CN111553510A - 一种短期风速预测方法 - Google Patents
一种短期风速预测方法 Download PDFInfo
- Publication number
- CN111553510A CN111553510A CN202010267591.4A CN202010267591A CN111553510A CN 111553510 A CN111553510 A CN 111553510A CN 202010267591 A CN202010267591 A CN 202010267591A CN 111553510 A CN111553510 A CN 111553510A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- short
- components
- original
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 28
- 230000015654 memory Effects 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- 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)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (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
本发明公开了一种短期风速预测方法，其特征在于，包括以下步骤：步骤一、采集风场历史实测风速数据，建立多组原始风速时间序列；步骤二、利用改进的变分模态分解将原始风速时间序列分解为多个分量；步骤三、采用双向长短期记忆神经网络组件对分量进行预测，得到预测结果；步骤四、对所有分量的预测结果进行叠加，进而得到最终的风速预测结果。本发明通过采用改进的VMD分解算法，对风速时间序列进行分解，采用BiLSTM方法分别对风速时间序列的分量进行单步预测，能有效提高短期风速模型的预测精度。
Description
技术领域
本发明涉及一种短期风速预测方法，尤其涉及一种基于IVMD-BiLSTM (IVMD为改进的变分模态分解；BiLSTM为双向长短期记忆神经网络)模型的短期风速预测方法，属于短期风速预测技术领域。
背景技术
近年来，随着能源消耗的快速增长，传统能源的供给已无法支撑经济发展的能源的需求。根据《BP World Energy Outlook 2018》的中文版，到2040年，全球能源需求将增长约三分之一，而可再生能源是增长最快的能源。随着传统能源的减少，新一代的能源革命正在蓬勃发展，作为可再生能源的风能正在迅速发展。全球风能理事会(GWEC)发布了《2018年全球风电发展报告》。报告指出，在全球风电行业，新装机容量为51.3GW，比2017年下降4％，累计装机容量为 519GW，比2017年增长9％。陆上设施在2017年和2018年分别占45％和40％。
风能是可再生能源发电的重要组成部分之一，但风能具有随机性，波动性，间歇性和不确定性的特点，影响着风力发电机和并网风电的稳定性。因此，准确、可靠的风速预测有助于降低风电的运行成本，提高风电系统的稳定性。
VMD(变分模态分解)算法是一种自适应、准正交且完全非递归的分解方法，它基于经典的维纳滤波，希尔伯特变换和混合频率的变分问题。VMD将信号分解为具有有限带宽的本征模式函数(IMF)，并提取相应IMF的中心频率，从而使模式在中心频率附近波动。普通的VMD的分解效果很大程度依赖于K值的选取，本文提出一种自适应确定K值的方法，通过CEEMADAN(完整集成经验模态分解) 分解获取最佳K值，并将K值赋值给VMD算法，从而获取最佳的分解效果。
双向长短期记忆神经网络(BiLSTM)是一种特殊的RNN(循环神经网络)，它对于解决长期和短期依赖问题是稳定而有力的。它已经被广泛用于语音识别、语言建模、情感分析和文本预测等方面。
单一人工智能模型在短期风速预测领域取得了不错的成果，但单一机器学习模型仍不足以获取短期风速时间序列的整体特征，仍存在很大的提升空间。另外，风速时间序列的非线性和非平稳性也对风速预测结果产生一定的影响，导致其最终的预测精度难以提高。
发明内容
本发明要解决的技术问题是：如何消除风速时间序列的非线性和非平稳性的干扰，并进一步提高风速预测模型的预测精度。
为了解决上述技术问题，本发明的技术方案是提供了一种短期风速预测方法，其特征在于，包括以下步骤：
步骤一、采集风场历史实测风速数据，建立多组原始风速时间序列；
步骤二、利用改进的变分模态分解将原始风速时间序列分解为多个分量；
步骤三、采用双向长短期记忆神经网络组件对分量进行预测，得到预测结果；
步骤四、对所有分量的预测结果进行叠加，进而得到最终的风速预测结果。
优选地，所述的步骤一中，对风速数据的描述性数据进行统计，根据统计结果分别将各组所述原始风速时间序列分为训练样本和测试样本。
优选地，所述的步骤二中，利用改进的变分模态分解对原始风速时间序列进行分解，改进的变分模态分解的算法如下：
①对于每种模式，通过希尔伯特变换计算相关的分析信号以获得单边频谱；
②对于每种模式，通过与调整到相应估计中心频率的指数混合，将模式的频谱移动到基带；
③通过解调信号的高斯平滑度估计带宽，受约束的变分模态分解问题如下：
其中，f(t)表示原始输入信号，uk是其模式，wk是频率，δ(t)是狄拉克分布，t是时间脚本，k是模式数，*表示卷积；
引入二次惩罚因子和拉格朗日乘子求解上述约束优化问题，则原优化问题的增广拉格朗日函数可以描述为：
式中：α为平衡参数；λ为拉格朗日乘子；
采用交替乘子方向法解决变分模态分解的问题，通过交替更新
以及λn+1寻求扩展拉格朗日表达式的鞍点；
uk、wk和λ分别由以下公式进行更新：
其中，w是频率，
分别是
f(w)、λ(w)的傅里叶变换，τ为迭代系数；
对于给定的判别精度e＞0，有如下判别公式，若：
则停止迭代，再次重复上述操作，获得一系列变分模态分量。
优选地，所述的步骤三中，双向长短期记忆神经网络组件的计算定义为如下：
it＝σ(Wixxt+Wimmt-1+Wicct-1+bi)
ft＝σ(Wfxxt+Wfmmt-1+Wfcct-1+bf)
ot＝σ(Woxxt+Wommt-1+Wocct+bo)
yt＝Wymmt+by
式中，xt和yt分别为输入数据和输出数据；it、ft、ot分别代表输入门、遗忘门和输出门，ct是每个单元的激励向量，mt是每个记忆单元的激励向量；σ,g和h 表示门、输入和输出激励函数；⊙表示两个向量直接的元素相乘；Wix表示从输入到存储器单元的权值矩阵，Wim为前一个存储器单元到现存储器单元得权值矩阵，Wic表示前一个细胞状态连接的对角权值矩阵，Wfx，Wfm，Wfc,为遗忘门的权值矩阵，Wcx,Wcm单元状态的权值矩阵，Wox,Wom,Woc为输出门的权值矩阵，Wym为最终输出的权重系数，bi是输入偏置矩阵，bf是遗忘门偏置矩阵，bc为单元状态的偏置矩阵，bo输出偏置矩阵，by为最终输出的偏置矩阵；σ(·)和tanh(·)是两个激活函数。
优选地，所述的两个激活函数σ(·)和tanh(·)分别定义为：
本发明首先利用变分模态分解风速序列，接着采用长短期记忆神经网络对所有分量进行预测，最后对所有分量的预测结果进行叠加，进而得到最终的风速预测结果。本发明通过采用改进的VMD分解算法，对风速时间序列进行分解，采用BiLSTM方法分别对风速时间序列的分量进行单步预测，能有效提高短期风速模型的预测精度。
附图说明
图1为一种基于IVMD-BiLSTM模型的短期风速预测模型流程图。
具体实施方式
为使本发明更明显易懂，兹以优选实施例，并配合附图作详细说明如下。
本发明提供了一种基于IVMD-BiLSTM模型的短期风速预测方法，如图1 所示，其包括以下步骤：
步骤一：采集风场历史实测风速数据，建立多组原始风速时间序列，并对风速数据的描述性数据进行统计，根据统计结果分别将各组原始风速时间序列分为训练样本和测试样本。
步骤二：利用改进的变分模态分解(IVMD为改进的变分模态分解；VMD 为变分模态分解)对原始风速时间序列进行分解，分解为多个分量，IVMD的算法如下：
①对于每种模式uk(t)，通过希尔伯特变换计算相关的分析信号以获得单边频谱；
②对于每种模式，通过与调整到相应估计中心频率的指数混合，将模式的频谱移动到基带；
③通过解调信号的高斯平滑度估计带宽，例如，梯度的平方L2范数。然后，受约束的变分模态分解问题如下：
其中，f(t)表示原始输入信号，uk是其模式，wk是频率，δ(t)是狄拉克分布，t是时间脚本，k是模式数，*表示卷积。
引入二次惩罚因子α和Lagrange乘子λ求解上述约束优化问题，则原优化问题的增广Lagrange函数可以描述为：
式中：α为平衡参数，确保信号重构的精度要求；λ为拉格朗日乘子；λ(t)保证约束条件的严格性。
采用交替乘子方向法解决变分模态分解的问题，通过交替更新
以及λn+1寻求扩展拉格朗日表达式的鞍点。
uk、wk和λ分别由以下公式进行更新：
其
可通过傅里叶变换得频域
其中，w是频率，
分别是
f(w)、λ(w)的傅里叶变换，τ为迭代系数。
对于给定的判别精度e＞0，有如下判别公式，若：
则停止迭代，再次重复上述操作，获得一系列变分模态分量。
步骤三：采用双向长短期记忆神经网络(BiLSTM)组件对分量进行预测，得到预测结果(预测值)。在BiLSTM中，存储器单元是处理长期依赖性的核心，并且可以通过输入门、忘记门和输出门来控制和更新单元状态。双向长短期记忆神经网络组件(BiLSTM组件)的计算可以定义为如下：
it＝σ(Wixxt+Wimmt-1+Wicct-1+bi)
ft＝σ(Wfxxt+Wfmmt-1+Wfcct-1+bf)
ot＝σ(Woxxt+Wommt-1+Wocct+bo)
yt＝Wymmt+by
式中，xt和yt分别为输入数据和输出数据；it、ft、ot分别代表输入门、遗忘门和输出门，ct是每个单元的激励向量，mt是每个记忆单元的激励向量。σ,g 和h表示门、输入和输出激励函数，通常是逻辑sigmoid函数和tanh函数。⊙表示两个向量直接的元素相乘，如哈达玛积。Wix表示从输入到存储器单元的权值矩阵，Wim为前一个存储器单元到现存储器单元得权值矩阵，Wic表示前一个细胞状态连接的对角权值矩阵，同理Wfx，Wfm，Wfc,为遗忘门的权值矩阵，Wcx,Wcm单元状态的权值矩阵，Wox,Wom,Woc为输出门的权值矩阵，Wym为最终输出的权重系数，bi是输入偏置矩阵，bf是遗忘门偏置矩阵，bc为单元状态的偏置矩阵， bo输出偏置矩阵，by为最终输出的偏置矩阵；σ(·)和tanh(·)是两个激活函数，可以定义为：
步骤四：对所有分量的预测结果进行叠加，进而得到最终的风速预测结果，采用四种常用的统计标准来评估此风速预测模型的预测性能，统计标准定义如下：
其中，f(i)和h(i)分别代表时间i的预测值和实际值；f和h分别表示预测值和实际值的平均值；N是数据的总数；MAE表示平均绝对误差；RMSE 表示根均方误差；MAPE表示平均绝对百分比误差；R表示相关系数。
Claims (5)
1.一种短期风速预测方法，其特征在于，包括以下步骤：
步骤一、采集风场历史实测风速数据，建立多组原始风速时间序列；
步骤二、利用改进的变分模态分解将原始风速时间序列分解为多个分量；
步骤三、采用双向长短期记忆神经网络组件对分量进行预测，得到预测结果；
步骤四、对所有分量的预测结果进行叠加，进而得到最终的风速预测结果。
2.如权利要求1所述的一种短期风速预测方法，其特征在于，所述的步骤一中，对风速数据的描述性数据进行统计，根据统计结果分别将各组所述原始风速时间序列分为训练样本和测试样本。
3.如权利要求1所述的一种短期风速预测方法，其特征在于，所述的步骤二中，利用改进的变分模态分解对原始风速时间序列进行分解，改进的变分模态分解的算法如下：
①对于每种模式，通过希尔伯特变换计算相关的分析信号以获得单边频谱；
②对于每种模式，通过与调整到相应估计中心频率的指数混合，将模式的频谱移动到基带；
③通过解调信号的高斯平滑度估计带宽，受约束的变分模态分解问题如下：
其中，f(t)表示原始输入信号，uk是其模式，wk是频率，δ(t)是狄拉克分布，t是时间脚本，k是模式数，*表示卷积；
引入二次惩罚因子和拉格朗日乘子求解上述约束优化问题，则原优化问题的增广拉格朗日函数可以描述为：
式中：α为平衡参数；λ为拉格朗日乘子；
采用交替乘子方向法解决变分模态分解的问题，通过交替更新
以及λn+1寻求扩展拉格朗日表达式的鞍点；
uk、wk和λ分别由以下公式进行更新：
其中，w是频率，
分别是
f(w)、λ(w)的傅里叶变换，τ为迭代系数；
对于给定的判别精度e＞0，有如下判别公式，若：
则停止迭代，再次重复上述操作，获得一系列变分模态分量。
4.如权利要求1所述的一种短期风速预测方法，其特征在于，所述的步骤三中，双向长短期记忆神经网络组件的计算定义为如下：
it＝σ(Wixxt+Wimmt-1+Wicct-1+bi)
ft＝σ(Wfxxt+Wfmmt-1+Wfcct-1+bf)
ot＝σ(Woxxt+Wommt-1+Wocct+bo)
yt＝Wymmt+by
式中，xt和yt分别为输入数据和输出数据；it、ft、ot分别代表输入门、遗忘门和输出门，ct是每个单元的激励向量，mt是每个记忆单元的激励向量；σ,g和h表示门、输入和输出激励函数；⊙表示两个向量直接的元素相乘；Wix表示从输入到存储器单元的权值矩阵，Wim为前一个存储器单元到现存储器单元得权值矩阵，Wic表示前一个细胞状态连接的对角权值矩阵，Wfx，Wfm，Wfc,为遗忘门的权值矩阵，Wcx,Wcm单元状态的权值矩阵，Wox,Wom,Woc为输出门的权值矩阵，Wym为最终输出的权重系数，bi是输入偏置矩阵，bf是遗忘门偏置矩阵，bc为单元状态的偏置矩阵，bo输出偏置矩阵，by为最终输出的偏置矩阵；σ(·)和tanh(·)是两个激活函数。
5.如权利要求4所述的一种短期风速预测方法，其特征在于，所述的两个激活函数σ(·)和tanh(·)分别定义为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010267591.4A CN111553510A (zh) | 2020-04-08 | 2020-04-08 | 一种短期风速预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010267591.4A CN111553510A (zh) | 2020-04-08 | 2020-04-08 | 一种短期风速预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111553510A true CN111553510A (zh) | 2020-08-18 |
Family
ID=72007351
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010267591.4A Pending CN111553510A (zh) | 2020-04-08 | 2020-04-08 | 一种短期风速预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111553510A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183814A (zh) * | 2020-08-26 | 2021-01-05 | 东南大学 | 一种短期风速预测方法 |
| CN112417028A (zh) * | 2020-11-26 | 2021-02-26 | 国电南瑞科技股份有限公司 | 一种风速时序特征挖掘方法及短期风电功率预测方法 |
| CN112613657A (zh) * | 2020-12-22 | 2021-04-06 | 国网江苏省电力有限公司苏州供电分公司 | 风电场短期风速预测方法 |
| CN113239630A (zh) * | 2021-06-03 | 2021-08-10 | 上海交通大学 | 风资源影响的移动能源网络发电与航程优化方法和系统 |
| CN113571136A (zh) * | 2021-06-08 | 2021-10-29 | 广州地铁设计研究院股份有限公司 | 一种多环芳烃预测方法、装置、介质及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109118000A (zh) * | 2018-08-07 | 2019-01-01 | 广东工业大学 | 一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法 |
| CN109242212A (zh) * | 2018-10-16 | 2019-01-18 | 中国矿业大学 | 一种基于变模式分解与长短记忆网络的风电预测方法 |
| CN109583588A (zh) * | 2018-12-17 | 2019-04-05 | 华北电力大学（保定） | 一种短期风速预测方法及系统 |
| CN110082841A (zh) * | 2019-04-18 | 2019-08-02 | 东华大学 | 一种短期风速预测方法 |
-
2020
- 2020-04-08 CN CN202010267591.4A patent/CN111553510A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109118000A (zh) * | 2018-08-07 | 2019-01-01 | 广东工业大学 | 一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法 |
| CN109242212A (zh) * | 2018-10-16 | 2019-01-18 | 中国矿业大学 | 一种基于变模式分解与长短记忆网络的风电预测方法 |
| CN109583588A (zh) * | 2018-12-17 | 2019-04-05 | 华北电力大学（保定） | 一种短期风速预测方法及系统 |
| CN110082841A (zh) * | 2019-04-18 | 2019-08-02 | 东华大学 | 一种短期风速预测方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183814A (zh) * | 2020-08-26 | 2021-01-05 | 东南大学 | 一种短期风速预测方法 |
| CN112417028A (zh) * | 2020-11-26 | 2021-02-26 | 国电南瑞科技股份有限公司 | 一种风速时序特征挖掘方法及短期风电功率预测方法 |
| CN112417028B (zh) * | 2020-11-26 | 2022-09-02 | 国电南瑞科技股份有限公司 | 一种风速时序特征挖掘方法及短期风电功率预测方法 |
| CN112613657A (zh) * | 2020-12-22 | 2021-04-06 | 国网江苏省电力有限公司苏州供电分公司 | 风电场短期风速预测方法 |
| CN113239630A (zh) * | 2021-06-03 | 2021-08-10 | 上海交通大学 | 风资源影响的移动能源网络发电与航程优化方法和系统 |
| CN113239630B (zh) * | 2021-06-03 | 2022-07-15 | 上海交通大学 | 风资源影响的移动能源网络发电与航程优化方法和系统 |
| CN113571136A (zh) * | 2021-06-08 | 2021-10-29 | 广州地铁设计研究院股份有限公司 | 一种多环芳烃预测方法、装置、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fu et al. | A hybrid approach for multi-step wind speed forecasting based on two-layer decomposition, improved hybrid DE-HHO optimization and KELM | |
| Zhang et al. | Short-term wind speed prediction model based on GA-ANN improved by VMD | |
| Li et al. | Smart wind speed forecasting approach using various boosting algorithms, big multi-step forecasting strategy | |
| Aly | An intelligent hybrid model of neuro Wavelet, time series and Recurrent Kalman Filter for wind speed forecasting | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN111553510A (zh) | 一种短期风速预测方法 | |
| Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
| He et al. | A hybrid system for short-term wind speed forecasting | |
| CN110309603B (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
| CN109886464B (zh) | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 | |
| CN109583588B (zh) | 一种短期风速预测方法及系统 | |
| CN113705864A (zh) | 基于VMD-CNN-BiLSTM-ATT混合模型的气象干旱预测方法及装置 | |
| CN112508244B (zh) | 一种用户级综合能源系统多元负荷预测方法 | |
| Pei et al. | Short-term regional wind power forecasting based on spatial–temporal correlation and dynamic clustering model | |
| CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
| CN110942170A (zh) | 一种基于信息处理的短期风速预测方法及系统 | |
| Zhao et al. | A short-term hybrid wind power prediction model based on singular spectrum analysis and temporal convolutional networks | |
| CN112949610A (zh) | 一种基于降噪算法的改进Elman神经网络的预测方法 | |
| CN116632820A (zh) | 基于序列延拓vmd与风速波动特性的风电功率预测方法 | |
| CN117114160A (zh) | 一种短期光伏功率预测方法 | |
| CN112988548A (zh) | 一种基于降噪算法的改进Elman神经网络的预测方法 | |
| CN116307211A (zh) | 一种风电消纳能力预测及优化方法及系统 | |
| CN116561567A (zh) | 一种基于变分模态分解的短期光伏功率预测模型及构建方法、应用方法 | |
| CN115374908A (zh) | 适用于配网柔性互联实时控制的短期负荷预测方法和系统 | |
| Alharbi et al. | Short-term solar irradiance forecasting model based on bidirectional long short-term memory deep learning |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200818 |