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 PDFInfo
- 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
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 31
- 238000012706 support-vector machine Methods 0.000 claims abstract description 22
- 239000000284 extract Substances 0.000 claims abstract description 10
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 12
- 238000003780 insertion Methods 0.000 claims description 9
- 230000037431 insertion Effects 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 238000003475 lamination Methods 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 abstract description 16
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000000034 method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
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。
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)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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)
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 |
-
2019
- 2019-04-28 CN CN201910349131.3A patent/CN110083940A/zh active Pending
Patent Citations (4)
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)
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)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
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 | |
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 | |
Priyadarshini et al. | Detection of islanding and non-islanding fault disturbances in microgrid using LMD and deep stacked RVFLN based auto-encoder | |
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. | 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 | |
Huang et al. | Rolling bearing diagnosis based on LMD and neural network | |
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 |