CN109523084A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN109523084A
CN109523084A CN201811404304.9A CN201811404304A CN109523084A CN 109523084 A CN109523084 A CN 109523084A CN 201811404304 A CN201811404304 A CN 201811404304A CN 109523084 A CN109523084 A CN 109523084A
Authority
CN
China
Prior art keywords
wind power
data
impact factor
machine learning
wind
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
CN201811404304.9A
Other languages
English (en)
Inventor
麻向津
罗艳红
杨东升
周博文
杨波
孙振奥
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201811404304.9A priority Critical patent/CN109523084A/zh
Publication of CN109523084A publication Critical patent/CN109523084A/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

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

Abstract

本发明提供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，涉及电力系统技术领域。该方法首先采集n组风电数据样本集，并对缺失值采用插值方式处理；然后将n组样本历史数据中对影响风电功率大小的影响因子矩阵进行主元分析，根据累计贡献率来确定变换后的主成分数据；然后将主成分数据和截止到t‑1时刻的n组风电功率结合，作为机器学习神经网络模型的输入，再将t时刻的风电功率序列作为其目标输出，对该模型进行调参训练，保存训练后的最佳模型；最后对此模型输入预测样本即可得到风电功率的预测序列。本发明提供的基于主元分析和机器学习的风电功率超短期预测方法，大大提高了风电场发电功率超短期预测模型的计算效率和预测精度。

Description

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
技术领域
本发明涉及电力系统技术领域，尤其涉及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。
背景技术
近年来，随着新能源发电技术的发展，风机装机容量在2017年底已经达到了近540GW。风能是一种波动较大的能源，大量的风机上网对电网的安全性、稳定性和经济性造成了极大影响。风电功率的有效预测，可以更大程度削弱由风电功率不稳定性所带来的危害，从而实现电网能够处于良好的运行状态。目前，风电功率预测方法可分为两类，一类是基于数值天气预报模式的物理方法，结合风电场的实际描述生成风电机组高度所在处的风速，再依据风力发电机的风速-风电功率曲线，转化为风电功率。另一类是基于统计学的方法，通常采用传统的统计方法做预测，如自回归滑动平均(Auto-Regressive andMovingAverage，ARMA)预测，现在基于机器学习的预测方法逐渐引起关注，通过对风电场历史数据的分析与挖掘，找出数据之间所存在的数学意义，从而实现风电功率的预测。
风电功率预测的物理方法，适用于在建的风电场。而基于机器学习方法下的风电功率预测，对实现短期预测意义非常大。首先，机器学习在完成对样本的合理训练之后，仅根据过去几个时刻的风电历史数据，就可以预测出下一个时刻以及相近几个时刻的风电功率。其次，机器学习方法不需要依据风机的风速和风电功率关系求解风电功率，所以解决了不同型号风机的风速与功率曲线不一致的问题，同时也解决了风速与风电功率之间的转换误差的问题。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供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，实现对风电功率的超短期预测。
为解决上述技术问题，本发明所采取的技术方案是：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，包括以下步骤：
步骤1、在风电场数据的采样频率为t*下，构成n组数据的风电数据样本集合，并对缺失值采用插值方式进行处理；
所述风电数据样本集合包括截止到t时刻的n个风电功率数据(W)＝(Wt-n，Wt-(n-1)，…， Wt-1)，其中，Wt-1为t-1时刻的风电功率，Wt-n为t-n时刻的风电功率，以及影响风电功率大小的影响因子矩阵其中，Xi1，Xi2，…，Xim分别表示风电功率各类影响因子的数据，i＝1，2，…，n和m分别代表样本集中的第i个样本以及第m类影响因子；
所述影响风电功率大小的影响因子包括风速、风向正弦值、风向余弦值、气温、气压以及湿度这些气象特征数据；
步骤2、将步骤1所得的影响因子矩阵X进行主元分析(Principal ComponentAnalysis，即PCA)，根据累计贡献率的大小来确定变换后的主成分数据，具体方法为：
步骤2.1、对步骤1中所得的影响因子矩阵X进行Z-Score标准化处理：
首先求出影响因子矩阵的各列影响因子的均值其中，为第j类影响因子的均值，j＝1，2，…，m；再求出各列影响因子的标准偏差，第j类影响因子的标准偏差记为最后将各影响因子做标准化变换得到标准化的影响因子均值矩阵X*，其中，影响因子Xij的标准化值
步骤2.2、根据2.1进行Z-Score标准化后得到的标准化的影响因子均值X*，计算得到其相关系数矩阵R，R的对角线上的数值为1；相关系数矩阵R的表达式为其中，R中的参数rjk如下公式所示：
步骤2.3、分别计算相关系数矩阵R的特征值，并对特征值按降序排列，记为λ1≥λ2≥…≥λm≥0，以及相应的标准化特征向量为ei＝(ei1，ei2，…，eim)′，||ei||＝1；则风电功率影响因子的主成分分量Ui＝ei1X1+ei2X2+…+eimXm；
步骤2.4、计算降序排列后的相关系数矩阵R的特征值的贡献率和累计贡献率，记贡献率为累计贡献率为k≤m，λj代表第j个特征值；
步骤2.5、根据步骤2.4得到的累计贡献率，得到p个风电功率影响因子的主成分 U＝|U1，U2，…，Up|；
步骤3、将确定下来的风电功率影响因子的主成分数据和截止到t-1时刻的n组原始历史数据中的风电功率W结合，作为机器学习神经网络模型的输入，再将t时刻的风电功率序列作为神经网络模型的输出对数据进行训练，调节合适的模型参数，保存最佳训练模型；在该模型下输入经过主元分析得到降维后的测试样本数据，即可得到风电功率的预测序列；
所述主成分数据与截止到t-1时刻的n组样本风电功率数据一起作为基于机器学习神经网络模型下的输入矩阵E以及目标输出序列矩阵F，如下公式所示：
其中，upn表示主成分中第p类主成分下的第n个元素，Wt代表t时刻的风电功率值；
所述机器学习神经网络模型采用长短期记忆(Long Short Term Memory，即LSTM)网络，网络模型的具体参数根据不同的实例，结合经验给出；
所述机器学习神经网络的数据处理包括了对输入输出数据进行归一化和反归一化处理，使其在模型内部处于0与1之间有利于模型训练数据，同时，确定长短期记忆网络模型的输入时间步和输出时间步；确定长短期记忆网络模型各层的神经元数目，模型迭代次数、批次、损失函数和优化器的确定；
所述机器学习神经网络的数据包括模型训练数据和测试数据，具体包括输入训练数据，输出训练数据，输入测试数据和输出测试数据。
采用上述技术方案所产生的有益效果在于：本发明提供的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，通过对风电功率影响因素进行主元分析，使得神经网络建模过程中减少了输入变量的维数，筛选出了贡献率比较高、维度小的几列风电功率影响因素数据，使机器学习神经网络中的复杂度大大减小，大大提高了风电场发电功率超短期预测模型的计算效率和预测精度。
附图说明
图1为本发明实施例提供的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的流程图；
图2为本发明实施例提供的某风电场的基于主元分析和机器学习神经网络(PCA-LSTM) 的风电功率超短期预测曲线图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例以某风电场为例，使用本发明的基于主元分析和机器学习的风电功率超短期预测方法对该风电场的风电功率进行预测。
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，如图1所示，包括以下步骤：
步骤1、在风电场数据的采样频率为t*下，构成n组数据的风电数据样本集合，并对缺失值采用插值方式进行处理；
本实施例中，采样时间频率为15min，对缺失值按照插值方式处理，获得一共18204组数据样本，预测时间尺度为15min。
所述风电数据样本集合包括t时刻之前的n个风电功率数据(W)＝(Wt-n，Wt-(n-1)，…，Wt-1)，其中，Wt-1为t-1时刻的风电功率，Wt-n为t-n时刻的风电功率，以及影响风电功率大小的影响因子矩阵其中，Xi1，Xi2，…，Xim分别表示风电功率各类影响因子的数据，i＝1，2，…，n和m分别代表样本集中的第i个样本以及第m类影响因子；本实施例中m＝6；
所述影响风电功率大小的影响因子包括风速、风向正弦值、风向余弦值、气温、气压以及湿度这些气象特征数据；
步骤2、将步骤1所得的影响因子矩阵X进行主元分析(Principal ComponentAnalysis，即PCA)，根据累计贡献率的大小来确定变换后的主成分数据，具体方法为：
步骤2.1、对步骤1中所得的影响因子矩阵X进行Z-Score标准化处理：
首先求出影响因子矩阵的各列影响因子的均值其中，为第j类影响因子的均值，j＝1，2，…，m；再求出各列影响因子的标准偏差，第j类影响因子的标准偏差记为最后将各影响因子做标准化变换得到标准化的影响因子均值矩阵(X*)，其中，影响因子Xij的标准化值
步骤2.2、根据2.1进行Z-Score标准化后得到的标准化的影响因子均值(X*)，计算得到其相关系数矩阵R，R的对角线上的数值为1；相关系数矩阵R的表达式为其中，R中的参数rjk如下公式所示：
步骤2.3、分别计算相关系数矩阵R的特征值，并对特征值按降序排列，记为λ1≥λ2≥…≥λm≥0，以及相应的标准化特征向量为ei＝(ei1，ei2，…，eim)′，||ei||＝1；则风电功率影响因子的主成分分量Ui＝ei1X1+ei2X2+…+eimXm；
步骤2.4、计算降序排列后的相关系数矩阵R的特征值的贡献率和累计贡献率，记贡献率为累计贡献率为k≤m，λj代表第j个特征值；
步骤2.5、根据步骤2.4得到的累计贡献率，得到p个风电功率影响因子的主成分 U＝|U1，U2，…，Up|；
对累计贡献率的标准可依据不同的实际情况来自行给定，本实施例中，累计贡献率的阈值设定为ACR＝0.95；
步骤3、将确定下来的风电功率影响因子的主成分数据和截止到t-1时刻的n组原始历史数据中的风电功率W结合，作为机器学习神经网络模型的输入，再将t时刻的风电功率序列作为神经网络模型的输出对数据进行训练，保存训练最佳模型；在该模型下输入经过主元分析得到降维后的测试样本数据，最后得到风电功率的预测序列；
所述主成分数据与截止到t-1时刻的n组样本风电功率数据一起作为基于机器学习神经网络模型下的输入矩阵E以及目标输出序列矩阵F，如下公式所示：
其中，upn表示主成分中第p类主成分下的第n个元素，Wt代表t时刻的风电功率值；
所述机器学习神经网络模型采用长短期记忆(Long Short Term Memory，即LSTM)网络，网络模型的具体参数根据不同的实例，结合经验给出；
所述机器学习神经网络的数据处理包括了对输入输出数据进行归一化和反归一化处理，使其在模型内部处于0与1之间有利于模型训练数据，同时，确定长短期记忆网络模型的输入时间步和输出时间步；确定长短期记忆网络模型各层的神经元数目，模型迭代次数、批次、损失函数和优化器的确定；
所述机器学习神经网络的数据包括模型训练数据和测试数据，具体包括输入训练数据，输出训练数据，输入测试数据和输出测试数据。
本实施例中，长短期记忆网络模型的输入提前时间步设置为1，输出滞后时间步设定为1；并预留出160个测试样本；同时经过反复调整参数，本实施例中长短期记忆网络模型的参数为：神经元数目为100个，隐藏层数目为1，全连接，模型迭代次数取150、批次为144，损失函数采用“MAE”、优化器的优化算法为“ADAM”；通过该机器学习神经网络模型得到该风电场的15min的超短期风电功率预测序列。
本实施例在该套风电场风电数据下还采用均方根误差(RMSE)，均方根误差百分数(RMSPE)，平均绝对误差(MAE)和平均绝对误差百分数(MAPE)4个标准来对几种神经网络模型在该数据下的预测效果进行对比分析。几类神经网络模型包括本发明的基于主元分析降维后的PCA-LSTM网络模型，原生的LSTM网络模型，遗传优化的BP神经网络模型和未优化的BP神经网络模型。如图2所示的为本发明的PCA-LSTM网络模型下的预测效果。针对4 种神经网络的误差，做了对比分析，如表1所示，这四个误差指标的计算值越小，说明该机器学习神经网络模型的预测效果越好。
表1不同模型进行风电功率超短期预测的误差分析
模型 MAE(KW) MAPE(％) RMSE(KW) RMSPE(％)
PCA-LSTM 10592.583 5.605 13727.532 7.263
LSTM 11723.675 6.203 15887.341 8.406
GA-BP 13959.863 7.386 16958.970 8.973
BP 14415.031 7.627 18015.485 9.532
均方根误差(RMSE)，均方根误差百分数(RMSPE)，平均绝对误差(MAE)和平均绝对误差百分数(MAPE)4个标准的计算公式如下所示：
其中，k′代表的是预测样本个数，此处k′＝160，Wcap为发电场总装机容量， Wcap＝189000KW，y(t)代表的是第t个样本中风电功率的真实值。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (4)

1.一种基于主元分析和机器学习的风电功率超短期预测方法，其特征在于：包括以下步骤：
步骤1、在风电场数据的采样频率为t*下，构成n组数据的风电数据样本集合，并对缺失值采用插值方式进行处理；
所述风电数据样本集合包括截止到t-1时刻的n个风电功率数据(W)＝(Wt-n，Wt-(n-1)，…，Wt-1)，其中，Wt-1为t-1时刻的风电功率，Wt-n为t-n时刻的风电功率，以及影响风电功率大小的影响因子矩阵其中，Xi1，Xi2，…，Xim分别表示风电功率各类影响因子的数据，i＝1，2，…，n和m分别代表样本集中的第i个样本以及第m类影响因子；
所述影响风电功率大小的影响因子包括风速、风向正弦值、风向余弦值、气温、气压以及湿度这些气象特征数据；
步骤2、将步骤1所得的影响因子矩阵X进行主元分析(Principal ComponentAnalysis，即PCA)，根据累计贡献率的大小来确定变换后的主成分数据；
步骤3、将确定下来的风电功率影响因子的主成分数据和截止到t-1时刻的n组原始历史数据中的风电功率W结合，作为机器学习神经网络模型的输入，再将t时刻的风电功率序列作为神经网络模型的输出对数据进行训练，保存训练最佳模型；在该模型下输入经过主元分析得到降维后的测试样本数据，最后得到风电功率的预测序列。
2.根据权利要求1所述的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，其特征在于：所述步骤2的具体方法为：
步骤2.1、对步骤1中所得的影响因子矩阵X进行Z-Score标准化处理：
首先求出影响因子矩阵的各列影响因子的均值其中，为第j类影响因子的均值，j＝1，2，…，m；再求出各列影响因子的标准偏差，第j类影响因子的标准偏差记为最后将各影响因子做标准化变换得到标准化的影响因子均值矩阵X*，其中，影响因子Xij的标准化值
步骤2.2、根据2.1进行Z-Score标准化后得到的标准化的影响因子均值X*，计算得到其相关系数矩阵R，R的对角线上的数值为1；相关系数矩阵R的表达式为其中，R中的参数rjk如下公式所示：
步骤2.3、分别计算相关系数矩阵R的特征值，并对特征值按降序排列，记为λ1≥λ2≥…≥λm≥0，以及相应的标准化特征向量为ei＝(ei1，ei2，…，eim)′，||ei||＝1；则风电功率影响因子的主成分分量Ui＝ei1X1+ei2X2+…+eimXm；
步骤2.4、计算降序排列后的相关系数矩阵R的特征值的贡献率和累计贡献率，记贡献率为累计贡献率为λj代表第j个特征值；
步骤2.5、根据步骤2.4得到的累计贡献率，得到p个风电功率影响因子的主成分U＝|U1，U2，…，Up|。
3.根据权利要求2所述的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，其特征在于：步骤3所述主成分数据与截止到t-1时刻的n组样本风电功率数据一起作为基于机器学习神经网络模型下的输入矩阵E以及目标输出序列矩阵F，如下公式所示：
其中，upn表示主成分中第p类主成分下的第n个元素，Wt代表t时刻的风电功率值。
4.根据权利要求1所述的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，其特征在于：步骤3所述机器学习神经网络模型采用长短期记忆(Long Short TermMemory，即LSTM)网络，网络模型的具体参数根据不同的实例，结合经验给出；
所述机器学习神经网络的数据处理包括了对输入输出数据进行归一化和反归一化处理，使其在模型内部处于0与1之间有利于模型训练数据，同时，确定长短期记忆网络模型的输入时间步和输出时间步；确定长短期记忆网络模型各层的神经元数目，模型迭代次数、批次、损失函数和优化器的确定；
所述机器学习神经网络的数据包括模型训练数据和测试数据，具体包括输入训练数据，输出训练数据，输入测试数据和输出测试数据。
CN201811404304.9A 2018-11-23 2018-11-23 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 Pending CN109523084A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811404304.9A CN109523084A (zh) 2018-11-23 2018-11-23 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811404304.9A CN109523084A (zh) 2018-11-23 2018-11-23 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

Publications (1)

Publication Number Publication Date
CN109523084A true CN109523084A (zh) 2019-03-26

Family

ID=65777643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811404304.9A Pending CN109523084A (zh) 2018-11-23 2018-11-23 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

Country Status (1)

Country Link
CN (1) CN109523084A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110389948A (zh) * 2019-07-19 2019-10-29 南京工业大学 一种基于数据驱动的加氢裂化装置的尾油预测方法
CN110472288A (zh) * 2019-07-17 2019-11-19 武汉科技大学 一种螺栓力矩衰减的预测方法、系统、装置和介质
CN110647560A (zh) * 2019-09-25 2020-01-03 山西三合盛智慧科技股份有限公司 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法
CN111027772A (zh) * 2019-12-10 2020-04-17 长沙理工大学 基于pca-dbilstm的多因素短期负荷预测方法
CN111192163A (zh) * 2019-12-23 2020-05-22 明阳智慧能源集团股份公司 基于风电机组运行数据的发电机可靠度中短期预测方法
CN111861023A (zh) * 2020-07-28 2020-10-30 南方电网科学研究院有限责任公司 基于统计学的混合风电功率预测方法、装置
CN112289391A (zh) * 2020-10-28 2021-01-29 广西贺州市桂东电子科技有限责任公司 一种基于机器学习的阳极铝箔性能预测系统
CN112529144A (zh) * 2019-09-17 2021-03-19 中国科学院分子细胞科学卓越创新中心 一种面向短期时间序列预测的预期性学习方法和系统
CN112926758A (zh) * 2019-12-05 2021-06-08 中国科学院深圳先进技术研究院 短期风速预测方法及系统
CN113107785A (zh) * 2021-05-12 2021-07-13 浙江浙能技术研究院有限公司 一种风电机组功率性能异常的实时监测方法及装置
CN113222289A (zh) * 2021-06-02 2021-08-06 江南大学 一种基于数据处理的能源功率的预测方法
CN116992274A (zh) * 2023-09-28 2023-11-03 国网山东省电力公司滨州市滨城区供电公司 基于改进主成分回归模型的短期风速预测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077632A (zh) * 2014-06-23 2014-10-01 华北电力大学 一种基于深度神经网络的风电场功率预测方法
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077632A (zh) * 2014-06-23 2014-10-01 华北电力大学 一种基于深度神经网络的风电场功率预测方法
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
杨涛 等: "《末敏末修灵巧弹药技术与效能分析》", 31 January 2016, 国防工业出版社 *
王勃 等: "基于天气分型的风电功率预测方法", 《电网技术》 *
贵州电网有限责任公司 组编: "《功率预测技术研究及工程应用》", 31 January 2018, 贵州大学出版社 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472288A (zh) * 2019-07-17 2019-11-19 武汉科技大学 一种螺栓力矩衰减的预测方法、系统、装置和介质
CN110389948A (zh) * 2019-07-19 2019-10-29 南京工业大学 一种基于数据驱动的加氢裂化装置的尾油预测方法
CN112529144A (zh) * 2019-09-17 2021-03-19 中国科学院分子细胞科学卓越创新中心 一种面向短期时间序列预测的预期性学习方法和系统
CN112529144B (zh) * 2019-09-17 2023-10-13 中国科学院分子细胞科学卓越创新中心 一种面向短期时间序列预测的预期性学习方法和系统
CN110647560B (zh) * 2019-09-25 2022-05-03 山西三合盛智慧科技股份有限公司 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法
CN110647560A (zh) * 2019-09-25 2020-01-03 山西三合盛智慧科技股份有限公司 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法
CN112926758A (zh) * 2019-12-05 2021-06-08 中国科学院深圳先进技术研究院 短期风速预测方法及系统
CN111027772A (zh) * 2019-12-10 2020-04-17 长沙理工大学 基于pca-dbilstm的多因素短期负荷预测方法
CN111027772B (zh) * 2019-12-10 2024-02-27 长沙理工大学 基于pca-dbilstm的多因素短期负荷预测方法
CN111192163A (zh) * 2019-12-23 2020-05-22 明阳智慧能源集团股份公司 基于风电机组运行数据的发电机可靠度中短期预测方法
CN111192163B (zh) * 2019-12-23 2023-03-28 明阳智慧能源集团股份公司 基于风电机组运行数据的发电机可靠度中短期预测方法
CN111861023A (zh) * 2020-07-28 2020-10-30 南方电网科学研究院有限责任公司 基于统计学的混合风电功率预测方法、装置
CN111861023B (zh) * 2020-07-28 2024-02-09 南方电网科学研究院有限责任公司 基于统计学的混合风电功率预测方法、装置
CN112289391B (zh) * 2020-10-28 2023-08-22 广西贺州市桂东电子科技有限责任公司 一种基于机器学习的阳极铝箔性能预测系统
CN112289391A (zh) * 2020-10-28 2021-01-29 广西贺州市桂东电子科技有限责任公司 一种基于机器学习的阳极铝箔性能预测系统
CN113107785B (zh) * 2021-05-12 2022-05-31 浙江浙能技术研究院有限公司 一种风电机组功率性能异常的实时监测方法及装置
CN113107785A (zh) * 2021-05-12 2021-07-13 浙江浙能技术研究院有限公司 一种风电机组功率性能异常的实时监测方法及装置
CN113222289A (zh) * 2021-06-02 2021-08-06 江南大学 一种基于数据处理的能源功率的预测方法
CN113222289B (zh) * 2021-06-02 2024-03-12 江南大学 一种基于数据处理的能源功率的预测方法
CN116992274A (zh) * 2023-09-28 2023-11-03 国网山东省电力公司滨州市滨城区供电公司 基于改进主成分回归模型的短期风速预测方法及系统
CN116992274B (zh) * 2023-09-28 2024-02-02 国网山东省电力公司滨州市滨城区供电公司 基于改进主成分回归模型的短期风速预测方法及系统

Similar Documents

Publication Publication Date Title
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
Wu et al. A short-term load forecasting method based on GRU-CNN hybrid neural network model
Ghaderi et al. Deep forecast: Deep learning-based spatio-temporal forecasting
Yousuf et al. Current perspective on the accuracy of deterministic wind speed and power forecasting
CN105631558A (zh) 基于相似日的bp神经网络光伏发电系统功率预测方法
Yang et al. Day-ahead forecasting of photovoltaic output power with similar cloud space fusion based on incomplete historical data mining
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
CN111401603A (zh) 一种多类型能源需求预测方法
Chen et al. Interpretable time-adaptive transient stability assessment based on dual-stage attention mechanism
CN114792156A (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
CN110717610A (zh) 一种基于数据挖掘的风电功率预测方法
CN116629416A (zh) 光伏电站功率预测方法及装置
CN112927097A (zh) 基于GRA-ABC-Elman模型的光伏发电功率短期预测方法
Xu et al. Short-term wind power forecasting based on Elman neural network with particle swarm optimization
Wang et al. Wind process pattern forecasting based ultra-short-term wind speed hybrid prediction
Liu et al. An online transfer learning model for wind turbine power prediction based on spatial feature construction and system-wide update
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
CN113887794A (zh) 一种配电网无功优化的方法及装置
Rahaman et al. Bayesian optimization based ANN model for short term wind speed forecasting in newfoundland, Canada
CN116154875A (zh) 基于tcn和误差函数的光伏电站有功功率优化分配方法
Yue et al. Research of the micro grid renewable energy control system based on renewable related data mining and forecasting technology
KR102439311B1 (ko) 희소화된 웨이크 방향 그래프를 이용한 풍력 발전 단지의 조정 최적화 방법 및 이를 수행하는 장치
Kumar et al. Short-term wind power plant predicting with artificial neural network
Guo et al. Short-term wind power prediction based on genetic algorithm to optimize RBF neural network

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