CN110083940A - 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法 - Google Patents

一种基于ssa-hmd-cnnsvm模型的短期风速预测方法 Download PDF

Info

Publication number
CN110083940A
CN110083940A CN201910349131.3A CN201910349131A CN110083940A CN 110083940 A CN110083940 A CN 110083940A CN 201910349131 A CN201910349131 A CN 201910349131A CN 110083940 A CN110083940 A CN 110083940A
Authority
CN
China
Prior art keywords
wind speed
ssa
cnnsvm
model
decomposition
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
CN201910349131.3A
Other languages
English (en)
Inventor
周武能
陈娜
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 CN201910349131.3A priority Critical patent/CN110083940A/zh
Publication of CN110083940A publication Critical patent/CN110083940A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Water Supply & Treatment (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (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SSA‑HMD‑CNNSVM模型的短期风速预测方法,首先利用奇异谱分析(SSA)降低噪声并提取原始风速数据的趋势信息,然后利用混合模式分解对风速数据进行深度分解,接着采用卷积支持向量机对各个风速子层进行预测,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。本发明对风速时间序列的降噪及深度分解处理,与一般的信号预处理方式相比,能够有效降低风速时间序列的随机波动对预测结果的影响,大大提升了风速预测的准确性和精确性。同时,CNNSVM能结合单一模型卷积神经网络和支持向量机的优点,因此具备强大的泛化能力和鲁棒性能,可大规模应用于风电场风速预测。

Description

一种基于SSA-HMD-CNNSVM模型的短期风速预测方法
技术领域
本发明涉及一种基于SSA-HMD-CNNSVM模型的短期风速预测方法,属于超短期风速预测技术领域。
背景技术
随着全球生态环境破坏和气候变暖的日益严重,世界各国开始不断地开发新能源技术以解决这一问题,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,自然界产生的风速会极大地影响风电场风能功率的产生,而且风速的变化往往具有很强的不可控性和随机性。为减小风电场产生的风能对电网运行的影响和保障电网的供电质量,如何对风电场风速实施可靠的精确预测就变得十分重要,对电力系统的稳定性和可靠性也至关重要。
CNN(卷积神经网络)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。
SVM(支持向量机)是一种基于结构风险最小化原理的强大的机器学习算法。SVM具有良好的非线性映射性能,可以有效地将数据映射到高维特征空间,并在特征空间中执行线性回归。
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,风速时间序列的随机波动噪声也对风速预测结果产生了一定的影响,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随机波动噪声的干扰,并进一步提高风速预测的准确性和精确性。
为了解决上述技术问题,本发明的技术方案是提供了一种基于SSA-HMD-CNNSVM模型的短期风速预测方法,其特征在于,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;
步骤二:利用奇异谱分析SSA降低风速时间序列的噪声,并提取原始风速时间序列的趋势信息;
步骤三:利用混合模式分解HMD对步骤二得到的风速数据进行深度分解,混合模式分解HMD由变分模式分解VMD、样本熵SE和小波包分解WPD组成;
步骤四:采用卷积支持向量机CNNSVM对步骤三分解得到的各个风速子层进行预测;
步骤五:对步骤四预测得到的所有风速子层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,所述的步骤一中,对风速时间序列中的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。
优选地,所述的步骤二中,奇异谱分析SSA包括嵌入、奇异值分解SVD、分组和对角线平均四个步骤,其中,嵌入和奇异值分解SVD属于数据分解,而分组和对角平均属于数据重建。
优选地,所述的步骤二中,所述奇异谱分析SSA包括以下步骤:
步骤201、嵌入
原始风速数据X=(X1,...,XN)被移位到具有L维度的轨迹矩阵Y=(Y1,...,YL),其中,2≤L≤N,轨迹矩阵Y的每个元素定义为Yi=(Xi,...Xi+L-1),轨迹矩阵Y如下:
式中,K=N-L+1;
步骤202、奇异值分解SVD
轨迹矩阵Y可以分解为d个部分,其中d=rank(Y),rank()表示矩阵Y的秩,通过奇异值分解SVD,矩阵YYT的eigentirples(λi,Ui,Vi)可以按位λi的降序获得,其中,λi表示奇异值,Ui表示左本征向量,Vi表示右本征向量,eigentirples()表示矩阵Y的三重特征向量,轨迹矩阵Y重写如下:
Y=Y1+Y2+...Yd,式中,
步骤203、分组
选择d个组件中的m个作为趋势组件,定义I=(I1,...Im)和然后YI可以表示风速数据的趋势分量,而其他(d-m)分量被视为噪音;
步骤204、对角线平均
通过Hankelization程序,获得的组被转移到时间序列组然后原始风速时间序列定义如下:
式中,Xtrend表示X的趋势信号,Xnoise表示X的噪声信号。
优选地,所述的步骤三中,利用混合模式分解HMD对风速数据进行深度分解包括以下步骤:
步骤301、首先通过变分模式分解VMD将风速分解为BLIMF的集合,变分模式分解VMD利用中心频率i的每个模式ui将非平稳信号X(t)分解成多个带限固有模式函数BLIMF,模式的数量由EMD算法预定义,表示为K,对于输入信号X(t),VMD从中提取K个分量以最小化它们的频率带宽之和,并约束每个模式的聚合等于给定的X(t),目标函数描述如下:
式中,其中δ(t)和*分别表示狄拉克分布和卷积;ui表示变分模态集合;表示变分模态对应的中心频率;
步骤302、计算所有BLIMF的SE值,风速子系列的稳定性取决于它们的SE值:较大的SE值表示信号的较高复杂度,而较低的SE值表示信号具有较低的复杂度和较高的自相似性;
步骤303、通过小波包分解WPD将最无系统和无序的子系列,具有最高SE值,进一步分解成相对稳定的分量。
优选地,所述的步骤四中,采用卷积支持向量机(CNNSVM)对各个风速子层进行预测包括以下步骤:
步骤401、基于每个风速子层的训练数据建立和训练CNN模型,每个CNN模型包括三个卷积层和两个完全连接的层,在卷积层中,通道分别为4、8和16。激活函数和优化函数分别是ReLU和Adam算法,在多层体系结构中使用了dropout和Lasso正则化,在卷积层三和完全连接的层一之间使用dropout正则化,dropout正则化的比率是p=0.7,Lasso正则化的比例为0.01,损失函数是均方误差和Lasso正则化的总和。
步骤402、提取CNN模型的完全连通层一作为SVM的输入特征,然后构建和训练SVM模型,使用网格搜索来搜索ε和C,ε表示损失因子,C表示正则化常数;
步骤403、保存CNN训练模型和SVM训练模型;
步骤404、重新加载训练模型,建立测试模型,通过直接连接完全连接的层1和SVM层来构建测试模型,共享训练模型和测试模型的参数。
本发明对风速时间序列的降噪及深度分解处理,与一般的信号预处理方式相比,能够有效降低风速时间序列的随机波动对预测结果的影响,大大提升了风速预测的准确性和精确性。同时,CNNSVM能结合单一模型卷积神经网络(CNN)和支持向量机(SVM)的优点,因此具备强大的泛化能力和鲁棒性能,可大规模应用于风电场风速预测。
附图说明
图1为本发明提供的一种基于SSA-HMD-CNNSVM模型的短期风速预测模型流程图;
图2为本发明的CNNSVM模型的计算步骤。
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SSA-HMD-CNNSVM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:利用奇异谱分析SSA降低噪声并提取原始风速数据的趋势信息,通常,奇异谱分析SSA包括嵌入、奇异值分解SVD、分组和对角线平均四个步骤。嵌入和SVD属于数据分解,而分组和对角平均属于数据重建。奇异谱分析SSA的详细步骤描述如下:
步骤201、嵌入。在该步骤中,原始风速数据X=(X1,...,XN)被移位到具有L维度的轨迹矩阵Y=(Y1,...,YL),其中2≤L≤N。轨迹矩阵Y的每个元素定义为Yi=(Xi,...Xi+L-1),轨迹矩阵Y如下:
式中,K=N-L+1。
步骤202、奇异值分解SVD。在该步骤中,轨迹矩阵r可以分解为d个部分,其中d=rank(Y),rank()表示矩阵Y的秩,通过奇异值分解SVD,矩阵YYT的eigentirples(λf,Ui,Vi)可以按位λi的降序获得,其中,λi表示奇异值,Ui表示左本征向量,Vi表示右本征向量,eigentirples()表示矩阵Y的三重特征向量,轨迹矩阵Y重写如下:
Y=Y1+Y2+…Yd
步骤203、分组。在该步骤中,选择d个组件中的m个作为趋势组件。定义I=(I1,...Im)和然后YI可以表示风速数据的趋势分量,而其他(d-m)分量被视为噪音。
步骤204、对角线平均。在这一步骤中,通过Hankelization程序,获得的组被转移到时间序列组然后原始风速时间序列可以定义如下:
式中,Xtrend表示X的趋势信号,Xnoise表示X的噪声信号。
步骤三:利用混合模式分解HMD对风速数据进行深度分解,其由VMD变分模式分解、样本熵SE和小波包分解WPD组成,包括以下步骤:
步骤301、首先通过VMD算法将风速分解为BLIMF的集合。VMD可以利用中心频率f的每个模式ui将非平稳信号X(t)分解成多个带限固有模式函数BLIMF。模式的数量由EMD算法预定义,表示为K。对于输入信号X(t),VMD从中提取K个分量以最小化它们的频率带宽之和,并约束每个模式的聚合等于给定的X(t)。目标函数描述如下:
式中,其中δ(t)和*分别表示狄拉克分布和卷积;ui表示变分模态集合;表示变分模态对应的中心频率;
步骤302、然后计算所有BLIMF的SE值。风速子系列的稳定性取决于它们的SE值:较大的SE值表示信号的较高复杂度,而较低的SE值表示信号具有较低的复杂度和较高的自相似性。
步骤303、最后通过WPD将最无系统和无序的子系列(具有最高SE值)进一步分解成相对稳定的分量。
步骤四:采用卷积支持向量机CNNSVM对各个风速子层进行预测。设计的CNNSVM可以将CNN方法与SVM方法相结合,具有两种方法的优点。CNNSVM的计算步骤可以描述如下:
步骤401、基于每个风速子层的训练数据建立和训练CNN模型。每个CNN模型包括三个卷积层和两个完全连接的层。在卷积层中,通道分别为4、8和16。激活函数和优化函数分别是ReLU和Adam算法。此外,为了提高CNN模型的泛化性能,在多层体系结构中使用了dropout和Lasso正则化。在卷积层3和完全连接的层1之间使用dropout,dropout的比率是p=0.7。Lasso正则化的比例为0.01,损失函数是均方误差和Lasso正则化的总和。
步骤402、提取CNN模型的完全连通层1作为SVM的输入特征,然后构建和训练SVM模型。为了改善SVM模型的推广和鲁棒性,使用网格搜索来搜索ε和C,ε表示损失因子,C表示正则化常数。
步骤403、保存CNN训练模型和SVM训练模型。
步骤404、重新加载训练模型,建立测试模型。通过直接连接完全连接的层1和SVM层来构建测试模型。共享训练模型和测试模型的参数。
步骤五: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)

1.一种基于SSA-HMD-CNNSVM模型的短期风速预测方法,其特征在于,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;
步骤二:利用奇异谱分析SSA降低风速时间序列的噪声,并提取原始风速时间序列的趋势信息;
步骤三:利用混合模式分解HMD对步骤二得到的风速数据进行深度分解,混合模式分解HMD由变分模式分解VMD、样本熵SE和小波包分解WPD组成;
步骤四:采用卷积支持向量机CNNSVM对步骤三分解得到的各个风速子层进行预测;
步骤五:对步骤四预测得到的所有风速子层的预测结果进行叠加,进而得到最终的风速预测结果。
2.按照权利要求1所述的一种基于SSA-HMD-CNNSVM模型的短期风速预测方法,其特征在于,所述的步骤一中,对风速时间序列中的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。
3.按照权利要求1所述的一种基于SSA-HMD-CNNSVM模型的短期风速预测方法,其特征在于,所述的步骤二中,奇异谱分析SSA包括嵌入、奇异值分解SVD、分组和对角线平均四个步骤,其中,嵌入和奇异值分解SVD属于数据分解,而分组和对角平均属于数据重建。
4.按照权利要求3所述的一种基于SSA-HMD-CNNSVM模型的短期风速预测方法,其特征在于,所述的步骤二中,所述奇异谱分析SSA包括以下步骤:
步骤201、嵌入
原始风速数据X=(X1,...,XN)被移位到具有L维度的轨迹矩阵Y=(Y1,...,YL),其中,2≤L≤N,轨迹矩阵Y的每个元素定义为Yi=(Xi,...,Xi+L-1),轨迹矩阵Y如下:
式中,K=N-L+1;
步骤202、奇异值分解SVD
轨迹矩阵Y可以分解为d个部分,其中d=rank(Y),rank()表示矩阵Y的秩,通过奇异值分解SVD,矩阵YYT的eigentirples(λi,Ui,Vi)可以按位λi的降序获得,其中,λi表示奇异值,Ui表示左本征向量,Vi表示右本征向量,eigentirples()表示矩阵Y的三重特征向量,轨迹矩阵Y重写如下:
Y=Y1+Y2+...Yd,式中,
步骤203、分组
选择d个组件中的m个作为趋势组件,定义I={I1,...Im}和然后YI可以表示风速数据的趋势分量,而其他(d-m)分量被视为噪音;
步骤204、对角线平均
通过Hankelization程序,获得的组被转移到时间序列组然后原始风速时间序列定义如下:
式中,Xtrend表示X的趋势信号,Xnoise表示X的噪声信号。
5.按照权利要求1所述的一种基于SSA-HMD-CNNSVM模型的短期风速预测方法,其特征在于,所述的步骤三中,利用混合模式分解HMD对风速数据进行深度分解包括以下步骤:
步骤301、首先通过变分模式分解VMD将风速分解为BLIMF的集合,变分模式分解VMD利用中心频率i的每个模式ui将非平稳信号X(t)分解成多个带限固有模式函数BLIMF,模式的数量由EMD算法预定义,表示为K,对于输入信号X(t),VMD从中提取K个分量以最小化它们的频率带宽之和,并约束每个模式的聚合等于给定的X(t),目标函数描述如下:
式中,其中δ(t)和*分别表示狄拉克分布和卷积;ui表示变分模态集合;表示变分模态对应的中心频率;
步骤302、计算所有BLIMF的SE值,风速子系列的稳定性取决于它们的SE值:较大的SE值表示信号的较高复杂度,而较低的SE值表示信号具有较低的复杂度和较高的自相似性;
步骤303、通过小波包分解WPD将最无系统和无序的子系列,具有最高SE值,进一步分解成相对稳定的分量。
6.按照权利要求1所述的一种基于SSA-HMD-CNNSVM模型的短期风速预测方法,其特征在于,所述的步骤四中,采用卷积支持向量机(CNNSVM)对各个风速子层进行预测包括以下步骤:
步骤401、基于每个风速子层的训练数据建立和训练CNN模型,每个CNN模型包括三个卷积层和两个完全连接的层,在卷积层中,通道分别为4、8和16。激活函数和优化函数分别是ReLU和Adam算法,在多层体系结构中使用了dropout和Lasso正则化,在卷积层三和完全连接的层一之间使用dropout正则化,dropout正则化的比率是p=0.7,Lasso正则化的比例为0.01,损失函数是均方误差和Lasso正则化的总和。
步骤402、提取CNN模型的完全连通层一作为SVM的输入特征,然后构建和训练SVM模型,使用网格搜索来搜索ε和C,ε表示损失因子,C表示正则化常数;
步骤403、保存CNN训练模型和SVM训练模型;
步骤404、重新加载训练模型,建立测试模型,通过直接连接完全连接的层1和SVM层来构建测试模型,共享训练模型和测试模型的参数。
CN201910349131.3A 2019-04-28 2019-04-28 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法 Pending CN110083940A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910349131.3A CN110083940A (zh) 2019-04-28 2019-04-28 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910349131.3A CN110083940A (zh) 2019-04-28 2019-04-28 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法

Publications (1)

Publication Number Publication Date
CN110083940A true CN110083940A (zh) 2019-08-02

Family

ID=67417287

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910349131.3A Pending CN110083940A (zh) 2019-04-28 2019-04-28 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法

Country Status (1)

Country Link
CN (1) CN110083940A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461416A (zh) * 2020-03-23 2020-07-28 上海电气风电集团股份有限公司 风速预测方法、系统、电子设备及存储介质
CN111461418A (zh) * 2020-03-23 2020-07-28 上海电气风电集团股份有限公司 风速预测方法、系统、电子设备及存储介质
CN111581596A (zh) * 2020-05-29 2020-08-25 广东电网有限责任公司 一种变压器油中溶解气体浓度预测方法
CN111950505A (zh) * 2020-08-24 2020-11-17 湖南科技大学 一种ssa-aann的风力发电机传感器状态评估方法
CN112132365A (zh) * 2020-11-24 2020-12-25 中国电力科学研究院有限公司 一种基于多尺度特征的预报风速订正方法和系统
CN112418553A (zh) * 2020-12-07 2021-02-26 江苏科技大学 一种基于vmd-cnn网络的海上风电控制方法
CN112464923A (zh) * 2021-02-03 2021-03-09 四川轻化工大学 一种基于改进变分模态分解的磁瓦内部缺陷检测方法
CN112801332A (zh) * 2020-11-18 2021-05-14 国网江苏省电力有限公司江阴市供电分公司 一种基于灰度共生矩阵的短期风速预测方法
CN112948462A (zh) * 2021-02-26 2021-06-11 武汉大学 一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法
CN115345367A (zh) * 2022-08-16 2022-11-15 哈尔滨工业大学 一种基于实时去噪的大跨度桥梁风速预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608271A (zh) * 2015-12-21 2016-05-25 武汉大学 一种基于分解与优化的短期风速时序预测方法
CN107730054A (zh) * 2017-11-15 2018-02-23 西南石油大学 一种基于支持向量回归的燃气负荷组合预测方法
CN109146186A (zh) * 2018-08-29 2019-01-04 广东工业大学 一种基于双重分解的短期风电功率预测方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608271A (zh) * 2015-12-21 2016-05-25 武汉大学 一种基于分解与优化的短期风速时序预测方法
CN107730054A (zh) * 2017-11-15 2018-02-23 西南石油大学 一种基于支持向量回归的燃气负荷组合预测方法
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
CN109146186A (zh) * 2018-08-29 2019-01-04 广东工业大学 一种基于双重分解的短期风电功率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张贵勇: "改进的卷积神经网络在金融预测中的应用研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461416B (zh) * 2020-03-23 2023-07-18 上海电气风电集团股份有限公司 风速预测方法、系统、电子设备及存储介质
CN111461418A (zh) * 2020-03-23 2020-07-28 上海电气风电集团股份有限公司 风速预测方法、系统、电子设备及存储介质
CN111461416A (zh) * 2020-03-23 2020-07-28 上海电气风电集团股份有限公司 风速预测方法、系统、电子设备及存储介质
CN111461418B (zh) * 2020-03-23 2023-07-18 上海电气风电集团股份有限公司 风速预测方法、系统、电子设备及存储介质
CN111581596A (zh) * 2020-05-29 2020-08-25 广东电网有限责任公司 一种变压器油中溶解气体浓度预测方法
CN111950505A (zh) * 2020-08-24 2020-11-17 湖南科技大学 一种ssa-aann的风力发电机传感器状态评估方法
CN111950505B (zh) * 2020-08-24 2023-08-29 湖南科技大学 一种ssa-aann的风力发电机传感器状态评估方法
CN112801332B (zh) * 2020-11-18 2024-03-26 国网江苏省电力有限公司江阴市供电分公司 一种基于灰度共生矩阵的短期风速预测方法
CN112801332A (zh) * 2020-11-18 2021-05-14 国网江苏省电力有限公司江阴市供电分公司 一种基于灰度共生矩阵的短期风速预测方法
CN112132365A (zh) * 2020-11-24 2020-12-25 中国电力科学研究院有限公司 一种基于多尺度特征的预报风速订正方法和系统
CN112418553A (zh) * 2020-12-07 2021-02-26 江苏科技大学 一种基于vmd-cnn网络的海上风电控制方法
CN112464923A (zh) * 2021-02-03 2021-03-09 四川轻化工大学 一种基于改进变分模态分解的磁瓦内部缺陷检测方法
CN112464923B (zh) * 2021-02-03 2021-04-13 四川轻化工大学 一种基于改进变分模态分解的磁瓦内部缺陷检测方法
CN112948462A (zh) * 2021-02-26 2021-06-11 武汉大学 一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法
CN115345367A (zh) * 2022-08-16 2022-11-15 哈尔滨工业大学 一种基于实时去噪的大跨度桥梁风速预测方法

Similar Documents

Publication Publication Date Title
CN110083940A (zh) 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法
Huang et al. Two novel hybrid linear and nonlinear models for wind speed forecasting
CN106778923B (zh) 一种电能质量扰动信号分类方法及装置
CN111950594A (zh) 基于子图采样的大规模属性图上的无监督图表示学习方法和装置
CN110082841A (zh) 一种短期风速预测方法
CN108336739B (zh) 一种基于rbf神经网络的概率潮流在线计算方法
Dou et al. Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition
CN110443724B (zh) 一种基于深度学习的电力系统快速状态估计方法
Caraka et al. Employing best input SVR robust lost function with nature-inspired metaheuristics in wind speed energy forecasting
Wang et al. Short-term wind speed prediction using support vector regression
CN110765703A (zh) 一种风电场聚合特性建模方法
Liao et al. Data-driven missing data imputation for wind farms using context encoder
Wang et al. Singular value decomposition‐based load indexes for load profiles clustering
Chen et al. Multi-channel domain adaptation graph convolutional networks-based fault diagnosis method and with its application
Yee et al. Comparison between artificial neural network and arima model in forecasting palm oil price in Malaysia
Xu et al. A novel hybrid wind speed interval prediction model based on mode decomposition and gated recursive neural network
Sun et al. A short-term power load prediction algorithm of based on power load factor deep cluster neural network
Zhu et al. Wind power prediction based on the chaos theory and the GABP neural network
Wang et al. Wind turbine output power prediction by a segmented multivariate polynomial-XGBoost model
Wang et al. The combination forecasting of electricity price based on price spikes processing: a case study in south Australia
CN117688504B (zh) 基于图结构学习的物联网异常检测方法及装置
CN117314883B (zh) 基于EWT和VGGNet的配电网故障选线方法及系统
Shi et al. A multi-constrained matrix factorization approach for community detection relying on alternating-direction-method of multipliers
Wang et al. Optimization of Short-Term Load Forecasting Based on Fractal Theory
CN107607788A (zh) 一种基于联合对角化法的谐波阻抗估算方法

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

Application publication date: 20190802

WD01 Invention patent application deemed withdrawn after publication