CN110555784A - 基于门控循环神经网络风速修正的风电功率预测方法 - Google Patents

基于门控循环神经网络风速修正的风电功率预测方法 Download PDF

Info

Publication number
CN110555784A
CN110555784A CN201910665296.1A CN201910665296A CN110555784A CN 110555784 A CN110555784 A CN 110555784A CN 201910665296 A CN201910665296 A CN 201910665296A CN 110555784 A CN110555784 A CN 110555784A
Authority
CN
China
Prior art keywords
wind speed
weather forecast
numerical weather
wind
standard deviation
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.)
Granted
Application number
CN201910665296.1A
Other languages
English (en)
Other versions
CN110555784B (zh
Inventor
丁敏
周昊
吴敏
安剑奇
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN201910665296.1A priority Critical patent/CN110555784B/zh
Publication of CN110555784A publication Critical patent/CN110555784A/zh
Application granted granted Critical
Publication of CN110555784B publication Critical patent/CN110555784B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation

Landscapes

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

Abstract

本发明公开了一种基于门控循环神经网络风速修正的风电功率预测方法，包括以下步骤：计算数值天气预报风速与实测风速之间的风速误差，再根据风速误差计算风速误差标准差，建立数值天气预报风速与风速误差标准差的关系曲线，将风速误差标准差作为数值天气预报风速的权重；建立权重时间序列；将权重时间序列根据经验模态分解法分解为趋势分量序列和细节分量序列；采用门控循环神经网络计算方法建立数值天气预报风速修正模型，进行数值天气预报风速修正；对实测风速与实测风电功率之间的关系进行拟合，使用修正后的数值天气预报风速对风电功率预测。本发明具有提高风电功率预测精度的有益效果。

Description

基于门控循环神经网络风速修正的风电功率预测方法
技术领域
本发明涉及风电功率预测领域。更具体地说，本发明涉及一种基于门控循环神经网络风速修正的风电功率预测方法。
背景技术
为应对能源需求和环境污染问题，大力发展清洁能源成了各国重要的能源发展方向。2017年中国风电累计、新增装机容量均居全球第一，同时预计到2030年，我国风光发电将减少化石能源消耗近3亿吨标准煤。由于风电具有波动性和间歇性，风电入网给电网的调度和稳定运行带来巨大压力，因此，对未来一段时间的风电输出预测成为解决该问题的重要方向。多年来的研究结果表明，仅使用历史数据的统计学习方法的预测精度随着预测时长的增加会有所降低，因此，如何有效结合数值天气预报的预测数据，提高对风电功率预测的精准度是目前各国学者研究的一个热点问题。
发明内容
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
本发明还有一个目的是提供一种基于门控循环神经网络风速修正的风电功率预测方法，具有提高风电功率预测精度的作用。
为了实现根据本发明的这些目的和其它优点，提供了一种基于门控循环神经网络风速修正的风电功率预测方法，包括以下步骤：
步骤1、计算数值天气预报风速与实测风速之间的风速误差，再根据风速误差计算风速误差标准差，建立数值天气预报风速与风速误差标准差的关系曲线，将风速误差标准差作为数值天气预报风速的权重；
步骤2、根据数值天气预报风速时间序列建立风速误差标准差时间序列，再根据风速误差标准差时间序列建立权重时间序列；
步骤3、将权重时间序列根据经验模态分解法分解为趋势分量序列和细节分量序列；
步骤4、根据数值天气预报风速时间序列、趋势分量序列和细节分量序列采用门控循环神经网络计算方法建立数值天气预报风速修正模型，进行数值天气预报风速修正。
步骤5、对实测风速与实测风电功率之间的关系进行拟合，使用修正后的数值天气预报风速对风电功率预测。
优选的是，步骤1中风速误差的计算方法为：e＝Vmeasured-Vnwp，其中Vmeasured为实测风速，Vnwp为数值天气预报风速，e为同个时间实测风速与数值天气预报误差。
优选的是，步骤1中风速误差标准差的计算步骤为：
将数值天气预报风速划分为p个风速区间，p个风速区间的划分公式为：其中Vmax为数值天气预报风速的最大值，Vmin为数值天气预报风速的最小值，ε为采样间隔；
计算p个风速区间中每个风速区间的端点的风速值，计算公式为Vj＝(j-1)ε,(j＝1,...,p)，Vj表示p个风速区间内第j个风速区间的端点的风速值；
根据风速误差和划分的p个风速区间，计算风速误差标准差，计算公式为：
其中λ为区间长度，Sj为第j个风速区间(Vj-λ，Vj+λ]的风速误差标准差，ei为第i个数值天气预报Vi *的风速误差，为第j个风速区间内风速误差的平均值，m为数值天气预报风速Vi *在第j个区间(Vj-λ，Vj+λ]内总个数，Vi *属于数值天气预报风速时间序列p为区间总个数，λ为区间长度。
优选的是，步骤3中权重时间序列的分解步骤如下：
获得数值天气预报风速时间序列
根据经验模态分解算法，将数值天气预报风速误差标准差，即权重时间序列分解为N个本征模函数IMFN，将高频部分相加作为细节分量序列SD＝[Sd1,Sd2,…,Sdn]，将低频部分作为趋势分量序列ST＝[St1,St2,…,Stn]。
优选的是，步骤4中数值天气预报风速修正模型的具体构建方法为：
将数值天气预报风速时间序列趋势分量序列SD＝[Sd1,Sd2,…,Sdn]和细节分量序列ST＝[St1,St2,…,Stn]根据时间分为多段输入，输入的每一段为长度为l的原始信号窗口，第j个本地窗口是为时间自xj到xj+l-1的段，输入的ST、SD和V*形成输入矩阵X，同时输入实测风速集构成的目标矩阵P，输入矩阵X{x1,x2,…,xn}为：
通过输入矩阵X和目标矩阵P，提取局部特征矩阵：
Xt＝[xt xt+1 … xt+l-1]T,t∈1,2,…,n-l+1
Pt＝[pt pt+1 … pt+l-1]T,t∈1,2,…,n-l+1
建立数值天气预报风速修正模型为：
[P1 P2 … Pn-1+1]＝f([X1 X2 … Xn-1+1])
其中f(·)为门控循环神经网络的训练函数，表示为：
优选的是，步骤5中实测风速和实测风电功率的关系式采用多项式拟合。
本发明至少包括以下有益效果：为减小数值天气预报误差，提高风电功率预测的准确性，本发明提出了一种基于门控循环神经网络风速修正的风电功率预测方法，建立基于门控循环神经网络的数值天气预报风速修正模型和基于实测风速和实测风电功率的功率预测模型，提高了数值天气预报的准确度，减小数值天气预报风速的随机误差，提高风电功率预测模型中风速输入的准确性，进而提高风电功率预测的精度。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的其中一个技术方案的预测方法的流程结构示意图侧；
图2为本发明的其中一个技术方案的实测风速与数值天气预报风速对比图；
图3为本发明的其中一个技术方案的数值天气预报风速与风速误差标准差关系曲线图；
图4为本发明的其中一个技术方案的权重时间序列图；
图5为本发明的其中一个技术方案的门控循环神经网络模型结构图。
具体实施方式
下面结合附图和实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本实施例提供一种基于门控循环神经网络风速修正的风电功率预测方法，参照图1的流程示意图，包括以下步骤：
步骤1、获取数值天气预报风速数值和实测风速数值，如图2所示，图2中每间隔15分钟进行一次采样，记录采样点，共记录1200个采样点，计算数值天气预报(NumericalWeatherPrediction，NWP)风速与实测风速之间的风速误差，再根据风速误差计算风速误差标准差，建立数值天气预报风速与风速误差标准差的关系曲线，关系曲线如图3所示，将风速误差标准差作为数值天气预报风速的权重；
风速误差的计算公式为：e＝Vmeasured-Vnwp，其中Vmeasured为实测风速，Vnwp为数值天气预报风速，e为同个时间实测风速与数值天气预报误差；
风速误差标准差的计算步骤为：
将数值天气预报风速划分为p个风速区间，p个风速区间的划分公式为：其中Vmax为数值天气预报风速的最大值，Vmin为数值天气预报风速的最小值，ε为采样间隔；
计算p个风速区间中每个风速区间的端点的风速值，计算公式为Vj＝(j-1)ε,(j＝1,...,p)，Vj表示p个风速区间内第j个风速区间的端点的风速值；
根据风速误差和划分的p个风速区间，计算风速误差标准差，计算公式为：
其中λ为区间长度，Sj为第j个风速区间(Vj-λ，Vj+λ]的风速误差标准差，ei为第i个数值天气预报Vi *的风速误差，为第j个风速区间内风速误差的平均值，m为数值天气预报风速Vi *在第j个区间(Vj-λ，Vj+λ]内总个数，Vi *属于数值天气预报风速时间序列p为区间总个数，λ为区间长度。
步骤2、根据数值天气预报风速时间序列建立风速误差标准差时间序列，再根据风速误差标准差时间序列建立权重时间序列；
具体为：如图2所示，获取数值天气预报风速时间序列，将数值天气预报风速作为输入，根据步骤1的数值天气预报风速与风速误差标准差曲线关系得风速误差标准差的时间序列，将风速误差标准差作为数值天气预报风速的权重，根据数值天气预报风速与风速误差标准差关系，可以得权重时间序列，如图4所示。
步骤3、将权重时间序列根据经验模态分解法(EmpiricalModeDecomposition,EMD)分解为趋势分量序列和细节分量序列；
权重时间序列的分解步骤如下：
获得数值天气预报风速时间序列
根据经验模态分解算法，将数值天气预报风速误差标准差，即权重时间序列分解为N个本征模函数IMFN，将高频部分相加作为细节分量序列SD＝[Sd1,Sd2,…,Sdn]，将低频部分作为趋势分量序列ST＝[St1,St2,…,Stn]。
步骤4、根据数值天气预报风速时间序列、趋势分量序列和细节分量序列采用门控循环神经网络计算方法建立数值天气预报风速修正模型，进行数值天气预报风速修正；
数值天气预报风速修正模型的具体构建方法为：
将数值天气预报风速时间序列趋势分量序列SD＝[Sd1,Sd2,…,Sdn]和细节分量序列ST＝[St1,St2,…,Stn]根据时间分为多段输入，输入的每一段为长度为l的原始信号窗口，第j个本地窗口是为时间自xj到xj+l-1的段，输入的ST、SD和V*形成输入矩阵X，同时输入实测风速集构成的目标矩阵P，输入矩阵X{x1,x2,…,xn}为：
通过输入矩阵X和目标矩阵P，提取局部特征矩阵：
Xt＝[xt xt+1 … xt+l-1]T,t∈1,2,…,n-l+1
Pt＝[pt pt+1 … pt+l-1]T,t∈1,2,…,n-l+1
建立数值天气预报风速修正模型为：
[P1 P2 … Pn-1+1]＝f([X1 X2 … Xn-1+1])
其中f(·)为门控循环神经网络的训练函数，表示为：
步骤5、对实测风速与实测风电功率之间的关系进行多项式拟合，建立实测风速-实测风电功率的关系式，使用修正后的数值天气预报风速采用实测风速-实测风电功率的关系式对风电功率预测。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例和实施例。

Claims (6)

1.一种基于门控循环神经网络风速修正的风电功率预测方法，其特征在于，包括以下步骤：
步骤1、计算数值天气预报风速与实测风速之间的风速误差，再根据风速误差计算风速误差标准差，建立数值天气预报风速与风速误差标准差的关系曲线，将风速误差标准差作为数值天气预报风速的权重；
步骤2、根据数值天气预报风速时间序列建立风速误差标准差时间序列，再根据风速误差标准差时间序列建立权重时间序列；
步骤3、将权重时间序列根据经验模态分解法分解为趋势分量序列和细节分量序列；
步骤4、根据数值天气预报风速时间序列、趋势分量序列和细节分量序列采用门控循环神经网络计算方法建立数值天气预报风速修正模型，进行数值天气预报风速修正。
步骤5、对实测风速与实测风电功率之间的关系进行拟合，使用修正后的数值天气预报风速对风电功率预测。
2.根据权利要求1所述的基于门控循环神经网络风速修正的风电功率预测方法，其特征在于，步骤1中风速误差的计算方法为：e＝Vmeasured-Vnwp，其中Vmeasured为实测风速，Vnwp为数值天气预报风速，e为同个时间实测风速与数值天气预报误差。
3.根据权利要求2所述的基于门控循环神经网络风速修正的风电功率预测方法，其特征在于，步骤1中风速误差标准差的计算步骤为：
将数值天气预报风速划分为p个风速区间，p个风速区间的划分公式为：其中Vmax为数值天气预报风速的最大值，Vmin为数值天气预报风速的最小值，ε为采样间隔；
计算p个风速区间中每个风速区间的端点的风速值，计算公式为Vj＝(j-1)ε,(j＝1,...,p)，Vj表示p个风速区间内第j个风速区间的端点的风速值；
根据风速误差和划分的p个风速区间，计算风速误差标准差，计算公式为：
其中λ为区间长度，Sj为第j个风速区间(Vj-λ，Vj+λ]的风速误差标准差，ei为第i个数值天气预报Vi *的风速误差，为第j个风速区间内风速误差的平均值，m为数值天气预报风速Vi *在第j个区间(Vj-λ，Vj+λ]内总个数，Vi *属于数值天气预报风速时间序列p为区间总个数，λ为区间长度。
4.根据权利要求3所述的基于门控循环神经网络风速修正的风电功率预测方法，其特征在于，步骤3中权重时间序列的分解步骤如下：
获得数值天气预报风速时间序列
根据经验模态分解算法，将风速误差标准差，即权重时间序列分解为N个本征模函数IMFN，将高频部分相加作为细节分量序列SD＝[Sd1,Sd2,…,Sdn]，将低频部分作为趋势分量序列ST＝[St1,St2,…,Stn]。
5.根据权利要求4所述的基于门控循环神经网络风速修正的风电功率预测方法，其特征在于，步骤4中数值天气预报风速修正模型的具体构建方法为：
将数值天气预报风速时间序列趋势分量序列SD＝[Sd1,Sd2,…,Sdn]和细节分量序列ST＝[St1,St2,…,Stn]根据时间分为多段输入，输入的每一段为长度为l的原始信号窗口，第j个本地窗口是为时间自xj到xj+l-1的段，输入的ST、SD和V*形成输入矩阵X，同时输入实测风速集构成的目标矩阵P，输入矩阵X{x1,x2,…,xn}为：
通过输入矩阵X和目标矩阵P，提取局部特征矩阵：
Xt＝[xt xt+1 … xt+l-1]T,t∈1,2,…,n-l+1
Pt＝[pt pt+1 … pt+l-1]T,t∈1,2,…,n-l+1
建立数值天气预报风速修正模型为：
[P1 P2 … Pn-1+1]＝f([X1 X2 … Xn-1+1])
其中f(·)为门控循环神经网络的训练函数，表示为：
6.根据权利要求1所述的基于门控循环神经网络风速修正的风电功率预测方法，其特征在于，步骤5中实测风速和实测风电功率的关系式采用多项式拟合。
CN201910665296.1A 2019-07-23 2019-07-23 基于门控循环神经网络风速修正的风电功率预测方法 Active CN110555784B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910665296.1A CN110555784B (zh) 2019-07-23 2019-07-23 基于门控循环神经网络风速修正的风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910665296.1A CN110555784B (zh) 2019-07-23 2019-07-23 基于门控循环神经网络风速修正的风电功率预测方法

Publications (2)

Publication Number Publication Date
CN110555784A true CN110555784A (zh) 2019-12-10
CN110555784B CN110555784B (zh) 2022-10-14

Family

ID=68735802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910665296.1A Active CN110555784B (zh) 2019-07-23 2019-07-23 基于门控循环神经网络风速修正的风电功率预测方法

Country Status (1)

Country Link
CN (1) CN110555784B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709569A (zh) * 2020-06-11 2020-09-25 国网冀北电力有限公司电力科学研究院 风电场输出功率预测修正方法及装置
CN112577702A (zh) * 2020-12-09 2021-03-30 中国建筑第八工程局有限公司 在建工地风环境模拟预测方法
CN113537636A (zh) * 2021-08-13 2021-10-22 重庆大学 基于双向门控循环单元的地震破坏力预测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008225646A (ja) * 2007-03-09 2008-09-25 Univ Of Tsukuba 予測誤差補填方法、予測誤差補填装置、気象発電計画方法、気象発電計画装置およびプログラム
CN102914969A (zh) * 2012-09-28 2013-02-06 南方电网科学研究院有限责任公司 一种短期风电功率预测系统的综合误差修正方法
CN105162173A (zh) * 2015-08-26 2015-12-16 中国电力科学研究院 一种接入风力发电的电力系统备用容量确定方法
CN105844350A (zh) * 2016-03-21 2016-08-10 广西电网有限责任公司电力科学研究院 一种基于协方差优选组合模型的短期风功率预测系统
CN108229732A (zh) * 2017-12-20 2018-06-29 上海电机学院 基于误差修正的极端学习机风速超短期预测方法
CN108564206A (zh) * 2018-03-27 2018-09-21 中国农业大学 一种基于分布式优化和空间相关性的风电功率预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008225646A (ja) * 2007-03-09 2008-09-25 Univ Of Tsukuba 予測誤差補填方法、予測誤差補填装置、気象発電計画方法、気象発電計画装置およびプログラム
CN102914969A (zh) * 2012-09-28 2013-02-06 南方电网科学研究院有限责任公司 一种短期风电功率预测系统的综合误差修正方法
CN105162173A (zh) * 2015-08-26 2015-12-16 中国电力科学研究院 一种接入风力发电的电力系统备用容量确定方法
CN105844350A (zh) * 2016-03-21 2016-08-10 广西电网有限责任公司电力科学研究院 一种基于协方差优选组合模型的短期风功率预测系统
CN108229732A (zh) * 2017-12-20 2018-06-29 上海电机学院 基于误差修正的极端学习机风速超短期预测方法
CN108564206A (zh) * 2018-03-27 2018-09-21 中国农业大学 一种基于分布式优化和空间相关性的风电功率预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴宇杭等: "基于变分模式分解和深度门控循环网络的风速短期预测模型", 《电网与清洁能源》 *
赵林利: "基于马尔科夫链风速修正的风电功率预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709569A (zh) * 2020-06-11 2020-09-25 国网冀北电力有限公司电力科学研究院 风电场输出功率预测修正方法及装置
CN111709569B (zh) * 2020-06-11 2023-09-22 国网冀北电力有限公司电力科学研究院 风电场输出功率预测修正方法及装置
CN112577702A (zh) * 2020-12-09 2021-03-30 中国建筑第八工程局有限公司 在建工地风环境模拟预测方法
CN112577702B (zh) * 2020-12-09 2022-10-18 中国建筑第八工程局有限公司 在建工地风环境模拟预测方法
CN113537636A (zh) * 2021-08-13 2021-10-22 重庆大学 基于双向门控循环单元的地震破坏力预测方法及装置

Also Published As

Publication number Publication date
CN110555784B (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
CN110555784B (zh) 基于门控循环神经网络风速修正的风电功率预测方法
CN110414045B (zh) 基于vmd-gru的短期风速预测方法
CN112149879B (zh) 一种计及宏观波动性分类的新能源中长期电量预测方法
CN103023065B (zh) 一种基于相对误差熵值法的风电短期功率预测方法
WO2023115425A1 (zh) 一种超短时风速预测方法及系统
CN112989693A (zh) 一种基于ssa-gru-msar的风电功率预测方法
CN112669168B (zh) 一种风电功率短期预测方法
CN111222707B (zh) 一种基于时间序列突变误差校正的风速预测方法
CN106503861B (zh) 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法
CN112819238A (zh) 基于混沌鸡群优化算法的短期风电功率预测方法
CN112712215A (zh) 一种风电场功率预测方法
CN115714382A (zh) 一种基于安全强化学习的主动配电网实时调度方法及装置
CN112329339A (zh) 一种风电场短期风速预测方法
CN115511657A (zh) 一种基于组合预测模型的风电出力与光伏出力评估的方法
Liu et al. Super multi-step wind speed forecasting system with training set extension and horizontal–vertical integration neural network
Wu et al. Deterministic and probabilistic wind power forecasts by considering various atmospheric models and feature engineering approaches
Sun et al. Short-term power load prediction based on VMD-SG-LSTM
CN113991711A (zh) 一种光伏电站储能系统容量配置方法
Zhang et al. A health condition assessment and prediction method of Francis turbine units using heterogeneous signal fusion and graph-driven health benchmark model
CN113128666A (zh) 基于Mo-S-LSTMs模型的时间序列多步预测方法
Huang et al. Elman neural network considering dynamic time delay estimation for short-term forecasting of offshore wind power
CN116384586A (zh) 一种基于vmd-svr的风速预测方法
CN115081681B (zh) 一种基于prophet算法的风电功率预测方法
CN115965134A (zh) 一种区域电网风力发电功率预测优化方法
CN115796327A (zh) 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法

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
GR01 Patent grant
GR01 Patent grant