CN110009135A - 一种基于宽度学习的风电功率预测方法 - Google Patents
一种基于宽度学习的风电功率预测方法 Download PDFInfo
- Publication number
- CN110009135A CN110009135A CN201910177122.0A CN201910177122A CN110009135A CN 110009135 A CN110009135 A CN 110009135A CN 201910177122 A CN201910177122 A CN 201910177122A CN 110009135 A CN110009135 A CN 110009135A
- Authority
- CN
- China
- Prior art keywords
- power
- layer
- data
- wind
- training
- 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 19
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000013450 outlier detection Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 230000002708 enhancing effect Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 230000010354 integration Effects 0.000 abstract description 3
- 238000012938 design process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000011160 research 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
- 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
- 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
本发明公开了一种基于宽度学习的风电功率预测方法,通过SCADA系统获得某风电机组一年的功率数据,采用离群点检测算法对一年的功率数据进行异常点检测,去除坏数据,得到机组的正常功率数据。使用正常功率数据,计算该风电机组一年的日平均功率数据,将正常日平均功率数据进行分组,对每组功率数据进行归一化操作。引入季节信息,构建造针对春、夏、秋和冬季宽度学习系统的训练集,同时构造针对春、夏、秋和冬季的宽度学习系统。使用构建的训练集,训练宽度学习系统,得到春、夏、秋和冬季功率预测模型。使用功率预测模型,进行风电功率24h预测。本发明设计过程简便,所得预测模型参数少,预测精度高,能够为风电并网提供准确有效的功率预测信息。
Description
技术领域
本发明涉及风力发电并网控制领域,特别涉及一种基于宽度学习的风电功率预测方法。
背景技术
随着世界经济的发展,人们对能源的需求量日益增加,能源危机日益凸显。为了缓解能源危机,人们将目光转向了可再生能源。风力发电作为当今世界发展最为迅速、商业化最为成熟的一种新能源发电方式,得到了研究人员的青睐。
然而,自然界中的风存在很强的随机性和间歇性,这将会导致风电系统输出功率的波动和不稳定,极大影响风电并网质量。因此,进行风电功率预测,对于提高风电稳定性和并网质量具有重要的研究意义。
通常情况下,风电功率预测分为中长期预测(天)、短期预测(小时)和超短期预测(分钟)。根据所使用的数学模型,风电功率预测方法包括基于物理模型的方法、基于统计模型的方法和基于机器学习模型的方法。基于物理模型方法的基本思想是,根据风电场的地形和风电机组的具体信息,结合风电系统功率曲线和天气预报数据来进行功率预测,该方法主要用于风电功率的中长期预测。基于统计学习模型的方法,直接建立风电系统输出功率历史数据之间的统计关系,包括基于卡尔曼滤波的方法、ARIMA等;基于机器学习的方法,则是通过人工智能的有关方法,包括神经网络(ANN),支持向量回归(SVR),极限学习机(ELM)等,建立机组输入与功率输出之间的非线性关系。本发明主要关注基于发电功率时间序列的方法,试图使用合适的机器学习模型,建立风电功率预测值与历史功率序列之间的非线性关系。
目前已有的风电功率预测方法,在数据预处理的过程中,往往缺少离群点检测的步骤,使得某些不合理的数据进入到风电功率预测模型的训练过程中,导致预测精度的下降。另外,已有的风电功率预测方法,往往没有考虑季节对预测精度的影响,考虑到不同的季节风速的分布差别是很大的,因此,在不同的季节,风电机组的输出功率往往遵循不同的规律。因此,忽略季节信息将会极大影响预测精度。有关学者采用目前比较火热的深度学习模型进行风电功率的预测,然而,深度学习模型需要较大的内存,实现成本高,其繁琐的参数调试过程限制了其在实际中的应用发展。
近年来,宽度学习模型由于其简单的结构和参数确定过程逐渐获得研究人员的关注。本发明将宽度学习引入到风电功率预测领域,提出一种基于宽度学习的风电功率预测方法。
发明内容
为了解决现有风电功率预测方法由于未考虑历史数据离群点检测和季节信息导致的预测精度不高的问题,以及克服现有方法训练过程复杂、需要调试的参数多的问题,本发明提供一种精度高、实现简单的风电功率预测方法,能够剔除历史训练数据中的异常数据,并将季节信息纳入功率预测模型中,需要调试的参数较少训练过程简单,能够为风电并网提供可靠、有效、准确的并网信息,提高风电质量和风电场的经济效益。
本发明解决其技术问题所采用的技术方案是:、一种基于宽度学习的风电功率预测方法,该方法包括以下步骤:
A.通过SCADA系统获得某正常运行的风电机组一年(当年3月至来年2月)的功率数据,采用K-NN算法对一年的功率数据进行异常点检测,去除坏数据,得到机组的正常的功率数据,计算得到该风电机组一年的日平均功率数据,将正常的日平均功率数据按照春、夏、秋、冬四个季节分成G1、G2、G3和G4四组,对每组功率数据进行归一化操作,归一化后的数据分别记为G'1、G'2、G'3和G'4。
B.使用步骤A获得的G'1、G'2、G'3和G'4分别构建宽度学习系统的训练集,同时构造针对春、夏、秋和冬季的宽度学习系统,该系统包括输入层、特征层、增强层和输出层,输入层与特征层相连,特征层与增强层相连,特征层和增强层均与输出层相连,其中输入层的输入参数的个数为n1,n1等于训练集中每个训练样本的特征个数,特征层具有n2个特征节点,每个特征节点对应的映射函数记为:φi(μ)=μ,i=1,2,3,...,n2,n2的取值建议在15-20之间,增强层具有n3个增强节点,n3的取值建议在180-200之间,增强层的激活函数为ζj,ζj选为sigmoid函数,输出层只有1个节点。
C.使用构建的训练集,训练宽度学习系统,得到功率预测模型。
D.使用功率预测模型,进行风电功率24h预测。
进一步地,所述步骤A中,使用K-NN算法对数据进行异常点检测,其具体步骤为:
(1)对第一个功率数据,计算与之最近邻的K个功率点到该点的距离,K的具体值需要技术人员根据实际情况进行确定,建议取值在5000-6000之间;
(2)对获得的K个最近邻距离进行降序排列;
(3)将降序排列的K个最近邻距离的前n个点作为异常点剔除,同样,n的具体值需要技术人员根据实际情况进行确定,建议取值在90-100之间;
(4)对于每一个功率数据,执行步骤1)到3),最终得到正常功率数据序列。
进一步地,所述步骤A中,归一化操作的具体方式为:
其中,G'i是归一化后的功率序列,mean(Gi)和std(Gi)分别是第i组功率序列的均值和方差。
进一步地,所述步骤B中,宽度学习系统的训练集的构造过程为:
对于归一化后的功率序列G'i,将第1个到第n1个功率数据作为第一个样本的特征,第(n1+1)个功率数据作为第一个样本的标签,得到第一个样本;进而将第二个到第(n1+1)个功率数据作为第二个样本的特征,第(n1+2)个功率数据作为第二个样本的标签,得到第二个样本;依此类推,直至遍历整个G'i,得到第i组的宽度学习系统的训练集{Xi,Yi},其中Xi为训练特征,Yi为训练目标。
进一步地,所述步骤C中,宽度学习系统的具体训练过程为:
特征层的第i个特征节点的输出Zi可以表示为:
Zi=φi(XkW1i+β1i)
其中,Xk是第k个季节的训练特征,W1i和β1i分别是输入层到特征层第i个特征节点的、随机产生的权重和偏置,将特征层的输出用Z表示,则因此,第j个增强节点的输出Hj可以表示为:
Hj=ζj(ZW2j+β2j),j=1,2,3,...,n3
ζj是增强层第j个增强节点的非线性激活函数,W2j和β2j分别是特征层输出到增强层第j个增强节点的、随机产生的权重和偏置,将增强层的输出用H表示,则用W3表示输出层的权重,则上述宽度学习系统的输出可以表示为:
Yk=[Z,H]W3
通过求伪逆的方式,求得W3=[Z,H]+Yk,Yk是第k个季节的训练目标。至此,宽度学习系统训练完毕。
进一步地,所述步骤D中,进行风电功率24h在线预测的过程为:根据当时的季节选择对应的预测模型,进而将前n1天的天平均功率输入到季节对应的模型中,功率预测模型输出的值即为未来24h风电功率的预测值。
本发明的有益效果是:在构造功率预测模型训练集的过程中,考虑到SCADA系统记录的错误数据,使用合适的离群点检测算法剔除异常数据,从而避免了异常数据对于模型预测精度的影响;构造针对不同季节的风电功率预测模型,将季节信息纳入到风电预测中,大幅提升功率预测精度;使用宽度学习构造风电功率预测模,参数确定过程简单,训练时间短。该风电功率预测方法设计过程简单,所得预测模型结构简单,参数少,稳定性好,与传统的基于神经网络方法的风电功率预测方法相比,本发明的预测精度更高,能够为风电并网提供更加准确、有效的风电功率预测值,进而提高风电质量和风电场的经济效益。
附图说明
图1为本发明构建的宽度学习系统结构图;
图2为本发明基于宽度学习的风电功率预测方法流程图;
图3为风电功率24h预测值对比图;
图4为风电功率24h预测误差对比图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
本发明提供的一种基于宽度学习的风电功率预测方法,包括下述步骤:
步骤A,通过SCADA系统获得某正常运行的风电机组一年(当年3月至来年2月)的功率数据,采用K-NN算法对一年的功率数据进行异常点检测,去除坏数据,得到机组的正常功率数据,计算得到该风电机组一年的日平均功率数据,将正常的日平均功率数据按照春、夏、秋、冬四个季节分成G1、G2、G3和G4四组,对每组功率数据进行归一化操作,归一化后的数据分别记为G'1,G'2,G'3和G'4。
进一步,使用K-NN算法对功率数据进行异常点检测的步骤如下:
1)对第一个功率数据,计算与之最近邻的K个功率点到该点的距离,K的具体值需要技术人员根据实际情况进行确定,建议取值在5000-6000之间;;
2)对获得的K个最近邻距离进行降序排列;
3)将降序排列的K个最近邻距离的前n个点作为异常点剔除,同样,n的具体值需要技术人员根据实际情况进行确定,建议取值在90-100之间。。
4)对于每一个功率值,执行步骤1)到3),最终得到正常功率数据序列。
进一步,针对正常的功率数据序列,计算风电机组一年的日平均功率数据,具体操作如下:
其中,是第i天的日平均功率,Pj是第i天的第j个功率数据,k是第i天的功率数据个数。
进一步,对得到的正常功率序列按照春(3月到5月)、夏(6月到8月)、秋(9月到11月)、冬(12月到来年2月)四个季节分成G1,G2,G3和G4四组。对于每一组数据,进行归一化,具体操作如下:
其中,G'i是归一化后的功率序列,mean(Gi)和std(Gi)分别是第i组功率序列的均值和方差。
步骤B,使用步骤A获得的G'1,G'2,G'3和G'4分别构建宽度学习系统的训练集,同时构造针对春、夏、秋和冬季的宽度学习系统,该系统包括输入层、特征层、增强层和输出层。其中输入层的个数为n1,特征层有n2个特征节点,每个特征节点的映射函数为φi(μ)=μ,i=1,2,3,...,n2,增强层的节点个数记为n3,增强层的激活函数为sigmoid函数ζj,输出层只有1个节点。
进一步,以归一化后的功率序列G'1为例说明宽度学习系统训练集的构造过程。将第1个到第n1个功率数据作为第一个样本的特征,第(n1+1)个功率数据作为第一个样本的标签,得到第一个样本;进而将第2个到第(n1+1)个功率数据作为第二个样本的特征,第(n1+2)个功率数据作为第二个样本的标签,得到第二个样本。依此类推,直至遍历整个G'1,得到春季的宽度学习系统的训练集{X1,Y1},其中X1为训练特征,Y1为训练目标。对G'2,G'3和G'4进行同样的训练集构造过程,得到夏、秋和冬季的宽度学习系统的训练集{X2,Y2},{X3,Y3}和{X4,Y4}。值得注意的是,n1的具体值需要技术人员根据实际情况进行确定。
进一步,考虑到在不同的季节,风速差距较大,机组发电功率的区别也比较大,因此针对不同的季节训练不同的功率预测模型,进而在在线使用过程中,功率预测模型能够针对不同季节进行切换,进而提高功率预测的精度。下面说明宽度学习系统的构造过程。如图1所示,该宽度学习系统包括输入层、特征层、增强层和输出层。其中输入层的个数为n1,特征层有n2组映射函数φi,i=1,2,3,...,n2,增强层的节点个数记为n3。构建针对春、夏、秋和冬季的宽度学习系统。
步骤C,使用构建的训练集,训练宽度学习系统,得到功率预测模型。
下面详细说明宽度学习系统的训练过程。特征层的第i组特征节点的输出Zi可以表示为:
Zi=φi(XkW1i+β1i)
其中,Xk是第k个季节的训练特征,W1i和β1i是输入层到第i组特征节点的、随机产生的权重和偏置,映射函数φi(μ)=μ,将特征层的输出用Z表示,则因此,第j个增强节点的输出Hj可以表示为
Hj=ζj(ZW2j+β2j),j=1,2,3,...,n3
ζj是增强层第j个增强节点的sigmoid非线性激活函数,W2j和β2j是特征层输出到增强层第j个增强节点的、随机产生的权重和偏置,将特征层的输出用H表示,则用W3表示输出层的权重,则上述宽度学习系统的输出可以表示为:
Yk=[Z,H]W3
通过求伪逆的方式,求得W3=[Z,H]+Yk,Yk是k第个季节的训练目标。至此,我们得到了基于宽度学习系统的功率预测模型。采用同样的策略,使用春、夏、秋和冬季的训练集{X1,Y1},{X2,Y2},{X3,Y3}和{X4,Y4},训练得到相应的宽度学习系统,分别得到春、夏、秋和冬季的功率预测模型。
步骤D,使用功率预测模型,进行风电功率24h预测。
步骤C中训练得到的、针对春、夏、秋和冬季的功率预测模型,能够在线给出未来24h风电功率的预测值,即功率预测模型一旦训练完成,结构和参数就不再变化,可以实时(在线)的给出未来24h的风电功率预测值。实际中,需要根据当时的季节选择预测模型,进而将前n1天的天平均功率输入到季节对应的模型中,功率预测模型输出的值即为未来24h风电功率的预测值。
实施例
本实施例使用广东某风电场某台机组SCADA系统一年的发电功率记录数据,对本发明涉及的算法的有效性进行验证。
附图1是宽度学习系统结构图。
附图2是本发明一种基于宽度学习的风电功率预测方法流程图。首先,通过SCADA系统获得某风电机组一年(当年3月至来年2月)的功率数据,采用K-NN算法对一年的功率数据进行异常点检测,去除坏数据,得到机组的正常功率数据,计算得到该风电机组一年的日平均功率数据,将正常日平均功率数据进行分组,对每组功率数据进行归一化操作;其次,构建造针对春、夏、秋和冬季宽度学习系统的训练集,同时构造针对春、夏、秋和冬季的宽度学习系统;再次,使用构建的训练集,训练宽度学习系统,得到功率预测模型;最后,使用功率预测模型,进行风电功率24h预测。
图3是风电功率24h预测值对比图。需要注意的是,基于神经网络的方法,并没有进行离群点检测和引入季节信息。可见,本发明的方法能够获得与实际值更加接近的功率预测值。
图4是风电功率24h预测误差对比图。很明显,本发明的功率预测误差比基于神经网络的方法小很多,从而说明了本方案的有效性。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (6)
1.一种基于宽度学习的风电功率预测方法,其特征在于,该方法包括以下步骤:
A.通过SCADA系统获得某正常运行的风电机组一年的功率数据,采用K-NN算法对一年的功率数据进行异常点检测,去除坏数据,得到机组的正常的功率数据,计算得到该风电机组一年的日平均功率数据,将正常的日平均功率数据按照春、夏、秋、冬四个季节分成G1、G2、G3和G4四组,对每组功率数据进行归一化操作,归一化后的数据分别记为G'1、G'2、G'3和G4。
B.使用步骤A获得的G'1、G'2、G'3和G'4分别构建宽度学习系统的训练集,同时构造针对春、夏、秋和冬季的宽度学习系统,该系统包括输入层、特征层、增强层和输出层,输入层与特征层相连,特征层与增强层相连,特征层和增强层均与输出层相连,其中输入层的输入参数的个数为n1,n1等于训练集中每个训练样本的特征个数,特征层具有n2个特征节点,每个特征节点对应的映射函数记为:φi(μ)=μ,i=1,2,3,...,n2,增强层具有n3个增强节点,增强层的激活函数为sigmoid函数,输出层只有1个节点。
C.使用构建的训练集,训练宽度学习系统,得到功率预测模型。
D.使用功率预测模型,进行风电功率24h预测。
2.根据权利要求1所述的基于宽度学习的风电功率预测方法,其特征在于,所述步骤A中,使用K-NN算法对数据进行异常点检测,其具体步骤为:
(1)对第一个功率数据,计算与之最近邻的K个功率点到该点的距离;
(2)对获得的K个最近邻距离进行降序排列;
(3)将降序排列的K个最近邻距离的前n个点作为异常点剔除;
(4)对于每一个功率数据,执行步骤1)到3),最终得到正常功率数据序列。
3.根据权利要求1所述的基于宽度学习的风电功率预测方法,其特征在于,所述步骤A中,归一化操作的具体方式为:
其中,G'i是归一化后的功率序列,mean(Gi)和std(Gi)分别是第i组功率序列的均值和方差。
4.根据权利要求1所述的基于宽度学习的风电功率预测方法,其特征在于,所述步骤B中,宽度学习系统的训练集的构造过程为:
对于归一化后的功率序列G'i,将第1个到第n1个功率数据作为第一个样本的特征,第(n1+1)个功率数据作为第一个样本的标签,得到第一个样本;进而将第二个到第(n1+1)个功率数据作为第二个样本的特征,第(n1+2)个功率数据作为第二个样本的标签,得到第二个样本;依此类推,直至遍历整个G'i,得到第i组的宽度学习系统的训练集{Xi,Yi},其中Xi为训练特征,Yi为训练目标。
5.根据权利要求1所述的基于宽度学习的风电功率预测方法,其特征在于,所述步骤C中,宽度学习系统的具体训练过程为:
特征层的第i个特征节点的输出Zi可以表示为:
Zi=φi(XkW1i+β1i)
其中,Xk是第k个季节的训练特征,W1i和β1i分别是输入层到特征层第i个特征节点的、随机产生的权重和偏置,将特征层的输出用Z表示,则因此,第j个增强节点的输出Hj可以表示为:
Hj=ζj(ZW2j+β2j),j=1,2,3,...,n3
ζj是增强层第j个增强节点的非线性激活函数,W2j和β2j分别是特征层输出到增强层第j个增强节点的、随机产生的权重和偏置,将增强层的输出用H表示,则用W3表示输出层的权重,则上述宽度学习系统的输出可以表示为:
Yk=[Z,H]W3
通过求伪逆的方式,求得W3=[Z,H]+Yk,Yk是第k个季节的训练目标。至此,宽度学习系统训练完毕。
6.根据权利要求1所述的基于宽度学习的风电功率预测方法,其特征在于,所述步骤D中,进行风电功率24h在线预测的过程为:根据当时的季节选择对应的预测模型,进而将前n1天的天平均功率输入到季节对应的模型中,功率预测模型输出的值即为未来24h风电功率的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910177122.0A CN110009135B (zh) | 2019-03-08 | 2019-03-08 | 一种基于宽度学习的风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910177122.0A CN110009135B (zh) | 2019-03-08 | 2019-03-08 | 一种基于宽度学习的风电功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110009135A true CN110009135A (zh) | 2019-07-12 |
CN110009135B CN110009135B (zh) | 2021-04-27 |
Family
ID=67166665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910177122.0A Active CN110009135B (zh) | 2019-03-08 | 2019-03-08 | 一种基于宽度学习的风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009135B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110966144A (zh) * | 2019-12-04 | 2020-04-07 | 浙江大学 | 一种基于bls的风电机组智能恒功率控制方法 |
CN110985287A (zh) * | 2019-12-04 | 2020-04-10 | 浙江大学 | 一种基于宽度学习的间接转速控制方法 |
CN111079343A (zh) * | 2019-12-04 | 2020-04-28 | 浙江大学 | 一种基于宽度学习的风电机组有效风速估计方法 |
CN112381282A (zh) * | 2020-11-09 | 2021-02-19 | 上海交通大学 | 基于宽度学习系统的光伏发电功率预测方法 |
CN115640918A (zh) * | 2022-12-26 | 2023-01-24 | 电子科技大学中山学院 | 电缆温度异常预测方法、装置、介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120166085A1 (en) * | 2010-12-14 | 2012-06-28 | Peter Gevorkian | Solar power monitoring and predicting of solar power output |
CN103810542A (zh) * | 2014-03-07 | 2014-05-21 | 北京动力京工科技有限公司 | 风电场风功率预测系统及实现方法 |
CN106934094A (zh) * | 2017-01-18 | 2017-07-07 | 华北电力大学 | 一种基于二十四节气的风电功率预测方法 |
CN109035762A (zh) * | 2018-06-28 | 2018-12-18 | 浙江大学 | 一种基于时空宽度学习的交通速度预测方法 |
-
2019
- 2019-03-08 CN CN201910177122.0A patent/CN110009135B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120166085A1 (en) * | 2010-12-14 | 2012-06-28 | Peter Gevorkian | Solar power monitoring and predicting of solar power output |
CN103810542A (zh) * | 2014-03-07 | 2014-05-21 | 北京动力京工科技有限公司 | 风电场风功率预测系统及实现方法 |
CN106934094A (zh) * | 2017-01-18 | 2017-07-07 | 华北电力大学 | 一种基于二十四节气的风电功率预测方法 |
CN109035762A (zh) * | 2018-06-28 | 2018-12-18 | 浙江大学 | 一种基于时空宽度学习的交通速度预测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110966144A (zh) * | 2019-12-04 | 2020-04-07 | 浙江大学 | 一种基于bls的风电机组智能恒功率控制方法 |
CN110985287A (zh) * | 2019-12-04 | 2020-04-10 | 浙江大学 | 一种基于宽度学习的间接转速控制方法 |
CN111079343A (zh) * | 2019-12-04 | 2020-04-28 | 浙江大学 | 一种基于宽度学习的风电机组有效风速估计方法 |
CN111079343B (zh) * | 2019-12-04 | 2022-05-17 | 浙江大学 | 一种基于宽度学习的风电机组有效风速估计方法 |
CN112381282A (zh) * | 2020-11-09 | 2021-02-19 | 上海交通大学 | 基于宽度学习系统的光伏发电功率预测方法 |
CN112381282B (zh) * | 2020-11-09 | 2022-06-17 | 上海交通大学 | 基于宽度学习系统的光伏发电功率预测方法 |
CN115640918A (zh) * | 2022-12-26 | 2023-01-24 | 电子科技大学中山学院 | 电缆温度异常预测方法、装置、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110009135B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009135A (zh) | 一种基于宽度学习的风电功率预测方法 | |
CN102567636B (zh) | 基于相关向量机的高精度风电场功率区间预测方法 | |
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 | |
CN102478584B (zh) | 基于小波分析的风电场风速预测方法及系统 | |
CN102542133B (zh) | 风电场短时风速预测方法及系统 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN103065202B (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
CN105354620A (zh) | 一种风机发电功率的预测方法 | |
CN110334870B (zh) | 基于门控循环单元网络的光伏电站短期功率预测方法 | |
Saroha et al. | Multi step ahead forecasting of wind power by genetic algorithm based neural networks | |
CN109615146A (zh) | 一种基于深度学习的超短时风功率预测方法 | |
Kolhe et al. | GA-ANN for short-term wind energy prediction | |
CN109034464A (zh) | 一种短期光伏发电系统功率预测及结果校核的方法 | |
Chen et al. | Interpretable time-adaptive transient stability assessment based on dual-stage attention mechanism | |
WO2024051524A1 (zh) | 一种水风光发电功率联合预测方法、装置 | |
CN103345585A (zh) | 基于支持向量机的风功率预测校正方法及系统 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN103020743A (zh) | 风电场超短期风速预测方法 | |
CN112149905A (zh) | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 | |
CN109242200A (zh) | 一种贝叶斯网络预测模型的风电功率区间预测方法 | |
Wang et al. | Ultra-short-term wind power forecasting based on deep belief network | |
CN114301089B (zh) | 一种风光联合发电系统储能容量配置优化方法 | |
CN105741192B (zh) | 一种风电场风电机机舱短期风速组合预报方法 | |
CN110084430A (zh) | 一种考虑时空特性设计分布式光伏出力预测模型的方法 | |
CN110147908A (zh) | 一种基于三维最优相似度与改进布谷鸟算法的风电功率预测方法 |
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 |