CN110685857A - 一种基于集成学习的山地风电机组行为预测模型 - Google Patents

一种基于集成学习的山地风电机组行为预测模型 Download PDF

Info

Publication number
CN110685857A
CN110685857A CN201910983215.2A CN201910983215A CN110685857A CN 110685857 A CN110685857 A CN 110685857A CN 201910983215 A CN201910983215 A CN 201910983215A CN 110685857 A CN110685857 A CN 110685857A
Authority
CN
China
Prior art keywords
data
output
input
wind turbine
wind
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
CN201910983215.2A
Other languages
English (en)
Other versions
CN110685857B (zh
Inventor
苏永新
肖哲
谭貌
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.)
Xiangtan University
Original Assignee
Xiangtan 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 Xiangtan University filed Critical Xiangtan University
Priority to CN201910983215.2A priority Critical patent/CN110685857B/zh
Publication of CN110685857A publication Critical patent/CN110685857A/zh
Application granted granted Critical
Publication of CN110685857B publication Critical patent/CN110685857B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D7/00—Controlling wind motors 
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2270/00—Control
    • F05B2270/70—Type of control algorithm
    • F05B2270/709—Type of control algorithm with neural networks
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Wind Motors (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明公开了一种基于集成学习的山地风电机组行为预测模型，包括以下步骤：1.采用自适应阈值法确定风速功率子区间数据密度阈值进而清洗异常数据；2.定义样本矩阵，采用自适应综合过采样方法生成新的样本矩阵均匀分布不同风况。3.根据第2步生成的数据，对其进行希尔伯特‑黄变换，得到山地风电机组模型输入量的分解量；4.根据第4步的数据，确定山地风电机组模型的输入输出，选取个体学习器并采用stacking的集成学习的融合策略，训练集成得到山地风电机组行为预测模型；5.采用网格搜索法确定模型最优参数6.运行测试山地风电机组行为预测模型。本发明可以为风电机组预测性控制提供服务，维护人员能更好更高效的维护机组正常运行。

Description

一种基于集成学习的山地风电机组行为预测模型
技术领域
本发明设计风电机组建模领域，尤其涉及一种基于集成学习的山地风电机组行为预测模型。
背景技术
随着能源问题的日益凸显，风能作为一种可再生能源，具有清洁环保等特点，已经引起世界各国的重视。目前，由于内陆山区同样具有极其丰厚的风能资源，风能资源利用已经成为了广大学者关注的新的问题。然而，与传统的海上风电场相比，山区风电场的风由于受到地形的影响，风的波动性较大，风速、风向、5秒偏航、桨距角等因素都会影响山地风电机组模型的准确性。
随着山区风电机组装机数量的不断增加，精确的山地风电机组行为预测模型一方面可以为风电机组的预测性控制提供服务，另一方面还能够优化风电场能源调度以及风电场风能与电网的交互。因此，如何准确的建立山地风电机组行为预测模型成为了风力发电领域重要的研究方向，常见的风电机组行为预测模型主要包括以下几类：机理模型是理想状态下根据风电机组结构、内部运行机制建立起来的精确数学模型；基于数学表达式的统计学方法主要是通过对历史数据的采集，建立历史数据与当前时刻数据之间的一个映射关系，进而建立风电机组行为预测模型；经典的神经网络模型主要通过采集到的历史数据通过神经网络进行训练，从而得到风电机组行为预测模型。这些方法用于建立山地风电机组行为预测模型仍然有一些不足，主要包括以下三个方面：
（1）机理模型没有考虑山地风电机组实际运行环境，模型准确性较低；
（2）由于山区风波动较大，风机状态量也会剧烈变换，不同频率的风机状态量会影响风电机组模型输出，从而影响模型的预测精度；
（3）数据在不同的风况下分布不均匀，极端风况条件下的数据较少，多数类数据训练出来的模型容易出现过拟合现象而少数类数据训练出来的模型会出现欠拟合现象。
发明内容
为了解决现有技术存在的上述问题，本发明提出一种基于集成学习的山地风电机组行为预测模型，该方法包括以下步骤：
步骤1：从风电场SCADA系统中采集一年的风机数据，采样间隔为秒。数据可以表示为
Figure 13775DEST_PATH_IMAGE002
，
Figure 870872DEST_PATH_IMAGE003
分别为
Figure 502842DEST_PATH_IMAGE004
时刻的风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度。将采集到的数据通过密度法进行异常数据的清洗，其中密度阈值
Figure 154403DEST_PATH_IMAGE005
由自适应阈值法确定；
步骤2：定义样本矩阵，将清洗后的数据根据时间规律转换成样本矩阵
Figure 199720DEST_PATH_IMAGE006
，采用ADASYN（Adaptive Synthetic Oversampling，自适应综合过采样）方法生成新的样本矩阵均匀分布在不同的风况；
步骤3：将当前时刻
Figure 594929DEST_PATH_IMAGE004
前T秒的输入量即风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度进行希尔伯特-黄变换，以上每个输入量被分解成
Figure 330673DEST_PATH_IMAGE007
个IMF（Intrinsic Mode Function，本征模态函数）和一个余项，用
Figure 418714DEST_PATH_IMAGE007
个IMF和余项构成的矩阵代替其原输入量；
步骤4：训练构建山地风电机组行为预测模型网络。用当前时刻
Figure 685748DEST_PATH_IMAGE004
前T秒包含
Figure 619069DEST_PATH_IMAGE007
个IMF和余项的风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度作为网络输入，当前时刻
Figure 225630DEST_PATH_IMAGE004
的风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度作为网络的输出。选取LSTM（Long Short-Term Memory，长短期记忆网络）、TCN（Temporal Convolutional Network，时间卷积网络）、RNN（Recurrent Neural Network，循环神经网络）、GRU（Gated Recurrent Unit，门控循环单元）、SVM（Support VectorMachine，支持向量机）作为个体学习器，采用stacking的集成学习的融合策略，训练集成得到山地风电机组模型；
步骤 5：采用网格搜索算法确定模型最优参数；
步骤 6：运行山地风电机组行为预测模型，获取预测结果。
本发明的技术效果在于：本发明所述的是一种基于集成学习的山地风电机组行为预测模型。采用自适应综合过采样法生成新的样本数据均匀分布各个风况能够避免训练模型时的过拟合现象，从而提高预测模型精度。通过将实验的各个风机状态量的时间序列分解成一系列较平稳且具有明显周期变化的分解量，在很大程度减少不同特征信息间的干扰，使最终的模型更准确。由于集成学习在多输入多输出序列建模问题时，可获得比单一学习器更为显著优越的泛化能力，充分利用了所有的数据，能够将多个个体学习器所得到的输出结果有机的结合，防止出现过拟合现象，能够有效的提高模型准确性。
附图说明
图1为本发明建模方法的示意图。
图2 为希尔伯特-黄分解示意图。
图3为本发明stacking集成学习算法的K折交叉验证过程示意图。
具体实施方式
本发明提出的基于集成学习的山地风电机组建模方法包括步骤：
步骤1：从风电场SCADA系统中采集一年的风机数据，采样间隔为
Figure 484573DEST_PATH_IMAGE001
秒。数据可以表示为
Figure 973324DEST_PATH_IMAGE002
，
Figure 975915DEST_PATH_IMAGE003
分别为
Figure 686251DEST_PATH_IMAGE004
时刻的风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度。将采集到的数据通过密度法进行异常数据的清洗，其中密度阈值
Figure 850516DEST_PATH_IMAGE005
由自适应阈值法确定。具体为以下步骤：
步骤1-1：风速
Figure 92141DEST_PATH_IMAGE008
、风向
Figure 632844DEST_PATH_IMAGE009
、5秒偏航对风平均值
Figure 948419DEST_PATH_IMAGE010
、风机输出功率
Figure 549164DEST_PATH_IMAGE011
、桨距角
Figure 12507DEST_PATH_IMAGE012
、风机转子转速
Figure 356900DEST_PATH_IMAGE013
、叶片加速度
Figure 41829DEST_PATH_IMAGE014
、叶片角度
Figure 547896DEST_PATH_IMAGE015
以及时间t分别作为矩阵的列，构成矩阵
Figure 764114DEST_PATH_IMAGE016
，即
Figure 584302DEST_PATH_IMAGE017
（1）
步骤1-2：按照风速大小递增的原则对矩阵重新排序，以固定步长v将风速划分为n个区间，再以固定步长p对功率区间划分，得到m个子区间，每个子区间的数据密度为
Figure 613755DEST_PATH_IMAGE018
（2）
其中为该子区间数据个数；
步骤1-3：每个风速区间子区间数据密度最大值记为
Figure 927767DEST_PATH_IMAGE020
，最小值为
Figure 134757DEST_PATH_IMAGE021
，计算每个风速区间数据密度为
Figure 248206DEST_PATH_IMAGE022
，
Figure 173437DEST_PATH_IMAGE023
（3）
步骤1-4：计算风速区间数据密度的平均值作为阈值，即
Figure 335428DEST_PATH_IMAGE024
，若最终区域数据密度
Figure 662504DEST_PATH_IMAGE025
，该子区间数据所处矩阵
Figure 946855DEST_PATH_IMAGE016
的行被删除；
步骤1-5：删除异常数据后。按照t大小递增的原则恢复矩阵
Figure 93803DEST_PATH_IMAGE016
初始时序，重构矩阵为：
Figure 308752DEST_PATH_IMAGE026
（4）
式中
Figure 490335DEST_PATH_IMAGE027
分别为清洗掉异常数据后的风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度的时间序列，此时当前时刻的数据样本为
Figure 783093DEST_PATH_IMAGE028
（5）
步骤 2：定义样本矩阵，将清洗后的数据根据时间规律转换成样本矩阵
Figure 349204DEST_PATH_IMAGE006
，采用ADASYN采样方法生成新的样本矩阵均匀分布在不同的风况：
步骤2-1：定义8×(T+1)的样本数据矩阵
Figure 385293DEST_PATH_IMAGE029
Figure 198397DEST_PATH_IMAGE030
，将数据转换成样本矩阵；
步骤2-2：将样本矩阵
Figure 319937DEST_PATH_IMAGE031
按行顺序平铺转换成1×8*（T+1）的行向量
Figure 689738DEST_PATH_IMAGE032
，其中T为输入量时间长度；
步骤2-3：以固定步长
Figure 845913DEST_PATH_IMAGE033
划分风速区间，将转换后的行向量样本根据其平均风速所处区间不同划分成e个类别，每个类别的样本数分别用
Figure 580651DEST_PATH_IMAGE034
表示；
步骤2-4：记样本最多类别的样本数为
Figure 189487DEST_PATH_IMAGE035
，该类别的样本即为多数类样本，其它类别样本记为少数类样本。计算每个少数类别需要合成的样本数
Figure 97400DEST_PATH_IMAGE036
如下式所：
Figure 108081DEST_PATH_IMAGE037
（6）
其中为第f个少数类样本数；
步骤2-5：用欧氏距离计算属于第f个少数类的每一个样本的k个最近邻居，
Figure 359120DEST_PATH_IMAGE039
为该样本k个邻居中属于多数类的样本数，记k个邻居中多数类所占比例z为
Figure 70724DEST_PATH_IMAGE040
（7）
步骤2-6：由式（8）到第f个少数类第x个样本k个邻居多数类所占比例
Figure 201491DEST_PATH_IMAGE041
，其周围多数类的情况可以表示为
Figure 278031DEST_PATH_IMAGE042
（8）
则第f个少数类第x个样本需要生成的样本数为
Figure 595880DEST_PATH_IMAGE043
（9）
步骤2-7：在第f个少数类第x个样本周围k个邻居中随机选择一个属于少数类f的样本，根据式（10）生成新样本：
Figure 96449DEST_PATH_IMAGE045
（10）
其中
Figure 607806DEST_PATH_IMAGE046
为第f个少数类第x个样本，
Figure 412951DEST_PATH_IMAGE047
为新样本；
步骤2-8：重复步骤2-5直到
Figure 466358DEST_PATH_IMAGE046
生成的新样本数达到
Figure 306138DEST_PATH_IMAGE048
，当e-1个少数类样本全生成完后，数据达到分布均衡的状态。
步骤2-9：将行向量样以8维为间隔恢复新的样本矩阵，此时样本矩阵可表示为
Figure 724481DEST_PATH_IMAGE049
（11）
其中
Figure 282501DEST_PATH_IMAGE050
为新样本矩阵；
步骤2-10：
Figure 874020DEST_PATH_IMAGE031
和
Figure 833885DEST_PATH_IMAGE050
将构成最终的实验数据集，最终样本矩阵可表示为
Figure 672397DEST_PATH_IMAGE051
（12）
其中
Figure 452134DEST_PATH_IMAGE052
为样本分布均匀下的样本矩阵；
步骤3：将当前时刻
Figure 847344DEST_PATH_IMAGE004
前T秒的输入量即风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度进行希尔伯特-黄变换，以上每个输入量被分解成
Figure 661716DEST_PATH_IMAGE007
个IMF和一个余项，用
Figure 421862DEST_PATH_IMAGE007
个IMF和余项构成的矩阵代替其原输入量。具体内容如下；
步骤3-1：对当前时刻的
Figure 688895DEST_PATH_IMAGE053
Figure 887795DEST_PATH_IMAGE054
进行集合经验模态分解，第a个风机状态量输入包含
Figure 556674DEST_PATH_IMAGE007
个分解量，
Figure 491318DEST_PATH_IMAGE056
，…… ，
Figure 493909DEST_PATH_IMAGE057
和一个余项 ,
Figure 119242DEST_PATH_IMAGE059
，且a为整数；
步骤3-2：对第a个风机状态量的每个分解量
Figure 360868DEST_PATH_IMAGE055
，
Figure 901570DEST_PATH_IMAGE056
，…… ，
Figure 466413DEST_PATH_IMAGE057
和余项
Figure 67158DEST_PATH_IMAGE058
进行希尔伯特变换得到
Figure 530501DEST_PATH_IMAGE060
，
Figure 874894DEST_PATH_IMAGE061
，…… ，
Figure 107293DEST_PATH_IMAGE062
和；
步骤 3-3：重构各个风机状态量的输入数据格式，以各个分解量和余项作为各个风机状态量的特征，即
Figure 767261DEST_PATH_IMAGE064
（13）
步骤4：训练构建山地风电机组的网络。用当前时刻
Figure 649766DEST_PATH_IMAGE004
前T秒包含
Figure 2250DEST_PATH_IMAGE007
个IMF和余项的风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度作为网络输入，当前时刻
Figure 134679DEST_PATH_IMAGE065
的风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度作为网络的输出。选取LSTM、TCN、RNN、GRU、SVM作为个体学习器，采用stacking的集成学习的融合策略，训练集成得到山地风电机组模型：
步骤4-1：以分解后风机状态量当前时刻
Figure 572614DEST_PATH_IMAGE004
前T秒
Figure 258810DEST_PATH_IMAGE066
，
Figure 465800DEST_PATH_IMAGE067
为山地风电机组模型的输入，T是输入量时间步长；
步骤4-2：当前时刻
Figure 516933DEST_PATH_IMAGE004
的风机功率
Figure 442164DEST_PATH_IMAGE068
、桨距角
Figure 666471DEST_PATH_IMAGE069
、风机转速
Figure 993548DEST_PATH_IMAGE070
、叶片加速度
Figure 199270DEST_PATH_IMAGE071
、叶片角度
Figure 611797DEST_PATH_IMAGE072
即为山地风电机组模型的输出；
步骤4-3：对输入输出数据集进行归一化处理；
步骤4-4：选取LSTM、TCN、RNN、GRU、SVM作为个体学习器，分别用、
Figure 821378DEST_PATH_IMAGE074
、
Figure 214313DEST_PATH_IMAGE075
、
Figure 848557DEST_PATH_IMAGE076
、
Figure 414668DEST_PATH_IMAGE077
表示。具体内容如下：
（1）LSTM：该个体学习器的每一个输入量对应一个LSTM，记为
Figure 716336DEST_PATH_IMAGE078
，每个LSTM由3层lstm层堆叠而成，对应的输出，将8个LSTM的输出通过融合层进行融合后再添加3层全连接层，最终的输出为的输出；
（2）TCN：该个体学习器的每一个输入量对应一个TCN，记为
Figure 20781DEST_PATH_IMAGE080
，每个TCN由6个残差模块堆叠而成，对应的输出，将8个TCN的输出通过融合层进行融合后再添加3层全连接层，最终的输出为
Figure 911694DEST_PATH_IMAGE074
的输出；
（3）RNN：该个体学习器的每一型输入量对应一个常规循环神经网络，记为
Figure 520530DEST_PATH_IMAGE082
，每个RNN由3层rnn层堆叠而成，对应的输出
Figure 428443DEST_PATH_IMAGE083
，将8个RNN的输出通过融合层进行融合后再添加3层全连接层，最终的输出为
Figure 626075DEST_PATH_IMAGE084
的输出；
（4）GRU: 该个体学习器的每一个输入量对应一个GRU，记为，每个GRU由3个gru层堆叠而成，对应的输出，将8个GRU的输出通过融合层进行融合后再添加3层全连接层，最终的输出为
Figure 401767DEST_PATH_IMAGE087
的输出；
（5）SVM：该个体学习器的输入为数据清洗后的风机状态量，每个输入对应一个SVM，记为
Figure 204638DEST_PATH_IMAGE088
，通过核函数
Figure 343495DEST_PATH_IMAGE089
将输入输出映射到高维空间，使其变成线性回归，将8个SVM的输出通过融合层进行融合后再添加3层全连接层最终的输出为
Figure 926923DEST_PATH_IMAGE077
；
步骤4-5：采用集成学习的思想将步骤4-4的5个个体学习器集成，具体内容如下：
（1）对第i个个体学习器进行K折交叉验证，
Figure 442218DEST_PATH_IMAGE090
，即将训练集随机分成K个子集，且每个子集大小相同，得到数据集
Figure 661552DEST_PATH_IMAGE092
（14）
（2）将数据集
Figure 732276DEST_PATH_IMAGE093
中的每个子集
Figure 785682DEST_PATH_IMAGE094
（
Figure 563146DEST_PATH_IMAGE095
且j为整数）分别作为每个个体学习器的测试集，剩余的数据子集作为每个个体学习器的训练集，此时训练集的输出为
Figure 43805DEST_PATH_IMAGE096
，测试集输出为
Figure 601826DEST_PATH_IMAGE097
，第i个个体学习器的K个子模型集合为
（15）
（3）将第i个个体学习器的K个子模型训练集的输出
Figure 74581DEST_PATH_IMAGE096
进行融合得到次级学习器训练集的一个输入
Figure 991722DEST_PATH_IMAGE099
，将测试集的输出
Figure 771459DEST_PATH_IMAGE097
相加求平均值得到次级学习器测试集的一个输入
Figure 166668DEST_PATH_IMAGE100
；
步骤4-6：构建次级学习器，本发明采用的次级学习器为BP神经网络，
Figure 918724DEST_PATH_IMAGE101
作为次级学习器训练集的输入，
Figure 741186DEST_PATH_IMAGE102
作为次级学习器测试集的输入，进行训练得到最终的风电机组行为预测模型输出；
步骤 5：采用网格搜索算法确定模型最优参数。具体步骤如下:
步骤 5-1：训练模型过程中主要需要调整的参数诶学习率l、迭代次数e以及批尺寸bs，设定以上参数的选择范围和搜索步长，即可构成三维网格；
步骤 5-2：按照交叉验证的方法计算不同参数组合
Figure 8219DEST_PATH_IMAGE103
的模型训练集准确率和测试集准确率，在保证训练集和测试集的准确率之和最大的前提下，确定了最优的参数组合为
Figure 207119DEST_PATH_IMAGE104
（16）
其中
Figure 62949DEST_PATH_IMAGE105
分别为模型准确性最高下的学习率、迭代次数以及批尺寸；
步骤 5-3：使用最优参数组合
Figure 56313DEST_PATH_IMAGE104
得到最优的山地风电机组行为预测模型；
步骤 6：运行山地风电机组行为预测模型，获取预测结果。
将第二年的风机数据样本经过步骤3后以步骤4的数据输入形式作为网络的输入，即可输出得到次年风机状态量预测值；
本发明较佳的实施例如上所述，并发对本发明任何形式和实质上的限制，显然，任何本领域的技术人员在不脱离本发明的范围和精神的前提下，可对其做些许的修改和完善，本发明的保护范围需以权利要求书所界定为准。

Claims (7)

1.一种基于集成学习的山地风电机组行为预测模型，其特征在于，包括以下步骤：
步骤1：从风电场SCADA系统中采集一年的风机数据，采样间隔为
Figure 777509DEST_PATH_IMAGE001
秒,数据可以表示为
Figure 190036DEST_PATH_IMAGE002
，分别为
Figure 196355DEST_PATH_IMAGE004
时刻的风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度,将采集到的数据通过密度法进行异常数据的清洗，其中密度阈值
Figure 651607DEST_PATH_IMAGE005
由自适应阈值法确定；
步骤2：定义样本矩阵，将清洗后的数据根据时间规律转换成样本矩阵
Figure 551430DEST_PATH_IMAGE006
，采用ADASYN（Adaptive Synthetic Oversampling，自适应综合过采样）方法生成新的样本矩阵均匀分布在不同的风况；
步骤3：将当前时刻
Figure 930590DEST_PATH_IMAGE004
前T秒的输入量即风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度进行希尔伯特-黄变换，以上每个输入量被分解成
Figure 966679DEST_PATH_IMAGE007
个IMF（Intrinsic Mode Function，本征模态函数）和一个余项，用
Figure 592833DEST_PATH_IMAGE007
个IMF和余项构成的矩阵代替其原输入量；
步骤4：训练构建山地风电机组行为预测模型网络,用当前时刻
Figure 979952DEST_PATH_IMAGE008
前T秒包含
Figure 146491DEST_PATH_IMAGE007
个IMF和余项的风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度作为网络输入，当前时刻
Figure 302666DEST_PATH_IMAGE004
的风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度作为网络的输出,选取LSTM（Long Short-Term Memory，长短期记忆网络）、TCN（Temporal Convolutional Network，时间卷积网络）、RNN（Recurrent Neural Network，循环神经网络）、GRU（Gated Recurrent Unit，门控循环单元）、SVM（Support VectorMachine，支持向量机）作为个体学习器，采用stacking的集成学习的融合策略，训练集成得到山地风电机组模型；
步骤 5：采用网格搜索算法确定模型最优参数；
步骤 6：运行山地风电机组行为预测模型，获取预测结果。
2.权利要求1所述的一种基于集成学习的山地风电机组行为预测模型，其特征在于，所述步骤1中确定区间数据密度阈值，清洗异常数据的具体内容如下：
1-1：风速
Figure 99720DEST_PATH_IMAGE009
、风向
Figure 708556DEST_PATH_IMAGE010
、5秒偏航对风平均值
Figure 193633DEST_PATH_IMAGE011
、风机输出功率
Figure 204314DEST_PATH_IMAGE012
、桨距角
Figure 172270DEST_PATH_IMAGE013
、风机转子转速
Figure 268402DEST_PATH_IMAGE014
、叶片加速度
Figure 776744DEST_PATH_IMAGE015
、叶片角度
Figure 907511DEST_PATH_IMAGE016
以及时间t分别作为矩阵的列，构成矩阵
Figure 46368DEST_PATH_IMAGE017
，即
Figure 629797DEST_PATH_IMAGE018
（1）
1-2：按照风速大小递增的原则对矩阵
Figure 692562DEST_PATH_IMAGE017
重新排序，以固定步长v将风速划分为n个区间，再以固定步长p对功率区间划分，得到m个子区间，每个子区域的数据密度为
Figure 677835DEST_PATH_IMAGE019
（2）
其中为该子区间数据个数；
1-3：每个风速区间子区间数据密度最大值记为
Figure 120635DEST_PATH_IMAGE021
，最小值为，计算每个风速区间数据密度为
Figure 13822DEST_PATH_IMAGE023
，
Figure 494481DEST_PATH_IMAGE024
（3）
1-4：计算风速区间数据密度的平均值作为阈值，即
Figure 101437DEST_PATH_IMAGE025
，若最终区域数据密度
Figure 958534DEST_PATH_IMAGE026
，该子区间数据所处矩阵
Figure 652821DEST_PATH_IMAGE017
的行被删除；
1-5：删除异常数据后,按照t大小递增的原则恢复矩阵
Figure 304382DEST_PATH_IMAGE017
初始时序，重构矩阵为：
Figure 412015DEST_PATH_IMAGE027
（4）
式中
Figure 807225DEST_PATH_IMAGE028
分别为清洗掉异常数据后的风速、风向、5秒偏航对风平均值、风机输出功率、桨距角、风机转子转速、叶片加速度、叶片角度的时间序列，此时当前时刻
Figure 356018DEST_PATH_IMAGE004
的数据样本为
（5）
所示。
3.权利要求1所述的一种基于集成学习的山地风电机组行为预测模型，其特征在于，所述步骤2中采用ADASYN方法生成训练样本具体内容如下：
2-1：定义8×(T+1)的样本数据矩阵
Figure 524142DEST_PATH_IMAGE030
Figure 457463DEST_PATH_IMAGE031
，将数据转换成样本矩阵；
2-2：将样本矩阵
Figure 126342DEST_PATH_IMAGE032
按行顺序平铺转换成1×8*（T+1）的行向量
Figure 385285DEST_PATH_IMAGE033
，其中T为输入量时间长度；
2-3：以固定步长
Figure 936352DEST_PATH_IMAGE034
划分风速区间，将转换后的行向量样本根据其平均风速所处区间不同划分成e个类别，每个类别的样本数分别用
Figure 938943DEST_PATH_IMAGE035
表示；
2-4：记样本最多类别的样本数为，该类别的样本即为多数类样本，其它类别样本记为少数类样本,计算每个少数类别需要合成的样本数
Figure 626593DEST_PATH_IMAGE037
如下式所：
Figure 179803DEST_PATH_IMAGE038
（6）
其中
Figure 720506DEST_PATH_IMAGE039
为第f个少数类样本数；
2-5：用欧氏距离计算属于第f个少数类的每一个样本的k个最近邻居，
Figure 98397DEST_PATH_IMAGE040
为该样本k个邻居中属于多数类的样本数，记k个邻居中多数类所占比例z为
Figure 699143DEST_PATH_IMAGE041
（7）
2-6：由式（8）到第f个少数类第x个样本k个邻居多数类所占比例，其周围多数类的情况可以表示为
Figure 569196DEST_PATH_IMAGE043
（8）
则第f个少数类第x个样本需要生成的样本数为
Figure 67173DEST_PATH_IMAGE044
（9）
2-7：在第f个少数类第x个样本周围k个邻居中随机选择一个属于少数类f的样本
Figure 573241DEST_PATH_IMAGE045
，根据式（10）生成新样本：
Figure 602508DEST_PATH_IMAGE046
（10）
其中
Figure 485013DEST_PATH_IMAGE047
为第f个少数类第x个样本，
Figure 837497DEST_PATH_IMAGE048
为新样本；
2-8：重复步骤2-5直到
Figure 514466DEST_PATH_IMAGE049
生成的新样本数达到
Figure 14718DEST_PATH_IMAGE050
，当e-1个少数类样本全生成完后，数据达到分布均衡的状态;2-9：将行向量样以8维为间隔恢复新的样本矩阵，此时样本矩阵可表示为
Figure 700914DEST_PATH_IMAGE051
（11）
其中
Figure 907905DEST_PATH_IMAGE052
为新样本矩阵；
2-10：
Figure 21354DEST_PATH_IMAGE032
和
Figure 261099DEST_PATH_IMAGE052
将构成最终的实验数据集，最终样本矩阵可表示为
Figure 485407DEST_PATH_IMAGE053
（12）
其中
Figure 812483DEST_PATH_IMAGE006
为样本分布均匀下的样本矩阵。
4.权利要求1所述的一种基于集成学习的山地风电机组行为预测模型，其特征在于，所述步骤3中希尔伯特-黄变换的具体内容如下：
3-1：对当前时刻的
Figure 96834DEST_PATH_IMAGE054
进行集合经验模态分解，第a个风机状态量输入包含个分解量
Figure 515680DEST_PATH_IMAGE056
，
Figure 970932DEST_PATH_IMAGE057
，…… ，
Figure 683804DEST_PATH_IMAGE058
和一个余项 ,
Figure 286004DEST_PATH_IMAGE060
，且a为整数；
3-2：对第a个风机状态量的每个分解量
Figure 912157DEST_PATH_IMAGE056
，，…… ，
Figure 465815DEST_PATH_IMAGE061
和余项
Figure 621990DEST_PATH_IMAGE059
进行希尔伯特变换得到
Figure 419045DEST_PATH_IMAGE062
，
Figure 339465DEST_PATH_IMAGE063
，…… ，
Figure 247378DEST_PATH_IMAGE064
和
Figure 258060DEST_PATH_IMAGE065
；
3-3：重构各个风机状态量的输入数据格式，以各个分解量和余项作为各个风机状态量的特征，即
Figure 226016DEST_PATH_IMAGE066
（13）
所示。
5.权利要求1所述的一种基于集成学习的山地风电机组行为预测模型，其特征在于，所述步骤4训练山地风电机组行为预测模型网络的具体内容如下：
4-1：以分解后风机状态量当前时刻
Figure 322148DEST_PATH_IMAGE004
前T秒，
Figure 226836DEST_PATH_IMAGE068
为山地风电机组模型的输入，T是输入量时间步长；
4-2：当前时刻
Figure 365693DEST_PATH_IMAGE008
的风机功率
Figure 683542DEST_PATH_IMAGE069
、桨距角
Figure 11886DEST_PATH_IMAGE070
、风机转速
Figure 997160DEST_PATH_IMAGE071
、叶片加速度
Figure 306918DEST_PATH_IMAGE072
、叶片角度
Figure 112063DEST_PATH_IMAGE073
即为山地风电机组模型的输出；
4-3：对输入输出数据集进行归一化处理；
4-4：选取LSTM、TCN、RNN、GRU、SVM作为个体学习器，分别用、
Figure 67567DEST_PATH_IMAGE075
、
Figure 548227DEST_PATH_IMAGE076
、
Figure 106247DEST_PATH_IMAGE077
、
Figure 561DEST_PATH_IMAGE078
表示，具体内容如下：
（1）LSTM：该个体学习器的每一个输入量对应一个LSTM，记为
Figure 960427DEST_PATH_IMAGE079
，每个LSTM由3层lstm层堆叠而成，对应的输出，将8个LSTM的输出通过融合层进行融合后再添加3层全连接层，最终的输出为的输出；
（2）TCN：该个体学习器的每一个输入量对应一个TCN，记为
Figure 849251DEST_PATH_IMAGE081
，每个TCN由6个残差模块堆叠而成，对应的输出，将8个TCN的输出通过融合层进行融合后再添加3层全连接层，最终的输出为
Figure 486086DEST_PATH_IMAGE075
的输出；
（3）RNN：该个体学习器的每一型输入量对应一个常规循环神经网络，记为
Figure 753119DEST_PATH_IMAGE083
，每个RNN由3层rnn层堆叠而成，对应的输出
Figure 765069DEST_PATH_IMAGE084
，将8个RNN的输出通过融合层进行融合后再添加3层全连接层，最终的输出为
Figure 433947DEST_PATH_IMAGE076
的输出；
（4）GRU: 该个体学习器的每一个输入量对应一个GRU，记为
Figure 427311DEST_PATH_IMAGE085
，每个GRU由3个gru层堆叠而成，对应的输出
Figure 181640DEST_PATH_IMAGE086
，将8个GRU的输出通过融合层进行融合后再添加3层全连接层，最终的输出为的输出；
（5）SVM：该个体学习器的输入为数据清洗后的风机状态量，每个输入对应一个SVM，记为，通过核函数
Figure 934199DEST_PATH_IMAGE088
将输入输出映射到高维空间，使其变成线性回归，将8个SVM的输出通过融合层进行融合后再添加3层全连接层最终的输出为
Figure 175824DEST_PATH_IMAGE078
；
4-5：采用集成学习的思想将步骤4-4的5个个体学习器集成，具体内容如下：
（1）对第i个个体学习器进行K折交叉验证，
Figure 28111DEST_PATH_IMAGE089
，即将训练集随机分成K个子集，且每个子集大小相同，得到数据集
Figure 6749DEST_PATH_IMAGE091
（14）
（2）将数据集
Figure 532408DEST_PATH_IMAGE091
中的每个子集
Figure 876802DEST_PATH_IMAGE092
（
Figure 109200DEST_PATH_IMAGE093
且j为整数）分别作为每个个体学习器的测试集，剩余的数据子集作为每个个体学习器的训练集，此时训练集的输出为
Figure 880847DEST_PATH_IMAGE094
，测试集输出为
Figure 644535DEST_PATH_IMAGE095
，第i个个体学习器的K个子模型集合为
Figure 527040DEST_PATH_IMAGE096
（15）
（3）将第i个个体学习器的K个子模型训练集的输出
Figure 879524DEST_PATH_IMAGE097
进行融合得到次级学习器训练集的一个输入
Figure 822072DEST_PATH_IMAGE098
，将测试集的输出
Figure 322324DEST_PATH_IMAGE095
相加求平均值得到次级学习器测试集的一个输入
Figure 8520DEST_PATH_IMAGE099
；
4-6：构建次级学习器，本发明采用的次级学习器为BP神经网络，作为次级学习器训练集的输入，作为次级学习器测试集的输入，进行训练得到最终的风电机组行为预测模型输出。
6.权利要求1所述的一种基于集成学习的山地风电机组行为预测模型，其特征在于，所述步骤5中模型参数优化的具体内容如下：
5-1：训练模型过程中主要需要调整的参数为学习率l、迭代次数e以及批尺寸bs，设定以上参数的选择范围和搜索步长，即可构成三维网格；
5-2：按照交叉验证的方法计算不同参数组合
Figure 568705DEST_PATH_IMAGE102
的模型训练集准确率和测试集准确率，在保证训练集和测试集的准确率之和最大的前提下，确定了最优的参数组合为
（16）
其中
Figure 120089DEST_PATH_IMAGE104
分别为模型准确性最高下的学习率、迭代次数以及批尺寸；
5-3：使用最优参数组合
Figure 138860DEST_PATH_IMAGE103
得到最优的山地风电机组行为预测模型。
7.权利要求1所述的一种基于集成学习的山地风电机组行为预测模型，其特征在于，所述步骤6中模型运行的具体内容如下：
将第二年的风机数据样本经过步骤3后以步骤4的数据输入形式作为网络的输入，即可输出得到次年风机状态量预测值。
CN201910983215.2A 2019-10-16 2019-10-16 一种基于集成学习的山地风电机组行为预测模型 Active CN110685857B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910983215.2A CN110685857B (zh) 2019-10-16 2019-10-16 一种基于集成学习的山地风电机组行为预测模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910983215.2A CN110685857B (zh) 2019-10-16 2019-10-16 一种基于集成学习的山地风电机组行为预测模型

Publications (2)

Publication Number Publication Date
CN110685857A true CN110685857A (zh) 2020-01-14
CN110685857B CN110685857B (zh) 2021-10-15

Family

ID=69112924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910983215.2A Active CN110685857B (zh) 2019-10-16 2019-10-16 一种基于集成学习的山地风电机组行为预测模型

Country Status (1)

Country Link
CN (1) CN110685857B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080039A (zh) * 2020-03-17 2020-04-28 浙江上风高科专风实业有限公司 一种风机集群故障预测方法及系统
CN111709490A (zh) * 2020-06-24 2020-09-25 河北工业大学 一种基于gru神经网络的风机健康状态评估方法
CN112183847A (zh) * 2020-09-25 2021-01-05 合肥工业大学 基于QRNN改进Stacking算法的列车行驶风速概率预测方法
CN112365040A (zh) * 2020-11-03 2021-02-12 哈尔滨工业大学 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法
CN112761896A (zh) * 2020-09-24 2021-05-07 国网内蒙古东部电力有限公司 提高风力发电站发电量预测精度的计算方法、装置和计算机设备
CN112842342A (zh) * 2021-01-25 2021-05-28 北京航空航天大学 一种结合希尔伯特曲线和集成学习的心电磁信号分类方法
CN112879220A (zh) * 2021-03-16 2021-06-01 上海电气风电集团股份有限公司 风机控制方法、系统和可读存储介质
CN112949938A (zh) * 2021-03-29 2021-06-11 哈尔滨工业大学 改善训练样本类别不均衡的风电爬坡事件直接预报方法
CN113379151A (zh) * 2021-06-25 2021-09-10 重庆大学 基于Bagging-CNN-GRU的风速超短期预测方法
CN113392826A (zh) * 2021-06-18 2021-09-14 广东工业大学 一种基于多模型融合Stacked的害鸟密度分布预测方法
CN113553774A (zh) * 2021-08-30 2021-10-26 北京东润环能科技股份有限公司 一种基于eemd-gru的短期风功率预测方法
CN114243674A (zh) * 2022-02-24 2022-03-25 国网浙江省电力有限公司平阳县供电公司 一种直流微网孤岛状态下的光伏和储能协同控制系统
CN115512717A (zh) * 2022-11-21 2022-12-23 东北石油大学三亚海洋油气研究院 一种基于集成学习的二阶段单传感器管道泄漏定位方法
TWI812382B (zh) * 2022-08-04 2023-08-11 正修學校財團法人正修科技大學 波浪發電控制方法及系統
CN117577214A (zh) * 2023-05-19 2024-02-20 广东工业大学 一种基于堆叠学习算法的化合物血脑屏障渗透性预测方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008052557A2 (en) * 2006-11-03 2008-05-08 Vestas Wind Systems A/S A wind energy converter, a method and use hereof
US20090142192A1 (en) * 2007-10-09 2009-06-04 General Electric Company Wind turbine metrology system
WO2011076295A2 (en) * 2009-12-21 2011-06-30 Vestas Wind Systems A/S A wind turbine having a control method and controller for performing predictive control of a wind turbine generator
US20110295438A1 (en) * 2009-08-21 2011-12-01 Catch the Wind, Inc. Wind and Power Forecasting Using LIDAR Distance Wind Sensor
CN104778506A (zh) * 2015-03-31 2015-07-15 天津大学 基于局部集成学习的短期风速预报方法
CN105069476A (zh) * 2015-08-10 2015-11-18 国网宁夏电力公司 基于两阶段集成学习的风电异常数据识别方法
CN106529706A (zh) * 2016-10-25 2017-03-22 国家电网公司 一种基于支持向量机回归的风电场风速预测方法
CN106991285A (zh) * 2017-04-01 2017-07-28 广东工业大学 一种短期风速多步预测方法及装置
CN108181107A (zh) * 2018-01-12 2018-06-19 东北电力大学 计及多分类目标的风电机组轴承机械故障诊断方法
CN108376298A (zh) * 2018-02-12 2018-08-07 湘潭大学 一种风电机组发电机温度故障预警诊断方法
CN109145175A (zh) * 2018-09-03 2019-01-04 四川佳联众合企业管理咨询有限公司 基于stacking集成学习算法的时空数据预测方法
CN110068302A (zh) * 2019-03-07 2019-07-30 中科院微电子研究所昆山分所 一种基于深度神经网络的车辆测距方法
CN110134919A (zh) * 2019-04-30 2019-08-16 华北电力大学 风电机组异常数据清洗方法
EP3237752B1 (en) * 2014-12-23 2019-09-11 ABB Schweiz AG Optimal wind farm operation
CN110503251A (zh) * 2019-08-12 2019-11-26 江苏方天电力技术有限公司 一种基于Stacking算法的非节假日负荷预测方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008052557A2 (en) * 2006-11-03 2008-05-08 Vestas Wind Systems A/S A wind energy converter, a method and use hereof
US20090142192A1 (en) * 2007-10-09 2009-06-04 General Electric Company Wind turbine metrology system
US20110295438A1 (en) * 2009-08-21 2011-12-01 Catch the Wind, Inc. Wind and Power Forecasting Using LIDAR Distance Wind Sensor
WO2011076295A2 (en) * 2009-12-21 2011-06-30 Vestas Wind Systems A/S A wind turbine having a control method and controller for performing predictive control of a wind turbine generator
EP3237752B1 (en) * 2014-12-23 2019-09-11 ABB Schweiz AG Optimal wind farm operation
CN104778506A (zh) * 2015-03-31 2015-07-15 天津大学 基于局部集成学习的短期风速预报方法
CN105069476A (zh) * 2015-08-10 2015-11-18 国网宁夏电力公司 基于两阶段集成学习的风电异常数据识别方法
CN106529706A (zh) * 2016-10-25 2017-03-22 国家电网公司 一种基于支持向量机回归的风电场风速预测方法
CN106991285A (zh) * 2017-04-01 2017-07-28 广东工业大学 一种短期风速多步预测方法及装置
CN108181107A (zh) * 2018-01-12 2018-06-19 东北电力大学 计及多分类目标的风电机组轴承机械故障诊断方法
CN108376298A (zh) * 2018-02-12 2018-08-07 湘潭大学 一种风电机组发电机温度故障预警诊断方法
CN109145175A (zh) * 2018-09-03 2019-01-04 四川佳联众合企业管理咨询有限公司 基于stacking集成学习算法的时空数据预测方法
CN110068302A (zh) * 2019-03-07 2019-07-30 中科院微电子研究所昆山分所 一种基于深度神经网络的车辆测距方法
CN110134919A (zh) * 2019-04-30 2019-08-16 华北电力大学 风电机组异常数据清洗方法
CN110503251A (zh) * 2019-08-12 2019-11-26 江苏方天电力技术有限公司 一种基于Stacking算法的非节假日负荷预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SU YONGXIN: "A coordinative optimization method of active power and fatigue distribution in onshore wind farms", 《INTERNATIONAL TRANSACTIONS ON ELECTRICAL ENERGY SYSTEMS》 *
刘克文等: "风电日前发电功率的集成学习预测模型", 《中国电机工程学报》 *
薛禹胜 等: "关于短期及超短期风电功率预测的评述", 《电力系统自动化》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080039B (zh) * 2020-03-17 2023-10-20 浙江上风高科专风实业有限公司 一种风机集群故障预测方法及系统
CN111080039A (zh) * 2020-03-17 2020-04-28 浙江上风高科专风实业有限公司 一种风机集群故障预测方法及系统
CN111709490A (zh) * 2020-06-24 2020-09-25 河北工业大学 一种基于gru神经网络的风机健康状态评估方法
CN112761896A (zh) * 2020-09-24 2021-05-07 国网内蒙古东部电力有限公司 提高风力发电站发电量预测精度的计算方法、装置和计算机设备
CN112761896B (zh) * 2020-09-24 2024-05-14 国网内蒙古东部电力有限公司 提高风力发电站发电量预测精度的计算方法、装置和计算机设备
CN112183847A (zh) * 2020-09-25 2021-01-05 合肥工业大学 基于QRNN改进Stacking算法的列车行驶风速概率预测方法
CN112183847B (zh) * 2020-09-25 2022-09-20 合肥工业大学 基于QRNN改进Stacking算法的列车行驶风速概率预测方法
CN112365040B (zh) * 2020-11-03 2022-03-01 哈尔滨工业大学 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法
CN112365040A (zh) * 2020-11-03 2021-02-12 哈尔滨工业大学 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法
CN112842342A (zh) * 2021-01-25 2021-05-28 北京航空航天大学 一种结合希尔伯特曲线和集成学习的心电磁信号分类方法
CN112842342B (zh) * 2021-01-25 2022-03-29 北京航空航天大学 一种结合希尔伯特曲线和集成学习的心电磁信号分类方法
CN112879220A (zh) * 2021-03-16 2021-06-01 上海电气风电集团股份有限公司 风机控制方法、系统和可读存储介质
CN112949938A (zh) * 2021-03-29 2021-06-11 哈尔滨工业大学 改善训练样本类别不均衡的风电爬坡事件直接预报方法
CN113392826A (zh) * 2021-06-18 2021-09-14 广东工业大学 一种基于多模型融合Stacked的害鸟密度分布预测方法
CN113379151A (zh) * 2021-06-25 2021-09-10 重庆大学 基于Bagging-CNN-GRU的风速超短期预测方法
CN113553774A (zh) * 2021-08-30 2021-10-26 北京东润环能科技股份有限公司 一种基于eemd-gru的短期风功率预测方法
CN114243674A (zh) * 2022-02-24 2022-03-25 国网浙江省电力有限公司平阳县供电公司 一种直流微网孤岛状态下的光伏和储能协同控制系统
TWI812382B (zh) * 2022-08-04 2023-08-11 正修學校財團法人正修科技大學 波浪發電控制方法及系統
CN115512717A (zh) * 2022-11-21 2022-12-23 东北石油大学三亚海洋油气研究院 一种基于集成学习的二阶段单传感器管道泄漏定位方法
CN117577214A (zh) * 2023-05-19 2024-02-20 广东工业大学 一种基于堆叠学习算法的化合物血脑屏障渗透性预测方法
CN117577214B (zh) * 2023-05-19 2024-04-12 广东工业大学 一种基于堆叠学习算法的化合物血脑屏障渗透性预测方法

Also Published As

Publication number Publication date
CN110685857B (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN110685857B (zh) 一种基于集成学习的山地风电机组行为预测模型
Behera et al. Solar photovoltaic power forecasting using optimized modified extreme learning machine technique
Yang et al. A weather-based hybrid method for 1-day ahead hourly forecasting of PV power output
Cabrera et al. Wind-driven SWRO desalination prototype with and without batteries: A performance simulation using machine learning models
Tascikaraoglu et al. A review of combined approaches for prediction of short-term wind speed and power
CN105046374A (zh) 一种基于核极限学习机模型的功率区间预测方法
Li et al. Ensemble offshore wind turbine power curve modelling–an integration of isolation forest, fast radial basis function neural network, and metaheuristic algorithm
CN115425680B (zh) 一种多能源联合发电系统的功率预测模型构建及预测方法
Eseye et al. Short-term wind power forecasting using a double-stage hierarchical hybrid GA-ANN approach
Houssein Particle swarm optimization-enhanced twin support vector regression for wind speed forecasting
CN109242200A (zh) 一种贝叶斯网络预测模型的风电功率区间预测方法
Rodríguez et al. Ensemble forecaster based on the combination of time-frequency analysis and machine learning strategies for very short-term wind speed prediction
Tajjour et al. Power generation forecasting of a solar photovoltaic power plant by a novel transfer learning technique with small solar radiation and power generation training data sets
Zhang et al. Short-term wind power prediction based on EMD-LSTM combined model
Zhang et al. Achieving wind power and photovoltaic power prediction: An intelligent prediction system based on a deep learning approach
Yu et al. Comparison of short-term solar irradiance forecasting methods when weather conditions are complicated
Wang et al. Short-term wind power probabilistic forecasting using a new neural computing approach: GMC-DeepNN-PF
Dong et al. Optimised yaw model for adaptive wind direction characteristic based on a data‐driven approach
Ding et al. Photovoltaic array power prediction model based on EEMD and PSO-KELM
Sun et al. Wind speed prediction based on FWA-LSTM
Li et al. An adaptive spatiotemporal fusion graph neural network for short-term power forecasting of multiple wind farms
Ahmed et al. A novel integrated approach for short-term wind power forecasting
Li et al. A short-term photovoltaic output prediction method based on improved PSO-RVM algorithm
Mahmudy et al. Genetic algorithmised neuro fuzzy system for forecasting the online journal visitors
Ren Short-term Power Prediction of Wind Farm Power Based on BP Neural Network

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