CN111144663A - 计及出力波动过程的海上风电场超短期风功率预测方法 - Google Patents

计及出力波动过程的海上风电场超短期风功率预测方法 Download PDF

Info

Publication number
CN111144663A
CN111144663A CN201911416406.7A CN201911416406A CN111144663A CN 111144663 A CN111144663 A CN 111144663A CN 201911416406 A CN201911416406 A CN 201911416406A CN 111144663 A CN111144663 A CN 111144663A
Authority
CN
China
Prior art keywords
wind power
meteorological
term
offshore wind
neural network
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
CN201911416406.7A
Other languages
English (en)
Other versions
CN111144663B (zh
Inventor
余光正
周勇良
汤波
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.)
Shanghai Electric Power University
Original Assignee
Shanghai Electric Power 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 Shanghai Electric Power University filed Critical Shanghai Electric Power University
Priority to CN201911416406.7A priority Critical patent/CN111144663B/zh
Publication of CN111144663A publication Critical patent/CN111144663A/zh
Application granted granted Critical
Publication of CN111144663B publication Critical patent/CN111144663B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种计及出力波动过程的海上风电场超短期风功率预测方法，包括以下步骤：1)构建考虑气象变量与气象波动变量的海上风电时序预测模型；2)构建考虑气象因素的改进长期循环卷积神经网络；3)随机初始化改进长期循环卷积神经网络的权值；4)构建包含残差结构的多卷积通道，获取气象因素时序特征；5)优化改进长期循环卷积神经网络的权值；6)若达到最大迭代次数，则迭代终止，完成改进长期循环卷积神经网络的训练，否则，令k＝k+1，并返回步骤4)；7)根据训练完成的改进长期循环卷积神经网络对海上风电时序预测模型求解；8)采用XGboost算法，根据优选特征进行误差修正。与现有技术相比，本发明具有预测精度高、考虑全面等优点。

Description

计及出力波动过程的海上风电场超短期风功率预测方法
技术领域
本发明涉及风电场超短期风功率预测领域，尤其是涉及一种计及出力波动过程的海上风电场超短期风功率预测方法。
背景技术
随着海上风电并网规模的不断扩大，海上风电出力的随机波动性对电力系统安全稳定运行的影响也日益彰显。准确的超短期海上风电出力预测(WPP)技术是解决电力系统调度、稳定运行的重要手段。目前，超短期WPP技术多以陆上风电作为研究对象，超短期海上WPP技术还处于初级阶段，其预测结果难以满足实际工程需求。因此新预测方法的提出对于增强海上风电并网的安全性，加快海上风电发展具有重要意义。
风电场分布面积的增大对风电出力的波动性具有明显的平滑效应。但考虑到海上机组的维护难度与输电电缆的铺设成本，海上风电场通常“高集中”分布，使得其出力波动可能达到非常显著的水平。并且，在不同气象条件下，小时级海上风电功率表现出完全不同的波动特性，严重影响海上WPP模型的整体性能，故如何精确预测多种波动特性下的风电功率是超短期海上WPP的主要难点。
现有采用主成分分析法(PCA)与系统聚类划分风电出力场景相结合的技术，并采用BP神经网络建立不同的预测模型，可以在一定程度上提高预测精度，但该模型对于风机出力频繁变化的场景，预测精度仍有待提高；采用直接启发式动态规划持续修正不同风机出力工况下的模型参数，可以提高风机出力变化频繁时的预测精度，然而，该模型不具有识别风机出力工况类别的能力，仅可用于离线校正；基于多重分形理论划分波动类型，并通过变尺度时间窗算法实现了在线选配预测模型的能力，但该方法只能根据风速波动判定风机出力波动类型，没有考虑到海上风向、湿度等气象因素对风机出力波动的影响，不具有良好的泛化能力。因此，需要考虑海上风电出力波动特性从而进一步提高预测能力。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种计及出力波动过程的海上风电场超短期风功率预测方法。
本发明的目的可以通过以下技术方案来实现：
一种计及出力波动过程的海上风电场超短期风功率预测方法，包括以下步骤：
1)获取海上风电场的原始风电数据，删除缺失数据与错误数据，并构建考虑气象变量与气象波动变量的海上风电时序预测模型；
2)基于海上风电时序预测模型构建考虑气象因素的改进长期循环卷积神经网络；
3)随机初始化改进长期循环卷积神经网络的权值，并设置最大迭代次数K，令当前迭代次数k＝1；
4)在改进长期循环卷积神经网络中构建包含残差结构的多卷积通道，将气象变量与气象波动变量输入不同的卷积通道内，将各个卷积通道提取的特征相加，获取气象因素时序特征，并将该气象因素时序特征作为双层长短期记忆网络的输入；
5)优化改进长期循环卷积神经网络的权值；
6)若达到最大迭代次数，则迭代终止，完成改进长期循环卷积神经网络的训练，并输出网络参数，否则，令k＝k+1，并返回步骤4)；
7)根据训练完成的改进长期循环卷积神经网络对海上风电时序预测模型求解，得到初步海上风电功率预测结果；
8)采用XGboost算法，根据优选特征进行误差修正，并输出最终海上风电功率预测结果。
所述的步骤1)中，海上风电时序预测模型的表达式为：
Figure BDA0002351303570000021
Figure BDA0002351303570000022
Figure BDA0002351303570000031
其中，g(·)为误差修正函数，f3(·)为高维非线性函数，X为与残余误差具有较强相关性的特征变量，
Figure BDA0002351303570000032
为t时刻海上风电功率预测值，W和V分别为包含多个时间步长θ的气象变量和气象波动变量向量，具体包括风速、风向、湿度和温度以及对应的变化量。
所述的步骤8)具体为：
采用XGboost算法，将预测功率、预测功率波动、气象变量、气象波动变量与预测功率误差进行相关性分析，选取相关系数最高的前4个特征作为误差修正模型的输入。
所述的残余误差具有较强相关性的特征变量X具体为：
X＝(PL(t),PL(t)-PL(t-θ),S(t),S(t)-S(t-θ))
其中，PL(t)为t时刻改进LRCN网络的预测功率，PL(t)-PL(t-θ)为t时刻改进LRCN网络的预测功率波动，S(t)为t时刻风速，S(t)-S(t-θ)为t时刻风速波动。
所述的步骤5)中，并采用Lookahead优化器反向优化改进长期循环卷积神经网络的权值。
与现有技术相比，本发明具有以下优点：
一、本发明针对海上风电出力波动显著的特点，分析了各个波动过程的预测误差，构建了海上风电时序预测模型，并结合基于XGboost算法的误差修正环节，有效提高了多种波动过程下的风功率预测精度。
二、针对海上气象因素复杂的特点，提出了多卷积通道的改进LRCN网络框架，深度挖掘多种气象因素(风速、风向、湿度和温度以及对应的变化量)对风机出力的影响，同时采用改进的Adam优化器提升了网络收敛性能，为深度神经网络在超短期海上风电出力预测提供了新思路。
附图说明
图1为多卷积通道输入数据。
图2为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图2所示，本发明提供一种计及出力波动过程的海上风电场超短期风功率预测方法，其特征在于，包括以下步骤：
步骤1：选取海上风电场风电数据，并将缺失数据与错误数据删除；
步骤2：对原始风电数据进行海上风电时序预测模型(OWTM)建模，得到气象变量与气象波动变量，并训练改进长期循环卷积神经网络(LRCN)网络用于求解OWTM；
步骤3：随机初始化改进LRCN网络权值，设置最大迭代次数K＝50，当前迭代次数k＝1；
步骤4：构建包含残差结构的多卷积通道，将气象变量与气象波动变量输入不同的卷积通道，挖掘气象因素时序特征，并将各个卷积通道提取的特征相加；
步骤5：将气象因素的时序特征输入到双层长短期记忆网络(LSTM)网络计算输出结果；
步骤6：计算网络误差，并利用Lookahead优化器反向优化改进LRCN网络权值；
步骤7：如果达到最大迭代次数(k>K)，迭代终止，输出改进LRCN网络参数。否则，令k＝k+1，并返回步骤4；
步骤8：利用训练完成的改进LRCN网络求解OWTM，得到初步预测功率；
步骤9：利用优选特征，进行误差修正，并输出最终海上风电功率预测结果。
在步骤2中，建立考虑多种波动过程的海上风电时序数学模型，具体包括以下步骤：
21)超短期尺度下的时序预测通用数学模型
时间序列具有一定的动态时间特性，即当前时刻的序列值与前若干个时刻的序列值具有相关性。海上风电功率序列作为典型的时间序列，可表达为如公式1：
P(t)＝f1(P(t-θ),P(t-2θ)...)+E(t) 式1
式中：P(t)为t时刻海上风电功率；f1(·)为海上风电功率序列的时间相关性函数；θ为数据采集的时间间隔；E(t)为t时刻误差。
对于时间序列，时间相关性随时间跨度增加而减弱，即P(t)与P(t-θ)具有最强相关性。基于此，可进行如下简化：
P(t)＝P(t-θ)+e(t) 式2
式中：e(t)为t时刻误差。随着时间间隔θ变短，e(t)将减小，适合超短期尺度下的WPP。
22)各波动过程预测误差分析
风力发电本质上是一种大气动能的体现，其主要受气象因素影响。各波动过程的e(t)与气象因素的变化具有一定相关性，可表示为：
Figure BDA0002351303570000051
式中：W(t)为t时刻一组气象变量；W(t)-W(t-θ)是气象变量在时间间隔θ内的变化量，定义为气象波动变量；f2(·)为气象波动变量与e(t)的函数关系；ε(t)为t时刻残余误差。
高风速显然较低风速导致更显著的风机出力变化。基于此，将式(3)优化为：
Figure BDA0002351303570000052
式中：f3(·)为气象变量、气象波动变量与e(t)的函数关系；γ(t)为t时刻更小残余误差。
23)基于改进LRCN的海上风电时序预测模型
将式(2)代入式(4)，可得考虑气象变量、气象波动变量的海上风电时序预测模型，其公式表达如下：
Figure BDA0002351303570000053
海上风电出力机理复杂，为避免复杂物理建模，本发明利用改进LRCN网络求解高维非线性函数f3(·)，进一步设计误差修正函数，以提升预测精度，公式表达如下：
Figure BDA0002351303570000054
Figure BDA0002351303570000061
Figure BDA0002351303570000062
式中：g(·)为误差修正函数；X为与γ(t)具有较强相关性的特征变量；
Figure BDA0002351303570000063
为t时刻海上风电功率预测值；W和V分别为含若干时间步长的气象变量与气象波动变量向量。
对于步骤3，训练改进长期循环卷积神经网络具体包括以下步骤：
31)面对不同层次气象变量的多卷积通道结构
传统的LRCN卷积层采用单通道卷积层与输入信号按照单一时域方向进行领域滤波。然而式(6)中的W和V是在不同层次对气象信息的表述，两类变量之间空间相关性较弱，变量内部各元素空间相关性较强，若直接将两类变量放入同一卷积通道进行特征提取难以挖掘出相关性较强的深层特征。因此，本发明构建多卷积通道结构，分别提取气象信息不同层次特征量，保证特征提取的灵活性与有效性。将某一时刻的气象变量与波动变量分别拼接，形成形如(N,T,C)的3D张量(其中N为特征数，T为时间步长，C为通道数量)输入对应通道进行特征提取。输入数据如图1所示。
32)具有前瞻性的改进Adam优化器
Lookahead优化器是一种具有“前瞻性”的改进Adam优化器。Lookahead优化器迭代更新两组权重，它通过提前观察另一优化器生成的快速权重序列，选择搜索方向。用φ0表示模型初始权值，L表示模型目标函数，Lookahead优化器优化网络步骤如下：
a)快速权重：由内循环优化器进行k次模型权值更新，并保存k次序列权重，内循环优化器为Adam优化器，针对当前模型输入数据，其权值更新规则可为如下表达：
θt,i+1＝θt,i+A(L,θt,i-1,d) 式9
式中：i为内循环次数，i＝1,2,...,k；t为Lookahead优化器训练次数；A(·)为Adam优化器，θt,i为内循环权值更新量。
b)慢速权重：根据每轮内循环优化器保存的k次序列权重，采用指数加权平均算法(exponential moving average，EMA)计算第t次的模型权重，计算公式如下：
Figure BDA0002351303570000071
式中：φt为第t次训练后的模型权重；α为学习率。
c)令第t+1次训练的内循环优化器初始权值θt+1,0＝φt+1。
d)如果达到最大训练次数或误差满足特定值，终止训练过程，并将φt+1作为模型权值；否则设置t＝t+1，并转到步骤a)。
33)基于特征优选的误差修正环节
误差修正环节的输入因子将直接决定修正精度。采用XGboost算法，将预测功率、预测功率波动、气象变量、气象波动变量与预测功率误差进行相关性分析。为兼顾模型效率与精度，选取相关系数较高的前4个特征作为误差修正模型的输入，则式(6)中X可定义为：
X＝(PL(t),PL(t)-PL(t-θ),S(t),S(t)-S(t-θ)) 式11
式中：PL(t)为t时刻改进LRCN网络预测功率；PL(t)-PL(t-θ)为t时刻改进LRCN网络预测功率波动；S(t)为t时刻风速；S(t)-S(t-θ)为t时刻风速波动。

Claims (5)

1.一种计及出力波动过程的海上风电场超短期风功率预测方法，其特征在于，包括以下步骤：
1)获取海上风电场的原始风电数据，删除缺失数据与错误数据，并构建考虑气象变量与气象波动变量的海上风电时序预测模型；
2)基于海上风电时序预测模型构建考虑气象因素的改进长期循环卷积神经网络；
3)随机初始化改进长期循环卷积神经网络的权值，并设置最大迭代次数K，令当前迭代次数k＝1；
4)在改进长期循环卷积神经网络中构建包含残差结构的多卷积通道，将气象变量与气象波动变量输入不同的卷积通道内，将各个卷积通道提取的特征相加，获取气象因素时序特征，并将该气象因素时序特征作为双层长短期记忆网络的输入；
5)优化改进长期循环卷积神经网络的权值；
6)若达到最大迭代次数，则迭代终止，完成改进长期循环卷积神经网络的训练，并输出网络参数，否则，令k＝k+1，并返回步骤4)；
7)根据训练完成的改进长期循环卷积神经网络对海上风电时序预测模型求解，得到初步海上风电功率预测结果；
8)采用XGboost算法，根据优选特征进行误差修正，并输出最终海上风电功率预测结果。
2.根据权利要求1所述的一种计及出力波动过程的海上风电场超短期风功率预测方法，其特征在于，所述的步骤1)中，海上风电时序预测模型的表达式为：
Figure FDA0002351303560000011
Figure FDA0002351303560000012
Figure FDA0002351303560000013
其中，g(·)为误差修正函数，f3(·)为高维非线性函数，X为与残余误差具有较强相关性的特征变量，
Figure FDA0002351303560000021
为t时刻海上风电功率预测值，W和V分别为包含多个时间步长θ的气象变量和气象波动变量向量，具体包括风速、风向、湿度和温度以及对应的变化量。
3.根据权利要求2所述的一种计及出力波动过程的海上风电场超短期风功率预测方法，其特征在于，所述的步骤8)具体为：
采用XGboost算法，将预测功率、预测功率波动、气象变量、气象波动变量与预测功率误差进行相关性分析，选取相关系数最高的前4个特征作为误差修正模型的输入。
4.根据权利要求3所述的一种计及出力波动过程的海上风电场超短期风功率预测方法，其特征在于，所述的残余误差具有较强相关性的特征变量X具体为：
X＝(PL(t),PL(t)-PL(t-θ),S(t),S(t)-S(t-θ))
其中，PL(t)为t时刻改进LRCN网络的预测功率，PL(t)-PL(t-θ)为t时刻改进LRCN网络的预测功率波动，S(t)为t时刻风速，S(t)-S(t-θ)为t时刻风速波动。
5.根据权利要求1所述的一种计及出力波动过程的海上风电场超短期风功率预测方法，其特征在于，所述的步骤5)中，并采用Lookahead优化器反向优化改进长期循环卷积神经网络的权值。
CN201911416406.7A 2019-12-31 2019-12-31 计及出力波动过程的海上风电场超短期风功率预测方法 Active CN111144663B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911416406.7A CN111144663B (zh) 2019-12-31 2019-12-31 计及出力波动过程的海上风电场超短期风功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911416406.7A CN111144663B (zh) 2019-12-31 2019-12-31 计及出力波动过程的海上风电场超短期风功率预测方法

Publications (2)

Publication Number Publication Date
CN111144663A true CN111144663A (zh) 2020-05-12
CN111144663B CN111144663B (zh) 2022-06-07

Family

ID=70522763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911416406.7A Active CN111144663B (zh) 2019-12-31 2019-12-31 计及出力波动过程的海上风电场超短期风功率预测方法

Country Status (1)

Country Link
CN (1) CN111144663B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784041A (zh) * 2020-06-28 2020-10-16 中国电力科学研究院有限公司 一种基于图卷积神经网络的风电功率预测方法及系统
CN111815033A (zh) * 2020-06-19 2020-10-23 上海电力大学 一种基于rcnn和气象时序特征的海上风电功率预测方法
CN112149879A (zh) * 2020-09-02 2020-12-29 上海电力大学 一种计及宏观波动性分类的新能源中长期电量预测方法
CN112733462A (zh) * 2021-01-21 2021-04-30 国网辽宁省电力有限公司阜新供电公司 一种结合气象因素的超短期风电场功率预测方法
CN114465231A (zh) * 2022-02-14 2022-05-10 南京邮电大学盐城大数据研究院有限公司 一种海上风力发电的电力接入方法及系统
CN115994629A (zh) * 2023-03-23 2023-04-21 南京信息工程大学 一种基于gn-rbf的空气湿度预测方法及系统
CN116187559A (zh) * 2023-02-21 2023-05-30 华润电力技术研究院有限公司 一种集中式风电超短期功率预测方法、系统和云端平台

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108448610A (zh) * 2018-03-12 2018-08-24 华南理工大学 一种基于深度学习的短期风功率预测方法
CN110276472A (zh) * 2019-05-21 2019-09-24 南方电网调峰调频发电有限公司 一种基于lstm深度学习网络的海上风电功率超短期预测方法
CN110287820A (zh) * 2019-06-06 2019-09-27 北京清微智能科技有限公司 基于lrcn网络的行为识别方法、装置、设备及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108448610A (zh) * 2018-03-12 2018-08-24 华南理工大学 一种基于深度学习的短期风功率预测方法
CN110276472A (zh) * 2019-05-21 2019-09-24 南方电网调峰调频发电有限公司 一种基于lstm深度学习网络的海上风电功率超短期预测方法
CN110287820A (zh) * 2019-06-06 2019-09-27 北京清微智能科技有限公司 基于lrcn网络的行为识别方法、装置、设备及介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHLOE WARNER ET AL.: "Automated Lubrication Systems Prognostics Using Long - Term Recurrent Convolutional Networks", 《2018 IEEE INTERNATIONAL CONFERENCE ON PROGNOSTICS AND HEALTH MANAGEMENT (ICPHM)》 *
JEFF DONAHUE ET AL.: "Long-Term Recurrent Convolutional Networks for Visual Recognition and Description", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
吴昊 等: "基于改进LRCN模型的驾驶行为图像序列识别方法", 《江苏大学学报(自然科学版)》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815033A (zh) * 2020-06-19 2020-10-23 上海电力大学 一种基于rcnn和气象时序特征的海上风电功率预测方法
CN111784041A (zh) * 2020-06-28 2020-10-16 中国电力科学研究院有限公司 一种基于图卷积神经网络的风电功率预测方法及系统
CN111784041B (zh) * 2020-06-28 2024-02-09 中国电力科学研究院有限公司 一种基于图卷积神经网络的风电功率预测方法及系统
CN112149879A (zh) * 2020-09-02 2020-12-29 上海电力大学 一种计及宏观波动性分类的新能源中长期电量预测方法
CN112149879B (zh) * 2020-09-02 2022-10-18 上海电力大学 一种计及宏观波动性分类的新能源中长期电量预测方法
CN112733462A (zh) * 2021-01-21 2021-04-30 国网辽宁省电力有限公司阜新供电公司 一种结合气象因素的超短期风电场功率预测方法
CN112733462B (zh) * 2021-01-21 2023-09-22 国网辽宁省电力有限公司阜新供电公司 一种结合气象因素的超短期风电场功率预测方法
CN114465231A (zh) * 2022-02-14 2022-05-10 南京邮电大学盐城大数据研究院有限公司 一种海上风力发电的电力接入方法及系统
CN114465231B (zh) * 2022-02-14 2023-06-13 南京邮电大学盐城大数据研究院有限公司 一种海上风力发电的电力接入方法及系统
CN116187559A (zh) * 2023-02-21 2023-05-30 华润电力技术研究院有限公司 一种集中式风电超短期功率预测方法、系统和云端平台
CN116187559B (zh) * 2023-02-21 2024-03-15 华润电力技术研究院有限公司 一种集中式风电超短期功率预测方法、系统和云端平台
CN115994629A (zh) * 2023-03-23 2023-04-21 南京信息工程大学 一种基于gn-rbf的空气湿度预测方法及系统

Also Published As

Publication number Publication date
CN111144663B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN111144663B (zh) 计及出力波动过程的海上风电场超短期风功率预测方法
CN109117951B (zh) 基于bp神经网络的概率潮流在线计算方法
JP5888640B2 (ja) 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム
CN105574615B (zh) 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法
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
CN111027732B (zh) 一种多风电场出力场景的生成方法及系统
CN103020743B (zh) 风电场超短期风速预测方法
CN110866640A (zh) 一种基于深度神经网络的电力负荷预测方法
CN108204944A (zh) 基于apso优化的lssvm的埋地管道腐蚀速率预测方法
CN108921359A (zh) 一种分布式瓦斯浓度预测方法及装置
CN114362175B (zh) 基于深度确定性策略梯度算法的风电功率预测方法及系统
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN116014722A (zh) 基于季节分解和卷积网络的次日光伏发电预测方法及系统
CN115759465A (zh) 基于多目标协同训练和nwp隐式校正的风电功率预测方法
EP3741991B1 (en) Method for dynamic real-time optimization of the performance of a wind park and wind park
CN107706938B (zh) 一种基于分位点回归的风电功率波动区间分析方法
CN116722545B (zh) 基于多源数据的光伏发电预测方法和相关设备
CN108108837A (zh) 一种地区新能源电源结构优化预测方法和系统
CN111767621A (zh) 一种基于知识迁移q学习算法的多能源系统优化调度方法
Zhang et al. Short-Term Power Prediction of Wind Power Generation System Based on Logistic Chaos Atom Search Optimization BP Neural Network
CN115965134A (zh) 一种区域电网风力发电功率预测优化方法
CN111950763B (zh) 一种分布式风力发电站输出功率的预测方法
CN112581311B (zh) 一种多风电场聚合后出力长期波动特性预测方法及系统
Chen et al. Variation-cognizant probabilistic power flow analysis via multi-task learning
CN108539730B (zh) 基于改进免疫离散粒子群算法的主动配电网量测位置优化方法

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