CN110458342A - 一种基于改进的narx神经网络微气象监测系统及方法 - Google Patents

一种基于改进的narx神经网络微气象监测系统及方法 Download PDF

Info

Publication number
CN110458342A
CN110458342A CN201910680409.5A CN201910680409A CN110458342A CN 110458342 A CN110458342 A CN 110458342A CN 201910680409 A CN201910680409 A CN 201910680409A CN 110458342 A CN110458342 A CN 110458342A
Authority
CN
China
Prior art keywords
output
data
neural network
network
narx neural
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
CN201910680409.5A
Other languages
English (en)
Inventor
顾阳
张亮
戴欣
王新迪
孙宏斌
史继芳
袁青
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.)
State Grid Jiangsu Electric Power Co Ltd Jinhu County Power Supply Branch
Nanjing Institute of Technology
HuaiAn Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co Ltd Jinhu County Power Supply Branch
Nanjing Institute of Technology
HuaiAn Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
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 State Grid Jiangsu Electric Power Co Ltd Jinhu County Power Supply Branch, Nanjing Institute of Technology, HuaiAn Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co Ltd Jinhu County Power Supply Branch
Priority to CN201910680409.5A priority Critical patent/CN110458342A/zh
Publication of CN110458342A publication Critical patent/CN110458342A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/045—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于改进的NARX神经网络的微气象监测系统及方法，它包括：采集微气象监测所需相关参数的历史数据；对采集到的数据进行归一化处理；将处理后的数据作为训练样本输入到改进的NARX神经网络中进行训练；并通过指定网络性能评价函数确定NARX神经网络预测模型的权值和阈值的优化效果；将测试样本输入到训练好的改进NARX神经网络中，并将输出值进行反归一化，得到实际预测值；本发明利用IR算法使训练所得的网络权值较小，网络响应趋于平滑，降低过拟合的可能性，改进的NARX神经网络建立模型对对气象变化的趋势进行预测，实现基于气象数据的对新能源场站出力精确预测。

Description

一种基于改进的NARX神经网络微气象监测系统及方法
技术领域
本发明涉及无线传感网技术领域，具体地，特别是涉及一种基于改进的NARX神经网络微气象监测系统及方法。
背景技术
近年来,我国的风电、光伏等新能源发电迎来了爆发式增长,装机容量不断攀升，然而新能源发电与火力发电不同，其场站的选址分散，而且地处偏远，周边自然环境通常较为恶劣，交通不畅，定期检修设备的难度大；且新能源发电受气象条件影响较大，通过对气象变化的趋势进行预测，实现基于气象数据的对新能源场站出力精确预测，可以提高新能源发电供电质量和供电可靠性；目前对于输电线路的微气象监测主要依靠气象部门，但其提供的数据往往繁杂且数据精度不适用于新能源发电监测，难以满足实际需要，其与监控中心如何稳定、高效的进行数据通信也是亟待解决的问题；另外，收集的大量数据如何进行数据分析运算，实现对新能源场站出力精确预测也非常关键。
发明内容
针对以上现有技术中的不足，本发明的目的在于提供一种低复杂度、自组织、低功耗、低数据速率、低成本的基于改进的NARX神经网络的微气象监测系统。
本发明的技术方案如下：一种基于改进的NARX神经网络的微气象监测系统，其包括若干设置于输电线路上的终端数据采集节点、汇聚节点、远程数据传输网络及远端监测主站；所述终端数据采集节点包括微气象传感器、数据存储模块、数据通信模块、处理模块、训练模块、计算输出模块及电源模块，各模块和中央控制器单元通过I2C通讯协议通讯，每16s完成一次各气象测量传感器的数据信息汇总，并生成报文，通过数据通信模块发送至前置数据采集服务器。
进一步，处理模块，对采集到的数据进行归一化处理；训练模块，将处理后的数据作为训练样本输入到改进NARX神经网络中进行训练；计算输出模块，将测试样本输入到训练好的改进NARX神经网络中，并将输出值进行反归一化，得到实际预测值。
进一步，微气象传感器采用市场上主流气象传感器，配备了风速、风向、雨量、光照、紫外强度、温度、湿度、气压传感器。
一种基于改进的NARX神经网络的微气象监测方法，其特征在于：它包括如下步骤：
步骤A，采集微气象监测所需相关参数的历史数据，所需相关参数包括风速、风向、雨量、光照、紫外强度、温度、湿度、气压；
步骤B，对采集到的数据进行归一化处理；
步骤C，将处理后的数据作为训练样本输入到改进的NARX神经网络中进行训练；并通过指定网络性能评价函数确定NARX神经网络预测模型的权值和阈值的优化效果；
步骤D，将测试样本输入到训练好的改进NARX神经网络中，并将输出值进行反归一化，得到实际预测值。
所述的归一化公式为：
其中：
为归一化后的数据；
xi为归一化前的数据；
xmax和xnim分别为变量x的最大值和最小值；
所述NARX神经网络预测模型的结构包含二个中间层，其中一个中间层负责接收较长的输入输出延迟数据序列，另一个中间层负责接收较短的输入输出延迟数据序列，两个中间层之间无联系；
所述对改进的NARX神经网络预测模型进行训练的方法为改进的正则化算法；
所述改进的正则化算法的网络性能评价函数为：
F(w)＝(1-γ)ED+γEW
式中：
F(w)为网络性能评价函数值；
w为权值；
γ为修正因子，0≤γ≤1，取值0.3；
EW为网络所有权值或阈值的平方和；
ED为网络误差的平方和；
所述EW和ED的计算公式分别为：
为第p对输入输出样本数据的网络误差平方和；
dk为第k个输出层节点的目标输出；
yk为第k个输出层节点的网络输出；
为第p对输入输出样本数据的网络权值平方和；
Nw为网络的可调权值个数；
wij为第i个时延层节点到第j个中间层节点间权值；
wjk为第j个中间层节点到第k个输出层节点的权值；
n个时延层节点；
h个中间层节点；
m个输出个数；
所述中间层的激活函数为:
输出层的线性处理函数为f0(x)＝x，且输出层和中间层权值修正量分别为：
式中:
为第p对输入输出样本数据的输出层权值修正量；
第p对输入输出样本数据的中间层权值修正量；
λ为中间层激活函数的参数，取值为1；
为第p对输入输出样本数据的第k个输出层节点的目标输出；
为第p对输入输出样本数据的第k个输出层节点的网络输出；
为第p-1对输入输出样本数据的第j个中间层节点到第k个输出层节点的权值；
为第p对输入输出样本数据的第j个中间层节点输入；
为第p对输入输出样本数据的第i个输出层节点的输入；
所述输出层和中间层权值的调整分别为：
wij(p)＝wij(p-1)-ηΔwij(p)
式中：
η为学习速率，取值为0.006。
所述均方根误差法的公式为:
其中,
RMSE(y,ym)为均方根误差的值
y为测试样本中目标值；
ym为反归一化后的模型的预测值；
N为数据样本数目。
本发明的优点是：
1、以新能源场站为圆心，辐射分布气象监测站，按照地理位置将区域进行网格状划分，根据各气象站监测的各网格的气象数据，通过采用基于算法改进和结构改进的NARX神经网络模算法，对气象变化的趋势进行预测，实现基于气象数据的对新能源场站出力精确预测。
2、采用了贝叶斯正则化(BR)算法将网络权值平方和与误差平方和的加权作为性能评价函数，采用莱温伯格-马夸特(LM)算法进行权值(和阈值)调整，对传统贝叶斯正则化算法进行了改进，摒弃了利用贝叶斯公式修正权值概率密度的过程，采用正则化算法进行权值修正，并简称之为改进的贝叶斯正则化算法(IR算法),利用IR算法使训练所得的网络权值较小，网络响应趋于平滑，降低过拟合的可能性，改进的NARX神经网络建立模型对对气象变化的趋势进行预测，实现基于气象数据的对新能源场站出力精确预测。
附图说明
图1是改进的NARX神经网络结构图；
图2是改进的NARX神经网络的微气象监测流程图；
图3是根据测量的微气象数据，完成了风电出力的预测；
图4是根据测量的微气象数据，完成了光伏出力的预测结果；
具体实施方式
实施例1：本实施例是一种基于改进的NARX神经网络的风速预测方法，它包括如下步骤：
步骤A，采集风速预测所需相关参数的历史数据，相关参数包括风速、桨距角、转速和功率，根据风机的空气动力学模型，可知功率为风速、桨距角和转速的函数；
步骤B，对采集到的数据进行归一化处理，为神经网络训练做好准备，按照如下公式：
所述的归一化公式为：
其中：
为归一化后的数据；
xi为归一化前的数据；
xmax和xnim分别为变量x的最大值和最小值。所述xmax和xnim分别分别取1和-1；
步骤C，建立NARX神经网络预测模型
贝叶斯正则化(BR)算法将网络权值平方和与误差平方和的加权作为性能评价函数，采用莱温伯格-马夸特(LM)算法进行权值(和阈值)调整，在保证网络拟合精度的前提下缩小网络规模，从而降低网络复杂性以获取良好的泛化性能；但该算法过程复杂，待定参数较多且缺乏成熟的确定方法，在由贝叶斯公式修正概率密度函数时计算量大，因此本文对传统贝叶斯正则化算法进行了改进，摒弃了利用贝叶斯公式修正权值概率密度的过程，采用正则化算法进行权值修正，并简称之为改进的贝叶斯正则化算法(IR算法),利用IR算法可使训练所得的网络权值较小，网络响应趋于平滑，降低过拟合的可能性；
所述NARX神经网络预测模型的结构包含二个中间层，其中一个中间层负责接收较长的输入输出延迟数据序列，另一个中间层负责接收较短的输入输出延迟数据序列，两个中间层之间无联系；
所述对改进的NARX神经网络预测模型进行训练的方法为改进的正则化算法；
所述改进的正则化算法的网络性能评价函数：
F(w)＝(1-γ)ED+γEW
式中：
γ为修正因子，0≤γ≤1，取值0.3；
EW为网络所有权值或阈值的平方和；
ED为网络误差的平方和；
设有n个时延层节点，h个中间层节点，m个输出的NARX神经网络，对其第p对输入输出样本数据有：
所述EW和ED的计算公式分别为：
为第p对输入输出样本数据的网络误差平方和；
dk为第k个输出层节点的目标输出；
yk为第k个输出层节点的网络输出；
为第p对输入输出样本数据的网络权值平方和；
Nw为网络的可调权值个数；
wij为第i个时延层节点到第j个中间层节点间权值；
wjk为第j个中间层节点到第k个输出层节点的权值；
n个时延层节点；
h个中间层节点；
m个输出个数；
权值优化采用梯度下降法,所述中间层的激活函数为:
输出层的线性处理函数为f0(x)＝x，且输出层和中间层权值修正量分别为：
式中:
为第p对输入输出样本数据的输出层权值修正量；
第p对输入输出样本数据的中间层权值修正量；
λ为中间层激活函数的参数，取值为1；
为第p对输入输出样本数据的第k个输出层节点的目标输出；
为第p对输入输出样本数据的第k个输出层节点的网络输出；
为第p-1对输入输出样本数据的第j个中间层节点到第k个输出层节点的权值；
为第p对输入输出样本数据的第j个中间层节点输入；
为第p对输入输出样本数据的第i个输出层节点的输入；
所述输出层和中间层权值的调整分别为：
wij(p)＝wij(p-1)-ηΔwij(p)
式中：
η为学习速率，取值为0.006。
所述均方根误差法的公式为:
其中：
RMSE(y,ym)为均方根误差的值；
y为测试样本中目标值；
ym为反归一化后的模型的预测值；
N为数据样本数目；
本发明采用基于算法改进和结构改进的NARX神经网络来预测轮重减载率，训练采用改进和简化的正则化算法，神经网络结构为并行双中间层神经网络，其结构如图1所示。
步骤D，训练NARX神经网络预测模型
在归一化后的数据中抽取2500组输入输出作为训练样本，训练过程中需要训练优化的参数为权值与阈值，误差函数对网络性能的影响较大，当网络的结构固定时，由于训练几何的大小产生的网络推广方面的问题主要是网络过拟合问题；为克服过拟合问题，该神经网络训练采用改进的正则化算法；
步骤E，测试NARX神经网络预测模型
在归一化的数据中另外抽取500组输入输出作为测试样本；利用已经训练完毕的NARX神经网络预测模型，输入测试样本中的输出轮重减载率，NARX神经网络预测模型的性能评价；
为了评价NARX神经网络预测模型的性能，经过实际风场数据的训练和测试，本发明的方法预测风速与实际风速较为接近，误差较小(如图3所示)。
实施例2：本实施例是一种基于改进的NARX神经网络的光伏预测方法，它包括如下步骤：
步骤A，采集光伏预测所需相关参数的历史数据，相关参数包括光伏板单元温度、气温；
步骤B，对采集到的数据进行归一化处理，为神经网络训练做好准备，按照如下公式：
所述的归一化公式为：
其中：
为归一化后的数据；
xi为归一化前的数据；
xmax和xnim分别为变量x的最大值和最小值。所述xmax和xnim分别分别取1和-1；
步骤C，建立NARX神经网络预测模型
贝叶斯正则化(BR)算法将网络权值平方和与误差平方和的加权作为性能评价函数，采用莱温伯格-马夸特(LM)算法进行权值(和阈值)调整，可在保证网络拟合精度的前提下缩小网络规模，从而降低网络复杂性以获取良好的泛化性能；但该算法过程复杂，待定参数较多且缺乏成熟的确定方法，在由贝叶斯公式修正概率密度函数时计算量大，因此本文对传统贝叶斯正则化算法进行了改进，摒弃了利用贝叶斯公式修正权值概率密度的过程，采用正则化算法进行权值修正，并简称之为改进的贝叶斯正则化算法(IR算法),利用IR算法可使训练所得的网络权值较小，网络响应趋于平滑，降低过拟合的可能性；
所述NARX神经网络预测模型的结构包含二个中间层，其中一个中间层负责接收较长的输入输出延迟数据序列，另一个中间层负责接收较短的输入输出延迟数据序列，两个中间层之间无联系；
所述对改进的NARX神经网络预测模型进行训练的方法为改进的正则化算法；
所述改进的正则化算法的网络性能评价函数：
F(w)＝(1-γ)ED+γEW
式中：
γ为修正因子，0≤γ≤1，取值0.3；
EW为网络所有权值或阈值的平方和；
ED为网络误差的平方和；
设有n个时延层节点，h个中间层节点，m个输出的NARX神经网络，对其第p对输入输出样本数据有：
所述EW和ED的计算公式分别为：
为第p对输入输出样本数据的网络误差平方和；
dk为第k个输出层节点的目标输出；
yk为第k个输出层节点的网络输出；
为第p对输入输出样本数据的网络权值平方和；
Nw为网络的可调权值个数；
wij为第i个时延层节点到第j个中间层节点间权值；
wjk为第j个中间层节点到第k个输出层节点的权值；
n个时延层节点；
h个中间层节点；
m个输出个数；
权值优化采用梯度下降法,所述中间层的激活函数为:
输出层的线性处理函数为f0(x)＝x，且输出层和中间层权值修正量分别为：
式中:
为第p对输入输出样本数据的输出层权值修正量；
第p对输入输出样本数据的中间层权值修正量；
λ为中间层激活函数的参数，取值为1；
为第p对输入输出样本数据的第k个输出层节点的目标输出；
为第p对输入输出样本数据的第k个输出层节点的网络输出；
为第p-1对输入输出样本数据的第j个中间层节点到第k个输出层节点的权值；
为第p对输入输出样本数据的第j个中间层节点输入；
为第p对输入输出样本数据的第i个输出层节点的输入；
所述输出层和中间层权值的调整分别为：
wij(p)＝wij(p-1)-ηΔwij(p)
式中：
η为学习速率，取值为0.006。
所述均方根误差法的公式为:
其中：
RMSE(y,ym)为均方根误差的值
y为测试样本中目标值；
ym为反归一化后的模型的预测值；
N为数据样本数目；
本发明采用基于算法改进和结构改进的NARX神经网络来预测轮重减载率，训练采用改进和简化的正则化算法，神经网络结构为并行双中间层神经网络，其结构如图1所示；
步骤D，训练NARX神经网络预测模型
在归一化后的数据中抽取2500组输入输出作为训练样本，训练过程中需要训练优化的参数为权值与阈值，误差函数对网络性能的影响较大，当网络的结构固定时，由于训练几何的大小产生的网络推广方面的问题主要是网络过拟合问题；为克服过拟合问题，该神经网络训练采用改进的正则化算法；
步骤E，测试NARX神经网络预测模型
在归一化的数据中另外抽取500组输入输出作为测试样本；利用已经训练完毕的NARX神经网络预测模型，输入测试样本中的输出轮重减载率，NARX神经网络预测模型的性能评价；
为了评价NARX神经网络预测模型的性能，本发明分别进行仿真预测.经过实际数据的训练和测试，本发明的方法预测光伏出力与实际较为接近，误差较小(如图4所示)。

Claims (5)

1.一种基于改进的NARX神经网络的微气象监测系统，其特征在于：它包括若干设置于输电线路上的终端数据采集节点、汇聚节点、远程数据传输网络及远端监测主站；所述终端数据采集节点包括微气象传感器、数据存储模块、数据通信模块、处理模块、训练模块、计算输出模块及电源模块；所述处理模块，对采集到的数据进行归一化处理；所述训练模块，将处理后的数据作为训练样本输入到改进NARX神经网络中进行训练；计算输出模块，将测试样本输入到训练好的改进NARX神经网络中，并将输出值进行反归一化，得到实际预测值；各模块和中央控制器单元通过I2C通讯协议通讯，每16s完成一次各气象测量传感器的数据信息汇总，并生成报文，通过数据通信模块发送至前置数据采集服务器。
2.根据权利要求1所述一种基于改进的NARX神经网络的微气象监测系统，其特征在于：微气象传感器包括风速、风向、雨量、光照、紫外强度、温度、湿度、气压传感器。
3.一种基于改进的NARX神经网络的微气象监测方法，其特征在于：包括如下步骤：
步骤A，采集微气象监测所需相关参数的历史数据；
步骤B，对采集到的数据进行归一化处理；
步骤C，将处理后的数据作为训练样本输入到改进的NARX神经网络中进行训练；并通过指定网络性能评价函数确定NARX神经网络预测模型的权值和阈值的优化效果；
步骤D，将测试样本输入到训练好的改进NARX神经网络中，并将输出值进行反归一化，得到实际预测值；
所述的归一化公式为：
其中：
为归一化后的数据；
xi为归一化前的数据；
xmax和xnim分别为变量x的最大值和最小值；
所述对改进的NARX神经网络预测模型进行训练的方法为改进的正则化算法；
所述改进的正则化算法的网络性能评价函数为：
F(w)＝(1-γ)ED+γEW
式中：
F(w)为网络性能评价函数值；
w为权值；
γ为修正因子，0≤γ≤1，取值0.3；
EW为网络所有权值或阈值的平方和；
ED为网络误差的平方和；
所述EW和ED的计算公式分别为：
为第p对输入输出样本数据的网络误差平方和；
dk为第k个输出层节点的目标输出；
yk为第k个输出层节点的网络输出；
为第p对输入输出样本数据的网络权值平方和；
Nw为网络的可调权值个数；
wij为第i个时延层节点到第j个中间层节点间权值；
wjk为第j个中间层节点到第k个输出层节点的权值；
n个时延层节点；
h个中间层节点；
m个输出个数；
所述中间层的激活函数为:
输出层的线性处理函数为f0(x)＝x，且输出层和中间层权值修正量分别为：
式中:
为第p对输入输出样本数据的输出层权值修正量；
第p对输入输出样本数据的中间层权值修正量；λ为中间层激活函数的参数，取值为1；
(为第p对输入输出样本数据的第k个输出层节点的目标输出；
为第p对输入输出样本数据的第k个输出层节点的网络输出；
)为第p-1对输入输出样本数据的第j个中间层节点到第k个输出层节点的权值；
为第p对输入输出样本数据的第j个中间层节点输入；
为第p对输入输出样本数据的第i个输出层节点的输入；
所述输出层和中间层权值的调整分别为：
wij(p)＝wij(p-1)-ηΔwij(p)
式中：
η为学习速率，取值为0.006。
所述均方根误差法的公式为:
其中,
RMSE(y,ym)为均方根误差的值
y为测试样本中目标值；
ym为反归一化后的模型的预测值；
N为数据样本数目。
4.根据权利要求3所述一种基于改进的NARX神经网络的微气象监测方法，其特征在于：采集微气象监测所需相关参数的历史数据包括包括风速、风向、雨量、光照、紫外强度、温度、湿度、气压。
5.根据权利要求3所述一种基于改进的NARX神经网络的微气象监测方法，其特征在于：所述NARX神经网络预测模型的结构包含二个中间层，其中一个中间层负责接收较长的输入输出延迟数据序列，另一个中间层负责接收较短的输入输出延迟数据序列，两个中间层之间无联系。
CN201910680409.5A 2019-07-26 2019-07-26 一种基于改进的narx神经网络微气象监测系统及方法 Pending CN110458342A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910680409.5A CN110458342A (zh) 2019-07-26 2019-07-26 一种基于改进的narx神经网络微气象监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910680409.5A CN110458342A (zh) 2019-07-26 2019-07-26 一种基于改进的narx神经网络微气象监测系统及方法

Publications (1)

Publication Number Publication Date
CN110458342A true CN110458342A (zh) 2019-11-15

Family

ID=68483507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910680409.5A Pending CN110458342A (zh) 2019-07-26 2019-07-26 一种基于改进的narx神经网络微气象监测系统及方法

Country Status (1)

Country Link
CN (1) CN110458342A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111190143A (zh) * 2020-01-10 2020-05-22 北京航天测控技术有限公司 一种基于机器学习的室内可见光定位方法
CN111310889A (zh) * 2020-01-16 2020-06-19 西北工业大学 一种基于深度神经网络的蒸发波导剖面估计方法
CN112035448A (zh) * 2020-07-13 2020-12-04 国家海洋信息中心 一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法
CN112232554A (zh) * 2020-09-28 2021-01-15 中国科学院空天信息创新研究院 一种基于bp神经网络的局域短临降水预报模型的构建方法
CN115114718A (zh) * 2022-05-17 2022-09-27 东北大学 一种考虑设计输入的航天器正则化系统辨识方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012098189A (ja) * 2010-11-02 2012-05-24 Gifu Univ 空中花粉量の予測方法および空中花粉量の評価システム
CN102567576A (zh) * 2011-12-13 2012-07-11 北京交通大学 一种轮重减载率的预测方法
CN102567786A (zh) * 2011-12-13 2012-07-11 北京交通大学 一种脱轨系数的预测方法
CN203673085U (zh) * 2013-12-09 2014-06-25 国家电网公司 基于ZigBee网络的输电线路微气象监测系统
CN104376389A (zh) * 2014-12-10 2015-02-25 国电南京自动化股份有限公司 基于负载均衡的主从式微电网功率负荷预测系统及其方法
CN105590144A (zh) * 2015-12-30 2016-05-18 国电联合动力技术有限公司 一种基于narx神经网络的风速预测方法及装置
CN105631558A (zh) * 2016-03-22 2016-06-01 国家电网公司 基于相似日的bp神经网络光伏发电系统功率预测方法
CN106448123A (zh) * 2016-09-09 2017-02-22 国网吉林省电力有限公司松原供电公司 输电线路数据传输方法
CN108399469A (zh) * 2018-01-31 2018-08-14 中国人民解放军空军研究院战场环境研究所 一种基于深度学习和数值天气预报的天气现象预报方法
CN109214546A (zh) * 2018-07-09 2019-01-15 江苏大学 一种基于改进的hs-narx神经网络的电力短期负荷预测方法
CN109657881A (zh) * 2019-01-14 2019-04-19 南京国电南自电网自动化有限公司 一种适用于小样本的神经网络光伏发电预测方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012098189A (ja) * 2010-11-02 2012-05-24 Gifu Univ 空中花粉量の予測方法および空中花粉量の評価システム
CN102567576A (zh) * 2011-12-13 2012-07-11 北京交通大学 一种轮重减载率的预测方法
CN102567786A (zh) * 2011-12-13 2012-07-11 北京交通大学 一种脱轨系数的预测方法
CN203673085U (zh) * 2013-12-09 2014-06-25 国家电网公司 基于ZigBee网络的输电线路微气象监测系统
CN104376389A (zh) * 2014-12-10 2015-02-25 国电南京自动化股份有限公司 基于负载均衡的主从式微电网功率负荷预测系统及其方法
CN105590144A (zh) * 2015-12-30 2016-05-18 国电联合动力技术有限公司 一种基于narx神经网络的风速预测方法及装置
CN105631558A (zh) * 2016-03-22 2016-06-01 国家电网公司 基于相似日的bp神经网络光伏发电系统功率预测方法
CN106448123A (zh) * 2016-09-09 2017-02-22 国网吉林省电力有限公司松原供电公司 输电线路数据传输方法
CN108399469A (zh) * 2018-01-31 2018-08-14 中国人民解放军空军研究院战场环境研究所 一种基于深度学习和数值天气预报的天气现象预报方法
CN109214546A (zh) * 2018-07-09 2019-01-15 江苏大学 一种基于改进的hs-narx神经网络的电力短期负荷预测方法
CN109657881A (zh) * 2019-01-14 2019-04-19 南京国电南自电网自动化有限公司 一种适用于小样本的神经网络光伏发电预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张媛等: "基于改进NARX神经网络的接触线表面不平顺与弓网接触力关联分析方法", 《中国铁道科学》 *
黄宏运等: "基于神经网络的短期电力负荷预测及其MATLAB实现", 《太原师范学院学报(自然科学版)》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111190143A (zh) * 2020-01-10 2020-05-22 北京航天测控技术有限公司 一种基于机器学习的室内可见光定位方法
CN111310889A (zh) * 2020-01-16 2020-06-19 西北工业大学 一种基于深度神经网络的蒸发波导剖面估计方法
CN111310889B (zh) * 2020-01-16 2022-04-12 西北工业大学 一种基于深度神经网络的蒸发波导剖面估计方法
CN112035448A (zh) * 2020-07-13 2020-12-04 国家海洋信息中心 一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法
CN112232554A (zh) * 2020-09-28 2021-01-15 中国科学院空天信息创新研究院 一种基于bp神经网络的局域短临降水预报模型的构建方法
CN115114718A (zh) * 2022-05-17 2022-09-27 东北大学 一种考虑设计输入的航天器正则化系统辨识方法及系统
CN115114718B (zh) * 2022-05-17 2024-08-02 东北大学 一种考虑设计输入的航天器正则化系统辨识方法及系统

Similar Documents

Publication Publication Date Title
CN110458342A (zh) 一种基于改进的narx神经网络微气象监测系统及方法
CN109934423B (zh) 基于并网逆变器运行数据的光伏电站功率预测方法及系统
US20220214322A1 (en) Air pollutants concentration forecasting method and apparatus and storage medium
CN110909919A (zh) 融合注意力机制的深度神经网络模型的光伏功率预测方法
CN111833202B (zh) 考虑作物系数动态变化与降雨的农田蒸散量短期预测方法
CN114006369B (zh) 区域风光场站功率联合预测方法、装置、电子设备和存储介质
CN111695736B (zh) 一种基于多模型融合的光伏发电短期功率预测方法
CN104463349A (zh) 一种基于多时段综合相似日的光伏发电功率预测方法
CN111369070A (zh) 一种基于包络线聚类的多模融合光伏功率预测方法
CN113240184B (zh) 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统
CN110503153B (zh) 基于差分进化算法和支持向量机的光伏系统故障诊断方法
CN111488896A (zh) 一种基于多源数据挖掘的配电线路时变故障概率计算方法
CN116167531A (zh) 一种基于数字孪生的光伏发电预测方法
CN112819189A (zh) 一种基于历史预测值的风力出力预测方法
CN110879927A (zh) 一种用于海目标检测的海杂波幅度统计分布现场建模方法
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN115936177A (zh) 一种基于神经网络的光伏输出功率预测方法及系统
CN115713162A (zh) 一种分布式低碳能源站健康状态预警预测方法
CN115618993A (zh) 一种基于时序数据预测技术的光伏发电功率智能预测方法
CN114936640A (zh) 一种新能源发电智能预测模型的在线训练方法
CN104361399A (zh) 太阳能辐照强度分钟级预测方法
CN115563848A (zh) 一种基于深度学习的分布式光伏总辐射预测方法及系统
CN113610285A (zh) 一种分散式风电的功率预测方法
CN115510767B (zh) 基于深度时空网络的区域气温预测方法
CN114565186A (zh) 一种基于广义回归神经网络的预测风速校正方法和系统

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: 20191115

WD01 Invention patent application deemed withdrawn after publication