CN111415010B - 一种基于贝叶斯神经网络的风电机组参数辨识方法 - Google Patents

一种基于贝叶斯神经网络的风电机组参数辨识方法 Download PDF

Info

Publication number
CN111415010B
CN111415010B CN202010202498.5A CN202010202498A CN111415010B CN 111415010 B CN111415010 B CN 111415010B CN 202010202498 A CN202010202498 A CN 202010202498A CN 111415010 B CN111415010 B CN 111415010B
Authority
CN
China
Prior art keywords
neural network
weight
layer
parameter
output
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.)
Active
Application number
CN202010202498.5A
Other languages
English (en)
Other versions
CN111415010A (zh
Inventor
钱峰
刘俊磊
杨韵
宋子强
蔡秋娜
彭孝强
陈鹏
张韧
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.)
Yangjiang Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Yangjiang Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yangjiang Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Yangjiang Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202010202498.5A priority Critical patent/CN111415010B/zh
Publication of CN111415010A publication Critical patent/CN111415010A/zh
Application granted granted Critical
Publication of CN111415010B publication Critical patent/CN111415010B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Wind Motors (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于贝叶斯神经网络的风电机组参数辨识方法，包括以下步骤：S1，采集风电机组历史数据，并对贝叶斯神经网络模型参数初始化；S2，将全部风电机组历史数据分为训练数据及测试数据；S3，利用训练数据计算网络输出；S4，更新贝叶斯神经网络模型权值；S5，计算全局误差，判断是否满足要求，若满足要求，获得最终的网络权值矩阵，结束学习算法。否则，返回S3，进入下一轮的学习；S6，利用测试数据及网络权值计算网络输出，得到风电机组的参数辨识结果。本发明将贝叶斯理论与神经网络模型进行结合，与传统参数辨识方法相比，该方法在辨识过程中，考虑了外部环境不确定性变化时的影响，该方法具有全局误差容易收敛，迭代步数少的优点。

Description

一种基于贝叶斯神经网络的风电机组参数辨识方法
技术领域
本发明涉及智能电网配电领域，更具体地，涉及一种基于贝叶斯神经网络的风电机组参数辨识方法。
背景技术
随着风电等新能源接入电力系统中存在的不确定性愈发明显。不确定性的存在，使得系统模型难以用固定参数精确建模。忽略这些模型误差无法得到与实际电网相符的计算结果，无法准确判断电力系统的稳定状况。
传统的模型参数辨识方法主要有最小二乘法、梯度下降法和神经网络法。其中前两种辨识方法主要用于线性模型参数辨识，而神经网络方法主要用于非线性模型参数的辨识。风电机组模型为非线性模型，因此对于确定的参数可以用神经网络模型来进行辨识。但由于风电并网运行中风速等外部条件的不确定性，风电机组部分参数会不断变化，传统的确定性参数辨识方法无法应对这种随机性变化。
发明内容
本发明为克服上述现有技术缺陷，提供一种基于贝叶斯神经网络的风电机组参数辨识方法。本发明方法考虑了外部环境不确定性变化时的影响，辨识对比结果显示，该方法具有全局误差容易收敛，迭代步数少的优点。
本发明的目的是通过以下技术方案来实现的：一种基于贝叶斯神经网络的风电机组参数辨识方法，包括以下步骤：
步骤S1：采集风电机组历史数据，并对贝叶斯神经网络模型参数初始化；所述风电机组历史数据包括风速和故障对应的参数数据；
步骤S2：将步骤S1采集的风电机组历史数据分为训练数据集及测试数据集；
步骤S3：利用步骤S2得到的训练数据集计算网络输出，具体如下：
将不确定性引入贝叶斯神经网络模型，贝叶斯神经网络模型为三层网络结构，输入为y(k-1)…y(k-n)、x(k-1)…x(k-n)，实际输出为ym(k)；其中，k表示正在迭代的次数，n表示输入和对应的输出的个数；x和y分别表示神经网络的输入和输出变量；将该神经网络模型视为条件模型P，该条件模型P是通过参数θ进行参数化的，并且在给定输入x时，需要得到对应的输出y；
根据贝叶斯定理得到当训练数据为D作为输入时的模型参数θ概率为：
Figure BDA0002419865760000021
其中，p(θ)表示参数θ的概率；p(D|θ)表示已知参数θ条件下D的概率；p(D)表示数据D的概率。
在新的输入x*与数据D同时输入到条件模型P中时，输出为y*的概率为：
p(y*|x*,D)＝∫p(y*|x*,θ)p(θ|D)dθ (2)
其中，p(y*|x*,θ)表示已知x*,θ时y*的条件分布。
在贝叶斯神经网络中：首先使用已知的分布q去逼近真实的分布p，其中q的具体形式通过参数θ表示；其次，利用等距采样法从分布q中采取样本数据，得到贝叶斯神经网络模型参数θ*如式(4)所示。
Figure BDA0002419865760000022
式中，
Figure BDA0002419865760000023
表示当目标函数取最小值时θ的取值；
Figure BDA0002419865760000024
表示已知参数D时参数
Figure BDA0002419865760000025
的条件概率，qθ为使用参数θ表示的分布q，
Figure BDA0002419865760000026
表示参数
Figure BDA0002419865760000027
的概率；
Figure BDA0002419865760000028
表示已知参数
Figure BDA0002419865760000029
时数据D的条件概率，其中
Figure BDA00024198657600000210
为模型权重参数，s＝1或2，s＝1时为输入层至隐藏层的权值，s＝2时为隐藏层至输出层的权值；
步骤S4为，更新贝叶斯神经网络模型权值，得到网络权值矩阵；权值更新过程包括以下步骤：
(1)采用梯度下降法，隐藏层至输出层权值的学习算法如下：
Figure BDA00024198657600000211
Figure BDA00024198657600000212
其中，δ2表示全局误差相应于输出误差的变化率，η表示学习速率，η＝0.5。
Figure BDA00024198657600000213
表示隐藏层至输出层之间的连接函数；E(k)表示网络每一层的误差，e(k)为输出误差；
Figure BDA00024198657600000214
表示ωj(k)的二次微分，
Figure BDA00024198657600000215
表示全局误差相应于
Figure BDA00024198657600000216
的变化率，
Figure BDA00024198657600000217
为第j个神经元第k次迭代时隐藏层至输出层的权值。
隐藏层至输出层的权值更新公式为：
Figure BDA0002419865760000031
(3)输入层至隐藏层权值的学习算法如下：
Figure BDA0002419865760000032
其中：
Figure BDA0002419865760000033
表示输入层至隐藏层之间的连接函数；
Figure BDA0002419865760000034
表示每次迭代时的更新值，
Figure BDA0002419865760000035
表示从输入层j至隐藏层i的权重第k-1次迭代时的值；
Figure BDA0002419865760000036
Figure BDA0002419865760000037
表示k次迭代时第j个隐藏层单元的输入；
则输入层至隐藏层的权值更新公式为：
Figure BDA0002419865760000038
步骤S5为，计算全局误差，判断是否满足要求，当全局误差达到预先设置的全局误差精度或学习次数大于设定的最大次数时，获得最终步骤S4得到的网络权值矩阵，结束学习算法；否则，返回S3，进入下一轮的迭代学习。全局误差精度EG＝0.002，全局误差计算过程如下：
全局误差Eg表达式如下所示：
Figure BDA0002419865760000039
其中：L表示网络的层数；
e(k)＝y(k)-ym(k) (11)
其中，y(k)为第k次迭代时的输出；
步骤S6为，利用测试数据集及网络权值计算网络输出，得到风电机组的参数辨识结果。
进一步地，步骤S2中，训练数据集和测试数据集比例为7:3。
进一步地，步骤S4中，输入层至隐藏层的初始权值为
Figure BDA00024198657600000310
隐藏层至输出层的初始权值为
Figure BDA00024198657600000311
均值μ1、μ2和标准差σ1、σ2通过随机初始化得到。
进一步地，贝叶斯神经网络模型采用BP网络结构，以提高神经网络对已有数据的拟合能力和对未来数据的泛化能力。
本发明的有益效果如下：本发明将贝叶斯理论与神经网络模型进行结合，与传统参数辨识方法相比，本发明在辨识过程中，考虑了外部环境不确定性变化对风电机组参数的影响，将贝叶斯神经网络的参数学习方法用于风机组参数辨识中，具有全局误差容易收敛，迭代步数少的优点。
附图说明
图1为本发明基于贝叶斯神经网络的风电机组参数辨识方法流程图；
图2为贝叶斯神经网络结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
如图1所示，本实施例提供的一种基于贝叶斯神经网络的风电机组参数辨识方法，包括以下步骤：
步骤S1：采集风电机组历史数据，并对贝叶斯神经网络模型参数初始化；为了进行参数辨识，本实施例采集2015-2018年三年全部数据，包括风速、故障对应的参数数据。
步骤S2：将步骤S1采集的风电机组历史数据分为训练数据集及测试数据集；为了利用2015-2018年三年全部数据进行训练和测试，将全部数据按7:3的比例进行随机抽取，70％的数据用于对贝叶斯神经网络参数的训练，30％的数据用于对模型的测试。
步骤S3：利用步骤S2得到的训练数据集计算网络输出，具体如下：
将不确定性引入贝叶斯神经网络模型，贝叶斯神经网络模型采用BP网络结构，以提高神经网络对已有数据的拟合能力和对未来数据的泛化能力，贝叶斯神经网络模型为三层网络结构，如附图2所示，输入为y(k-1)…y(k-n)、x(k-1)…x(k-n)，实际输出为ym(k)；其中，k表示正在迭代的次数，n表示输入和对应的输出的个数；x和y分别表示神经网络的输入和输出变量；将该神经网络模型视为条件模型P，该条件模型P是通过参数θ进行参数化的，并且在给定输入x时，需要得到对应的输出y；
根据贝叶斯定理得到当训练数据为D作为输入时的模型参数θ概率为：
Figure BDA0002419865760000041
其中，p(θ)表示参数θ的概率；p(D|θ)表示已知参数θ条件下D的概率；p(D)表示数据D的概率。
在新的输入x*与数据D同时输入到条件模型P中时，输出为y*的概率为：
p(y*|x*,D)＝∫p(y*|x*,θ)p(θ|D)dθ (2)
其中，p(y*|x*,θ)表示已知x*,θ时y*的条件分布。
在贝叶斯神经网络中：首先使用已知的分布q去逼近真实的分布p，其中q的具体形式通过参数θ表示；其次，利用等距采样法从分布q中采取样本数据，得到贝叶斯神经网络模型参数θ*如式(4)所示。
Figure BDA0002419865760000051
式中，
Figure BDA0002419865760000052
表示当目标函数取最小值时θ的取值；
Figure BDA0002419865760000053
表示已知参数D时参数
Figure BDA0002419865760000054
的条件概率，qθ为使用参数θ表示的分布q，
Figure BDA0002419865760000055
表示参数
Figure BDA0002419865760000056
的概率；
Figure BDA0002419865760000057
表示已知参数
Figure BDA0002419865760000058
时数据D的条件概率，其中
Figure BDA0002419865760000059
为模型权重参数，s＝1或2，s＝1时为输入层至隐藏层的权值，s＝2时为隐藏层至输出层的权值；
步骤S4为，更新贝叶斯神经网络模型权值，得到网络权值矩阵；输入层至隐藏层的初始权值为
Figure BDA00024198657600000510
隐藏层至输出层的初始权值为
Figure BDA00024198657600000511
均值μ1、μ2和标准差σ1、σ2理论上通过初始化得到，取值均有可能不同，在运算时取值为μ1＝μ2＝2+random(0,1)、σ1＝σ2＝10+random(0,1)，其中random(0,1)表示0到1之间的随机数。
权值更新过程包括以下步骤：
(1)采用梯度下降法，隐藏层至输出层权值的学习算法如下：
Figure BDA00024198657600000512
Figure BDA00024198657600000513
其中，δ2表示全局误差相应于输出误差的变化率，η表示学习速率，η＝0.5。
Figure BDA00024198657600000514
表示隐藏层至输出层之间的连接函数；E(k)表示网络每一层的误差，e(k)为输出误差；
Figure BDA00024198657600000515
表示ωj(k)的二次微分，
Figure BDA00024198657600000516
表示全局误差相应于
Figure BDA00024198657600000517
的变化率，
Figure BDA00024198657600000518
为第j个神经元第k次迭代时隐藏层至输出层的权值。
隐藏层至输出层的权值更新公式为：
Figure BDA00024198657600000519
(4)输入层至隐藏层权值的学习算法如下：
Figure BDA0002419865760000061
其中：
Figure BDA0002419865760000062
表示输入层至隐藏层之间的连接函数；
Figure BDA0002419865760000063
表示每次迭代时的更新值，
Figure BDA0002419865760000064
表示从输入层j至隐藏层i的权重第k-1次迭代时的值；
Figure BDA0002419865760000065
Figure BDA0002419865760000066
表示k次迭代时第j个隐藏层单元的输入；
则输入层至隐藏层的权值更新公式为：
Figure BDA0002419865760000067
步骤S5为，计算全局误差，判断是否满足要求，当全局误差达到预先设置的全局误差精度或学习次数大于设定的最大次数时，获得最终步骤S4得到的网络权值矩阵，结束学习算法；否则，返回S3，进入下一轮的迭代学习。全局误差精度EG＝0.002，全局误差计算过程如下：
全局误差Eg表达式如下所示：
Figure BDA0002419865760000068
其中：L表示网络的层数；
e(k)＝y(k)-ym(k) (11)
其中，y(k)为第k次迭代时的输出；
步骤S6为，利用测试数据集及网络权值计算网络输出，得到风电机组的参数辨识结果。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (4)

1.一种基于贝叶斯神经网络的风电机组参数辨识方法，其特征在于，包括以下步骤：
步骤S1：采集风电机组历史数据，并对贝叶斯神经网络模型参数初始化；所述风电机组历史数据包括风速和故障对应的参数数据；
步骤S2：将步骤S1采集的风电机组历史数据分为训练数据集及测试数据集；
步骤S3：利用步骤S2得到的训练数据集计算网络输出，具体如下：
将不确定性引入贝叶斯神经网络模型，贝叶斯神经网络模型为三层网络结构，输入为y(k-1)…y(k-n)、x(k-1)…x(k-n)，实际输出为ym(k)；其中，k表示正在迭代的次数，n表示输入和对应的输出的个数；x和y分别表示神经网络的输入和输出变量；将该神经网络模型视为条件模型P，该条件模型P是通过参数θ进行参数化的，并且在给定输入x时，需要得到对应的输出y；
根据贝叶斯定理得到当训练数据为D作为输入时的模型参数θ概率为：
Figure FDA0002419865750000011
其中，p(θ)表示参数θ的概率；p(D|θ)表示已知参数θ条件下D的概率；p(D)表示数据D的概率。
在新的输入x*与数据D同时输入到条件模型P中时，输出为y*的概率为：
p(y*|x*,D)＝∫p(y*|x*,θ)p(θ|D)dθ (2)
其中，p(y*|x*,θ)表示已知x*,θ时y*的条件分布。
在贝叶斯神经网络中：首先使用已知的分布q去逼近真实的分布p，其中q的具体形式通过参数θ表示；其次，利用等距采样法从分布q中采取样本数据，得到贝叶斯神经网络模型参数θ*如式(4)所示。
Figure FDA0002419865750000012
式中，
Figure FDA0002419865750000013
表示当目标函数取最小值时θ的取值；
Figure FDA0002419865750000014
表示已知参数D时参数
Figure FDA0002419865750000015
的条件概率，qθ为使用参数θ表示的分布q，
Figure FDA0002419865750000016
表示参数
Figure FDA0002419865750000017
的概率；
Figure FDA0002419865750000018
表示已知参数
Figure FDA0002419865750000019
时数据D的条件概率，其中
Figure FDA00024198657500000110
为模型权重参数，s＝1或2，s＝1时为输入层至隐藏层的权值，s＝2时为隐藏层至输出层的权值；
步骤S4为，更新贝叶斯神经网络模型权值，得到网络权值矩阵；权值更新过程包括以下步骤：
(1)采用梯度下降法，隐藏层至输出层权值的学习算法如下：
Figure FDA0002419865750000021
Figure FDA0002419865750000022
其中，δ2表示全局误差相应于输出误差的变化率，η表示学习速率，η＝0.5。
Figure FDA0002419865750000023
表示隐藏层至输出层之间的连接函数；E(k)表示网络每一层的误差，e(k)为输出误差；
Figure FDA0002419865750000024
表示ωj(k)的二次微分，
Figure FDA0002419865750000025
表示全局误差相应于
Figure FDA0002419865750000026
的变化率，
Figure FDA0002419865750000027
为第j个神经元第k次迭代时隐藏层至输出层的权值。
隐藏层至输出层的权值更新公式为：
Figure FDA0002419865750000028
(2)输入层至隐藏层权值的学习算法如下：
Figure FDA0002419865750000029
其中：
Figure FDA00024198657500000210
表示输入层至隐藏层之间的连接函数；
Figure FDA00024198657500000211
表示每次迭代时的更新值，
Figure FDA00024198657500000212
表示从输入层j至隐藏层i的权重第k-1次迭代时的值；
Figure FDA00024198657500000213
Figure FDA00024198657500000214
表示k次迭代时第j个隐藏层单元的输入；
则输入层至隐藏层的权值更新公式为：
Figure FDA00024198657500000215
步骤S5为，计算全局误差，判断是否满足要求，当全局误差达到预先设置的全局误差精度或学习次数大于设定的最大次数时，获得最终步骤S4得到的网络权值矩阵，结束学习算法；否则，返回S3，进入下一轮的迭代学习。全局误差精度EG＝0.002，全局误差计算过程如下：
全局误差Eg表达式如下所示：
Figure FDA00024198657500000216
其中：L表示网络的层数；
e(k)＝y(k)-ym(k) (11)
其中，y(k)为第k次迭代时的输出；
步骤S6为，利用测试数据集及网络权值计算网络输出，得到风电机组的参数辨识结果。
2.根据权利要求1所述的基于贝叶斯神经网络的风电机组参数辨识方法，其特征在于，步骤S2中，训练数据集和测试数据集比例为7:3。
3.根据权利要求1所述的基于贝叶斯神经网络的风电机组参数辨识方法，其特征在于，步骤S4中，输入层至隐藏层的初始权值为
Figure FDA0002419865750000031
隐藏层至输出层的初始权值为
Figure FDA0002419865750000032
均值μ1、μ2和标准差σ1、σ2通过随机初始化得到。
4.根据权利要求1所述的基于贝叶斯神经网络的风电机组参数辨识方法，其特征在于，贝叶斯神经网络模型采用BP网络结构，以提高神经网络对已有数据的拟合能力和对未来数据的泛化能力。
CN202010202498.5A 2020-03-20 2020-03-20 一种基于贝叶斯神经网络的风电机组参数辨识方法 Active CN111415010B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010202498.5A CN111415010B (zh) 2020-03-20 2020-03-20 一种基于贝叶斯神经网络的风电机组参数辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010202498.5A CN111415010B (zh) 2020-03-20 2020-03-20 一种基于贝叶斯神经网络的风电机组参数辨识方法

Publications (2)

Publication Number Publication Date
CN111415010A CN111415010A (zh) 2020-07-14
CN111415010B true CN111415010B (zh) 2022-11-22

Family

ID=71491297

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010202498.5A Active CN111415010B (zh) 2020-03-20 2020-03-20 一种基于贝叶斯神经网络的风电机组参数辨识方法

Country Status (1)

Country Link
CN (1) CN111415010B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112202196B (zh) * 2020-08-18 2022-04-29 广西大学 一种双馈风力发电机的量子深度强化学习控制方法
CN112347704B (zh) * 2020-12-03 2023-10-20 北京工业大学 一种高效的基于贝叶斯理论的人工神经网络微波器件建模方法
CN112733076B (zh) * 2021-01-12 2023-08-04 中南大学 基于神经网络常微分方程在非持续激励下的系统辨识方法
CN113887123B (zh) * 2021-08-25 2022-09-13 清华大学 一种行人动力学模型参数调整方法和装置
CN114563268B (zh) * 2022-02-22 2024-04-26 杭州电子科技大学 一种基于软约束神经网络模型预测高温合金蠕变性能的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985313A (zh) * 2018-05-23 2018-12-11 上海电力学院 基于大数据与贝叶斯神经网络的agc系统辨识方法
CN109409614A (zh) * 2018-11-16 2019-03-01 国网浙江瑞安市供电有限责任公司 一种基于贝叶斯正则化神经网络的电力负荷预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985313A (zh) * 2018-05-23 2018-12-11 上海电力学院 基于大数据与贝叶斯神经网络的agc系统辨识方法
CN109409614A (zh) * 2018-11-16 2019-03-01 国网浙江瑞安市供电有限责任公司 一种基于贝叶斯正则化神经网络的电力负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
文化基因算法优化PID神经网络系统辨识;朱宜家等;《计算机测量与控制》;20180325(第03期);全文 *

Also Published As

Publication number Publication date
CN111415010A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN111415010B (zh) 一种基于贝叶斯神经网络的风电机组参数辨识方法
CN109117951B (zh) 基于bp神经网络的概率潮流在线计算方法
CN107725283B (zh) 一种基于深度信念网络模型的风机故障检测方法
CN110175386B (zh) 变电站电气设备温度预测方法
CN109308522B (zh) 一种基于循环神经网络的gis故障预测方法
CN108304623B (zh) 一种基于堆栈降噪自动编码器的概率潮流在线计算方法
CN109444740B (zh) 一种风电机组的故障状态智能监测与诊断方法
CN111079351B (zh) 考虑风电不确定性的配电网概率潮流获取方法、装置
CN110082841A (zh) 一种短期风速预测方法
CN109063939A (zh) 一种基于邻域门长短期记忆网络的风速预测方法及系统
CN105784556A (zh) 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法
CN110796281B (zh) 基于改进深度信念网络的风电机组状态参数预测方法
CN112751345B (zh) 基于lstm与相轨迹的电力系统低频振荡模态辨识方法
CN115951014A (zh) 一种结合气象特征的cnn-lstm-bp多模态空气污染物预测方法
CN114091317A (zh) 基于nwp辐照度修正和误差预测的光伏电站功率预测方法
CN111191832A (zh) 一种台风灾害配电网杆塔故障预测方法及系统
CN113850320A (zh) 基于改进支持向量机回归算法的变压器故障检测方法
CN112712215A (zh) 一种风电场功率预测方法
Zhang et al. A method based on Lorenz disturbance and variational mode decomposition for wind speed prediction
CN116303786B (zh) 一种基于多维数据融合算法的区块链金融大数据管理系统
CN115659844B (zh) 基于风电场动态模型的仿真方法、装置和计算机设备
CN116432359A (zh) 基于元迁移学习的变拓扑网络潮流计算方法
CN116307139A (zh) 一种优化与改进极限学习机的风电功率超短期预测方法
CN115796327A (zh) 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法
CN113837443B (zh) 基于深度BiLSTM的变电站线路负载预测方法

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