CN111091233A - 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法 - Google Patents
一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法 Download PDFInfo
- Publication number
- CN111091233A CN111091233A CN201911170126.2A CN201911170126A CN111091233A CN 111091233 A CN111091233 A CN 111091233A CN 201911170126 A CN201911170126 A CN 201911170126A CN 111091233 A CN111091233 A CN 111091233A
- Authority
- CN
- China
- Prior art keywords
- wind power
- model
- power data
- prediction
- wavelet
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000004458 analytical method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 14
- 230000007787 long-term memory Effects 0.000 claims abstract description 7
- 230000010354 integration Effects 0.000 claims abstract description 6
- 230000006403 short-term memory Effects 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 21
- 238000000354 decomposition reaction Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 230000008602 contraction Effects 0.000 claims description 6
- 238000005314 correlation function Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 230000002688 persistence Effects 0.000 claims description 5
- 238000010998 test method Methods 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000011002 quantification Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000001583 randomness test Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000000644 propagated effect Effects 0.000 claims description 2
- 230000002441 reversible effect Effects 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000010248 power generation Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000001134 F-test Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法，在分析风电功率与气象因素关系的基础上，首先利用小波多尺度分析、熵与非参数估计方法分别考察风电数据的时频域特征分布、不确定性和随机性，用于合理划分子集以确保训练样本充分激励系统的所有模态。其次，采用非线性流形学习提取风电数据的非线性特征，实现维数约简以降低计算复杂度。最后，结合结构优化的长短期记忆神经网络，建立预测精度高、计算复杂度低以及鲁棒性强的短期风电功率组合预测模型。本发明可为风电场提供精确可靠的风电功率预测，为大规模风电并网的协调控制与电网调度提供保障。
Description
技术领域
本发明属于风力发电技术领域，特别涉及一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法。
背景技术
近年来，发展可再生能源逐渐成为国际社会共识。风能是一种因空气流做功而产生的可再生能源，中国风能资源丰富，根据气象部门统计，目前可以开发利用的风能达到10亿千瓦以上。精确可靠的短期风力发电预测对于智能电网调度有重要作用，能减少由电网整合带来的经济损失，以及降低电网传输和整合的风险。由于风速分布具有瞬时性、随机性和不确定性，导致风电场短期风力发电预测建模成为一个复杂的非线性过程。风速的分布有着明显的季节特征，其分布主要受两方面影响：一是其变化与太阳光照密切相关；二是由于风能密度较低，大气压、湿度和温度等都会引起风速分布的变换，使其存在很大的波动性进而呈现为非平稳的随机时间序列。
在现有的风电场短期风电预测技术中，其预测方法主要分为以下几种：
(1)物理预测模型预测方法：该模型从天气现象(或天气过程)具有必然性出发，认为天气变化是非随机的，它满足一定的规律(如动量守衡、能量守衡等)，认为其在相同的条件下应该发生相同的变化，根据大气某一时刻的状态，可以推算出下一时刻的确定的状态。物理预测模型的计算方法是根据风电场周围的气压、温度、粗糙度和障碍物等，用数值天气预测模拟大气变化进行预测。物理预测模型只需要从实时数据出发进行预测，通常作为风电场的首选预测模型。但高精度数据的采集和高效快速的数据传输对数据采集装置和数据传输网络的要求很高，而且该方法建模过程比较复杂，对错误初始信息所引起的系统误差非常敏感。
(2)统计预测模型预测方法：该模型从天气现象(或天气过程)具有偶然性出发，认为天气变化是一种随机过程，在相同条件下不一定出现同样的天气变化，着重考虑某种天气出现的概率。统计预测模型可以合并含有物理解释的自变量，允许工程师和系统运营商了解他们的行为，因此该方法受到研究者们的青睐并被广泛应用到风电功率预测中。常用的统计预测模型有时间序列、卡尔曼滤波(Kalman Filtering)、神经网络(NeuralNetwork)以及数值天气预报(Numerical Weather Prediction)等。由于统计预测模型不考虑数据变化的物理过程，仅从历史数据建立与风电功率之间的逻辑关系。该方法缺乏物理基础，对预报量有时间滞后预报因子的相关关系考虑不足，特别是与风电功率数据特征分析的结合不够紧密。
(3)组合预测模型预测方法：该模型结合多种预测方法的优势，消除单一预测模型的弱点以提高风电功率预测的精度。组合预测模型通过考虑影响风电功率预测的不同因素，充分结合数据的非线性特征进行建模预测，部分组合方法还具有多时间尺度、多分辨率以及预测精度高等特点。尤其是随着人工智能的发展，与分类准确度高、并行分布处理与学习能力强、能充分逼近复杂非线性关系的神经网络相结合的组合预测模型应用越来越多。但目前应用广泛的前馈神经网络不能有效获取具有时序结构的数据，这导致在实际应用中与之前序列有关联的内容无法应用。导致前馈神经网络在风电功率数据的预测建模方面的泛化能力不足。此外，前馈网络作为静态神经网络进行预测建模就不能准确地描述系统的动态性能。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法，利用小波分析对风电数据进行分解，来降低其非平稳性、瞬时性以及随机性的影响；并利用多模型AdaBoost深度网络根据风速频率分量的特点建模，来改善神经网络容易陷入局部极值的缺陷，进而增强对不同风电样本的适应性，建立预测精度高、计算复杂度低以及鲁棒性强的短期风电功率组合预测模型。
为解决上述技术问题，本发明采用以下技术方案。
一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法，包括以下步骤：
步骤1.基于小波分析，对风电功率数据预处理与特征分析：采用多项式或样条函数、合理性检验以及小波分析分别处理风电功率数据的缺失值、不合理值和噪声值，并采用小波多尺度分析、熵与非参数估计方法分别考察风电功率数据的时频域特征分布、不确定性和随机性；
步骤2.对风电功率数据进行非线性特征提取与维数约简：在保持风电功率数据时间顺序与几何结构的情况下，利用非线性流形学习提取非线性特征、消除冗余信息，实现非线性特征提取与维数约简；所述的非线性流形学习假设原始数据光滑且非“重叠”，否则会在流形嵌入时，可能会出现放缩现象；同时，对高维风电功率数据的维数约简需要估计样本的信息量；
步骤3.样本子集划分、模型阶次估计以及预测模型表示：根据输入风电数据的频谱时间和尺度变化特性，利用其特征分布进行子集划分，使得训练样本与测试样本频谱相互覆盖；利用合理的频谱估计、信息准则以及小波分析，实现风电数据的子集划分、模型阶次估计以及预测模型表示；合理划分子集，确保训练样本充分激励系统的所有模态；
步骤4.基于优化模型结构的多模型AdaBoost深度网络的短期风电功率预测建模：利用多个长短期记忆子网络对分解后的输入变量分别建模，自动判断先前训练集中预测偏差大的相应概率，组合预测性能好的子网络，提升模型在训练样本集上的表现能力；设置合适的学习率，合理更新范数和权值范数的比率，加强深度网络学习速度与稳定性；根据预测精度调整子网络个数，获得最好的泛化能力；对数据分解后的不同频率进行建模，根据不同划分子集进行交叉验证，获得高精度、强鲁棒的特性。
所述步骤1具体包括：
步骤1.1缺失值处理:采用多项式或样条函数、合理性检验以及小波分析分别处理缺失值、不合理值和噪声值，包括用三次多项式函数和确定样条函数进行插值从而对缺失值合理处理；
步骤1.2合理性检验:利用自适应中值滤波Hampel滤波器，设定滑动半窗口Half-windows的长度；通过自适应的高斯估计，对滤波正态分布标准偏差进行合理性检验；
步骤1.3噪声值处理:采用Haar、Symmlets、Daubechies小波多尺度分析在数据噪声水平正则化到level-1后进行滤波，构建一个小波域的非线性收缩函数
将小波初始系数设置在区间[-δ,δ]内，并且设置为按照绝对值的形式进行收缩，其中N和σ分别表示样本的长度和噪声的标准偏差；重组后的信号为：
其中xnew和xOriginal分别是重构后的信号与原始信号，sgn(xOriginal)是对应的取值-1或1的符号函数，非线性收缩函数
是软阈值，ωj,k是由真实信号和噪声组成的相关数值，j,k是与频率相关的正整数指标；其中低频截断可设置为5<3×2×1＝6，消失矩可设置为8＝23，此时严格满足小波分析消失矩的条件；
步骤1.4风电功率数据的不确定性分析：分别采用Renyi熵与非参数估计，来分析风电功率数据的不确定性与随机性；假设时间序列{Xt}t＝1,2,…对应的分布概率为pi＝Pro(Xt＝i)，Renyi熵提供了基于样本质量的定量测量指标；Hα(Xt)越低，则与时间序列相关的不确定性就越小，序列中存在许多与能量流相关的不确定因素则越少，其相应的分布表现为较高的熵情况；
步骤1.5风电功率数据的随机性分析：假设给出的时间序列均值
与方差
其中n1是通常比给定序列的中值高的样本总量，n2是小于或等于给定序列中值的正数，则其在不同排列组合下的相应边际概率分布表述为：
其中r是与序列时滞相关的正数，R是观测到的运行次数；采用随机性测试来检查观测值是否为基于输出概率的随机生成的序列；经过以上处理步骤，使风电数据质量得到提升、并获取真实的数据信息。
另外，上述步骤1中的小波分析，是指基于软阈值估计方法，来降低风电数据的不确定性与随机性。
所述步骤2具体包括：
步骤2.1计算本质维度：采用信息准则维度估计、最近邻维度估计以及最大似然估计方法，并综合比较选择合理的本质维度；
步骤2.2估计邻域内节点数量：对存在短路分支的节点进行分析，生成含有相应节点的邻近图相关的稀疏矩阵，并采用合理的本质维度估计以便增强算法的鲁棒性；由于邻近节点过多容易引起邻近图中的最短路径与测地距离不匹配，可采用无监督聚类算法和监督式聚类算法进行处理。
所述步骤3具体包括：
步骤3.1合理的样本子集划分：假设x(t)＝{xi(t)}i＝1,…,s是待输入的风电数据集合，其中s是表明待输入风电数据变量个数的正整数，获得序列的能量分布；利用相似性矩阵、最近邻和K均值等进行量化，来实现准确的子集划分与评估；
步骤3.2模型阶次估计：假设通过本质维度估计得到k个输入变量，利用相关函数法、残差法、F检验法、准则函数法或者Lipschitz准则，确定各个变量对应的模型阶次pi,i＝1,…,k，其中pi,i＝1,…,k是表明与第i变量对应模型阶次的正整数；
步骤3.3预测模型表示：基于步骤3.1，预建立的风电数据后h步(h-steps ahead)预测模型则表示为：
y(t+h)＝F(x1(t),…,x1(t-p1),…,xk(t),…,xk(t-pk)) (10)
其中h是正整数，模型阶次pi,i＝1,…,k，通常表示为模型的最大时滞，用于反映模型的动态持续性；
步骤3.4采用小波变换分解输入变量，分解水平选取Daubechies4在level-2对风电数据进行分解，将预处理后的风电数据采用二维小波分解进行处理，分解后的成分为表示信号细节特征的水平、垂直与对角高频成分，以及一般特征的低频成分。
进一步的，所述的长短期记忆神经网络用于预测建模本质上是反复迭代递推预测结果，是把整个输入的时间序列信息进行压缩并作为该网络任意时刻的输入，按照时间的逆序将错误信息通过时序反向传播以调整网络结构。
进一步的，采用多模型AdaBoost集成方法来分别对数据分解后的不同频率进行分别建模。
与现有技术相比，本发明的优点和有益效果在于：
1.本发明提出了基于非线性特征的风电功率特征分析方法，可实现高精度的风电功率预测建模。利用小波分析和非参数估计方法，分别对风电功率数据特征的不确定性和随机性进行分析。采用频谱分析以及小波分解方法，对风电功率数据进行多分辨率多尺度的数据分解，来估计与风电数据相似的分解频率；并利用流形算法通过估计高维风电功率数据的本质维度，来约简维数、提取数据非线性特征，从而有效提高网络的收敛性。
2.本发明建立了基于多模型AdaBoost深度网络的高精度预测方法，突破现有研究对于风电功率数据的复杂变化以及对系统充分激励考虑不足的局限。合理划分后的样本能基本保证系统的所有模态是充分激励的。利用长短期记忆神经网络探索风电功率数据当前值与长时历史数据之间的关系，结合非线性特征与模型结构优化策略来增强模型对风电功率数据不确定性、随机性以及复杂变化的应对能力，实现风电功率数据的高精度预测建模，使风电功率预测建模更好的服务于实际应用。
附图说明
图1A为本发明的一种实施例的总流程图。图1B为本发明的一种实施例的总流程综合框图。其中，中间框图表示主流程，右侧框图表示流程作用解释与理论分析，左侧框图表示各主流程步骤的主要过程。
图2为本发明的一种实施例的模型预训练子集划分步骤图。
图3为本发明的一种实施例的长短期记忆网络结构示意图。
具体实施方式
提高风电场风电功率的预测精度可有效减轻含高渗透率间歇性电源接入电网时对电网稳定运行造成的巨大冲击，同时能提升系统对新能源并网的消纳能力。风电功率预测建模的一个难点是从有限的样本来推断其背后隐藏的规律、从实验数据来辨识未知的系统。风力发电固有的随机性、间歇性和波动性加大了短期风电功率预测的难度。
本发明涉及一种用二维小波对风速进行多尺度分辨率的分解，用以降低风速中瞬时性、随机性和不确定性的影响，进而用多模型AdaBoost深度网络改善神经网络过合与容易陷入局部极小点的缺陷、增强对不同样本的适应性，并从频域角度对风速进行多层分解，根据频率分量的特点建模，其推广性和工程应用价值高。
本发明在分析风电功率与气象因素关系的基础上，构建基于风电出力数据(简称风电数据)的多模型AdaBoost深度网络短期风电功率预测模型。首先，利用小波多尺度分析、熵与非参数估计方法分别分析风电数据的时频域特征分布、不确定性和随机性，用于提高数据质量并挖掘真实信息。其次，采用非线性流形学习提取风电数据的非线性特征，实现维数约简以降低计算复杂度。再者，利用合理的频谱估计、信息准则以及小波分析，来实现风电数据的子集划分、模型阶次估计以及预测模型表示，使得划分子集以确保训练样本充分激励系统的所有模态。最后，结合结构优化的多模型AdaBoost深度网络，建立了预测精度高、计算复杂度低以及鲁棒性强的短期风电功率组合预测模型。
图1A为本发明的一种实施例的总流程框图。本发明实施例方法具体包括以下步骤：
步骤1、基于小波分析，对风电功率数据预处理与特征分析。
步骤1.1：缺失值处理。采用多项式或样条函数、合理性检验以及小波分析分别处理缺失值、不合理值和噪声值，比如三次多项式函数和确定样条函数进行插值以达到对缺失值合理处理的目的。
步骤1.2：合理性检验。利用合理性检验方法，比如自适应中值滤波Hampel滤波器(设定滑动半窗口Half-windows的长度比如半采样周期的与例如99％置信水平)，通过自适应的高斯估计，对滤波正态分布标准偏差比如经验数值1.4826)下进行合理性检验，以上步骤如图1和图2中步骤所示。
步骤1.3：噪声值处理。采用小波多尺度分析，比如Haar、Symmlets、Daubechies在数据噪声水平正则化到level-1进行滤波，并通过合理的消失矩设置以及低频截断设置，来保证消噪方法严格满足小波消失矩的条件，并且合理的软阈值方法可避免振铃现象(Gibbs效应)，由此达到合理消噪的目的。小波变换具有强大的时频域分析能力，被广泛应用于信号分析，压缩与噪声剔除等。小波系数特征是时频域内最重要的特征，该特征可以看作正交镜像的特征编码。所有小波特征的分解系数包含给定信号的随机计算误差，且相对少量数值的确定性变化可由相对较大的特征系数来决定。当噪声系数逐渐减小至零时，使用少量数值对应的较大系数表示基层信号，构建一个小波域的非线性收缩函数
小波初始系数设置在区间[-δ,δ]内，并且设置为按照绝对值的形式进行收缩，其中N和σ分别表示样本的长度和噪声的标准偏差。重组后的信号为：
其中xnew和xOriginal分别是重构后的信号与原始信号，sgn(xOriginal)是对应的取值-1或1的符号函数，非线性收缩函数
是软阈值，ωj,k是由真实信号和噪声组成的时间序列，j,k是与频率相关的正整数指标。该滤波方法将风速序列进行小波分解得到近似系数和细节系数，再对细节系数估计噪声水平并作用阈值抑制噪声，最后重建信号达到降噪目的。风速v(m/s)与风电机组输出功率PW(KW)之间的函数关系可近似描述：
其中PW，PR分别为风机有功出力与风电机组额定容量，vR,vCI和vCO分别为额定风速、切入风速和切出风速。其中切入风速是风力发电机组并网发电的最小风速，切出风速是风力发电机组并网发电的最大风速。当风速小于切入风速或者大于切出风速时，风电会停止发电。当风速大于或等于额定风速同时小于切出风速时，风机出力为额定值。根据风速与功率之间的函数关系式，风速预测的精确度直接影响到风电功率预测的精确度。
不同小波系数的连续性不同，不恰当的阈值估计容易引起重构信号振荡。小波变换后的系数在对应时间尺度下比较大，则表明小波与信号的波形相似度大，反之则较小。滤波水平依据噪声随幅度与密度增加而递减的机理，在噪声水平处于低尺度时，采用小波消噪可以确定最佳的信号滤波水平并防止过扼杀。其中低频截断可设置为5<3×2×1＝6，消失矩可设置为8＝23，此时严格满足小波分析消失矩的条件。本发明通过小波分析，利用不同尺度分别将信号的全局信息(低频)和细节信息(高频)提取出来，再对细节信息估计噪声水平并抑制噪声，有效地平滑噪声、识别并删除离群点，进而消除非平稳性、增加光滑性，以得到信号失真度小的高质量风电功率数据。
步骤1.4：风电功率数据的不确定性分析。本发明分别采用Renyi熵与非参数估计来分析风电功率数据的不确定性与随机性。同Shannon熵类似，Renyi熵是一类时频域表征能力较强的分析方法，其基于提取的能量分布、振幅以及频率来评估信号的时频域特性。假设时间序列{Xt}t＝1,2,…对应的分布概率为pi＝Pro(Xt＝i)，则Renyi熵Hα(Xt)定义如下：
其中Hα(Xt)关于α是非递增的，α＞＞0,α≠1，其计算得到的序列顺序，可以根据其能量分布，尤其是其频谱随时间和尺度的变化进行调整。
其中
Renyi熵提供了基于样本质量的定量测量指标。Hα(Xt)越低，则与时间序列相关的不确定性就越小，序列中存在许多与能量流相关的不确定因素则越少，其相应的分布表现为较高的熵情况。
步骤1.5：风电功率数据的随机性分析。统计方法是指用于测试时间序列是否独立且相同分布(independent and identically distribution,i.i.d)的非参数测试方法，结合与随机过程相关联的分布不变特性来评估风速的随机性。通常在非参数测试中假设时间序列不是随机分布的。假设给出的时间序列均值
与方差
其中n1是通常比给定序列的中值高的样本总量，n2是小于或等于给定序列中值的正数，则其在不同排列组合下的相应边际概率分布(marginal probability distributions)表述为：
其中r是与序列时滞相关的正数，R是观测到的运行次数。与误报概率(Probability of the False Alarm，PFA)相关的关键区域为：
其中
μ1与σ1分别是选取样本对应的均值与方差。随机性测试是检查观测值是否为基于输出概率的随机生成的序列。经过以上处理步骤，风电数据质量得以提升、数据真实信息得以挖掘。此外，由于风电功率数据的结构通常还具有高维度以及高相关性的特点，重复的抑或高特征相关的数据容易造成网络的权值退化，高精度的预测建模还需要考虑风电数据存在冗余信息。该步骤1中基于软阈值估计方法的小波分析，其目的在于降低风电数据的不确定性与随机性。
步骤2、风电功率数据的非线性特征提取与维数约简。风电功率数据具有时间顺序同时兼具特定的几何结构。不同高度的风速之间，抑或标准差之间的相关性极高，数据间存在冗余信息的可能性较大。利用非线性流形学习提取非线性特征、消除冗余信息，有利于避免重复输入造成的神经网络权值退化，提高模型的推广能力。本发明需要在保持风电功率数据时间顺序与几何结构的情况下，实现非线性特征提取与维数约简。流形学习假设原始数据光滑且非“重叠”，否则在流形嵌入时，可能会出现放缩现象。对高维风电功率数据的维数约简还需要估计样本的信息量。本发明采用小波分析来提高数据的光滑度，本质维度估计来估计原始信号的信息量。此外，邻域内节点的数量对非线性流形学习至关重要，直接决定了计算重构矩阵邻近节点组成图的稳定性，不恰当的邻域节点数量会造成不稳定的拓扑结构。
步骤2.1：计算本质维度。高维数据集合的本质维数通过独立的标量进行定性分析。类似于分形维数的处理思想，基于信息相关准则来估计本质维数。定义度量空间Δ的一个有限集合τn＝{x1,…,xn}，高维数据集合降维前后的相关维Cn(r)定义如下：
Cn(r)＝α∑i＝1,…,n∑j＝i+1,…,nIr,Ir＝{‖xi-xj‖2<r} (7)
其中
Ir是对应的指标集合。根据定义的邻域大小，度量空间的可数子集S＝{x1,…}属于Δ，存在相关极限
本发明通过考察相关维数曲线的线性逼近梯度进行近似，进而得到相关维数Dcorr计算如下：
其中r1≠r2，如果(8)式分母接近零，则表示原数据几乎没有长度，该集合信息量非常小。基于信息准则的样本信息维数有利于信息量的测量与维数的估计，而且能提高非线性映射计算的速度，本步骤可采用信息准则维度估计(Estimator based on correlationdimension)、最近邻维度估计(Estimator based on nearest neighbor evaluation)以及最大似然估计方法(Maximum Likelihood Estimator)等并综合比较选择合理的本质维度。
步骤2.2：估计邻域内节点数量。传统方法根据映射质量作为依据来对邻域调节的算法较为耗时，不利于提升高维数风电数据的处理速度。在邻近图中，低密度区域的风电数据的最短路径相对容易寻找，本发明设计如下选择方法：对存在短路分支的节点进行分析，生成含有相应节点的邻近图相关的稀疏矩阵，并采用合理的本质维度估计以以增强算法的鲁棒性。注意，邻近节点过多容易引起邻近图中的最短路径与测地距离不匹配。结合步骤2.1，可采用无监督聚类算法比如PCA(Principal component analysis)，LLE(locallylinear embedding)以及监督式聚类算法LDA(Linear Discriminant Analysis)进行处理。此步骤有利于实现变量维数的约简以提升计算速度，而且相关性高的模型变量可以进行融合，这有利于选取合理的模型变量用于风电数据的预测建模。并且，该步骤2中所述的采用流形算法对高相关性变量进行融合，有利于消除冗余信息、避免重复输入造成的神经网络权值退化、提高模型的收敛速度以及提高模型的推广能力。
步骤3、样本子集划分、模型阶次估计以及预测模型表示。
步骤3.1：合理的样本子集划分。通常情况下，样本子集的划分根据经验而定，由于样本提供的信息有限，并不能保证输入信号能够充分激励系统的所有模态，以及频谱能够覆盖系统的频谱。因此，利用基于小波变换的信号频谱估计，来考察风电数据的小波系数对应的能量分配是否呈现比较规则的周期性，按照其重复出现的分布规律来对样本子集进行合理的划分。假设x(t)＝{xi(t)}i＝1,…,s是待输入的风电数据集合，其中s是表明待输入风电数据变量个数的正整数，基于小波变换的信号频谱估计函数H(ω)为：
其中T是按照时间排列的序列长度。注意某些低频分量说明特征可能存在行为复杂的慢变化，此时子集的选取以范围较大为宜。获得序列的能量分布，尤其是频谱随时间和尺度的变化，根据其特征分布进行子集划分以达到训练样本与测试样本频谱相互覆盖的目的，利用比如相似性矩阵、最近邻和K均值等进行量化，来实现准确的子集划分与评估；模型预训练子集划分步骤如2所示。理的样本子集划分后，对于单个子集而言，其具备某种稳定的重复性的特征，这有利于输入信号能充分激励系统的所有模态，以及频谱覆盖系统的频谱，为高精度的风电数据预测建模提供保障。
步骤3.2：模型阶次估计。假设通过本质维度估计得到k个输入变量，利用相关函数法(Correlation Function)、残差法(Residual Error)、F检验法(F-test)、准则函数法(Criterion Function)或者Lipschitz准则，来确定各个变量对应的模型阶次pi,i＝1,…,k，其中pi,i＝1,…,k是表明与第i变量对应模型阶次的正整数。
步骤3.3：预测模型表示。基于步骤3.1，预建立的风电数据后h步(h-steps ahead)预测模型则表示为：
y(t+h)＝F(x1(t),…,x1(t-p1),…,xk(t),…,xk(t-pk)) (10)
其中h是正整数，模型阶次pi,i＝1,…,k，通常表示为模型的最大时滞，用于反映模型的动态持续性(Persistence)。通常动态持续性越久，对应的待输入的风电数据集合越大。
步骤3.4：采用小波变换分解输入变量，分解水平选取Daubechies4在level-2(简称Db4(2))对风电数据进行分解，风电数据的分布趋势通常可以分为两类：(1)太阳光照密切相关的变化趋势；(2)风能密度较低、大气压以及湿温度等引起的波动性较大的变化趋势。因此，选用不同的分解水平可以根据实际需求来制定，通常来讲，Daubechies(4)在信号平滑以及细节展示的优势明显，是目前风电数据应用最广泛的方法之一，本发明将预处理后的风电数据采用二维小波分解进行处理，分解后的成分为表示信号细节特征的水平、垂直与对角高频成分，以及一般特征的低频成分。
上述步骤3中的基于小波变换的信号频谱估计，有利于考察风电数据的小波系数对应的能量分配是否呈现比较规则的周期性，尤其是频谱随时间和尺度的变化；并根据其特征分布进行子集划分以达到训练样本与测试样本频谱相互覆盖的目的，并利用比如相似性矩阵、最近邻和K均值等进行量化，来实现准确的子集划分与评估。
步骤4、基于优化模型结构的多模型AdaBoost深度网络的短期风电功率预测建模。
多模型AdaBoost深度网络通过利用多个子网络对分后的输入变量分别建模，自动判断之前训练集中预测偏差大的相应概率，并重点考虑预测误差大的样本，利用预测性能好的子网络进行组合以提升模型在训练样本集上的表现能力。本发明采用长短期记忆网络作为子网络进行预测建模。长短期记忆神经网络的内部记忆单元Ct在时刻t记录了到当前时刻为止的所有样本历史信息，同时受三个“门”控制：输入门it，遗忘门ft和输出门ot。输入门学习来决定何时让激活传入存储单元，而输出门学习决定何时让激活传出存储单元。关于后传递，输出门是在学习何时让错误流入存储单元，输入门学习决定何时让它流出存储单元，并传到网络的其余部分。将小波分解后的变量输入到各个子网络中进行训练。长短期记忆网络结构如图3所示。
其模型优化策略如下：对合率、学习率、权值与梯度爆炸等，设置合适的学习率进行递减循环验证，以确保在验证性能受到损害时，多模型AdaBoost深度网络不会过拟合训练数据；合理化更新范数和权值范数之间的比率来控制学习率取值不当造成的多模型AdaBoost深度网络学习慢或者不稳定；随机初始化网络权值矩阵，防止多模型AdaBoost深度网络很深时，由于权值矩阵之间的乘积导致不良的预测结果被放大；采用范数硬约束或正则化(Regularization)来避免梯度爆炸等。采用多模型AdaBoost深度网络，可设置子网络个数为5(具体数值可根据预测精度反复调整直至泛化能力最好为止)，来对数据分解后的不同频率进行建模，对每个子网中的深度网络按照如上的模型优化策略进行优化。最后基于不同划分子集进行交叉验证结果。这样有利于建立高精度、强鲁棒的多模型AdaBoost深度网络短期风电功率预测模型。
本发明的预测建模步骤可简要概述为：
步骤1、通过数据的采集、存储与输入并将数据进行记录。多项式函数与样条函数选用工程中的经典方法，比如三次多项式函数和确定样条函数进行插值以达到对缺失值合理处理的目的，如图1中步骤所示。利用合理性检验方法，比如自适应中值滤波Hampel滤波器(设定滑动半窗口Half-windows的长度比如采样周期的一半与置信水平比如99％)通过自适应的高斯估计，对滤波正态分布标准偏差(常设置为1.4826)下进行合理性检验；如图1和图2中步骤所示。利用小波分析(参照公式(1)和(2))比如Haar、Beylkin、Symmlets、Daubechies在数据噪声水平正则化到level-1的滤波效果，并通过合理的消失矩设置以及低频截断设置以严格满足小波消失矩的条件，而且合理的软阈值方法避免了振铃现象(Gibbs效应)，依此达到合理消噪的目的，如图1中步骤所示。
步骤2、高维数据集合的本质维数通过独立的标量进行定性分析。类似于分形维数的处理思想，基于信息相关准则来估计本质维数。利用稀疏算法来选择合适的邻域以提高计算效率。如果存在短路分支便返回数值进行调整，进而生成一个存储为相应节点中邻近图相关的稀疏矩阵。由此获得合理的邻近节点数目，在保持风电功率数据时间顺序与几何结构的情况下，实现非线性特征提取与维数约简。
步骤3、利用基于小波分析的频谱分析获得序列的能量分布，尤其是频谱随时间和尺度的变化，根据其特征分布进行子集划分以达到训练样本与测试样本频谱相互覆盖的目的，利用比如相似性矩阵、最近邻和K均值等进行量化，来实现准确的子集划分与评估；模型预训练子集划分步骤如2所示。利用相关函数法(Correlation Function)、残差法(Residual Error)、F检验法(F-test)、准则函数法(Criterion Function)或者Lipschitz准则，来确定各个变量对应的模型阶次，并预建立的风电数据后h步(h-steps ahead)预测模型则表示。采用小波变换分解输入变量，分解水平选取Daubechies4在level-2(简称Db4(2))对风电数据进行分解。
步骤4、采用小波分解原始数据，比如Daubechies4在level-2(简称Db4(2))对经过步骤1-5处理后的数据进行分解，采用优化模型结构的多模型AdaBoost深度网络来分别对数据分解后的不同频率进行分别建模，最后基于不同划分子集进行交叉验证结果，由此建立高精度、强鲁棒、适应性强的多模型AdaBoost深度网络的风电场短期风电预测建模方法。如图1和图3中步骤所示。
总之，本发明利用小波多尺度分析、熵与非参数估计方法分别考察风电数据的时频域特征分布、不确定性和随机性，合理划分子集以确保训练样本充分激励系统的所有模态。采用非线性流形学习提取风电数据的非线性特征，实现维数约简以降低模型计算复杂度，进而提高模型计算效率。并且结合模型结构优化的多模型AdaBoost深度网络建立预测精度高、计算复杂度低以及鲁棒性强的短期风电功率组合预测模型。本发明可为风电场提供精确可靠的风电功率预测，为大规模风电并网的协调控制与电网调度提供保障。
Claims (7)
1.一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法，其特征在于，包括以下步骤：
步骤1.基于小波分析，对风电功率数据预处理与特征分析：采用多项式或样条函数、合理性检验以及小波分析分别处理风电功率数据的缺失值、不合理值和噪声值，并采用小波多尺度分析、熵与非参数估计方法分别考察风电功率数据的时频域特征分布、不确定性和随机性；
步骤2.对风电功率数据进行非线性特征提取与维数约简：在保持风电功率数据时间顺序与几何结构的情况下，利用非线性流形学习提取非线性特征、消除冗余信息，实现非线性特征提取与维数约简；所述的非线性流形学习假设原始数据光滑且非“重叠”，否则会在流形嵌入时，可能会出现放缩现象；同时，对高维风电功率数据的维数约简需要估计样本的信息量；
步骤3.样本子集划分、模型阶次估计以及预测模型表示：根据输入风电数据的频谱时间和尺度变化特性，利用其特征分布进行子集划分，使得训练样本与测试样本频谱相互覆盖；利用合理的频谱估计、信息准则以及小波分析，实现风电数据的子集划分、模型阶次估计以及预测模型表示；合理划分子集，确保训练样本充分激励系统的所有模态；
步骤4.基于优化模型结构的多模型AdaBoost深度网络的短期风电功率预测建模：利用多个长短期记忆子网络对分解后的输入变量分别建模，自动判断先前训练集中预测偏差大的相应概率，组合预测性能好的子网络，提升模型在训练样本集上的表现能力；设置合适的学习率，合理更新范数和权值范数的比率，加强深度网络学习速度与稳定性；根据预测精度调整子网络个数，获得最好的泛化能力；对数据分解后的不同频率进行建模，根据不同划分子集进行交叉验证，获得高精度、强鲁棒的特性。
2.根据权利要求1所述的一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法，其特征在于，所述步骤1包括以下过程：
步骤1.1缺失值处理：采用多项式或样条函数、合理性检验以及小波分析分别处理缺失值、不合理值和噪声值，包括用三次多项式函数和确定样条函数进行插值从而对缺失值合理处理；
步骤1.2合理性检验：利用自适应中值滤波Hampel滤波器，设定滑动半窗口Half-windows的长度；通过自适应的高斯估计，对滤波正态分布标准偏差进行合理性检验；
步骤1.3噪声值处理：采用Haar、Symmlets、Daubechies小波多尺度分析在数据噪声水平正则化到level-1后进行滤波，构建一个小波域的非线性收缩函数
将小波初始系数设置在区间[-δ，δ]内，并且设置为按照绝对值的形式进行收缩，其中N和σ分别表示样本的长度和噪声的标准偏差；重组后的信号为：
其中xnew和xOriginal分别是重构后的信号与原始信号，sgn(xOriginal)是对应的取值-1或1的符号函数，非线性收缩函数
是软阈值，ωj，k是由真实信号和噪声组成的相关数值，j，k是与频率相关的正整数指标；其中低频截断可设置为5＜3×2×1＝6，消失矩可设置为8＝23，此时严格满足小波分析消失矩的条件；
步骤1.4风电功率数据的不确定性分析：分别采用Renyi熵与非参数估计，来分析风电功率数据的不确定性与随机性；假设时间序列{Xt}t＝1，2，...对应的分布概率为pi＝Pro(Xt＝i)，Renyi熵提供了基于样本质量的定量测量指标；Hα(Xt)越低，则与时间序列相关的不确定性就越小，序列中存在许多与能量流相关的不确定因素则越少，其相应的分布表现为较高的熵情况；
步骤1.5风电功率数据的随机性分析：假设给出的时间序列均值
与方差
其中n1是通常比给定序列的中值高的样本总量，n2是小于或等于给定序列中值的正数，则其在不同排列组合下的相应边际概率分布表述为：
其中r是与序列时滞相关的正数，R是观测到的运行次数；采用随机性测试来检查观测值是否为基于输出概率的随机生成的序列；经过以上处理步骤，使风电数据质量得到提升、并获取真实的数据信息。
3.根据权利要求1所述的一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法，其特征在于，所述步骤2包括以下过程：
步骤2.1计算本质维度：采用信息准则维度估计、最近邻维度估计以及最大似然估计方法，并综合比较选择合理的本质维度；
步骤2.2估计邻域内节点数量：对存在短路分支的节点进行分析，生成含有相应节点的邻近图相关的稀疏矩阵，并采用合理的本质维度估计以便增强算法的鲁棒性；由于邻近节点过多容易引起邻近图中的最短路径与测地距离不匹配，可采用无监督聚类算法和监督式聚类算法进行处理。
4.根据权利要求1所述的一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法，其特征在于，所述步骤3包括以下过程：
步骤3.1合理的样本子集划分：假设x(t)＝{xi(t)}i＝1，...，s是待输入的风电数据集合，其中s是表明待输入风电数据变量个数的正整数，获得序列的能量分布；利用相似性矩阵、最近邻和K均值等进行量化，来实现准确的子集划分与评估；
步骤3.2模型阶次估计：假设通过本质维度估计得到k个输入变量，利用相关函数法、残差法、F检验法、准则函数法或者Lipschitz准则，确定各个变量对应的模型阶次pi，i＝1，...，k，其中pi，i＝1，...，k是表明与第i变量对应模型阶次的正整数；
步骤3.3预测模型表示：基于步骤3.1，预建立的风电数据后h步(h-steps ahead)预测模型则表示为：
y(t+h)＝F(x1(t)，...，x1(t-p1)，...，xk(t)，...，xk(t-pk)) (10)
其中h是正整数，模型阶次pi，i＝1，...，k，通常表示为模型的最大时滞，用于反映模型的动态持续性；
步骤3.4采用小波变换分解输入变量，分解水平选取Daubechies4在level-2对风电数据进行分解，将预处理后的风电数据采用二维小波分解进行处理，分解后的成分为表示信号细节特征的水平、垂直与对角高频成分，以及一般特征的低频成分。
5.根据权利要求1所述的一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法，其特征在于，所述的长短期记忆神经网络用于预测建模本质上是反复迭代递推预测结果，是把整个输入的时间序列信息进行压缩并作为该网络任意时刻的输入，按照时间的逆序将错误信息通过时序反向传播以调整网络结构。
6.根据权利要求1所述的一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法，其特征在于，采用多模型AdaBoost集成方法来分别对数据分解后的不同频率进行分别建模。
7.根据权利要求1所述的一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法，其特征在于，步骤1中小波分析，是指基于软阈值估计方法，来降低风电数据的不确定性与随机性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911170126.2A CN111091233B (zh) | 2019-11-26 | 2019-11-26 | 一种风电场短期风电预测建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911170126.2A CN111091233B (zh) | 2019-11-26 | 2019-11-26 | 一种风电场短期风电预测建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111091233A true CN111091233A (zh) | 2020-05-01 |
| CN111091233B CN111091233B (zh) | 2023-07-28 |
Family
ID=70393731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911170126.2A Active CN111091233B (zh) | 2019-11-26 | 2019-11-26 | 一种风电场短期风电预测建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111091233B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112231933A (zh) * | 2020-11-06 | 2021-01-15 | 中国人民解放军国防科技大学 | 一种面向雷达电磁干扰效应分析的特征选择方法 |
| CN112348255A (zh) * | 2020-11-06 | 2021-02-09 | 湖南大学 | 基于小波时频图像化的超短期风电功率预测方法 |
| CN112487880A (zh) * | 2020-11-13 | 2021-03-12 | 河北省科学院应用数学研究所 | 基于最大误差准则的中值滤波器、设备和系统 |
| CN112596391A (zh) * | 2020-12-24 | 2021-04-02 | 中国兵器装备集团自动化研究所 | 一种基于数据驱动的深度神经网络大时滞系统动态建模方法 |
| CN112817725A (zh) * | 2021-02-06 | 2021-05-18 | 成都飞机工业（集团）有限责任公司 | 一种基于高效全局优化算法的微服务划分及优化方法 |
| CN113297791A (zh) * | 2021-05-18 | 2021-08-24 | 四川大川云能科技有限公司 | 一种基于改进dbn的风功率组合预测方法 |
| CN113822321A (zh) * | 2021-07-12 | 2021-12-21 | 腾讯科技（深圳）有限公司 | 生成模型训练方法和装置、噪声尺度生成方法和计算设备 |
| CN113837465A (zh) * | 2021-09-18 | 2021-12-24 | 湘潭大学 | 一种多阶段的校园电力短期负荷预测方法 |
| CN114004982A (zh) * | 2021-10-27 | 2022-02-01 | 中国科学院声学研究所 | 一种面向水中目标识别的声学Haar特征提取方法及系统 |
| CN114161227A (zh) * | 2021-12-28 | 2022-03-11 | 福州大学 | 一种基于仿真特征和信号特征融合的刀具磨损量监控方法 |
| CN114184962A (zh) * | 2021-10-19 | 2022-03-15 | 北京理工大学 | 一种多算法融合的锂离子电池soc和soh联合估算方法 |
| CN114266421A (zh) * | 2022-03-01 | 2022-04-01 | 南方电网数字电网研究院有限公司 | 基于复合气象特征构建与选择的新能源功率预测方法 |
| CN114565003A (zh) * | 2021-11-11 | 2022-05-31 | 哈尔滨工业大学（深圳） | 基于压缩采样和字典稀疏分解的欠定工作模态分析方法 |
| CN116805782A (zh) * | 2023-05-22 | 2023-09-26 | 国家电网有限公司华东分部 | 新能源出力场景的生成方法、装置及计算机设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509026A (zh) * | 2011-12-08 | 2012-06-20 | 沈阳工业大学 | 基于最大信息熵原理的风电场短期输出功率预测综合模型 |
| US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
| CN109214575A (zh) * | 2018-09-12 | 2019-01-15 | 河海大学 | 一种基于小波长短期记忆网络的超短期风电功率预测方法 |
-
2019
- 2019-11-26 CN CN201911170126.2A patent/CN111091233B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509026A (zh) * | 2011-12-08 | 2012-06-20 | 沈阳工业大学 | 基于最大信息熵原理的风电场短期输出功率预测综合模型 |
| US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
| CN109214575A (zh) * | 2018-09-12 | 2019-01-15 | 河海大学 | 一种基于小波长短期记忆网络的超短期风电功率预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 邵海见: "基于数据的风电场短期风速预测" * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112348255A (zh) * | 2020-11-06 | 2021-02-09 | 湖南大学 | 基于小波时频图像化的超短期风电功率预测方法 |
| CN112231933A (zh) * | 2020-11-06 | 2021-01-15 | 中国人民解放军国防科技大学 | 一种面向雷达电磁干扰效应分析的特征选择方法 |
| CN112348255B (zh) * | 2020-11-06 | 2024-04-09 | 湖南大学 | 基于小波时频图像化的超短期风电功率预测方法 |
| CN112231933B (zh) * | 2020-11-06 | 2023-07-28 | 中国人民解放军国防科技大学 | 一种面向雷达电磁干扰效应分析的特征选择方法 |
| CN112487880A (zh) * | 2020-11-13 | 2021-03-12 | 河北省科学院应用数学研究所 | 基于最大误差准则的中值滤波器、设备和系统 |
| CN112487880B (zh) * | 2020-11-13 | 2021-09-24 | 河北省科学院应用数学研究所 | 基于最大误差准则的中值滤波器、设备和系统 |
| CN112596391B (zh) * | 2020-12-24 | 2022-08-02 | 中国兵器装备集团自动化研究所 | 一种基于数据驱动的深度神经网络大时滞系统动态建模方法 |
| CN112596391A (zh) * | 2020-12-24 | 2021-04-02 | 中国兵器装备集团自动化研究所 | 一种基于数据驱动的深度神经网络大时滞系统动态建模方法 |
| CN112817725A (zh) * | 2021-02-06 | 2021-05-18 | 成都飞机工业（集团）有限责任公司 | 一种基于高效全局优化算法的微服务划分及优化方法 |
| CN112817725B (zh) * | 2021-02-06 | 2023-08-11 | 成都飞机工业（集团）有限责任公司 | 一种基于高效全局优化算法的微服务划分及优化方法 |
| CN113297791A (zh) * | 2021-05-18 | 2021-08-24 | 四川大川云能科技有限公司 | 一种基于改进dbn的风功率组合预测方法 |
| CN113297791B (zh) * | 2021-05-18 | 2024-02-06 | 四川大川云能科技有限公司 | 一种基于改进dbn的风功率组合预测方法 |
| CN113822321B (zh) * | 2021-07-12 | 2024-03-01 | 腾讯科技（深圳）有限公司 | 生成模型训练方法和装置、噪声尺度生成方法和计算设备 |
| CN113822321A (zh) * | 2021-07-12 | 2021-12-21 | 腾讯科技（深圳）有限公司 | 生成模型训练方法和装置、噪声尺度生成方法和计算设备 |
| CN113837465A (zh) * | 2021-09-18 | 2021-12-24 | 湘潭大学 | 一种多阶段的校园电力短期负荷预测方法 |
| CN114184962A (zh) * | 2021-10-19 | 2022-03-15 | 北京理工大学 | 一种多算法融合的锂离子电池soc和soh联合估算方法 |
| CN114004982A (zh) * | 2021-10-27 | 2022-02-01 | 中国科学院声学研究所 | 一种面向水中目标识别的声学Haar特征提取方法及系统 |
| CN114565003A (zh) * | 2021-11-11 | 2022-05-31 | 哈尔滨工业大学（深圳） | 基于压缩采样和字典稀疏分解的欠定工作模态分析方法 |
| CN114161227A (zh) * | 2021-12-28 | 2022-03-11 | 福州大学 | 一种基于仿真特征和信号特征融合的刀具磨损量监控方法 |
| CN114161227B (zh) * | 2021-12-28 | 2024-05-03 | 福州大学 | 一种基于仿真特征和信号特征融合的刀具磨损量监控方法 |
| CN114266421A (zh) * | 2022-03-01 | 2022-04-01 | 南方电网数字电网研究院有限公司 | 基于复合气象特征构建与选择的新能源功率预测方法 |
| CN116805782A (zh) * | 2023-05-22 | 2023-09-26 | 国家电网有限公司华东分部 | 新能源出力场景的生成方法、装置及计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111091233B (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111091233B (zh) | 一种风电场短期风电预测建模方法 | |
| Liu et al. | A flood forecasting model based on deep learning algorithm via integrating stacked autoencoders with BP neural network | |
| CN112488415A (zh) | 基于经验模态分解和长短时记忆网络的电力负荷预测方法 | |
| CN111401599B (zh) | 一种基于相似性搜索和lstm神经网络的水位预测方法 | |
| Wu et al. | A hybrid support vector regression approach for rainfall forecasting using particle swarm optimization and projection pursuit technology | |
| CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
| CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
| CN114548592A (zh) | 一种基于cemd和lstm的非平稳时间序列数据预测方法 | |
| CN114358389A (zh) | 结合vmd分解和时间卷积网络的短期电力负荷预测方法 | |
| CN114066003A (zh) | 基于小波分解和长短时记忆网络的电力负荷预测方法 | |
| CN114676923A (zh) | 发电功率的预测方法、装置、计算机设备和存储介质 | |
| Yao et al. | Wave height forecast method with multi-step training set extension LSTM neural network | |
| Kosana et al. | Hybrid wind speed prediction framework using data pre-processing strategy based autoencoder network | |
| CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
| Wan et al. | Hydrological big data prediction based on similarity search and improved BP neural network | |
| 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 | |
| Liu et al. | Soil water content forecasting by ANN and SVM hybrid architecture | |
| CN116565863A (zh) | 一种基于时空相关性的短期光伏出力预测方法 | |
| CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
| Patil et al. | Application of ARIMA and 2D-CNNs Using Recurrence Plots for Medium-Term Load Forecasting | |
| Zhao et al. | Missing interpolation model for wind power data based on the improved CEEMDAN method and generative adversarial interpolation network | |
| CN115564155A (zh) | 一种分散式风电机组功率预测方法及相关设备 | |
| Wei et al. | Ultra-short-term wind power forecasting based on deep belief network and wavelet denoising | |
| Tian et al. | Non-intrusive load monitoring using inception structure deep learning | |
| Liu et al. | Ultra-short-term wind power forecasting based on stacking model |
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 |