CN110363360A - 一种短期风电功率预测方法、装置及设备 - Google Patents
一种短期风电功率预测方法、装置及设备 Download PDFInfo
- Publication number
- CN110363360A CN110363360A CN201910671644.6A CN201910671644A CN110363360A CN 110363360 A CN110363360 A CN 110363360A CN 201910671644 A CN201910671644 A CN 201910671644A CN 110363360 A CN110363360 A CN 110363360A
- Authority
- CN
- China
- Prior art keywords
- wind power
- time
- wind
- subsequence
- mode 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 115
- 230000015654 memory Effects 0.000 claims abstract description 51
- 230000001537 neural effect Effects 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 47
- 238000013135 deep learning Methods 0.000 claims description 31
- 230000008878 coupling Effects 0.000 claims description 14
- 238000010168 coupling process Methods 0.000 claims description 14
- 238000005859 coupling reaction Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 230000007787 long-term memory Effects 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 15
- 210000004027 cell Anatomy 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- 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
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本申请公开了一种短期风电功率预测方法、装置、设备及计算机可读存储介质，方法包括：得到风电功率时间序列、风速时间序列和风向时间序列；依次利用经验模式分解和除经验模式分解之外的模式分解对风电功率时间序列和风速时间序列进行分解，得到多个风电功率时间子序列和多个风速时间子序列；获取风向时间序列的正弦值和余弦值，并得到预设数量个张量；利用卷积神经网络‑长短时记忆深度学习预测模型对每个张量进行预测，得到预测风电功率子序列；通过各预测风电功率子序列得到风电功率预测结果。本申请公开的上述技术方案，利用经验模式分解、除经验模式分解之外的模式分解及卷积神经网络‑长短时记忆深度学习预测模型提高风电功率预测的准确性。
Description
技术领域
本申请涉及风力发电技术领域，更具体地说，涉及一种短期风电功率预测方法、装置、设备及计算机可读存储介质。
背景技术
随着传统能源的日益减少和环境问题的日益突出，风力发电因具有可再生性、清洁性等特点而得到广泛的应用。但是，由于风力发电会受到气候因素的影响，因此，风电功率系列是复杂、非平稳的信号。为了减少风力发电对电力系统的影响，则需要对风电功率进行预测。
目前，在进行风电功率预测时，常采用经验模式分解对风电数据进行分解，以产生高频本征模函数IMFs，并借助人工神经网络、支持向量机或极限学习机等机器学习算法进行功率预测。但是，由于高频本征模函数IMFs的颗粒度比较大，而且由于上述机器学习算法无法处理风电数据时间序列间关联信息和时间相关性，因此，则会导致风电功率预测的准确性低。
综上所述，如何提高风电功率预测的准确性，是目前本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本申请的目的是提供一种短期风电功率预测方法、装置、设备及计算机可读存储介质，以提高风电功率预测的准确性。
为了实现上述目的，本申请提供如下技术方案：
一种短期风电功率预测方法，包括：
获取预设时间段内的风电历史数据，得到风电功率时间序列、风速时间序列和风向时间序列；
依次利用经验模式分解和除经验模式分解之外的模式分解分别对所述风电功率时间序列和所述风速时间序列进行分解，得到多个风电功率时间子序列和多个风速时间子序列；其中，所述除经验模式分解之外的模式分解为变分模式分解、集合经验模式分解、小波分解、小波包分解中的任意一种；
获取所述风向时间序列的正弦值和余弦值，并利用各所述风电功率时间子序列、各所述风速时间子序列、所述正弦值和所述余弦值得到预设数量个张量；
利用预先建立的卷积神经网络-长短时记忆深度学习预测模型对每个所述张量进行预测，以得到预测风电功率子序列；
通过各所述预测风电功率子序列得到风电功率预测结果。
优选的，利用经验模式分解对所述风电功率时间序列和所述风速时间序列进行分解，包括：
确定X(t)的所有局部极值，X(t)为所述风电功率时间序列中的风电功率数据、所述风速时间序列中的风速数据；
连接所有所述局部极值的最大点，并利用三次样条插值函数进行拟合，以形成上包络线XU(t)；
连接所有所述局部极值的最小点，并利用所述三次样条插值函数进行拟合，以形成下包络线XL(t)；
利用M(t)＝[XU(t)+XL(t)]/2得到均值包络线M(t)，并利用Y(t)＝X(t)-M(t)得到数据序列Y(t)；
判断Y(t)是否满足高频本征模函数IMF的两个条件，若满足，则确定Y(t)为一个IMF分量，并设定C(t)＝Y(t)，若不满足，则将X(t)替换为Y(t)，并返回执行所述确定X(t)的所有局部极值的步骤；
利用R(t)＝X(t)-C(t)得到剩余量R(t)，将X(t)替换为R(t)，并返回执行所述确定X(t)的所有局部极值的步骤，直至找到所有的IMF分量为止。
优选的，利用所述变分模式分解对所述风电功率时间序列和所述风速时间序列进行分解，包括：
通过所述IMF分量得到IMF1分量，并利用希尔伯特变换分别对所述风电功率时间序列对应的IMF1分量、所述风速时间序列对应的IMF1分量进行处理，得到每个模态函数uk(t)的解析信号，并获得单边频谱；其中，uk(t)为分解后获得的K个模态分量，uk＝{u1，u2，...，uK}，k＝1,2,...K；
在uk(t)中混合相应的指数项，以使每个模态的频谱调整到基频带；
计算解调信号梯度的平方L2范数，并计算每个所述模态的宽度，以使K个模态函数uk(t)之和等于IMF1(t)，并使得各所述模态的估计宽带之和最小：其中，是Dirac分布，为模态函数的单边频谱，为模态解析信号的中心频率，K为模态函数的数量，*代表卷积运算，wk为每个模态对应的中心脉动频率，wk＝{w1，w2，...，wK}；
通过二次惩罚项拉格朗日乘数将转换为无约束优化问题，形成扩展拉格朗日表达式： 其中，α为数据保真度约束的平衡参数，λ(t)为拉格朗日算子；
通过交替更新和λn+1寻找扩展拉格朗日表达式的鞍点，其中，
判断与判别精度e的关系，其中，e＞0；
若则停止迭代，以获得一个时间子序列，若则返回执行所述通过交替更新和λn+1寻找扩展拉格朗日表达式的鞍点的步骤，以得到剩余的时间子序列。
优选的，预先建立卷积神经网络-长短时记忆深度学习预测模型，包括：
动态选择训练样本，利用所述训练样本建立所述卷积神经网络-长短时记忆深度学习预测模型。
优选的，利用预先建立的卷积神经网络-长短时记忆深度学习预测模型对每个所述张量进行预测，以得到预测风电功率子序列，包括：
利用卷积神经网络提取所述风电功率时间子序列、风速时间子序列与风向时间序列之间的耦合关系的隐含特征；
将所述隐含特征作为长短时记忆网络的输入，通过所述长短时记忆网络分别提取各所述风电功率时间子序列的时间相关性特征、各所述风速时间子序列的时间相关性特征；
利用所提取到的时间相关性特征、所述隐含特征及所述卷积神经网络-长短时记忆深度学习预测模型进行预测，以得到所述预测风电功率子序列。
优选的，用卷积神经网络分别提取各所述风电功率时间子序列耦合关系的隐含特征、各所述风速时间子序列耦合关系的隐含特征，包括：
利用所述卷积神经网络对所述张量进行卷积操作，以得到一个一维的向量y＝(y1,y2,...,yT)，其中，T为时间步长；
其中，所述卷积神经网络包括3个卷积层和1个扁平层，各个卷积核的数目分别为4、8和16。
优选的，所述长短时记忆网络包括3个神经网络层，各所述神经网络层所包含的神经元的数目分别为4、8和16。
一种短期风电功率预测装置，包括：
第一获取模块，用于获取预设时间段内的风电历史数据，得到风电功率时间序列、风速时间序列和风向时间序列；
分解模块，用于依次利用经验模式分解和除经验模式分解之外的模式分解分别对所述风电功率时间序列和所述风速时间序列进行分解，得到多个风电功率时间子序列和多个风速时间子序列；其中，所述除经验模式分解之外的模式分解为变分模式分解、集合经验模式分解、小波分解、小波包分解中的任意一种；
第二获取模块，用于获取所述风向时间序列的正弦值和余弦值，并利用各所述风电功率时间子序列、各所述风速时间子序列、所述正弦值和所述余弦值得到预设数量个张量；
预测模块，用于利用预先建立的卷积神经网络-长短时记忆深度学习预测模型对每个所述张量进行预测，以得到预测风电功率子序列；
得到预测结果模块，用于通过各所述预测风电功率子序列得到风电功率预测结果。
一种短期风电功率预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述任一项所述的短期风电功率预测方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的短期风电功率预测方法的步骤。
本申请提供了一种短期风电功率预测方法、装置、设备及计算机可读存储介质，其中，该方法包括：获取预设时间段内的风电历史数据，得到风电功率时间序列、风速时间序列和风向时间序列；依次利用经验模式分解和除经验模式分解之外的模式分解分别对风电功率时间序列和风速时间序列进行分解，得到多个风电功率时间子序列和多个风速时间子序列；其中，除经验模式分解之外的模式分解为变分模式分解、集合经验模式分解、小波分解、小波包分解中的任意一种；获取风向时间序列的正弦值和余弦值，并利用各风电功率时间子序列、各风速时间子序列、正弦值和余弦值得到预设数量个张量；利用预先建立的卷积神经网络-长短时记忆深度学习预测模型对每个张量进行预测，以得到预测风电功率子序列；通过各预测风电功率子序列得到风电功率预测结果。
本申请公开的上述技术方案，依次利用经验模式分解和除经验模式分解之外的模式分解对风电功率时间序列和风速时间序列进行分解，以通过变分模式分解、集合经验模式分解、小波分解、小波包分解中的任意一种模式分解将经验模式分解所得的高频本征模函数IMF1分解成颗粒度更细的时间序列，以提高风电功率预测的准确性。另外，利用预先建立的卷积神经网络-长短时记忆深度学习预测模型提取张量中的风电功率时间子序列、风速时间子序列和风向之间的耦合关系的隐含特征和各风电功率时间子序列之间、各风速时间子序列之间的时间相关特征，以解决传统机器学习无法处理时间序列间关联信息和时间相关性的缺陷，从而提高风电功率预测的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种短期风电功率预测方法的流程图；
图2为本申请实施例提供的一种输入结构的示意图；
图3为本申请实施例提供的另一种短期风电功率预测方法的流程示意图；
图4为本申请实施例提供的一种卷积神经网络-长短时记忆深度学习预测模型示意图；
图5为应用本申请所提供的短期风电功率预测方法进行风电功率预测所得到的预测效果图；
图6为本申请实施例提供的三种预测模型预测效果对比图；
图7为本申请实施例提供的一种短期风电功率预测装置的结构示意图；
图8为本申请实施例提供的一种短期风电功率预测设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参见图1，其示出了本申请实施例提供的一种短期风电功率预测方法的流程图，可以包括：
S1：获取预设时间段内的风电历史数据，得到风电功率时间序列、风速时间序列和风向时间序列。
其中，预设时间段内的风电历史数据可以为过往的连续一个月(也可以为其他的时间段)内的风电功率、风速和风向，而且在获取风电历史数据时，可以按照采集间隔为1h进行采集，即一天一共可以有72个数据点(每个小时包括风电功率、风速和风向这三个数据点)。
在获取预设时间段内的风电功率、风速和风向时，可以按照时间顺序分别对这三类数据进行预处理和排列，以对应得到风电功率时间序列、风速时间序列和风向时间序列。
S2：依次利用经验模式分解和除经验模式分解之外的模式分解分别对风电功率时间序列和风速时间序列进行分解，得到多个风电功率时间子序列和多个风速时间子序列。
其中，除经验模式分解之外的模式分解为变分模式分解、集合经验模式分解、小波分解、小波包分解中的任意一种。
在得到上述三种风电数据的时间序列之后，可以先利用经验模式分解分别对风电功率时间序列和风速时间序列做一次分解处理，以对应获得风电功率时间序列的多个本征模函数分量、风速时间序列的多个本征模函数分量。之后，则可以利用除经验模式分解之外的模式分解分别对风电功率时间序列的高频本征模函数分量IMF1、风速时间序列的高频本征模函数分量IMF1进行进一步的分解，以得到颗粒度比高频本征模函数分量IMF1更细小的多个模态分量，即对应得到多个风电功率时间子序列和多个风速时间子序列，从而提高风电功率预测的准确性，也即是说，可以通过二次模式分解而将风电功率时间序列和风速时间序列分解成颗粒度更小的风电功率时间子序列和风速时间子序列。
其中，除经验模式分解之外的模式分解可以为变分模式分解、集合经验模式分解、小波分解、小波包分解中的任意一种，这些模式分解均可以将高频本征模函数分量IMF1分解成颗粒度更加细小的多个模态分量。
S3：获取风向时间序列的正弦值和余弦值，并利用各风电功率时间子序列、各风速时间子序列、正弦值和余弦值得到预设数量个张量。
在得到风向时间序列之后，可以计算风向时间序列的正弦值和余弦值。然后，则可以将经过二次模式分解得到的各风电功率时间子序列、各风速时间子序列、风向时间序列的正弦值和余弦值拼接起来，形成预设数量个m@T×n的张量，其中，T为时间步长，n为特征数，m为通道数量。另外，预设数量可以预先根据预测精度、经验进行设置。
具体可以参见图2，其示出了本申请实施例提供的一种输入结构的示意图，其以1@6×4的张量为例进行说明，其中，SLWP为风电功率时间子序列，SLWS为风速时间子序列，SWD为风向时间序列的正弦值，CWD为风向时间序列的余弦值。
S4：利用预先建立的卷积神经网络-长短时记忆深度学习预测模型对每个张量进行预测，以得到预测风电功率子序列。
在形成预设数量个m@T×n的张量之后，则可以对每个张量采用预先建立的卷积神经网络-长短时记忆深度学习预测模型进行提前1h或者提前其他时间长度的预测，以得到与每个张量对应的预测风电功率子序列。
其中，由于预先建立的卷积神经网络-长短时记忆深度学习预测模型可以提取风电功率时间子序列、风速时间子序列和风向之间的耦合关系的隐含特征，并可以进一步挖掘个风电功率时间子序列之间的时间相关特征和风速时间子序列之间的时间相关特征，因此，可以解决传统机器学习无法处理时间序列间关联信息和时间相关性的缺陷，从而可以提高风电功率预测的准确性。
S5：通过各预测风电功率子序列得到风电功率预测结果。
在得到各张量对应的预测风电功率子序列之后，可以对各预测风电功率子序列进行叠加，以得到风电功率预测结果。
本申请公开的上述技术方案，依次利用经验模式分解和除经验模式分解之外的模式分解对风电功率时间序列和风速时间序列进行分解，以通过变分模式分解、集合经验模式分解、小波分解、小波包分解中的任意一种模式分解将经验模式分解所得的高频本征模函数IMF1分解成颗粒度更细的时间序列，以提高风电功率预测的准确性。另外，利用预先建立的卷积神经网络-长短时记忆深度学习预测模型提取张量中的风电功率时间子序列、风速时间子序列和风向之间的耦合关系的隐含特征和各风电功率时间子序列之间、各风速时间子序列之间的时间相关特征，以解决传统机器学习无法处理时间序列间关联信息和时间相关性的缺陷，从而提高风电功率预测的准确性。
本申请实施例提供的一种短期风电功率预测方法，利用经验模式分解对风电功率时间序列和风速时间序列进行分解，可以包括：
S211：确定X(t)的所有局部极值，X(t)为风电功率时间序列中的风电功率数据、风速时间序列中的风速数据；
S212：连接所有局部极值的最大点，并利用三次样条插值函数进行拟合，以形成上包络线XU(t)；
S213：连接所有局部极值的最小点，并利用三次样条插值函数进行拟合，以形成下包络线XL(t)；
S214：利用M(t)＝[XU(t)+XL(t)]/2得到均值包络线M(t)，并利用Y(t)＝X(t)-M(t)得到数据序列Y(t)；
S215：判断Y(t)是否满足高频本征模函数IMF的两个条件，若满足，则确定Y(t)为一个IMF分量，并设定C(t)＝Y(t)，若不满足，则将X(t)替换为Y(t)，并返回执行确定X(t)的所有局部极值的步骤；
S216：若满足，则利用R(t)＝X(t)-C(t)得到剩余量R(t)，将X(t)替换为R(t)，并返回执行确定X(t)的所有局部极值的步骤，直至找到所有的IMF分量为止。
其中，在步骤S215中，若Y(t)不满足高频本征模函数IMF的两个条件，则将X(t)替换为Y(t)，并重复执行步骤S211至S215的步骤，若Y(t)满足高频本征模函数IMF的两个条件，则确定Y(t)为一个IMF分量，并设定C(t)＝Y(t)，且执行步骤S216。在执行完步骤S216之后，重复执行步骤S211至步骤S216，直至所有的IMF分量都找到为止。
另外，在找到所有的IMF分量之后，风电功率时间序列/风速时间序列则可以表示为其中，IMFi(t)为经过经验模式分解得到的风电功率/风速本征模函数分量，Rn(t)为剩余量。
参见图3，其示出了本申请实施例提供的另一种短期风电功率预测方法的流程示意图。本申请实施例提供的一种短期风电功率预测方法，利用变分模式分解对风电功率时间序列和风速时间序列进行分解，可以包括：
S221：通过IMF分量得到IMF1分量，并利用希尔伯特变换分别对风电功率时间序列对应的IMF1分量、风速时间序列对应的IMF1分量进行处理，得到每个模态函数uk(t)的解析信号，并获得单边频谱；其中，uk(t)为分解后获得的K个模态分量，uk＝{u1，u2，...，uK}，k＝1,2,...K；
S222：在uk(t)中混合相应的指数项，以使每个模态的频谱调整到基频带；
S223：计算解调信号梯度的平方L2范数，并计算每个模态的宽度，以使K个模态函数uk(t)之和等于IMF1(t)，并使得各模态的估计宽带之和最小：其中，是Dirac分布，为模态函数的单边频谱，为模态解析信号的中心频率，K为模态函数的数量，*代表卷积运算，wk为每个模态对应的中心脉动频率，wk＝{w1，w2，...，wK}；
S224：通过二次惩罚项拉格朗日乘数将转换为无约束优化问题，形成扩展拉格朗日表达式： 其中，α为数据保真度约束的平衡参数，λ(t)为拉格朗日算子；
S225：通过交替更新和λn+1寻找扩展拉格朗日表达式的鞍点，其中，
S226：判断与判别精度e的关系，其中，e＞0；
S227：若则停止迭代，以获得一个时间子序列，若则返回执行通过交替更新和λn+1寻找扩展拉格朗日表达式的鞍点的步骤，以得到剩余的时间子序列。
在经过经验模式分解得到风电功率时间序列的多个本征模函数分量和风速时间序列的多个本征模函数分量之后，则可以执行步骤S221以及后续步骤。其中，在执行步骤S222时，可以预估各模态解析信号的中心频率然后，可以再将每个模态的频谱调制到基频带：在步骤S227中，若则停止迭代，以获得一个模态分量U1(即获得一个时间子序列)，若则重复执行步骤S225和步骤S226，以获取到剩余的模态分量U2,U3,...,Un(即获得剩余的时间子序列)。
在图3中，CNN-LSTM即为卷积神经网络-长短时记忆深度学习预测模型。
本申请实施例提供的一种短期风电功率预测方法，预先建立卷积神经网络-长短时记忆深度学习预测模型，可以包括：
动态选择训练样本，利用训练样本建立卷积神经网络-长短时记忆深度学习预测模型。
在预先建立卷积神经网络-长短时记忆深度学习预测模型时，可以动态选择训练样本，然后，利用动态选择的训练样本建立卷积神经网络-长短时记忆深度学习预测模型。其中，可以选择所获取到的风电历史数据中的600个数据作为训练样本，当然，也可以选取其他数量的数据作为训练样本，本申请对此不做任何限定。
通过动态选择训练样本来建立预测模型的方式可以提高所建立的预测模型的可靠性，从而可以进一步提高预测模型进行风电功率预测的准确性和可靠性。
本申请实施例提供的一种短期风电功率预测方法，利用预先建立的卷积神经网络-长短时记忆深度学习预测模型对每个张量进行预测，以得到预测风电功率子序列，可以包括：
S41：利用卷积神经网络提取风电功率时间子序列、风速时间子序列与风向时间序列之间的耦合关系的隐含特征；
S42：将隐含特征作为长短时记忆网络的输入，通过长短时记忆网络分别提取各风电功率时间子序列的时间相关性特征、各风速时间子序列的时间相关性特征；
S43：利用所提取到的时间相关性特征、隐含特征及卷积神经网络-长短时记忆深度学习预测模型进行预测，以得到预测风电功率子序列。
本申请实施例提供的一种短期风电功率预测方法，利用卷积神经网络分别提取各风电功率时间子序列耦合关系的隐含特征、各风速时间子序列耦合关系的隐含特征，可以包括：
S411：利用卷积神经网络对张量进行卷积操作，以得到一个一维的向量y＝(y1,y2,...,yT)，其中，T为时间步长；
其中，卷积神经网络可以包括3个卷积层和1个扁平层，各个卷积核的数目分别为4、8和16。
卷积神经网络包括3个卷积层和1个扁平层，3个卷积层的卷积核的数目分别为4、8和16。
卷积神经网络主要用于提取m@T×n的张量耦合关系的隐含特征，其中，卷积操作如下：
其中，Wi k-1为第k-1层的第i个特征图的输出值，为第k层第j个特征图与第k-1层第i个特征图之间的卷积核，为第k层第j个特征图所对应的阀值，Nj为输入的特征图的集合，第k层第j个特征图的输出值，f()为激活函数；
在经过卷积操作之后，通过卷积神经网络的扁平层将最终的特征图谱排列成一个一维的向量y＝(y1,y2,...,yT)，并将其作为长短时记忆网络的输入。
参见图4，其示出了本申请实施例提供的一种卷积神经网络-长短时记忆深度学习预测模型示意图。本申请实施例提供的一种短期风电功率预测方法，长短时记忆网络可以包括3个神经网络层，各神经网络层所包含的神经元的数目分别为4、8和16。
在长短时记忆网络中，其可以包括3个神经网络层，3个神经网络层所包含的神经元的数目分别为4、8和16。
在每个时刻，LSTM(长短时记忆网络)单元通过三个门接收当前数据输入yt、上一隐含状态ht-1和上一记忆单元状态Ct-1，并且计算过程如下：
(1)遗忘门帮助LSTM确定哪些信息将从记忆单元状态中删除：
f(t)＝σ(Wfxxt+Wfhht-1+bf)
(2)LSTM使用输入门it来确定将存储在新单元状态Ct中的新信息。计算过程如下：
it＝σ(Wixxt+Wihht-1+bi)
gt＝φ(Wgxxt+Wghht-1+bg)
Ct＝Ct-1⊙ft+gt⊙it
其中，gt为添加到新单元状态Ct中的候选值，Ct-1⊙ft的作用是确定有多少信息将从Ct-1中遗忘，gt⊙it的作用是确定有多少信息添加到新单元状态Ct，⊙为哈达马积。
(3)使用输出门ot计算ht：
ot＝σ(Woxxt+Wohht-1+bo)
ht＝ot⊙φ(Ct)
其中，σ和φ分别是sigmoid激活函数和tanh激活函数，Wfx、Wfh、Wix、Wih、Wgx、Wgh、Wox、Woh分别是遗忘门、输入门、输入节点、输出门的权重矩阵，bf、bi、bg、bo为对应的偏置，f(t)、it、gt、ot、Ct、ht分别是遗忘门、输入门、输入节点、输出门、记忆单元状态和隐含状态的输出结果，xt代表当前时刻的输入值。
具体可以参见图5，其示出了应用本申请所提供的短期风电功率预测方法进行风电功率预测所得到的预测效果图。另外，可将本申请通过经验模式分解-变分模式分解-卷积神经网络-长短时记忆网络(EMD-VMD-CNN-LSTM)得到的风电功率预测结果与应用经验模式分解的极限学习机(EMD-ELM)得到的风电功率预测结果、应用经验模式分解的BP神经网络(EMD-BP)得到的风电功率预测结果进行对比，具体可以参见表1、图6，其中，表1为不同模型预测结果误差表，图6为三种预测模型预测效果对比图：
表1不同模型预测结果误差
从表1和图6中可以看出，本申请所提供的EMD-VMD-CNN-LSTM的预测精度最高，与实际值相差最小，因此，本申请所提供的EMD-VMD-CNN-LSTM具有较高的预测精度。
本申请实施例还提供了一种短期风电功率预测装置，参见图7，其示出了本申请实施例提供的一种短期风电功率预测装置的结构示意图，可以包括：
第一获取模块1，用于获取预设时间段内的风电历史数据，得到风电功率时间序列、风速时间序列和风向时间序列；
分解模块2，用于依次利用经验模式分解和除经验模式分解之外的模式分解分别对风电功率时间序列和风速时间序列进行分解，得到多个风电功率时间子序列和多个风速时间子序列；其中，除经验模式分解之外的模式分解为变分模式分解、集合经验模式分解、小波分解、小波包分解中的任意一种；
第二获取模块3，用于获取风向时间序列的正弦值和余弦值，并利用各风电功率时间子序列、各风速时间子序列、正弦值和余弦值得到预设数量个张量；
预测模块4，用于利用预先建立的卷积神经网络-长短时记忆深度学习预测模型对每个张量进行预测，以得到预测风电功率子序列；
得到预测结果模块5，用于通过各预测风电功率子序列得到风电功率预测结果。
本申请实施例提供的一种短期风电功率预测装置，分解模块2可以包括：
确定单元，用于确定X(t)的所有局部极值，X(t)为风电功率时间序列中的风电功率数据、风速时间序列中的风速数据；
第一连接单元，用于连接所有局部极值的最大点，并利用三次样条插值函数进行拟合，以形成上包络线XU(t)；
第二连接单元，用于连接所有局部极值的最小点，并利用三次样条插值函数进行拟合，以形成下包络线XL(t)；
第一计算单元，用于利用M(t)＝[XU(t)+XL(t)]/2得到均值包络线M(t)，并利用Y(t)＝X(t)-M(t)得到数据序列Y(t)；
第一判断单元，用于判断Y(t)是否满足高频本征模函数IMF的两个条件，若满足，则确定Y(t)为一个IMF分量，并设定C(t)＝Y(t)，若不满足，则将X(t)替换为Y(t)，并返回执行确定X(t)的所有局部极值的步骤；
第二计算单元，用于利用R(t)＝X(t)-C(t)得到剩余量R(t)，将X(t)替换为R(t)，并返回执行确定X(t)的所有局部极值的步骤，直至找到所有的IMF分量为止。
本申请实施例提供的一种短期风电功率预测装置，分解模块2可以包括：
处理单元，用于通过IMF分量得到IMF1分量，并利用希尔伯特变换分别对风电功率时间序列对应的IMF1分量、风速时间序列对应的IMF1分量进行处理，得到每个模态函数uk(t)的解析信号，并获得单边频谱；其中，uk(t)为分解后获得的K个模态分量，uk＝{u1，u2，...，uK}，k＝1,2,...K；
混合单元，用于在uk(t)中混合相应的指数项，以使每个模态的频谱调整到基频带；
第三计算单元，用于计算解调信号梯度的平方L2范数，并计算每个模态的宽度，以使K个模态函数uk(t)之和等于IMF1(t)，并使得各模态的估计宽带之和最小：其中，是Dirac分布，为模态函数的单边频谱，为模态解析信号的中心频率，K为模态函数的数量，*代表卷积运算，wk为每个模态对应的中心脉动频率，wk＝{w1，w2，...，wK}；
转换单元，用于通过二次惩罚项拉格朗日乘数将转换为无约束优化问题，形成扩展拉格朗日表达式： 其中，α为数据保真度约束的平衡参数，λ(t)为拉格朗日算子；
更新单元，用于通过交替更新和λn+1寻找扩展拉格朗日表达式的鞍点，其中，
第二判断单元，用于判断与判别精度e的关系，其中，e＞0；
执行单元，用于若则停止迭代，以获得一个时间子序列，若则返回执行通过交替更新和λn+1寻找扩展拉格朗日表达式的鞍点的步骤，以得到剩余的时间子序列。
本申请实施例提供的一种短期风电功率预测装置，预测模块4可以包括：
建模单元，用于动态选择训练样本，利用训练样本建立卷积神经网络-长短时记忆深度学习预测模型。
本申请实施例提供的一种短期风电功率预测装置，预测模块4可以包括：
第一提取单元，用于利用卷积神经网络提取风电功率时间子序列、风速时间子序列与风向时间序列之间的耦合关系的隐含特征；
第二提取单元，用于将隐含特征作为长短时记忆网络的输入，通过长短时记忆网络分别提取各风电功率时间子序列的时间相关性特征、各风速时间子序列的时间相关性特征；
预测单元，用于利用所提取到的时间相关性特征、隐含特征及卷积神经网络-长短时记忆深度学习预测模型进行预测，以得到预测风电功率子序列。
本申请实施例还提供了一种短期风电功率预测设备，参见图8，其示出了本申请实施例提供的一种短期风电功率预测设备的结构示意图，可以包括：
存储器81，用于存储计算机程序；
处理器82，用于执行计算机程序时实现上述任一种短期风电功率预测方法的步骤。
本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述任一种短期风电功率预测方法的步骤。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例提供的一种短期风电功率预测装置、设备及计算机可读存储介质中相关部分的说明可以参见本申请实施例提供的一种短期风电功率预测方法中对应部分的详细说明，在此不再赘述。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外，本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种短期风电功率预测方法，其特征在于，包括：
获取预设时间段内的风电历史数据，得到风电功率时间序列、风速时间序列和风向时间序列；
依次利用经验模式分解和除经验模式分解之外的模式分解分别对所述风电功率时间序列和所述风速时间序列进行分解，得到多个风电功率时间子序列和多个风速时间子序列；其中，所述除经验模式分解之外的模式分解为变分模式分解、集合经验模式分解、小波分解、小波包分解中的任意一种；
获取所述风向时间序列的正弦值和余弦值，并利用各所述风电功率时间子序列、各所述风速时间子序列、所述正弦值和所述余弦值得到预设数量个张量；
利用预先建立的卷积神经网络-长短时记忆深度学习预测模型对每个所述张量进行预测，以得到预测风电功率子序列；
通过各所述预测风电功率子序列得到风电功率预测结果。
2.根据权利要求1所述的短期风电功率预测方法，其特征在于，利用经验模式分解对所述风电功率时间序列和所述风速时间序列进行分解，包括：
确定X(t)的所有局部极值，X(t)为所述风电功率时间序列中的风电功率数据、所述风速时间序列中的风速数据；
连接所有所述局部极值的最大点，并利用三次样条插值函数进行拟合，以形成上包络线XU(t)；
连接所有所述局部极值的最小点，并利用所述三次样条插值函数进行拟合，以形成下包络线XL(t)；
利用M(t)＝[XU(t)+XL(t)]/2得到均值包络线M(t)，并利用Y(t)＝X(t)-M(t)得到数据序列Y(t)；
判断Y(t)是否满足高频本征模函数IMF的两个条件，若满足，则确定Y(t)为一个IMF分量，并设定C(t)＝Y(t)，若不满足，则将X(t)替换为Y(t)，并返回执行所述确定X(t)的所有局部极值的步骤；
利用R(t)＝X(t)-C(t)得到剩余量R(t)，将X(t)替换为R(t)，并返回执行所述确定X(t)的所有局部极值的步骤，直至找到所有的IMF分量为止。
3.根据权利要求2所述的短期风电功率预测方法，其特征在于，利用所述变分模式分解对所述风电功率时间序列和所述风速时间序列进行分解，包括：
通过所述IMF分量得到IMF1分量，并利用希尔伯特变换分别对所述风电功率时间序列对应的IMF1分量、所述风速时间序列对应的IMF1分量进行处理，得到每个模态函数uk(t)的解析信号，并获得单边频谱；其中，uk(t)为分解后获得的K个模态分量，uk＝{u1，u2，...，uK}，k＝1,2,...K；
在uk(t)中混合相应的指数项，以使每个模态的频谱调整到基频带；
计算解调信号梯度的平方L2范数，并计算每个所述模态的宽度，以使K个模态函数uk(t)之和等于IMF1(t)，并使得各所述模态的估计宽带之和最小：其中，是Dirac分布，为模态函数的单边频谱，为模态解析信号的中心频率，K为模态函数的数量，*代表卷积运算，wk为每个模态对应的中心脉动频率，wk＝{w1，w2，...，wK}；
通过二次惩罚项拉格朗日乘数将转换为无约束优化问题，形成扩展拉格朗日表达式：，其中，α为数据保真度约束的平衡参数，λ(t)为拉格朗日算子；
通过交替更新和λn+1寻找扩展拉格朗日表达式的鞍点，其中，
判断与判别精度e的关系，其中，e＞0；
若则停止迭代，以获得一个时间子序列，若则返回执行所述通过交替更新和λn+1寻找扩展拉格朗日表达式的鞍点的步骤，以得到剩余的时间子序列。
4.根据权利要求1所述的短期风电功率预测方法，其特征在于，预先建立卷积神经网络-长短时记忆深度学习预测模型，包括：
动态选择训练样本，利用所述训练样本建立所述卷积神经网络-长短时记忆深度学习预测模型。
5.根据权利要求1所述的短期风电功率预测方法，其特征在于，利用预先建立的卷积神经网络-长短时记忆深度学习预测模型对每个所述张量进行预测，以得到预测风电功率子序列，包括：
利用卷积神经网络提取所述风电功率时间子序列、风速时间子序列与风向时间序列之间的耦合关系的隐含特征；
将所述隐含特征作为长短时记忆网络的输入，通过所述长短时记忆网络分别提取各所述风电功率时间子序列的时间相关性特征、各所述风速时间子序列的时间相关性特征；
利用所提取到的时间相关性特征、所述隐含特征及所述卷积神经网络-长短时记忆深度学习预测模型进行预测，以得到所述预测风电功率子序列。
6.根据权利要求5所述的短期风电功率预测方法，其特征在于，利用卷积神经网络分别提取各所述风电功率时间子序列耦合关系的隐含特征、各所述风速时间子序列耦合关系的隐含特征，包括：
利用所述卷积神经网络对所述张量进行卷积操作，以得到一个一维的向量y＝(y1,y2,...,yT)，其中，T为时间步长；
其中，所述卷积神经网络包括3个卷积层和1个扁平层，各个卷积核的数目分别为4、8和16。
7.根据权利要求6所述的短期风电功率预测方法，其特征在于，所述长短时记忆网络包括3个神经网络层，各所述神经网络层所包含的神经元的数目分别为4、8和16。
8.一种短期风电功率预测装置，其特征在于，包括：
第一获取模块，用于获取预设时间段内的风电历史数据，得到风电功率时间序列、风速时间序列和风向时间序列；
分解模块，用于依次利用经验模式分解和除经验模式分解之外的模式分解分别对所述风电功率时间序列和所述风速时间序列进行分解，得到多个风电功率时间子序列和多个风速时间子序列；其中，所述除经验模式分解之外的模式分解为变分模式分解、集合经验模式分解、小波分解、小波包分解中的任意一种；
第二获取模块，用于获取所述风向时间序列的正弦值和余弦值，并利用各所述风电功率时间子序列、各所述风速时间子序列、所述正弦值和所述余弦值得到预设数量个张量；
预测模块，用于利用预先建立的卷积神经网络-长短时记忆深度学习预测模型对每个所述张量进行预测，以得到预测风电功率子序列；
得到预测结果模块，用于通过各所述预测风电功率子序列得到风电功率预测结果。
9.一种短期风电功率预测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述的短期风电功率预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的短期风电功率预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910671644.6A CN110363360A (zh) | 2019-07-24 | 2019-07-24 | 一种短期风电功率预测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910671644.6A CN110363360A (zh) | 2019-07-24 | 2019-07-24 | 一种短期风电功率预测方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110363360A true CN110363360A (zh) | 2019-10-22 |
Family
ID=68220656
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910671644.6A Pending CN110363360A (zh) | 2019-07-24 | 2019-07-24 | 一种短期风电功率预测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110363360A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111220921A (zh) * | 2020-01-08 | 2020-06-02 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
| CN111222631A (zh) * | 2020-01-17 | 2020-06-02 | 支付宝(杭州)信息技术有限公司 | 业务预测方法以及装置 |
| 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 |
| CN112465225A (zh) * | 2020-11-27 | 2021-03-09 | 云南电网有限责任公司电力科学研究院 | 基于二次模态分解和级联深度学习的风电功率预测方法 |
| CN112598222A (zh) * | 2020-11-30 | 2021-04-02 | 河南汇祥通信设备有限公司 | 基于长短时记忆循环神经网络的综合管廊运维预测及方法 |
| CN112686451A (zh) * | 2020-12-31 | 2021-04-20 | 广东电网有限责任公司 | 一种风电功率预测方法、装置、设备及存储介质 |
| CN113111592A (zh) * | 2021-05-06 | 2021-07-13 | 云南电力技术有限责任公司 | 一种基于emd-lstm的短期风电功率预测方法 |
| CN113239624A (zh) * | 2021-05-21 | 2021-08-10 | 长沙理工大学 | 基于神经网络组合模型的短期负荷预测方法、设备及介质 |
| CN113239029A (zh) * | 2021-05-18 | 2021-08-10 | 国网江苏省电力有限公司镇江供电分公司 | 一种电能表缺失日冻结数据的补全方法 |
| CN113537582A (zh) * | 2021-07-02 | 2021-10-22 | 东北电力大学 | 一种基于短波辐射修正的光伏功率超短期预测方法 |
| CN113705864A (zh) * | 2021-08-13 | 2021-11-26 | 华北水利水电大学 | 基于VMD-CNN-BiLSTM-ATT混合模型的气象干旱预测方法及装置 |
| CN113988394A (zh) * | 2021-10-21 | 2022-01-28 | 中国电建集团华东勘测设计研究院有限公司 | 基于格拉姆矩阵和卷积神经网络的风电超短期功率预测方法 |
| CN114169251A (zh) * | 2021-12-27 | 2022-03-11 | 广东工业大学 | 一种超短期风电功率预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108549929A (zh) * | 2018-03-29 | 2018-09-18 | 河海大学 | 一种基于深层卷积神经网络的光伏功率预测方法 |
| 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 |
| US20190138880A1 (en) * | 2017-11-03 | 2019-05-09 | Drishti Technologies, Inc. | Workspace actor selection systems and methods |
| CN109784473A (zh) * | 2018-12-13 | 2019-05-21 | 天津大学 | 一种基于双时序特征学习的短期风功率预测方法 |
| CN109934392A (zh) * | 2019-02-28 | 2019-06-25 | 武汉大学 | 一种基于深度学习的微电网短期负荷预测方法 |
-
2019
- 2019-07-24 CN CN201910671644.6A patent/CN110363360A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190138880A1 (en) * | 2017-11-03 | 2019-05-09 | Drishti Technologies, Inc. | Workspace actor selection systems and methods |
| CN108549929A (zh) * | 2018-03-29 | 2018-09-18 | 河海大学 | 一种基于深层卷积神经网络的光伏功率预测方法 |
| 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 |
| CN109784473A (zh) * | 2018-12-13 | 2019-05-21 | 天津大学 | 一种基于双时序特征学习的短期风功率预测方法 |
| CN109934392A (zh) * | 2019-02-28 | 2019-06-25 | 武汉大学 | 一种基于深度学习的微电网短期负荷预测方法 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111220921A (zh) * | 2020-01-08 | 2020-06-02 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
| CN111222631A (zh) * | 2020-01-17 | 2020-06-02 | 支付宝(杭州)信息技术有限公司 | 业务预测方法以及装置 |
| CN112465225A (zh) * | 2020-11-27 | 2021-03-09 | 云南电网有限责任公司电力科学研究院 | 基于二次模态分解和级联深度学习的风电功率预测方法 |
| CN112598222A (zh) * | 2020-11-30 | 2021-04-02 | 河南汇祥通信设备有限公司 | 基于长短时记忆循环神经网络的综合管廊运维预测及方法 |
| 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 |
| CN112686451A (zh) * | 2020-12-31 | 2021-04-20 | 广东电网有限责任公司 | 一种风电功率预测方法、装置、设备及存储介质 |
| CN113111592A (zh) * | 2021-05-06 | 2021-07-13 | 云南电力技术有限责任公司 | 一种基于emd-lstm的短期风电功率预测方法 |
| CN113239029A (zh) * | 2021-05-18 | 2021-08-10 | 国网江苏省电力有限公司镇江供电分公司 | 一种电能表缺失日冻结数据的补全方法 |
| CN113239624A (zh) * | 2021-05-21 | 2021-08-10 | 长沙理工大学 | 基于神经网络组合模型的短期负荷预测方法、设备及介质 |
| CN113537582A (zh) * | 2021-07-02 | 2021-10-22 | 东北电力大学 | 一种基于短波辐射修正的光伏功率超短期预测方法 |
| CN113537582B (zh) * | 2021-07-02 | 2022-05-24 | 东北电力大学 | 一种基于短波辐射修正的光伏功率超短期预测方法 |
| CN113705864A (zh) * | 2021-08-13 | 2021-11-26 | 华北水利水电大学 | 基于VMD-CNN-BiLSTM-ATT混合模型的气象干旱预测方法及装置 |
| CN113988394A (zh) * | 2021-10-21 | 2022-01-28 | 中国电建集团华东勘测设计研究院有限公司 | 基于格拉姆矩阵和卷积神经网络的风电超短期功率预测方法 |
| CN114169251A (zh) * | 2021-12-27 | 2022-03-11 | 广东工业大学 | 一种超短期风电功率预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363360A (zh) | 一种短期风电功率预测方法、装置及设备 | |
| Rullière et al. | Nested Kriging predictions for datasets with a large number of observations | |
| Yoon et al. | Semi-supervised learning with deep generative models for asset failure prediction | |
| CN105391083B (zh) | 基于变分模态分解和相关向量机的风功率区间短期预测方法 | |
| CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
| Gramacy et al. | Parameter space exploration with Gaussian process trees | |
| CN113705864A (zh) | 基于VMD-CNN-BiLSTM-ATT混合模型的气象干旱预测方法及装置 | |
| KR20220103739A (ko) | 시뮬레이션의 계산 비용을 추정하기 위한 방법 및 시스템 | |
| CN109919188A (zh) | 基于稀疏局部注意力机制和卷积回声状态网络的时序分类方法 | |
| CN115249081A (zh) | 一种对象类型的预测方法、装置、计算机设备和存储介质 | |
| CN115225516A (zh) | 一种基于改进abc-vmd的最小二乘支持向量机网络流量预测方法 | |
| CN111881954A (zh) | 基于渐进式簇净化网络的转导推理小样本分类方法 | |
| Götz et al. | Neural network for multi-exponential sound energy decay analysis | |
| Lopes et al. | Particle learning for fat-tailed distributions | |
| CN112991088A (zh) | 一种基于vmd-anfis-arima的月度电力需求预测方法 | |
| US20110231336A1 (en) | Forecasting product/service realization profiles | |
| CN115049135A (zh) | 基于vmd和注意力机制前置的lstm中长期径流量预测方法 | |
| CN115130554A (zh) | 对象分类方法、装置、电子设备及存储介质 | |
| CN114008666A (zh) | 动态图像分辨率评估 | |
| CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
| Singhania et al. | Forecasting the United States unemployment rate by using recurrent neural networks with Google Trends data | |
| CN109540089A (zh) | 一种基于贝叶斯-克里金模型的桥面高程拟合方法 | |
| CN113159419A (zh) | 一种群体特征画像分析方法、装置、设备及可读存储介质 | |
| CN116865235A (zh) | 一种基于lstm与多模型集成的负荷预测方法及装置 | |
| CN116539994A (zh) | 基于多源时间序列数据的变电站主设备运行状态检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191022 |
|
| RJ01 | Rejection of invention patent application after publication |