CN111506868A - 一种基于hht权值优化的超短期风速预测方法 - Google Patents
一种基于hht权值优化的超短期风速预测方法 Download PDFInfo
- Publication number
- CN111506868A CN111506868A CN202010263107.0A CN202010263107A CN111506868A CN 111506868 A CN111506868 A CN 111506868A CN 202010263107 A CN202010263107 A CN 202010263107A CN 111506868 A CN111506868 A CN 111506868A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- weight
- prediction
- component
- 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.)
- Granted
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Neurology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于HHT权值优化的超短期风速预测方法,包括如下步骤:(1)利用经验模态分解方法对原始风速数据进行分解,得到一系列相对平稳的本征模态函数分量和一个剩余分量;(2)针对各分量的频谱特性,分别建立不同的Elman神经网络模型进行预测,并对预测效果相对较差的模型进行优化;(3)将各分量预测结果直接叠加得风速预测值,对其进行误差评估;(4)在步骤(3)的基础上,建立一种权重浮动区间模型优化各分量所占权值;(5)按最优权叠加各分量预测结果得最终风速预测值。本发明采用风机实际运行数据进行预测,对经典希尔伯特黄变换进行改进,提高了预测精度。
Description
技术领域
本发明涉及清洁能源发电预测技术领域,尤其是一种基于HHT权值优化的超短期风速预测方法。
背景技术
风力发电的大力推广带来了很大经济效益的同时,风电场也面临着一些挑战。其中,自然风的随机性与间歇性,导致风电机组出力很不稳定,严重影响接入电网系统的稳定性,更不利于风电场的调度和控制。为了解决这一系列问题,亟需进一步提高风速及功率预测的精度。
早期的研究,主要集中于预测方法的探索,提出了多种风速及功率预测方法。常用的预测方法有物理方法、传统统计方法、智能学习方法及组合方法。物理方法需要准确的数值天气预报(NWP)数据及风场的详细物理信息,模型较复杂,需要考虑的参数也较多,更适于长期预测。传统统计方法主要用于超短期及短期预测,对中长期预测,往往达不到要求。智能学习方法自学习、自适应能力强,适于复杂、非线性问题的求解。组合方法结合了各单一模型的优势及各类优化算法,采用动态加权、分类预测等方法,预测精度往往较单一模型高。
然而,预测精度除了受预测方法的影响,还与原始输入数据的物理特性相关。风速的时间分辨率越小,其紊流特性及非高斯性越强,对预测模型的要求也就越高。因此采用组合方法,特别是对原始输入数据进行预处理之后用智能方法展开预测,成为近期的热点研究趋势之一。早期的信号分析方法Fourier变换是全局性的,不适于非平稳、非线性信号的分析,而小波变换具有良好的时频局部化特性,很好地克服了这一局限,但小波基的选取往往较难。近年来,希尔伯特黄变换(HHT)因具有自适应性、适于非线性非平稳信号的处理而被广泛应用。
发明内容
本发明所要解决的技术问题在于,提供一种基于HHT权值优化的超短期风速预测方法,能够实现对风速的有效预测。
为解决上述技术问题,本发明提供一种基于HHT权值优化的超短期风速预测方法,包括如下步骤:
(1)利用经验模态分解方法对原始风速数据v(t)进行分解,得到一系列相对平稳的本征模态函数分量IMFi和一个剩余分量rn,其中,i=1,2,…,n,n∈N,i表示分量序号;
(2)针对各分量的频谱特性,分别建立不同的Elman神经网络模型进行预测,并通过改变传递函数和归一化方法途径对预测效果相对较差的模型进行优化;
(3)将各分量预测结果直接叠加得风速预测值,对其进行误差评估;
(4)在步骤(3)的基础上,建立一种权重浮动区间模型优化各分量所占权值;
(5)按最优权叠加各分量预测结果得最终风速预测值。
优选的,步骤(1)中,对风电场原始风速数据v(t)进行经验模态分解,具体过程如下:
(11)识别信号v(t)的所有极大值点与极小值点,并分别用三次样条函数拟合成原数据序列的上、下包络线;
(12)计算上下包络线的均值m1(t),用v(t)减去m1(t)得到h1(t);
(13)若h1(t)满足IMF条件,记c1(t)=h1(t),则c1(t)为第一个IMF分量,为原始序列的最高频分量;否则,将h1(t)看作新的v(t),重复上述步骤k次,直到h1(t)满足IMF条件;
(14)从原始信号中分离出c1(t),得到剩余分量:
r1(t)=v(t)-c1(t) (1)
将r1(t)作为新的原始数据,重复上述步骤,得n个IMF分量和1个剩余分量,结果如下:
当rn(t)满足给定的终止条件时,分解过程结束,原始风速序列表示为:
式中,rn(t)为残余函数,代表信号的平均趋势;ci(t)代表信号不同时间特征尺度的成分,其尺度从c1(t)到cn(t)依次由小到大,从高频到低频;采用Huang等人提出的分量终止条件——类柯西收敛准则,即把连续两次IMF筛选序列结果的标准偏差系数作为评判标准,定义如下:
优选的,步骤(2)中,采用Elman神经网络建立风速预测模型,建模过程如下:
Elman网络在普通前馈式网络的基础上增加了层间的反馈连接,是一个动态反馈系统,由输入层、隐含层、承接层和输出层构成;其中,输入层神经元用于传输信号,输出层神经元用于输出结果,承接层神经元从隐含层接收反馈信号,用来记忆隐含层神经元前一时刻的输出值,再反馈给隐含层;
Elman神经网络的输入输出关系如下:
y(t)=g(ω3x(t)+B2) (5)
x(t)=f(ω1xc(t)+ω2u(t-1)+B1) (6)
xc(t)=αxc(t-1)+x(t-1) (7)
其中,u为R维输入向量,y为S维输出向量,x为Y维隐含层输出向量,xc为Y维承接层输出向量,ω1、ω2、ω3分别为承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值,α为自连接反馈增益因子,当α为零时,为标准Elman网络,否则,为修正的Elman网络,取α为零;g(·)为输出神经元传递函数,通常取线性函数,f(·)为隐含层神经元传递函数,通常取非线性函数,为提高预测精度,选取了对数S型函数和正切S型函数,表达式分别为:
Elman神经网络的学习算法采用梯度下降学习算法,其目标函数如下:
式中,Yk(t)为t时刻第k个输出神经元的期望输出,yk(t)为t时刻第k个输出神经元的实际输出。
优选的,在步骤(4)中,在步骤(3)的基础上,提出了一种权重浮动区间模型,实施步骤如下:
(41)初始化循环计数为1,各分量权值为1,即权值向量Q=[1,1,…,1],向量维数等于分量个数;
(42)计算出初始误差向量E,E=[RMSE,MAE,MAPE];
(43)设定权值浮动区间为[-0.1,0.1],从而随机生成权值增量Qs,该向量维数与Q一致;
(44)求得新权值向量,即Q=Q+Qs;
(45)按新权值计算风速预测结果,继而求得新的误差向量T,T=[RMSE,MAE,MAPE];
(46)循环计数加1;
(47)判断循环计数是否大于设定值,结果为真,则退出循环,输出最优权值、预测结果及最终误差值;否则,循环继续;
(48)比较新误差与初始误差,若三项误差都减小了,则返回步骤(42)更新初始误差向量,继续循环;否则,返回步骤(43)继续循环。
本发明的有益效果为:(1)本发明采用风机实际运行数据进行预测,验证了本发明的实用性;(2)本发明对经典希尔伯特黄变换进行改进,提出了一种权重浮动区间模型,提高了预测精度。
附图说明
图1为本发明的Elman神经网络结构示意图。
图2为本发明的权重浮动区间模型计算流程示意图。
图3为本发明的组合预测流程示意图。
图4(a)为本发明原始风速时间序列示意图。
图4(b)为本发明本征模态函数分量1的示意图。
图4(c)为本发明本征模态函数分量2的示意图。
图4(d)为本发明本征模态函数分量3的示意图。
图4(e)为本发明本征模态函数分量4的示意图。
图4(f)为本发明本征模态函数分量5的示意图。
图4(g)为本发明本征模态函数分量6-8及剩余分量的示意图。
图5为本发明所建组合模型与其他模型预测结果对比的示意图。
具体实施方式
如图3所示,一种基于HHT权值优化的超短期风速预测方法,包括如下步骤:
(1)利用经验模态分解方法对原始风速数据v(t)进行分解,得到一系列相对平稳的本征模态函数分量IMFi(其中,i=1,2,…,n,n∈N,i表示分量序号)和一个剩余分量rn;
经验模态分解计算过程如下:
(11)识别信号v(t)的所有极大值点与极小值点,并分别用三次样条函数拟合成原数据序列的上、下包络线;
(12)计算上下包络线的均值m1(t),用v(t)减去m1(t)得到h1(t);
(13)若h1(t)满足IMF条件,记c1(t)=h1(t),则c1(t)为第一个IMF分量,为原始序列的最高频分量;否则,将h1(t)看作新的v(t),重复上述步骤k次,直到h1(t)满足IMF条件;
(14)从原始信号中分离出c1(t),得到剩余分量:
r1(t)=v(t)-c1(t) (1)
将r1(t)作为新的原始数据,重复上述步骤,得n个IMF分量和1个剩余分量,结果如下:
当rn(t)满足给定的终止条件时,分解过程结束,原始风速序列表示为:
式中,rn(t)为残余函数,代表信号的平均趋势;ci(t)代表信号不同时间特征尺度的成分,其尺度从c1(t)到cn(t)依次由小到大,从高频到低频。本发明采用Huang等人提出的分量终止条件——类柯西收敛准则,即把连续两次IMF筛选序列结果的标准偏差系数作为评判标准,定义如下:
(2)针对各分量的频谱特性,分别建立不同的Elman神经网络模型进行预测,并通过改变传递函数和归一化方法等途径对预测效果相对较差的模型进行优化。Elman神经网络建模过程如下:
Elman网络在普通前馈式网络的基础上增加了层间的反馈连接,是一个动态反馈系统,由输入层、隐含层、承接层和输出层构成,结构如图1所示。其中,输入层神经元用于传输信号,输出层神经元用于输出结果,承接层神经元从隐含层接收反馈信号,用来记忆隐含层神经元前一时刻的输出值,再反馈给隐含层。
Elman神经网络的输入输出关系如下:
y(t)=g(ω3x(t)+B2) (5)
x(t)=f(ω1xc(t)+ω2u(t-1)+B1) (6)
xc(t)=αxc(t-1)+x(t-1) (7)
其中,u为R维输入向量,y为S维输出向量,x为Y维隐含层输出向量,xc为Y维承接层输出向量,ω1、ω2、ω3分别为承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值。α为自连接反馈增益因子,当α为零时,为标准Elman网络,否则,为修正的Elman网络,本发明取α为零。g(·)为输出神经元传递函数,通常取线性函数。f(·)为隐含层神经元传递函数,通常取非线性函数,本发明为了提高预测精度,选取了对数S型函数和正切S型函数,表达式分别为:
Elman神经网络的学习算法采用梯度下降学习算法,其目标函数如下:
式中,Yk(t)为t时刻第k个输出神经元的期望输出,yk(t)为t时刻第k个输出神经元的实际输出。
(3)将各分量预测结果直接叠加得风速预测值,对其进行误差评估;
(4)在步骤(3)的基础上,建立一种权重浮动区间模型优化各分量所占权值;优化算法流程图如图2所示。
(5)按最优权叠加各分量预测结果得最终风速预测值;
(6)利用测试集数据验证模型的预测性能。
原始风速数据及其EMD分解结果见附图4(a)-(g);最终预测结果见附图5。本实施例采用了三种误差评估指标,分别为均方根误差(Root Mean Square Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)和平均绝对百分比误差(Mean Absolute PercentageError,MAPE),其表达式分别为:
相比之下,实施例预测结果最优,误差最小,RMSE、MAE、MAPE分别为0.5084m/s、0.3782m/s、6.65%,而单一RBF神经网络的预测误差分别为0.6125m/s、0.5077m/s、9.17%。以上所述本发明的实施例,预测效果较好,可应用于实际情况。
Claims (4)
1.一种基于HHT权值优化的超短期风速预测方法,其特征在于,包括如下步骤:
(1)利用经验模态分解方法对原始风速数据v(t)进行分解,得到一系列相对平稳的本征模态函数分量IMFi和一个剩余分量rn,其中,i=1,2,…,n,n∈N,i表示分量序号;
(2)针对各分量的频谱特性,分别建立不同的Elman神经网络模型进行预测,并通过改变传递函数和归一化方法途径对预测效果相对较差的模型进行优化;
(3)将各分量预测结果直接叠加得风速预测值,对其进行误差评估;
(4)在步骤(3)的基础上,建立一种权重浮动区间模型优化各分量所占权值;
(5)按最优权叠加各分量预测结果得最终风速预测值。
2.如权利要求1所述的基于HHT权值优化的超短期风速预测方法,其特征在于,步骤(1)中,对风电场原始风速数据v(t)进行经验模态分解,具体过程如下:
(11)识别信号v(t)的所有极大值点与极小值点,并分别用三次样条函数拟合成原数据序列的上、下包络线;
(12)计算上下包络线的均值m1(t),用v(t)减去m1(t)得到h1(t);
(13)若h1(t)满足IMF条件,记c1(t)=h1(t),则c1(t)为第一个IMF分量,为原始序列的最高频分量;否则,将h1(t)看作新的v(t),重复上述步骤k次,直到h1(t)满足IMF条件;
(14)从原始信号中分离出c1(t),得到剩余分量:
r1(t)=v(t)-c1(t) (1)
将r1(t)作为新的原始数据,重复上述步骤,得n个IMF分量和1个剩余分量,结果如下:
当rn(t)满足给定的终止条件时,分解过程结束,原始风速序列表示为:
式中,rn(t)为残余函数,代表信号的平均趋势;ci(t)代表信号不同时间特征尺度的成分,其尺度从c1(t)到cn(t)依次由小到大,从高频到低频;采用分量终止条件——类柯西收敛准则,即把连续两次IMF筛选序列结果的标准偏差系数作为评判标准,定义如下:
3.如权利要求1所述的基于HHT权值优化的超短期风速预测方法,其特征在于,步骤(2)中,采用Elman神经网络建立风速预测模型,建模过程如下:
Elman网络在普通前馈式网络的基础上增加了层间的反馈连接,是一个动态反馈系统,由输入层、隐含层、承接层和输出层构成;其中,输入层神经元用于传输信号,输出层神经元用于输出结果,承接层神经元从隐含层接收反馈信号,用来记忆隐含层神经元前一时刻的输出值,再反馈给隐含层;
Elman神经网络的输入输出关系如下:
y(t)=g(ω3x(t)+B2) (5)
x(t)=f(ω1xc(t)+ω2u(t-1)+B1) (6)
xc(t)=αxc(t-1)+x(t-1) (7)
其中,u为R维输入向量,y为S维输出向量,x为Y维隐含层输出向量,xc为Y维承接层输出向量,ω1、ω2、ω3分别为承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值,α为自连接反馈增益因子,当α为零时,为标准Elman网络,否则,为修正的Elman网络,取α为零;g(·)为输出神经元传递函数,通常取线性函数,f(·)为隐含层神经元传递函数,通常取非线性函数,为提高预测精度,选取了对数S型函数和正切S型函数,表达式分别为:
Elman神经网络的学习算法采用梯度下降学习算法,其目标函数如下:
式中,Yk(t)为t时刻第k个输出神经元的期望输出,yk(t)为t时刻第k个输出神经元的实际输出。
4.如权利要求1所述的基于HHT权值优化的超短期风速预测方法,其特征在于,在步骤(4)中,在步骤(3)的基础上,提出了一种权重浮动区间模型,实施步骤如下:
(41)初始化循环计数为1,各分量权值为1,即权值向量Q=[1,1,…,1],向量维数等于分量个数;
(42)计算出初始误差向量E,E=[RMSE,MAE,MAPE];
(43)设定权值浮动区间为[-0.1,0.1],从而随机生成权值增量Qs,该向量维数与Q一致;
(44)求得新权值向量,即Q=Q+Qs;
(45)按新权值计算风速预测结果,继而求得新的误差向量T,T=[RMSE,MAE,MAPE];
(46)循环计数加1;
(47)判断循环计数是否大于设定值,结果为真,则退出循环,输出最优权值、预测结果及最终误差值;否则,循环继续;
(48)比较新误差与初始误差,若三项误差都减小了,则返回步骤(42)更新初始误差向量,继续循环;否则,返回步骤(43)继续循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010263107.0A CN111506868B (zh) | 2020-04-07 | 2020-04-07 | 一种基于hht权值优化的超短期风速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010263107.0A CN111506868B (zh) | 2020-04-07 | 2020-04-07 | 一种基于hht权值优化的超短期风速预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111506868A true CN111506868A (zh) | 2020-08-07 |
CN111506868B CN111506868B (zh) | 2023-08-25 |
Family
ID=71874099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010263107.0A Active CN111506868B (zh) | 2020-04-07 | 2020-04-07 | 一种基于hht权值优化的超短期风速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111506868B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705086A (zh) * | 2021-08-05 | 2021-11-26 | 陶帝文 | 一种基于Elman误差修正的超短期风电功率预测方法 |
CN114912723A (zh) * | 2022-07-18 | 2022-08-16 | 南京信息工程大学 | 一种基于hht-bmvo-bp的短期风速预测方法 |
CN117878930B (zh) * | 2024-03-12 | 2024-05-28 | 石家庄科林电气股份有限公司 | 分布式光伏的短期功率预测方法、装置、终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295798A (zh) * | 2016-08-29 | 2017-01-04 | 江苏省电力试验研究院有限公司 | 经验模式分解与Elman神经网络组合风电预测方法 |
CN109615142A (zh) * | 2018-12-18 | 2019-04-12 | 中国能源建设集团江苏省电力设计院有限公司 | 一种基于小波分析的风电场风速组合预测方法 |
US20200074325A1 (en) * | 2018-08-29 | 2020-03-05 | National Chiao Tung University | Systems and Methods for Creating an Optimal Prediction Model and Obtaining Optimal Prediction Results Based on Machine Learning |
-
2020
- 2020-04-07 CN CN202010263107.0A patent/CN111506868B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295798A (zh) * | 2016-08-29 | 2017-01-04 | 江苏省电力试验研究院有限公司 | 经验模式分解与Elman神经网络组合风电预测方法 |
US20200074325A1 (en) * | 2018-08-29 | 2020-03-05 | National Chiao Tung University | Systems and Methods for Creating an Optimal Prediction Model and Obtaining Optimal Prediction Results Based on Machine Learning |
CN109615142A (zh) * | 2018-12-18 | 2019-04-12 | 中国能源建设集团江苏省电力设计院有限公司 | 一种基于小波分析的风电场风速组合预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705086A (zh) * | 2021-08-05 | 2021-11-26 | 陶帝文 | 一种基于Elman误差修正的超短期风电功率预测方法 |
CN114912723A (zh) * | 2022-07-18 | 2022-08-16 | 南京信息工程大学 | 一种基于hht-bmvo-bp的短期风速预测方法 |
CN114912723B (zh) * | 2022-07-18 | 2022-10-04 | 南京信息工程大学 | 一种基于hht-bmvo-bp的短期风速预测方法 |
CN117878930B (zh) * | 2024-03-12 | 2024-05-28 | 石家庄科林电气股份有限公司 | 分布式光伏的短期功率预测方法、装置、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111506868B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214575B (zh) | 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 | |
CN110414045B (zh) | 基于vmd-gru的短期风速预测方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
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 | |
CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
CN109034054B (zh) | 基于lstm的谐波多标签分类方法 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
CN114488140B (zh) | 一种基于深度迁移学习的小样本雷达一维像目标识别方法 | |
CN110956312B (zh) | 基于emd-cnn深度神经网络的光伏配电网电压预测方法 | |
CN110826791A (zh) | 一种基于长短时记忆神经网络的混合风功率预测方法 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
CN110991721A (zh) | 基于改进经验模态分解和支持向量机的短期风速预测方法 | |
CN112580588B (zh) | 一种基于经验模态分解的颤振信号智能识别方法 | |
CN111695724B (zh) | 一种基于混合神经网络模型的风速预测方法 | |
CN111242353A (zh) | 风电功率组合预测建模和预测方法 | |
Wang et al. | Improved prediction method of PV output power based on optimised chaotic phase space reconstruction | |
CN116960978A (zh) | 基于风速-功率组合分解重构的海上风电功率预测方法 | |
CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
Han et al. | A Hybrid BPNN-GARF-SVR PredictionModel Based on EEMD for Ship Motion. | |
CN114021818A (zh) | 一种考虑时空分布特征的风电功率多步预测方法 | |
CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
CN111476402A (zh) | 耦合气象信息与emd技术的风电发电能力预测方法 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
CN116070768A (zh) | 一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法 |
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 |