CN111695666A - 一种基于深度学习的风电功率超短期条件概率预测方法 - Google Patents
一种基于深度学习的风电功率超短期条件概率预测方法 Download PDFInfo
- Publication number
- CN111695666A CN111695666A CN202010453559.5A CN202010453559A CN111695666A CN 111695666 A CN111695666 A CN 111695666A CN 202010453559 A CN202010453559 A CN 202010453559A CN 111695666 A CN111695666 A CN 111695666A
- Authority
- CN
- China
- Prior art keywords
- wind power
- prediction
- model
- training
- short term
- 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 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 42
- 239000002245 particle Substances 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 4
- 239000002131 composite material Substances 0.000 description 3
- 108090000672 Annexin A5 Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
Abstract
本发明公开了一种基于深度学习的风电功率超短期条件概率预测方法,该方法首先将风电功率历史数据划分训练集和验证集;然后利用训练样本对深度置信网络模型进行训练,同时使用粒子群优化算法对网络结构参数进行寻优,得到最佳预测模型结构;其次将验证集输入训练好的模型,输出值为待预测时刻风电功率预测值;最后根据提出的条件,筛选出新的数据集,根据中心极限定理,结合概率论知识计算出概率预测区间。本发明是基于深度学习的风电功率超短期条件概率预测方法,基于点预测的基础上考虑一定条件结合概率论和数理统计知识,计算功率输出区间,给电网工作人员提供了更多的决策信息。
Description
技术领域
本发明属于新能源消纳技术,具体涉及一种基于深度学习的风电功率超短期条件概率预测方法。
背景技术
随着经济的快速发展,环境问题的日益恶化,世界各国开始寻找可再生能源替代化石能源。由于生物质能、潮汐能已经核能等新能源存在各自的局限性,风能其易获取、资源分布广以及回报收益快等优点而受到重点开发利用。在早期,电网对风电可以足额消纳,但是随着海上风电以及国家政策的支持,风电迎来了一个新的发展时期。这时电网能否对风电足额消纳成了一个亟待解决的问题,而风电功率的预测就是解决这一问题的关键。有效的对风电功率预测,对于电网的安全经济调度、电力市场和风电场的运行都有重要意义。
基于深度学习的风电功率超短期条件概率预测需要区间构建因素对于预测区间质量的影响,考虑一定条件的误差筛选。过宽或者过窄的预测区间,风电功率超短期概率预测将没有实际意义,从而失去应用价值,造成不必要的损失。
目前,对于风电功率的预测已经出现了很多方法,主要可以分为以下两类:一是统计学习方法,利用风电场历史数据及数值天气预报等数据建立统计学习模型,其中统计学习方法包括时间序列分析法、卡尔曼滤波、神经网络等学习方法;二是物理方法,结合数值天气预报,主要是风机处的风速信息,结合风机的功率特性曲线拟合出风电功率。然而,实际操作时,点预测不可避免的会带来预测误差,造成预测结果给电网提供的有效信息支撑有限,难以满足现代电力系统实际需求。同时风电功率确定性预测无法反映风电的不确定性,因此对风电功率进行波动区间的刻画非常有必要。
发明内容
发明目的:针对现有技术中风电功率概率预测存在的缺陷,本发明提供一种基于深度学习的风电功率超短期条件概率预测方法。
技术方案:一种基于深度学习的风电功率超短期条件概率预测方法,包括以下步骤:
(1)采集风电场的历史风功率数据向量,并且划分训练样本和验证集,所述的训练样本由采样点的风电历史功率数据生成输入向量,由相应的历史功率值作为输出;
(2)对训练样本进行数据归一化处理,得到各成分与输入输出的回归模型,对回归模型使用粒子群优化算法进行参数优化,建立深度置信网络-粒子群优化算法模型;
(3)将训练集和验证集分别输入向量输入到训练优化后的深度置信网络-粒子群优化算法模型,验证集输出,且根据深度置信网络-粒子群优化算法模型建立风电功率超短期预测模型,计算风电功率输出预测值Y;
(4)分析训练集预测误差,计算训练集和预测集的差e,将最小的一组取出,形成新的数据集,计算新数据集标准差和方差,以此类推,得到预测值Y得出风电功率预测区间[Yup,Ylow];Yup为预测区间的上限,Ylow为预测区间下限值。
进一步的,步骤(1)根据特征影响因素的输出以及前10个采样点的历史功率构建向量,得到模型的训练样本,训练集向量为[X1,X2,…,X10,Y];并且取前80%取出得到训练样本集,取后20%生成验证集。
进一步的,步骤(2)中粒子群优化算法寻优结构参数,约束条件为预测集再输入的预测误差最小emin,同时通过深度置信网络隐含层之间条件概率值计算,提取特征,从而建立最优预测模型,所述的最优预测模型为深度置信网络-粒子群优化算法模型。
步骤(2)中对于约束条件及深度置信网络隐含层之间条件概率值计算过程如下:
(21)约束条件为:
其中,n为模型训练集个数;yfor'i为训练集的预测值;ytru'i为训练集的实际值;
(22)对于给定变量的值,根据模型参数计算隐藏变量的条件概率:
其中,v表示可见层,为输入的历史功率数据;h表示隐含层,为从输入数据中提取的特征量;
(23)对h所有可能的取值求和,得到对v的边缘概率值:
(24)隐藏节点的条件概率是相互独立的,在已知可见变量v的条件下:
(25)当可见变量的值已知,隐藏变量的值为1的概率为:
p(hi=1;v)=σ(vTwi+di)。
进一步的,步骤(3)根据深度学习算法建立的风电功率超短期预测模型中构建深度学习计算公式如下:
Y=f(X1,X2,...,X10)
测试集输入为待预测时刻前10个采样的风电功率[X1,X2,…,X10],考虑模型寻优和训练时间,模型输出对应预测两小时以后的风电功率Y。
进一步的,步骤(4)将最小误差取出,形成新的数据集,计算新数据集标准差和方差;结合点预测预测值Y得出风电功率预测区间[Yup,Ylow]。
有益效果:和现有的技术相比,本发明所述方法仅考虑历史功率作为模型输入,有效的避免了数值天气预报精度不佳带来的扰动,利用深度网络良好的特征挖掘能力,粒子群优化算法良好的寻优计算能力,考虑一定条件下的误差分析和筛选,在简化预测模型结构的同时,有效的提高了预测区间质量。并且建立了基于深度学习的风电功率超短期条件概率预测模型,预测区间质量明显优于普通的参数化建模模型,有效地提高了风电功率超短期概率预测的区间质量。
附图说明
图1为本发明所述方法流程示意图;
图2为本发明所述方法在在实施例应用中的预测结果图。
具体实施方式
为了详细的说明本发明所公开的技术方案,下面结合附图和具体实施例进一步阐述。
如图1所示,本发明的基深度学习的风电功率超短期条件概率预测方法,步骤如下:
S1、采集风电场的历史数据,得到训练集和验证机;其中,所提取的特征信息为预测点之前10次所采集的历史功率输出值。
S2、对所述特征向量进行归一化处理,得到输入变量,用训练集训练深度置信网络,同时使用粒子群优化算法进行网络结构寻优,得到最佳预测模型。
S3、利用步骤(S2)得到的最佳预测模型,将验证集和训练集输入模型,验证集输出即为2小时以后的风电功率输出预测值。
S4、利用步骤(S3)得到的训练集和验证集预测值,计算训练集中与验证集的差,将最小的一组误差取出。根据概率论与数理统计知识,完成概率预测区间的构建;
其中,深度置信网络(DBN)的基本思想是通过多个叠加的受限玻尔兹曼机,对高维非线性特征向量进行特征提取,再通过其回归模型求出预测值。粒子群优化算法(PSO)的主要思想是通过整个种群粒子和单个粒子信息分享和合作分析来寻找最优解局部和全局的最优点实现。
下面为基于深度学习的风电功率超短期条件概率预测方法及步骤的具体过程。
1)对输入变量X和体质输出变量Y进行归一化处理。
2)受限玻尔兹曼机的节点间的能量定义如下:
E(v,h)=-vTwh-kTv-qTh
其中,v表示输入的历史功率数据,h表示从输入数据中提取的特征,w表示节点之间的权重,k,q分别表示可见层和隐含层次的偏置。
3)粒子群优化算法有N个粒子,即为深度置信网络隐含神经元个数。这些粒子不断迭代更新最优值的方式寻找最优解。
粒子在空间搜索时,有两个特征:速度和位置。速度和位置的更新方程如下:
vi(t+1)=vi(t)+c1×r1×(pi(t)-xi(t))+c2×r2×(pg(t)-xi(t))
xi(t+1)=xi(t)+vi(t+1)×Δt
其中,v表示粒子的速度;x表示粒子的位置;r1和r2为rand(·)函数表示位于(0,1)之间的随机数;c1和c2表示学习因子,一般取值为2;pi(t)表示个体最优;pg(t)表示全局最优;
个体和全局最优位置的更新方式如下:
4)(v,h)服从玻尔兹曼分布,联合概率定义为:
其中,θ是模型的参数。Zθ是归一化因子,定义为:
5)对于给定变量的值,根据模型参数计算隐藏变量的条件概率:
对h所有可能的取值求和,得到对v的边缘概率值:
隐藏节点的条件概率是相互独立的。在已知可见变量v的条件下:
6)以同样的方式可以求得p(v;h)。
当可见变量的值已知,隐藏变量的值为1的概率为:
p(hi=1;v)=σ(vTwi+di)
7)将测试集的预测值和训练集再输入的预测值进行依次相减,计算差值。
e=yfor-yfor'
其中,yfor表示验证集风电功率预测值,yfor'表示训练集风电功率预测值。
8)将差值e按照从小到大的顺序排列,取出前n个,即将最小一组误差的数据构成新的数据集。
9)根据新数据集计算方差和标准差,得出该点的区间上限和下限值,以此类推。
至此,利用上述深度学习方法便可实现风电功率超短期条件概率预测。
实施例1
为了验证本发明方法的有效性,进行以下实验;利用中国内蒙古某装机容量148.4MW的风电场2012年7月8号开始1000条记录的数据进行仿真测试,数据分辨率为15min,该数据处于夏季内陆城市,波动较大,以检测模型预测性能。其中输入数据为选取预测点之前10次记录的功率历史数据,形成训练集和验证集,根据划分的训练集,用来训练和优化预测模型。通过验证集数据,得出点预测结果。最后根据本发明所提条件进行筛选,计算预测区间。预测结果如下图2所示。
评价概率预测性能一般使用三个指标:平均区间宽度(MIW)、覆盖率(PICP)、综合得分(SCORE)。
平均区间宽度定义如下:
其中,up(i)表示在第i个点处的上限值,low(i)表示在第i个点处的下限值。
覆盖度定义如下:
综合得分定义如下:
表1 DBN-PSO模型预测结果评价指标
评价指标 | SCORE | MIW | PICP |
DBN-PSO模型 | -6.4483 | 29.3854 | 85.5% |
预测结果如下图2所示。从图2中可以看出,本发明所述方法预测的风电输出功率有很好的预测效果。综上所述,本发明可实现风电功率的预测,可用于实际工程应用。
Claims (6)
1.一种基于深度学习的风电功率超短期条件概率预测方法,其特征在于,包括以下步骤:
(1)采集风电场的历史风功率数据向量,并且划分训练样本和验证集,所述的训练样本由采样点的风电历史功率数据生成输入向量,由相应的历史功率值作为输出;
(2)对训练样本进行数据归一化处理,得到各成分与输入输出的回归模型,对回归模型使用粒子群优化算法进行参数优化,建立深度置信网络-粒子群优化算法模型;
(3)将训练集和验证集分别输入向量输入到训练优化后的深度置信网络-粒子群优化算法模型,验证集输出,且根据深度置信网络-粒子群优化算法模型建立风电功率超短期预测模型,计算风电功率输出预测值Y;
(4)分析训练集预测误差,计算训练集和预测集的差e,将最小的一组取出,形成新的数据集,计算新数据集标准差和方差,以此类推,得到预测值Y得出风电功率预测区间[Yup,Ylow];Yup为预测区间的上限,Ylow为预测区间下限值。
2.根据权利要求1所述的基于深度学习的风电功率超短期条件概率预测方法,其特征在于,步骤(1)根据特征影响因素的输出以及前10个采样点的历史功率构建向量,得到模型的训练样本,训练集向量为[X1,X2,…,X10,Y];并且取前80%取出得到训练样本集,取后20%生成验证集。
3.根据权利要求1所述的基于深度学习的风电功率超短期条件概率预测方法,其特征在于,步骤(2)中粒子群优化算法寻优结构参数,约束条件为预测集再输入的预测误差最小emin,同时通过深度置信网络隐含层之间条件概率值计算,提取特征,从而建立最优预测模型,所述的最优预测模型为深度置信网络-粒子群优化算法模型。
4.根据权利要求3所述的基于深度学习的风电功率超短期条件概率预测方法,其特征在于,步骤(2)中对于约束条件及深度置信网络隐含层之间条件概率值计算过程如下:
(21)约束条件为:
其中,n为模型训练集个数;yfor'i为训练集的预测值;ytru'i为训练集的实际值;
(22)对于给定变量的值,根据模型参数计算隐藏变量的条件概率:
其中,v表示可见层,为输入的历史功率数据;h表示隐含层,为从输入数据中提取的特征量;
(23)对h所有可能的取值求和,得到对v的边缘概率值:
(24)隐藏节点的条件概率是相互独立的,在已知可见变量v的条件下:
(25)当可见变量的值已知,隐藏变量的值为1的概率为:
p(hi=1;v)=σ(vTwi+di)。
5.根据权利要求1所述的基于深度学习的风电功率超短期条件概率预测方法,其特征在于,步骤(3)根据深度学习算法建立的风电功率超短期预测模型中构建深度学习计算公式如下:
Y=f(X1,X2,...,X10)
测试集输入为待预测时刻前10个采样的风电功率[X1,X2,…,X10],考虑模型寻优和训练时间,模型输出对应预测两小时以后的风电功率Y。
6.根据权利要求1所述的基于深度学习的风电功率超短期条件概率预测方法,其特征在于,步骤(4)将最小误差取出,形成新的数据集,计算新数据集标准差和方差;结合点预测预测值Y得出风电功率预测区间[Yup,Ylow]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010453559.5A CN111695666A (zh) | 2020-05-26 | 2020-05-26 | 一种基于深度学习的风电功率超短期条件概率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010453559.5A CN111695666A (zh) | 2020-05-26 | 2020-05-26 | 一种基于深度学习的风电功率超短期条件概率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111695666A true CN111695666A (zh) | 2020-09-22 |
Family
ID=72478284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010453559.5A Pending CN111695666A (zh) | 2020-05-26 | 2020-05-26 | 一种基于深度学习的风电功率超短期条件概率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695666A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183847A (zh) * | 2020-09-25 | 2021-01-05 | 合肥工业大学 | 基于QRNN改进Stacking算法的列车行驶风速概率预测方法 |
CN112801350A (zh) * | 2021-01-13 | 2021-05-14 | 中国电建集团华东勘测设计研究院有限公司 | 基于不确定度的深度学习超短时风电功率预测方法 |
CN113256018A (zh) * | 2021-06-08 | 2021-08-13 | 河海大学 | 一种基于条件分位数回归模型的风电功率超短期概率预测方法 |
CN113487077A (zh) * | 2021-06-30 | 2021-10-08 | 南京南瑞继保电气有限公司 | 一种基于集成学习的可再生能源发电功率区间预测方法 |
CN115618710A (zh) * | 2022-09-08 | 2023-01-17 | 济南大学 | 一种基于gan的风电功率概率性预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705760A (zh) * | 2019-09-19 | 2020-01-17 | 广东工业大学 | 一种基于深度置信网络的光伏发电功率预测方法 |
CN110991737A (zh) * | 2019-11-29 | 2020-04-10 | 河海大学 | 一种基于深度置信网络的超短期风电功率预测方法 |
-
2020
- 2020-05-26 CN CN202010453559.5A patent/CN111695666A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705760A (zh) * | 2019-09-19 | 2020-01-17 | 广东工业大学 | 一种基于深度置信网络的光伏发电功率预测方法 |
CN110991737A (zh) * | 2019-11-29 | 2020-04-10 | 河海大学 | 一种基于深度置信网络的超短期风电功率预测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183847A (zh) * | 2020-09-25 | 2021-01-05 | 合肥工业大学 | 基于QRNN改进Stacking算法的列车行驶风速概率预测方法 |
CN112183847B (zh) * | 2020-09-25 | 2022-09-20 | 合肥工业大学 | 基于QRNN改进Stacking算法的列车行驶风速概率预测方法 |
CN112801350A (zh) * | 2021-01-13 | 2021-05-14 | 中国电建集团华东勘测设计研究院有限公司 | 基于不确定度的深度学习超短时风电功率预测方法 |
CN112801350B (zh) * | 2021-01-13 | 2022-09-06 | 中国电建集团华东勘测设计研究院有限公司 | 基于不确定度的深度学习超短时风电功率预测系统及方法 |
CN113256018A (zh) * | 2021-06-08 | 2021-08-13 | 河海大学 | 一种基于条件分位数回归模型的风电功率超短期概率预测方法 |
CN113256018B (zh) * | 2021-06-08 | 2022-09-02 | 河海大学 | 一种基于条件分位数回归模型的风电功率超短期概率预测方法 |
CN113487077A (zh) * | 2021-06-30 | 2021-10-08 | 南京南瑞继保电气有限公司 | 一种基于集成学习的可再生能源发电功率区间预测方法 |
CN113487077B (zh) * | 2021-06-30 | 2024-07-12 | 南京南瑞继保电气有限公司 | 一种基于集成学习的可再生能源发电功率区间预测方法 |
CN115618710A (zh) * | 2022-09-08 | 2023-01-17 | 济南大学 | 一种基于gan的风电功率概率性预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949945B (zh) | 一种改进双向长短期记忆网络的风电功率超短期预测方法 | |
Yu et al. | LSTM-EFG for wind power forecasting based on sequential correlation features | |
Du et al. | Multi-step ahead forecasting in electrical power system using a hybrid forecasting system | |
Wu et al. | A data mining approach combining $ K $-means clustering with bagging neural network for short-term wind power forecasting | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN111695666A (zh) | 一种基于深度学习的风电功率超短期条件概率预测方法 | |
CN107578124B (zh) | 基于多层改进gru神经网络的短期电力负荷预测方法 | |
Xiang et al. | Ultra-short term wind power prediction applying a novel model named SATCN-LSTM | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN105069521A (zh) | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 | |
CN106778846A (zh) | 一种基于支持向量机的风电场风速预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
Yu et al. | A regional wind power probabilistic forecast method based on deep quantile regression | |
CN110991737A (zh) | 一种基于深度置信网络的超短期风电功率预测方法 | |
Bagheri et al. | A novel wind power forecasting based feature selection and hybrid forecast engine bundled with honey bee mating optimization | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
CN105809349A (zh) | 一种考虑来水相关性梯级水电站群的调度方法 | |
Li et al. | An innovative combined model based on multi-objective optimization approach for forecasting short-term wind speed: A case study in China | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN112632840A (zh) | 基于自适应差分进化算法与elm的电网暂态稳定评估方法 | |
CN113570132A (zh) | 一种时空气象特征提取与深度学习的风电功率预测方法 | |
Yang et al. | Investigating black-box model for wind power forecasting using local interpretable model-agnostic explanations algorithm: Why should a model be trusted? | |
CN115423146A (zh) | 一种基于多因子最近邻抽样回归和支持向量机的自适应径流预报方法 | |
Wibawa et al. | Long Short-Term Memory to Predict Unique Visitors of an Electronic Journal |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200922 |
|
RJ01 | Rejection of invention patent application after publication |