权重与偏置集合作为权重与偏置集合的最优参数值;
S460,将计算得到的权重与偏置集合的最优参数值代入空洞因果卷积神经网络分位数回归模型M(·)中,计算得到风电功率概率密度预测其中,为风电功率的序列数据,N=r;
根据风电功率概率密度预测值Xpre,计算条件密度预测,其计算公式为:
4.根据权利要求3所述的方法,其特征在于,S500,对条件密度预测进行X条件化与τ离散化处理,采用密度估计,得到风电功率预测值的条件密度预测,具体包括,
对条件密度预测进行关于X条件化与τ离散化处理;
采用密度估计,得到风电功率预测值的条件密度预测
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811361295.XA CN109523077B (zh) | 2018-11-15 | 2018-11-15 | 一种风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811361295.XA CN109523077B (zh) | 2018-11-15 | 2018-11-15 | 一种风电功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523077A true CN109523077A (zh) | 2019-03-26 |
CN109523077B CN109523077B (zh) | 2022-10-11 |
Family
ID=65777938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811361295.XA Active CN109523077B (zh) | 2018-11-15 | 2018-11-15 | 一种风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523077B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598892A (zh) * | 2019-07-11 | 2019-12-20 | 华南理工大学 | 一种基于卷积混合密度神经网络的短期风速预测方法 |
CN111612262A (zh) * | 2020-01-15 | 2020-09-01 | 长沙理工大学 | 一种基于分位数回归的风电功率概率预测方法 |
CN116292367A (zh) * | 2023-03-22 | 2023-06-23 | 山东科技大学 | 基于一维卷积的电厂风机系统异常工况检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846322A (zh) * | 2016-12-30 | 2017-06-13 | 西安电子科技大学 | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 |
CN106991388A (zh) * | 2017-03-27 | 2017-07-28 | 中国科学院自动化研究所 | 关键点定位方法 |
CN107679477A (zh) * | 2017-09-27 | 2018-02-09 | 深圳市未来媒体技术研究院 | 基于空洞卷积神经网络的人脸深度和表面法向量预测方法 |
WO2018140596A2 (en) * | 2017-01-27 | 2018-08-02 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
CN108717579A (zh) * | 2017-12-15 | 2018-10-30 | 南京信息工程大学 | 一种短期风电功率区间预测方法 |
-
2018
- 2018-11-15 CN CN201811361295.XA patent/CN109523077B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846322A (zh) * | 2016-12-30 | 2017-06-13 | 西安电子科技大学 | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 |
WO2018140596A2 (en) * | 2017-01-27 | 2018-08-02 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
CN106991388A (zh) * | 2017-03-27 | 2017-07-28 | 中国科学院自动化研究所 | 关键点定位方法 |
CN107679477A (zh) * | 2017-09-27 | 2018-02-09 | 深圳市未来媒体技术研究院 | 基于空洞卷积神经网络的人脸深度和表面法向量预测方法 |
CN108717579A (zh) * | 2017-12-15 | 2018-10-30 | 南京信息工程大学 | 一种短期风电功率区间预测方法 |
Non-Patent Citations (3)
Title |
---|
DARIO RETHAGE等: "A wavenet for speech denoising", 《2018 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING》 * |
张颖超等: "基于IAFSA-BPNN的短期风电功率预测", 《电力系统保护与控制》 * |
彭曙蓉等: "基于CEEMDAN分解的深度学习分位数回归电价预测", 《电力系统及其自动化学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598892A (zh) * | 2019-07-11 | 2019-12-20 | 华南理工大学 | 一种基于卷积混合密度神经网络的短期风速预测方法 |
CN110598892B (zh) * | 2019-07-11 | 2022-06-07 | 中国电力科学研究院有限公司 | 一种基于卷积混合密度神经网络的短期风速预测方法 |
CN111612262A (zh) * | 2020-01-15 | 2020-09-01 | 长沙理工大学 | 一种基于分位数回归的风电功率概率预测方法 |
CN116292367A (zh) * | 2023-03-22 | 2023-06-23 | 山东科技大学 | 基于一维卷积的电厂风机系统异常工况检测方法 |
CN116292367B (zh) * | 2023-03-22 | 2023-11-10 | 山东科技大学 | 基于一维卷积的电厂风机系统异常工况检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109523077B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Wind power day-ahead prediction with cluster analysis of NWP | |
CN111932402B (zh) | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 | |
CN102426674B (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
CN105868853B (zh) | 一种短期风电功率组合概率预测方法 | |
CN108734355A (zh) | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 | |
CN109523077A (zh) | 一种风电功率预测方法 | |
CN111612244B (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
CN102478584B (zh) | 基于小波分析的风电场风速预测方法及系统 | |
CN103218675A (zh) | 一种基于聚类和滑动窗口的短期负荷预测方法 | |
CN109919356B (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN108664682A (zh) | 一种变压器顶层油温的预测方法及其系统 | |
CN109389238B (zh) | 一种基于岭回归的短期负荷预测方法及装置 | |
CN112149879A (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
CN102509173A (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
CN111488896A (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN107464007A (zh) | 基于马尔科夫理论和比例分配原理的连续时段概率潮流预测方法 | |
CN109858668B (zh) | 一种雷电气候下电力负荷区域协调预测方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN106408119A (zh) | 基于类气象分区综合评价的大电网负荷预测方法 | |
CN106447091A (zh) | 基于区域气象条件相似度的大电网负荷预测方法 | |
CN109902743A (zh) | 一种风电机组输出功率预测方法 | |
CN116454872A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
CN111815051A (zh) | 考虑天气影响因素的grnn光伏发电预测方法 |
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 |