CN110082841A - 一种短期风速预测方法 - Google Patents

一种短期风速预测方法 Download PDF

Info

Publication number
CN110082841A
CN110082841A CN201910312116.1A CN201910312116A CN110082841A CN 110082841 A CN110082841 A CN 110082841A CN 201910312116 A CN201910312116 A CN 201910312116A CN 110082841 A CN110082841 A CN 110082841A
Authority
CN
China
Prior art keywords
wind speed
indicate
short
decomposition
indicates
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
CN201910312116.1A
Other languages
English (en)
Inventor
陈娜
周武能
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 CN201910312116.1A priority Critical patent/CN110082841A/zh
Publication of CN110082841A publication Critical patent/CN110082841A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Environmental & Geological Engineering (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Atmospheric Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及短期风速预测领域，公开了一种基于WPD‑VMD‑CNN‑LSTM模型的短期风速预测方法，首先利用小波包分解将原始风速时间序列分解为多个子层，然后利用变分模态分解对频率最高的子层进行二次分解以降低高频分量对预测结果的影响，接着采用卷积神经网络对各个高频分量进行预测，并采用长短期记忆神经网络对其余的低频子层进行预测，最后对所有分量的预测结果进行叠加，进而得到最终的风速预测结果。本发明采用CNN和LSTM方法分别对风速时间序列的高频和低频分量进行单步预测，能有效提高短期风速模型的预测精度。

Description

一种短期风速预测方法
技术领域
本发明涉及短期风速预测技术领域，特别涉及一种基于WPD-VMD-CNN-LSTM 模型的短期风速预测方法。
背景技术
随着全球经济的发展，能源的需求迅速增长，风电作为一种可再生清洁能源，已经在全球范围内受到越来越多的关注。然而，随机波动和间歇性的特征可能会大规模地限制风能与电网的整合。此外，风速的不确定性和间歇性对风力发电也有很大影响，因此，准确预测风速对风电场运行和规划至关重要，对电力系统的稳定性和可靠性也至关重要。
卷积神经网络(CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。在过去的几年中，CNN已经被证明是一种可靠的技术来提取隐藏的功能，因为它可以完成滤波器的自动创建。
长短期记忆神经网络(LSTM)是一种特殊的RNN，它对于解决长期和短期依赖问题是稳定而有力的。它已经被广泛用于语音识别、语言建模、情感分析和文本预测等方面。
单一人工智能模型在短期风速预测领域取得了不错的成果，但单一机器学习模型仍不足以获取短期风速时间序列的整体特征，仍存在很大的提升空间。另外，风速时间序列的非线性和非平稳性也对风速预测结果产生一定的影响，导致其最终的预测精度难以提高。
发明内容
本发明要解决的技术问题是：如何消除风速时间序列的非线性和非平稳性的干扰，并进一步提高风速预测模型的预测精度。
为了解决上述技术问题，本发明的技术方案是提供了一种短期风速预测方法，其特征在于，包括如下步骤：
步骤一、采集风场历史实测风速数据，建立多组原始风速时间序列；
步骤二、利用小波包分解将原始风速时间序列分解为多个子层；
步骤三、利用变分模态分解对频率最高的子层进行二次分解；
步骤四、采用卷积神经网络对二次分解的各个高频分量进行预测；
步骤五、采用长短期记忆神经网络对其余的低频子层进行预测；
步骤六、对所有分量的预测结果进行叠加，进而得到最终的风速预测结果。
优选地，步骤一中，对风速数据的描述性数据进行统计，根据统计结果分别将各组所述原始风速时间序列分为训练样本和测试样本。
优选地，步骤二中，所述小波包分解包括两种类型：连续小波变换和离散小波变换，其中，连续小波变换CWTf(a,b)为：
式中，f(t)表示原始风速时间序列；Ψ(t)表示母小波函数；a表示比例系数、b表示平移系数；*表示复共轭；
离散小波变换中的a和b描述为：
式中，j和k分别是比例系数和平移系数。
优选地，步骤三中，利用变分模态分解对频率最高的子层进行二次分解的算法包括以下步骤：
步骤301、对于每种模式uk(t)，通过希尔伯特变换计算相关的分析信号以获得单边频谱；
步骤302、对于每种模式，通过与调整到相应估计中心频率的指数混合，将模式的频谱移动到基带；
步骤303、通过解调信号的高斯平滑度估计带宽。
优选地，步骤四中，所述卷积神经网络由三个卷积层和一个完全连接层组成，卷积层的信道分别为4、16和32，每个卷积层描述为：
式中，表示第k个特征映射的输出；f(·)表示激活函数；Wk表示连接到第k个特征映射的权重；x表示输入数据；i、j表示卷积核的尺寸；bk表示第k个特征映射的偏差。
ReLU和Adam分别用作激活函数和优化算法，ReLU函数f(x)定义为：
f(x)＝max(0,x)。
优选地，步骤五中，长短期记忆神经网络组件的计算定义为如下：
it＝σ(Wixxt+Wimmt-1+Wicct-1+bi)
ft＝σ(Wfxxt+Wfmmt-1+Wfcct-1+bf)
ot＝σ(Woxxt+Wommt-1+Wocct+bo)
yt＝Wymmt+by
式中，xt表示平坦化层数；it、ft、ct、ot分别表示输入门、忘记门、存储单元向量和输出门；Wix、Wim、Wic、Wfx、Wfm、Wfc、Wcx、Wcm、Wox、 Wom、Woc、Wym表示权重；mt表示存储块；表示标量积；bi、bf、bc、bo、 by表示偏置；yt表示最终的输出；σ(·)和tanh(·)是两个激活函数。
本发明通过采用WPD和VMD方法对风速时间序列进行二次分解，与传统的一次分解模型相比，二次分解模型能够有效减少风速时间序列的非线性和非平稳性对预测结果的影响，且相对于单一的人工智能模型，采用CNN和LSTM方法分别对风速时间序列的高频和低频分量进行单步预测，能有效提高短期风速模型的预测精度。
附图说明
图1为本发明提供的一种基于WPD-VMD-CNN-LSTM模型的短期风速预测模型流程图
具体实施方式
下面结合具体实施例，进一步阐述本发明。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。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明提供了一种基于WPD-VMD-CNN-LSTM模型的短期风速预测方法，包括以下步骤：
步骤一：采集风场历史实测风速数据，建立多组风速时间序列，并对风速数据的描述性数据进行统计，最后根据统计结果分别将各风速时间序列分为训练样本和测试样本。
步骤二：利用小波包分解WPD将原始风速时间序列分解为多个子层，WPD 包括两种类型：连续小波变换和离散小波变换。连续小波变换CWTf(a,b)可以描述为：
式中，f(t)表示原始风速时间序列；Ψ(t)表示母小波函数；a表示比例系数，b表示平移系数；*表示复共轭。离散小波变换中的a和b可描述为：
其中，j和k分别是比例系数和平移系数。
步骤三：利用变分模态分解VMD对频率最高的子层进行二次分解，VMD 的算法如下：
①对于每种模式uk(t)，通过希尔伯特变换计算相关的分析信号以获得单边频谱；
②对于每种模式，通过与调整到相应估计中心频率的指数混合，将模式的频谱移动到基带；
③通过解调信号的高斯平滑度估计带宽，例如，梯度的平方L2范数。然后，受约束的变分模态分解问题如下：
其中，f(t)表示原始输入信号，uk是其模式，wk是频率，δ(t)是狄拉克分布，t是时间脚本，k是模式数，*表示卷积。
引入二次惩罚因子α和Lagrange乘子λ求解上述约束优化问题，则原优化问题的增广Lagrange函数可以描述为：
采用交替乘子方向法解决变分模态分解的问题，通过交替更新以及λn+1寻求扩展拉格朗日表达式的鞍点。
uk、wk和λ分别由以下公式进行更新：
其中，w是频率，分别是f(w)、λ(w)的傅里叶变换，τ为迭代系数。
对于给定的判别精度e＞0，有如下判别公式，若：
则停止迭代，再次重复上述操作，获得一系列变分模态分量。
步骤四：采用卷积神经网络CNN对二次分解的各个变分模态进行预测。在本发明中，CNN由三个卷积层和一个完全连接层组成，卷积层的信道分别为4、16和32。每个卷积层可以描述为：
式中，表示第k个特征映射的输出；f(·)表示激活函数；Wk表示连接到第k个特征映射的权重；x表示输入数据；i、j表示卷积核的尺寸；bk表示第k个特征映射的偏差。
此外，ReLU和Adam分别用作激活函数和优化算法。ReLU函数f(x)可以定义为：
f(x)＝max(0,x)。
步骤五：采用长短期记忆神经网络LSTM对其余的低频子层进行预测。在LSTM中，存储器单元是处理长期依赖性的核心，并且可以通过输入门、忘记门和输出门来控制和更新单元状态。LSTM组件的计算可以定义为如下：
it＝σ(Wixxt+Wimmt-1+Wicct-1+bi)
ft＝σ(Wfxxt+Wfmmt-1+Wfcct-1+bf)
ot＝σ(Woxxt+Wommt-1+Wocct+bo)
yt＝Wymmt+by
式中，xt表示平坦化层数；it、ft、ct、ot分别表示输入门、忘记门、存储单元向量和输出门；Wix、Wim、Wic、Wfx、Wfm、Wfc、Wcx、Wcm、 Wox、Wom、Woc、Wym表示权重；mt表示存储块；表示标量积；bi、bf、 bc、bo、by表示偏置；yt表示最终的输出；σ(·)和tanh(·)是两个激活函数，可以定义为：
步骤六：对所有分量的预测结果进行叠加，进而得到最终的风速预测结果，采用四种常用的统计标准来评估此风速预测模型的预测性能，统计标准定义如下：
其中，f(i)和h(i)分别代表时间i的预测值和实际值；f和h分别表示预测值和实际值的平均值；N是数据的总数；MAE表示平均绝对误差；RMSE 表示根均方误差；MAPE表示平均绝对百分比误差；R表示相关系数。

Claims (6)

1.一种短期风速预测方法，其特征在于，包括如下步骤：
步骤一、采集风场历史实测风速数据，建立多组原始风速时间序列；
步骤二、利用小波包分解将原始风速时间序列分解为多个子层；
步骤三、利用变分模态分解对频率最高的子层进行二次分解；
步骤四、采用卷积神经网络对二次分解的各个高频分量进行预测；
步骤五、采用长短期记忆神经网络对其余的低频子层进行预测；
步骤六、对所有分量的预测结果进行叠加，进而得到最终的风速预测结果。
2.如权利要求1所述的一种短期风速预测方法，其特征在于，步骤一中，对风速数据的描述性数据进行统计，根据统计结果分别将各组所述原始风速时间序列分为训练样本和测试样本。
3.如权利要求1所述的一种短期风速预测方法，其特征在于，步骤二中，所述小波包分解包括两种类型：连续小波变换和离散小波变换，其中，连续小波变换CWTf(a,b)为：
式中，f(t)表示原始风速时间序列；Ψ(t)表示母小波函数；a表示比例系数、b表示平移系数；*表示复共轭；
离散小波变换中的a和b描述为：
式中，j和k分别是比例系数和平移系数。
4.如权利要求1所述的一种短期风速预测方法，其特征在于，步骤三中，利用变分模态分解对频率最高的子层进行二次分解的算法包括以下步骤：
步骤301、对于每种模式uk(t)，通过希尔伯特变换计算相关的分析信号以获得单边频谱；
步骤302、对于每种模式，通过与调整到相应估计中心频率的指数混合，将模式的频谱移动到基带；
步骤303、通过解调信号的高斯平滑度估计带宽。
5.如权利要求1所述的一种短期风速预测方法，其特征在于，步骤四中，所述卷积神经网络由三个卷积层和一个完全连接层组成，卷积层的信道分别为4、16和32，每个卷积层描述为：
式中，表示第k个特征映射的输出；f(·)表示激活函数；Wk表示连接到第k个特征映射的权重；x表示输入数据；i、j表示卷积核的尺寸；bk表示第k个特征映射的偏差。
ReLU和Adam分别用作激活函数和优化算法，ReLU函数f(x)定义为：
f(x)＝max(0,x)。
6.如权利要求1所述的一种短期风速预测方法，其特征在于，步骤五中，长短期记忆神经网络组件的计算定义为如下：
it＝σ(Wixxt+Wimmt-1+Wicct-1+bi)
ft＝σ(Wfxxt+Wfmmt-1+Wfcct-1+bf)
ot＝σ(Woxxt+Wommt-1+Wocct+bo)
yt＝Wymmt+by
式中，xt表示平坦化层数；it、ft、ct、ot分别表示输入门、忘记门、存储单元向量和输出门；Wix、Wim、Wic、Wfx、Wfm、Wfc、Wcx、Wcm、Wox、Wom、Woc、Wym表示权重；mt表示存储块；表示标量积；bi、bf、bc、bo、by表示偏置；yt表示最终的输出；σ(·)和tanh(·)是两个激活函数。
CN201910312116.1A 2019-04-18 2019-04-18 一种短期风速预测方法 Pending CN110082841A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910312116.1A CN110082841A (zh) 2019-04-18 2019-04-18 一种短期风速预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910312116.1A CN110082841A (zh) 2019-04-18 2019-04-18 一种短期风速预测方法

Publications (1)

Publication Number Publication Date
CN110082841A true CN110082841A (zh) 2019-08-02

Family

ID=67415575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910312116.1A Pending CN110082841A (zh) 2019-04-18 2019-04-18 一种短期风速预测方法

Country Status (1)

Country Link
CN (1) CN110082841A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275244A (zh) * 2020-01-10 2020-06-12 南京航空航天大学 一种车速时间序列分频预测方法
CN111553510A (zh) * 2020-04-08 2020-08-18 东华大学 一种短期风速预测方法
CN111695724A (zh) * 2020-06-01 2020-09-22 浙江大学 一种基于混合神经网络模型的风速预测方法
CN111950759A (zh) * 2020-05-18 2020-11-17 武汉科技大学 一种基于两级分解、lstm和at的短期风速预测方法
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
CN112383369A (zh) * 2020-07-23 2021-02-19 哈尔滨工业大学 基于cnn-lstm网络模型的认知无线电多信道频谱感知方法
CN113052398A (zh) * 2021-04-21 2021-06-29 广州高谱技术有限公司 一种基于变分模态分解的用电量预测方法及其系统
CN113221458A (zh) * 2021-05-17 2021-08-06 上海交通大学 盾构刀盘扭矩多步预测方法和系统
CN113408815A (zh) * 2021-07-02 2021-09-17 湘潭大学 一种基于深度学习的牵引负荷超短期预测方法
CN113673768A (zh) * 2021-08-24 2021-11-19 河海大学 基于vmd和cnn-lstm的风功率概率预测模型
CN115015756A (zh) * 2022-07-14 2022-09-06 深圳市文浩科技有限公司 一种细碎融合的新材料混合机故障诊断方法
CN116930973A (zh) * 2023-09-15 2023-10-24 湖南赛能环测科技有限公司 一种场景自适应的声雷达风功率精确预测方法
CN117648645A (zh) * 2023-12-08 2024-03-05 国能宁夏鸳鸯湖第一发电有限公司 基于Bayes-Catboost的主汽温预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609766B (zh) * 2012-02-17 2014-03-12 中南大学 一种风电场风速智能预测方法
CN103886590A (zh) * 2014-03-05 2014-06-25 浙江大学 一种基于小波包能量谱的推扫式遥感相机自动对焦方法
CN109118000A (zh) * 2018-08-07 2019-01-01 广东工业大学 一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法
CN109272139A (zh) * 2018-07-24 2019-01-25 东华大学 一种基于非线性集成深度学习的短期风速预测方法
CN109299430A (zh) * 2018-09-30 2019-02-01 淮阴工学院 基于两阶段分解与极限学习机的短期风速预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609766B (zh) * 2012-02-17 2014-03-12 中南大学 一种风电场风速智能预测方法
CN103886590A (zh) * 2014-03-05 2014-06-25 浙江大学 一种基于小波包能量谱的推扫式遥感相机自动对焦方法
CN109272139A (zh) * 2018-07-24 2019-01-25 东华大学 一种基于非线性集成深度学习的短期风速预测方法
CN109118000A (zh) * 2018-08-07 2019-01-01 广东工业大学 一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法
CN109299430A (zh) * 2018-09-30 2019-02-01 淮阴工学院 基于两阶段分解与极限学习机的短期风速预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HUI LIU等: "Smart deep learning based wind speed prediction model using wavelet packet decomposition, convolutional neural network and convolutional long short term memory network", 《ENERGY CONVERSION AND MANAGEMENT》 *
HUI LIU等: "Wind speed forecasting method based on deep learning strategy using empirical wavelet transform, long short term memory neural network and Elman neural network", 《ENERGY CONVERSION AND MANAGEMENT》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111275244A (zh) * 2020-01-10 2020-06-12 南京航空航天大学 一种车速时间序列分频预测方法
CN111553510A (zh) * 2020-04-08 2020-08-18 东华大学 一种短期风速预测方法
CN111950759A (zh) * 2020-05-18 2020-11-17 武汉科技大学 一种基于两级分解、lstm和at的短期风速预测方法
CN111695724A (zh) * 2020-06-01 2020-09-22 浙江大学 一种基于混合神经网络模型的风速预测方法
CN112383369A (zh) * 2020-07-23 2021-02-19 哈尔滨工业大学 基于cnn-lstm网络模型的认知无线电多信道频谱感知方法
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
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
CN113052398A (zh) * 2021-04-21 2021-06-29 广州高谱技术有限公司 一种基于变分模态分解的用电量预测方法及其系统
CN113221458A (zh) * 2021-05-17 2021-08-06 上海交通大学 盾构刀盘扭矩多步预测方法和系统
CN113408815A (zh) * 2021-07-02 2021-09-17 湘潭大学 一种基于深度学习的牵引负荷超短期预测方法
CN113673768A (zh) * 2021-08-24 2021-11-19 河海大学 基于vmd和cnn-lstm的风功率概率预测模型
CN115015756A (zh) * 2022-07-14 2022-09-06 深圳市文浩科技有限公司 一种细碎融合的新材料混合机故障诊断方法
CN116930973A (zh) * 2023-09-15 2023-10-24 湖南赛能环测科技有限公司 一种场景自适应的声雷达风功率精确预测方法
CN116930973B (zh) * 2023-09-15 2023-12-08 湖南赛能环测科技有限公司 一种场景自适应的声雷达风功率精确预测方法
CN117648645A (zh) * 2023-12-08 2024-03-05 国能宁夏鸳鸯湖第一发电有限公司 基于Bayes-Catboost的主汽温预测方法
CN117648645B (zh) * 2023-12-08 2024-06-11 国能宁夏鸳鸯湖第一发电有限公司 基于Bayes-Catboost的主汽温预测方法

Similar Documents

Publication Publication Date Title
CN110082841A (zh) 一种短期风速预测方法
CN110059878B (zh) 基于cnn lstm光伏发电功率预测模型及其构建方法
Wu et al. Ultra‐short‐term multi‐step wind power forecasting based on CNN‐LSTM
CN110070226B (zh) 基于卷积神经网络与元学习的光伏功率预测方法及系统
CN109117951B (zh) 基于bp神经网络的概率潮流在线计算方法
Qu et al. A temporal distributed hybrid deep learning model for day-ahead distributed PV power forecasting
CN109146162B (zh) 一种基于集成循环神经网络的概率风速预测方法
Lipu et al. Artificial intelligence based hybrid forecasting approaches for wind power generation: Progress, challenges and prospects
Ghoushchi et al. An extended new approach for forecasting short-term wind power using modified fuzzy wavelet neural network: A case study in wind power plant
Hu et al. Very short-term spatial and temporal wind power forecasting: A deep learning approach
Kavousi-Fard Modeling uncertainty in tidal current forecast using prediction interval-based SVR
CN110738010A (zh) 集成深度学习模型的风电场短期风速预测方法
CN109088407B (zh) 基于深度信念网络伪量测建模的配电网状态估计方法
CN110083940A (zh) 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法
CN111079351A (zh) 考虑风电不确定性的配电网概率潮流获取方法、装置
CN111553510A (zh) 一种短期风速预测方法
CN111415010A (zh) 一种基于贝叶斯神经网络的风电机组参数辨识方法
Sani Salisu et al. Solar radiation forecasting in Nigeria based on hybrid PSO-ANFIS and WT-ANFIS approach
Besombes et al. Producing realistic climate data with generative adversarial networks
CN108520310A (zh) 基于G-L混合噪声特性v-支持向量回归机的风速预报方法
Niu et al. Short‐term wind speed hybrid forecasting model based on bias correcting study and its application
CN114330110A (zh) 模型训练方法、光伏发电功率预测方法及系统
Shang et al. A hybrid ultra-short-term and short-term wind speed forecasting method based on CEEMDAN and GA-BPNN
Huang et al. Deep learning model-transformer based wind power forecasting approach
CN112734073A (zh) 一种基于长短期记忆网络的光伏发电功率短期预测方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190802