CN111832840B - 基于可微成本函数的超短期风电功率区间预测方法、装置 - Google Patents
基于可微成本函数的超短期风电功率区间预测方法、装置 Download PDFInfo
- Publication number
- CN111832840B CN111832840B CN202010731139.9A CN202010731139A CN111832840B CN 111832840 B CN111832840 B CN 111832840B CN 202010731139 A CN202010731139 A CN 202010731139A CN 111832840 B CN111832840 B CN 111832840B
- Authority
- CN
- China
- Prior art keywords
- wind power
- cost function
- prediction
- micro
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005457 optimization Methods 0.000 claims abstract description 91
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 13
- 230000002068 genetic effect Effects 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 156
- 239000010410 layer Substances 0.000 description 37
- 238000010586 diagram Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Physiology (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
本发明公开的基于可微成本函数的超短期风电功率区间预测方法、装置、存储介质和计算机设备,通过预测引擎的未知参数和约束条件来构造可微成本函数,并通过带精英策略的非支配排序的遗传算法(Non‑dominated sorting Genetic Algorithm II,NSGA‑II)作为元启发式优化算法,对该可微成本函数进行双层优化,使得优化过程不依赖初始值;并且,优化后可确定未知参数对应的输出权值,以及可微成本函数的目标函数值,既能够获得高质量的风电功率预测区间模型,又能够通过输出权值和目标函数值对NSGA‑II算法的非支配集进行更新,以构建帕累托前集,作为风电功率预测区间模型的预测结果,使得预测结果的准确度较高。
Description
技术领域
本发明涉及新能源发电技术领域,尤其涉及一种基于可微成本函数的超短期风电功率区间预测方法、装置、存储介质和计算机设备。
背景技术
风电功率预测区间(Wind Power Prediction Interval,WPPI)模型是一种通用的概率模型,广泛应用于各种决策任务中。成本函数和预测引擎是WPPI模型的两个主要组成部分。在优化过程中,采用定制的成本函数对预测引擎进行训练,找出未知参数,这是获得高质量WPPI模型的必要步骤。可靠性水平(Reliability Level,RL)和锐度是成本函数的主要模块,也是关键的评估因素。RL测量构建的WPPI包围未来实际风电功率值的概率,而锐度衡量WPPI的上下限与实际风电功率值的偏差。因此,具有高RL和锐度的WPPI模型有助于风电与电力系统的经济可靠集成。
目前,各类研究中提出的成本函数大都是不可微的,因此WPPI模型必须采用启发式优化技术来寻找预测引擎中的大量参数。而启发式优化过程可能会导致局部最优,同时高度依赖初始值,独立运行的结果可能彼此不同,使得WPPI模型的预测准确率较低,且随着预测引擎大小的增加,优化问题的规模会显著扩大。
发明内容
本发明的目的旨在至少能解决上述的技术缺陷之一,特别是现有技术中WPPI模型的启发式优化过程会导致局部最优,同时高度依赖初始值,独立运行的结果可能彼此不同,使得WPPI模型的预测准确率较低的技术缺陷。
本发明实施例提供了一种基于可微成本函数的超短期风电功率区间预测方法,包括:
获取预设时间段内的风电功率历史数据,并对所述风电功率历史数据进行提取和重构后得到输入向量,将所述输入向量输入到风电功率预测区间模型的预测引擎,确定所述预测引擎的未知参数和约束条件;
利用所述预测引擎的未知参数和约束条件构造可微成本函数,并通过NSGA-II算法对所述可微成本函数进行双层优化,确定所述未知参数对应的输出权值,以及所述可微成本函数的目标函数值;
根据所述输出权值和所述目标函数值对所述NSGA-II算法的非支配集进行更新,并通过更新后的非支配集构建帕累托前集,将所述帕累托前集作为所述风电功率预测区间模型的预测结果。
可选地,对所述风电功率历史数据进行提取和重构后得到输入向量的步骤之前,还包括:
对所述风电功率历史数据进行预处理,检测所述风电功率历史数据中的缺口,并对所述缺口进行修复,将修复后的风电功率历史数据进行去趋势化处理;
对去趋势化处理后的风电功率历史数据进行归一化处理,得到训练数据。
可选地,对所述风电功率历史数据进行提取和重构后得到输入向量的步骤,包括:
获取训练数据,将所述训练数据划分为训练集和验证集,并通过状态空间表示法将所述训练集中的训练数据映射到嵌入空间,得到输入向量;
所述输入向量表示为:Xn=[y(n-1)-(D-1)τ L y(n-1)-τ y(n-1)]1×D;
其中,τ是一个常数,通过互信息法确定,表示所述训练数据的取值间隔;D为嵌入维数,基于Cao的嵌入维数法确定;yn表示所述输入向量在第n个时间点的风电功率值。
可选地,将所述输入向量输入到风电功率预测区间模型的预测引擎,确定所述预测引擎的未知参数和约束条件的步骤,包括:
选取ELM作为风电功率预测区间模型的预测引擎,将所述输入向量代入到所述预测引擎中,计算所述预测引擎的预测上界值和预测下界值,所述预测上界值和所述预测下界值的计算公式分别为:
其中,为预测上界值,y n为预测下界值,/>为隐神经元权重系数向量,bm为偏差,M为隐神经元个数,/>和β m为预测引擎的未知参数;
通过所述预测上界值和所述预测下界值确定所述预测引擎的未知参数和约束条件。
可选地,利用所述预测引擎的未知参数和约束条件构造可微成本函数的步骤,包括:
利用所述约束条件构造可微成本函数,其中,所述约束条件为使风电功率预测上下限与实际风电功率的偏差趋于零,且所述实际风电功率被所述风电功率预测上下限所包围,公式如下:
其中,or/>yn≥y n or Δy n≥0;yn表示实际风电功率,/>表示预测上界值与实际风电功率的偏差,Δy n表示预测下界值与实际风电功率的偏差;
所述可微成本函数公式如下:
根据所述预测引擎的未知参数将所述可微成本函数划分为上界成本函数和下界成本函数,公式如下:
其中,c为系统操作员指定的超参数;为上界成本函数的超参数集,u={ω,a,c}为下界成本函数的超参数集;/>和ω分别为上界成本函数和下界成本函数中调节可靠性水平和锐度的超参数;/>和a分别为上界成本函数和下界成本函数中由一组多项式系数组成的向量,/>和β分别为上界成本函数和下界成本函数的输出权重,即预测引擎的未知参数。
可选地,通过NSGA-II算法对所述可微成本函数进行双层优化,确定所述未知参数对应的输出权值,以及所述可微成本函数的目标函数值的步骤,包括:
根据所述上界成本函数和下界成本函数确定上层优化公式和下层优化公式,上层优化公式如下:
其中,
下层优化公式如下:
其中,和z为预测引擎参数的变量,即/>和β;
利用所述上界成本函数和下界成本函数的超参数集生成NSGA-II算法的初始种群,并确定最大迭代次数;
根据所述初始种群确定所述下层优化公式的全局最优解,并将所述全局最优解作为所述未知参数对应的输出权重返回至所述上层优化公式,通过所述上层优化公式确定所述可微成本函数的目标函数值。
可选地,根据所述输出权值和所述目标函数值对所述NSGA-II算法的非支配集进行更新,并通过更新后的非支配集构建帕累托前集的步骤,包括:
根据所述输出权值和所述目标函数值对所述NSGA-II算法的非支配集以及初始种群的位置进行迭代更新;
当所述迭代更新的次数大于所述最大迭代次数时,停止迭代更新,并通过最后更新的非支配集构建帕累托前集。
本发明还提供了一种基于可微成本函数的超短期风电功率区间预测装置,包括:
数据处理模块,用于获取预设时间段内的风电功率历史数据,并对所述风电功率历史数据进行提取和重构后得到输入向量,将所述输入向量输入到风电功率预测区间模型的预测引擎,确定所述预测引擎的未知参数和约束条件;
双层优化模块,用于利用所述预测引擎的未知参数和约束条件构造可微成本函数,并通过NSGA-II算法对所述可微成本函数进行双层优化,确定所述未知参数对应的输出权值,以及所述可微成本函数的目标函数值;
结果预测模块,用于根据所述输出权值和所述目标函数值对所述NSGA-II算法的非支配集进行更新,并通过更新后的非支配集构建帕累托前集,将所述帕累托前集作为所述风电功率预测区间模型的预测结果。
本发明还提供了一种存储介质,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述实施例中任一项所述基于可微成本函数的超短期风电功率区间预测方法的步骤。
本发明还提供了一种计算机设备,所述计算机设备中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述实施例中任一项所述基于可微成本函数的超短期风电功率区间预测方法的步骤。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明公开的基于可微成本函数的超短期风电功率区间预测方法、装置、存储介质和计算机设备,获取预设时间段内的风电功率历史数据,并对所述风电功率历史数据进行提取和重构后得到输入向量,将所述输入向量输入到风电功率预测区间模型的预测引擎,确定所述预测引擎的未知参数和约束条件;利用所述预测引擎的未知参数和约束条件构造可微成本函数,并通过NSGA-II算法对所述可微成本函数进行双层优化,确定所述未知参数对应的输出权值,以及所述可微成本函数的目标函数值;根据所述输出权值和所述目标函数值对所述NSGA-II算法的非支配集进行更新,并通过更新后的非支配集构建帕累托前集,将所述帕累托前集作为所述风电功率预测区间模型的预测结果。
本发明通过预测引擎的未知参数和约束条件来构造可微成本函数,并通过带精英策略的非支配排序的遗传算法(Non-dominated sorting Genetic Algorithm II,NSGA-II)作为元启发式优化算法,对该可微成本函数进行双层优化,使得优化过程不依赖初始值;并且,优化后可确定未知参数对应的输出权值,以及可微成本函数的目标函数值,既能够获得高质量的风电功率预测区间模型,又能够通过输出权值和目标函数值对NSGA-II算法的非支配集进行更新,以构建帕累托前集,作为风电功率预测区间模型的预测结果,使得预测结果的准确度较高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的基于可微成本函数的超短期风电功率区间预测方法的流程示意图;
图2为本发明实施例提供的基于可微成本函数的超短期风电功率区间预测方法的训练过程示意图;
图3为本发明实施例提供的双层优化的框架示意图;
图4为本发明实施例提供的基于可微成本函数的超短期风电功率区间预测装置的结构示意图;
图5为本发明实施例提供的一种计算机设备的内部结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像本申请实施例中一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本申请中,风电功率区间预测模型根据预测时长可分为长期、中期、短期和超短期预测,提前1小时以内的预测模型,属于风电功率的短期和超短期预测范畴。
请参阅图1,图1为本发明实施例提供的基于可微成本函数的超短期风电功率区间预测方法的流程示意图;本发明实施例提供了一种基于可微成本函数的超短期风电功率区间预测方法,具体包括如下:
S110:获取预设时间段内的风电功率历史数据,并对所述风电功率历史数据进行提取和重构后得到输入向量,将所述输入向量输入到风电功率预测区间模型的预测引擎,确定所述预测引擎的未知参数和约束条件。
本申请中,由于现有的风电功率预测区间(Wind Power Prediction Interval,WPPI)模型采用启发式优化技术来寻找预测引擎中的大量参数,而启发式优化过程可能会导致局部最优,同时高度依赖初始值,独立运行的结果可能彼此不同,使得WPPI模型的预测准确率较低,且随着预测引擎大小的增加,优化问题的规模会显著扩大。
而对于WPPI模型而言,成本函数和预测引擎是其主要组成部分,想要获得高质量的WPPI模型,在优化过程中必须采用定制的成本函数对预测引擎进行训练,找出预测引擎的未知参数。
因此,本步骤中,当获取到预设时间段内的风电功率历史数据后,需要对风电功率历史数据进行提取和重构后得到输入向量。
举例来说,采集一段时间等时间间隔的风电实际功率数据集,比如30天,每天15min取一个点,构成30*96=2880个数据点的风电时间序列;然后从风电时间序列中取出等长度的数据构成二维矩阵,再按照一定规律从二维矩阵中提取一部分的风电功率数据进行重构,这样便得到输入向量。
可以理解的是,这里的风电功率历史数据的获取方式包括但不限于风电机组中的历史记录,风电场中的EMS(能量管理系统)记录,甚至可以通过气象站的风速数据,结合风电机组的类型折算得到。
当得到输入向量后,将该输入向量输入到风电功率预测区间模型的预测引擎,即可确定该预测引擎的未知参数和约束条件。
比如说,预测引擎中包含有多个隐神经元,当确定预测引擎的输入向量后,需要调整与隐神经元对应的多个预测引擎参数,才能保证最后的预测结果的准确度。
当然,这里得到的多个预测引擎参数为未知参数,需要通过成本函数来进行确定;并且,在确定预测引擎的输入向量的同时,预测引擎还会存在偏差,该偏差反应了预测结果与实际风电功率数据之间的差值。
可以理解的是,为了构建准确的WPPI模型,需要明确该预测引擎的约束条件,以便后续在优化过程中,依据该约束条件,得到高质量的WPPI模型。
S120:利用所述预测引擎的未知参数和约束条件构造可微成本函数,并通过NSGA-II算法对所述可微成本函数进行双层优化,确定所述未知参数对应的输出权值,以及所述可微成本函数的目标函数值。
本步骤中,当通过步骤S110确定预测引擎的未知参数以及约束条件后,可进一步根据该未知参数和约束条件构建可微成本函数,该可微成本函数能够调谐预测引擎的未知参数,并且以预测引擎的约束条件为可微成本函数的主要部分,使得整个可微成本函数具有可微性和凸性。
具体地,为了构建准确的WPPI模型,应使风电功率预测上下限与实际风电功率的偏差趋于零,而实际风电功率则被上下限所包围。在此基础上,提出一种具有可微性和凸性的成本函数来求取预测引擎的未知参数。
风电功率预测上下限与实际风电功率的偏差定义如下:
Δy n=yn-y n
其中,or/>yn≥y n or Δy n≥0为预测引擎的可靠上下界的要求;yn表示实际风电功率,/>为预测上界值,y n为预测下界值,/>表示预测上界值与实际风电功率的偏差,Δy n表示预测下界值与实际风电功率的偏差。
当然,这里的预测上界值和预测下界值可通过预测引擎进行确定,当得到预测引擎的可靠上下界的要求后,如果违反了该要求,则需要进行实质性的惩罚,因此,初步构建的可微成本函数定义如下:
C(ω,θ,a)=ε(ω,θ)·R(θ,a)
其中,
需要说明的是,这里的ε(·)表示违反预测引擎的可靠上下界的惩罚,是可微成本函数的主要部分;R(·)使整个成本函数具有可微性和凸性;ω是调节可微成本函数的可靠性水平(ReliabilityLevel,RL)和锐度的超参数,在[0,1]内取值;θ是可微成本函数的变量,表示为或Δy n;a={ak,k=1......K},是由一组多项式系数组成的向量,K为非零系数的个数。
该可微成本函数具有可微性和凸性,其一阶导数为:
其中,
当构造可微成本函数后,需要通过NSGA-II算法对可微成本函数进行双层优化,确定预测引擎的未知参数对应的输出权值,以及可微成本函数的目标函数值。
其中,NSGA-II算法指的是带精英策略的非支配排序的遗传算法,将其作为元启发式优化算法对可微成本函数进行双层优化,主要是为了确定预测引擎的未知参数对应的输出权值,以及可微成本函数的目标函数值。
举例来说,可靠性水平(Reliability Level,RL)和锐度是成本函数的主要模块,也是关键的评估因素。RL测量构建的WPPI模型包围未来实际风电功率值的概率,而锐度衡量WPPI模型的测量上下限与实际风电功率值的偏差。具有高RL和锐度的WPPI模型有助于风电与电力系统的经济可靠集成。
因此,本申请中,通过带精英策略的非支配排序的遗传算法对可微成本函数的可靠性水平和锐度进行优化,比如以最大化可靠性水平和最小化锐度为目标,进行上层问题优化;而另一方面,可通过NSGA-II算法对下层问题进行优化求解,利用可微公式对预测引擎参数进行优化,最终,可得到预测引擎的未知参数对应的输出权值,以及可微成本函数的目标函数值。
S130:根据所述输出权值和所述目标函数值对所述NSGA-II算法的非支配集进行更新,并通过更新后的非支配集构建帕累托前集,将所述帕累托前集作为所述风电功率预测区间模型的预测结果。
本步骤中,当通过步骤S120确定预测引擎的未知参数对应的输出权值,以及可微成本函数的目标函数值后,进一步地,可通过输出权值和目标函数值对NSGA-II算法中的非支配集和种群位置进行迭代更新,以便计算出帕累托前集,将帕累托前集作为最终解集,也就是预测模型的预测结果。
需要说明的是,求出来的帕累托前集是一系列的风电功率预测上下限组合对,也就是预测出来的风电功率的区间范围。
上述实施例通过预测引擎的未知参数和约束条件来构造可微成本函数,并通过带精英策略的非支配排序的遗传算法(Non-dominated sorting Genetic AlgorithmII,NSGA-II)作为元启发式优化算法,对该可微成本函数进行双层优化,使得优化过程不依赖初始值;并且,优化后可确定未知参数对应的输出权值,以及可微成本函数的目标函数值,既能够获得高质量的风电功率预测区间模型,又能够通过输出权值和目标函数值对NSGA-II算法的非支配集进行更新,以构建帕累托前集,作为风电功率预测区间模型的预测结果,使得预测结果的准确度较高。
在一个实施例中,如图2所示,图2为本发明实施例提供的基于可微成本函数的超短期风电功率区间预测方法的训练过程示意图;步骤S110中,对所述风电功率历史数据进行提取和重构后得到输入向量的步骤之前,还可以包括:
S101:对所述风电功率历史数据进行预处理,检测所述风电功率历史数据中的缺口,并对所述缺口进行修复,将修复后的风电功率历史数据进行去趋势化处理;
S102:对去趋势化处理后的风电功率历史数据进行归一化处理,得到训练数据。
本实施例中,由于获取到的风电功率历史数据可能存在数据质量问题,比如某个时间点缺省,某些时间点数值明显非正常(比如-99999),这些都是缺口,如果不对这些缺省或异常数据进行修复,会影响功率预测的精度。
因此,获取到风电功率历史数据后,需要检测其中的缺口,以便对缺口进行修复,并将修复后的风电功率历史数据进行去趋势化处理。
可以理解的是,由于风电功率历史数据可以在0~机组容量之间波动,去趋势化处理可以消除数据中的线性趋势,强调数据整体的波动性,使得预测结果更准确。
在一个实施例中,步骤S110中对所述风电功率历史数据进行提取和重构后得到输入向量的步骤,可以包括:
S111:获取训练数据,将所述训练数据划分为训练集和验证集,并通过状态空间表示法将所述训练集中的训练数据映射到嵌入空间,得到输入向量;
S112:所述输入向量表示为:
Xn=[y(n-1)-(D-1)τ L y(n-1)-τ y(n-1)]1×D;
其中,τ是一个常数,通过互信息法确定,表示所述训练数据的取值间隔;D为嵌入维数,基于Cao的嵌入维数法确定;yn表示所述输入向量在第n个时间点的风电功率值。
本实施例中,如图2所示,为了提高WPPI模型的精度,可将训练数据划分为训练集和验证集,例如有10000个风电功率历史数据,把前8000个数据用来进行模型训练,后2000个数据与模型预测得到的数据进行比对,计算误差,从而反馈给模型进行修正,不断修正减少误差,直到满足所需的预测精度为止。
并且,采用基于延迟的状态空间表示法,通过一系列风电时滞将风电时间序列映射到嵌入空间后得到输入向量。
可以理解的是,这里的风电时间序列指的是一段时间等时间间隔的风电实际功率数据集,比如30天,每天15min取一个点,那么这个时间序列的长度就是30*96=2880个数据点构成的一维向量。
这里的风电时滞时间序列指的是从风电时间序列中取出等长度的数据所构成的矩阵,比如把每天的数据取出来,那么便构成30*96的二维矩阵。
这里的嵌入空间指的是就是上述30*96的矩阵空间。
这里的映射方法指的是使用应用互信息法确定τ,应用基于Cao的嵌入维数法确定D,然后按照输入向量的表示方式从30*96的空间里提取一部分风电功率数据进行重构,最终得到输入向量Xn。
在一个实施例中,步骤S110中将所述输入向量输入到风电功率预测区间模型的预测引擎,确定所述预测引擎的未知参数和约束条件的步骤,可以包括:
S113:选取ELM作为风电功率预测区间模型的预测引擎,将所述输入向量代入到所述预测引擎中,计算所述预测引擎的预测上界值和预测下界值,所述预测上界值和所述预测下界值的计算公式分别为:
其中,为预测上界值,y n为预测下界值,/>为隐神经元权重系数向量,bm为偏差,M为隐神经元个数,/>和β m为预测引擎的未知参数;
S114:通过所述预测上界值和所述预测下界值确定所述预测引擎的未知参数和约束条件。
本实施例中,选取极限学习机(Extreme Learning Machine,ELM)作为预测引擎,利用输入向量求得预测引擎的预测上界值和预测下界值,其中,M为预测引擎中的隐神经元个数,对于具有M个隐神经元的ELM,则有2×M个预测引擎参数需要调整。
在一个实施例中,步骤S120中利用所述预测引擎的未知参数和约束条件构造可微成本函数的步骤,可以包括:
S121:利用所述约束条件构造可微成本函数,其中,所述约束条件为使风电功率预测上下限与实际风电功率的偏差趋于零,且所述实际风电功率被所述风电功率预测上下限所包围,公式如下:
其中,or/>yn≥y n or Δy n≥0;yn表示实际风电功率,/>表示预测上界值与实际风电功率的偏差,Δy n表示预测下界值与实际风电功率的偏差;
所述可微成本函数公式如下:
S122:根据所述预测引擎的未知参数将所述可微成本函数划分为上界成本函数和下界成本函数,公式如下:
其中,c为系统操作员指定的超参数,在经验风险和结构风险之间进行最佳权衡;为上界成本函数的超参数集,u={ω,a,c}为下界成本函数的超参数集;和ω分别为上界成本函数和下界成本函数中调节可靠性水平和锐度的超参数;/>和a分别为上界成本函数和下界成本函数中由一组多项式系数组成的向量,/>和β分别为上界成本函数和下界成本函数的输出权重,即预测引擎的未知参数。
本实施例中,or/>yn≥y n or Δy n≥0为预测引擎的可靠上下界的要求,当得到预测引擎的可靠上下界的要求后,如果违反了该要求,则需要进行实质性的惩罚,因此,初步构建的可微成本函数定义如下:
C(ω,θ,a)=ε(ω,θ)·R(θ,a)
其中,
将ω,a设为超参数u,则然后用偏差/>和Δy n代替θ,则最终得到的广义的可微成本函数公式为:
将上界和下界的成本函数项分别考虑,同时在成本函数中加入最小化输出权重的范数,最终可得到上界成本函数和下界成本函数,然后对上界成本函数和下界成本函数分别进行优化,即可得到最终的准确度高的WPPI模型。
在一个实施例中,如图3所示,图3为本发明实施例提供的双层优化的框架示意图;步骤S120中通过NSGA-II算法对所述可微成本函数进行双层优化,确定所述未知参数对应的输出权值,以及所述可微成本函数的目标函数值的步骤,可以包括:
S123:根据所述上界成本函数和下界成本函数确定上层优化公式和下层优化公式,上层优化公式如下:
其中,
下层优化公式如下:
其中,和z为预测引擎参数的变量,即/>和β;
S124:利用所述上界成本函数和下界成本函数的超参数集生成NSGA-II算法的初始种群,并确定最大迭代次数;
S125:根据所述初始种群确定所述下层优化公式的全局最优解,并将所述全局最优解作为所述未知参数对应的输出权重返回至所述上层优化公式,通过所述上层优化公式确定所述可微成本函数的目标函数值。
本实施例中,参见图2和图3,当得到上界成本函数和下界成本函数后,可通过NSGA-II算法对可微成本函数进行双层优化,上层优化公式表示为使RL最大化(即-RL最小化)和锐度最小化组成的多目标优化问题,其中WPPI模型的锐度是基于预测区间归一化平均宽度(Prediction Interval Normalized Average Width,PINAW)确定的,WPPI模型的预测引擎经过训练,使得RL最大化,而PINAW接近于零,即可微成本函数的目标函数值;而下层优化公式为确定预测引擎的未知参数对应的输出权重。
当确定上层优化公式和下层优化公式后,可根据上界成本函数的超参数集以及下界成本函数的超参数集生成NSGA-II的初始种群u,其中最大迭代次数为imax,并初始化迭代次数i=1。
将初始种群u的值导入到下层优化公式中,利用经典凸优化技术对下层优化公式进行优化求解,Fup(·)和Flo(·)的全局最优解为其中/>为Fup(·)和Flo(·)中的/>全局最优解的定义为:
其中,
需要说明的是,这里的o指的是element-wise乘法,使用MATLAB优化工具箱和fsolve函数求解的根,采用Levenberg-Marquardt算法求解/>和Glo(u,k),并且,下层优化公式的优化求解过程以函数容差和步长容差作为停止条件。
当求得预测引擎的输出权重后,将输出权重值返回至上层优化公式中,得到上层优化公式的目标函数值,这样,NSGA-II算法根据预测引擎的输出权重值以及上层优化公式的目标函数值来更新非支配集合初始种群的位置,直到最大迭代数为止。
在一个实施例中,步骤S130中根据所述输出权值和所述目标函数值对所述NSGA-II算法的非支配集进行更新,并通过更新后的非支配集构建帕累托前集的步骤,可以包括:
S131:根据所述输出权值和所述目标函数值对所述NSGA-II算法的非支配集以及初始种群的位置进行迭代更新;
S132:当所述迭代更新的次数大于所述最大迭代次数时,停止迭代更新,并通过最后更新的非支配集构建帕累托前集。
在一个实施例中,如图4所示,图4为本发明实施例提供的基于可微成本函数的超短期风电功率区间预测装置的结构示意图;本发明还提供了一种基于可微成本函数的超短期风电功率区间预测装置,包括数据处理模块110、双层优化模块120和结果预测模块130,具体如下:
数据处理模块110,用于获取预设时间段内的风电功率历史数据,并对所述风电功率历史数据进行提取和重构后得到输入向量,将所述输入向量输入到风电功率预测区间模型的预测引擎,确定所述预测引擎的未知参数和约束条件;
双层优化模块120,用于利用所述预测引擎的未知参数和约束条件构造可微成本函数,并通过NSGA-II算法对所述可微成本函数进行双层优化,确定所述未知参数对应的输出权值,以及所述可微成本函数的目标函数值;
结果预测模块130,用于根据所述输出权值和所述目标函数值对所述NSGA-II算法的非支配集进行更新,并通过更新后的非支配集构建帕累托前集,将所述帕累托前集作为所述风电功率预测区间模型的预测结果。
上述实施例通过预测引擎的未知参数和约束条件来构造可微成本函数,并通过带精英策略的非支配排序的遗传算法(Non-dominated sorting Genetic Algorithm II,NSGA-II)作为元启发式优化算法,对该可微成本函数进行双层优化,使得优化过程不依赖初始值;并且,优化后可确定未知参数对应的输出权值,以及可微成本函数的目标函数值,既能够获得高质量的风电功率预测区间模型,又能够通过输出权值和目标函数值对NSGA-II算法的非支配集进行更新,以构建帕累托前集,作为风电功率预测区间模型的预测结果,使得预测结果的准确度较高。
关于基于可微成本函数的超短期风电功率区间预测装置的具体限定可以参见上文中对于基于可微成本函数的超短期风电功率区间预测方法的限定,在此不再赘述。上述基于可微成本函数的超短期风电功率区间预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于终端设备中的处理器中,也可以以软件形式存储于终端设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种存储介质,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述实施例中任一项所述基于可微成本函数的超短期风电功率区间预测方法的步骤。
在一个实施例中,提供了一种计算机设备,所述计算机设备中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述实施例中任一项所述基于可微成本函数的超短期风电功率区间预测方法的步骤。
图5为本发明实施例提供的一种计算机设备的内部结构示意图,该计算机设备200可以被提供为一服务器。参照图5,计算机设备200包括处理组件202,其进一步包括一个或多个处理器,以及由存储器201所代表的存储器资源,用于存储可由处理组件202的执行的指令,例如应用程序。存储器201中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件202被配置为执行指令,以执行上述任意实施例的基于可微成本函数的超短期风电功率区间预测方法。
计算机设备200还可以包括一个电源组件203被配置为执行计算机设备200的电源管理,一个有线或无线网络接口204被配置为将计算机设备200连接到网络,和一个输入输出(I/O)接口205。计算机设备200可以操作基于存储在存储器201的操作系统,例如WindowsServer TM、Mac OS XTM、Unix TM、Linux TM、Free BSDTM或类似。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于可微成本函数的超短期风电功率区间预测方法,其特征在于,包括:
获取预设时间段内的风电功率历史数据,并对所述风电功率历史数据进行提取和重构后得到输入向量,将所述输入向量输入到风电功率预测区间模型的预测引擎,确定所述预测引擎的未知参数和约束条件;
利用所述预测引擎的未知参数和约束条件构造可微成本函数,并通过NSGA-II算法对所述可微成本函数进行双层优化,确定所述未知参数对应的输出权值,以及所述可微成本函数的目标函数值;
根据所述输出权值和所述目标函数值对所述NSGA-II算法的非支配集进行更新,并通过更新后的非支配集构建帕累托前集,将所述帕累托前集作为所述风电功率预测区间模型的预测结果;
所述对所述风电功率历史数据进行提取和重构后得到输入向量的步骤,包括:
获取训练数据,将所述训练数据划分为训练集和验证集,并通过状态空间表示法将所述训练集中的训练数据映射到嵌入空间,得到输入向量;其中,所述训练数据是对去趋势化处理后的风电功率历史数据进行归一化处理后得到的;
所述输入向量表示为:Xn=[y(n-1)-(D-1)τ L y(n-1)-τ y(n-1)]1×D;
其中,τ是一个常数,通过互信息法确定,表示所述训练数据的取值间隔;D为嵌入维数,基于Cao的嵌入维数法确定;yn表示所述输入向量在第n个时间点的风电功率值;
所述利用所述预测引擎的未知参数和约束条件构造可微成本函数,并通过NSGA-II算法对所述可微成本函数进行双层优化,确定所述未知参数对应的输出权值,以及所述可微成本函数的目标函数值的步骤,包括:
利用所述约束条件构造可微成本函数,其中,所述约束条件为使风电功率预测上下限与实际风电功率的偏差趋于零,且所述实际风电功率被所述风电功率预测上下限所包围,公式如下:
Δy n=yn-y n
其中,yn≥y n or Δy n≥0;yn表示实际风电功率,/>表示预测上界值与实际风电功率的偏差,Δy n表示预测下界值与实际风电功率的偏差;
所述可微成本函数公式如下:
根据所述预测引擎的未知参数将所述可微成本函数划分为上界成本函数和下界成本函数,公式如下:
其中,c为系统操作员指定的超参数;为上界成本函数的超参数集,u={ω,a,c}为下界成本函数的超参数集;/>和ω分别为上界成本函数和下界成本函数中调节可靠性水平和锐度的超参数;/>和a分别为上界成本函数和下界成本函数中由一组多项式系数组成的向量,/>和β分别为上界成本函数和下界成本函数的输出权重,即预测引擎的未知参数;
根据所述上界成本函数和下界成本函数确定上层优化公式和下层优化公式,上层优化公式如下:
其中,
下层优化公式如下:
其中,和z为预测引擎参数的变量,即/>和β;
利用所述上界成本函数和下界成本函数的超参数集生成NSGA-II算法的初始种群,并确定最大迭代次数;
根据所述初始种群确定所述下层优化公式的全局最优解,并将所述全局最优解作为所述未知参数对应的输出权重返回至所述上层优化公式,通过所述上层优化公式确定所述可微成本函数的目标函数值。
2.根据权利要求1所述的基于可微成本函数的超短期风电功率区间预测方法,其特征在于,对所述风电功率历史数据进行提取和重构后得到输入向量的步骤之前,还包括:
对所述风电功率历史数据进行预处理,检测所述风电功率历史数据中的缺口,并对所述缺口进行修复,将修复后的风电功率历史数据进行去趋势化处理;
对去趋势化处理后的风电功率历史数据进行归一化处理,得到训练数据。
3.根据权利要求1所述的基于可微成本函数的超短期风电功率区间预测方法,其特征在于,将所述输入向量输入到风电功率预测区间模型的预测引擎,确定所述预测引擎的未知参数和约束条件的步骤,包括:
选取ELM作为风电功率预测区间模型的预测引擎,将所述输入向量代入到所述预测引擎中,计算所述预测引擎的预测上界值和预测下界值,所述预测上界值和所述预测下界值的计算公式分别为:
其中,为预测上界值,y n为预测下界值,/>为隐神经元权重系数向量,bm为偏差,M为隐神经元个数,/>和β m为预测引擎的未知参数;
通过所述预测上界值和所述预测下界值确定所述预测引擎的未知参数和约束条件。
4.根据权利要求1所述的基于可微成本函数的超短期风电功率区间预测方法,其特征在于,根据所述输出权值和所述目标函数值对所述NSGA-II算法的非支配集进行更新,并通过更新后的非支配集构建帕累托前集的步骤,包括:
根据所述输出权值和所述目标函数值对所述NSGA-II算法的非支配集以及初始种群的位置进行迭代更新;
当所述迭代更新的次数大于所述最大迭代次数时,停止迭代更新,并通过最后更新的非支配集构建帕累托前集。
5.一种基于可微成本函数的超短期风电功率区间预测装置,其特征在于,包括:
数据处理模块,用于获取预设时间段内的风电功率历史数据,并对所述风电功率历史数据进行提取和重构后得到输入向量,将所述输入向量输入到风电功率预测区间模型的预测引擎,确定所述预测引擎的未知参数和约束条件;
双层优化模块,用于利用所述预测引擎的未知参数和约束条件构造可微成本函数,并通过NSGA-II算法对所述可微成本函数进行双层优化,确定所述未知参数对应的输出权值,以及所述可微成本函数的目标函数值;
结果预测模块,用于根据所述输出权值和所述目标函数值对所述NSGA-II算法的非支配集进行更新,并通过更新后的非支配集构建帕累托前集,将所述帕累托前集作为所述风电功率预测区间模型的预测结果;
所述数据处理模块,包括:
获取训练数据,将所述训练数据划分为训练集和验证集,并通过状态空间表示法将所述训练集中的训练数据映射到嵌入空间,得到输入向量;其中,所述训练数据是对去趋势化处理后的风电功率历史数据进行归一化处理后得到的;
所述输入向量表示为:Xn=[y(n-1)-(D-1)τ L y(n-1)-τ y(n-1)]1×D;
其中,τ是一个常数,通过互信息法确定,表示所述训练数据的取值间隔;D为嵌入维数,基于Cao的嵌入维数法确定;yn表示所述输入向量在第n个时间点的风电功率值;
所述双层优化模块,包括:
利用所述约束条件构造可微成本函数,其中,所述约束条件为使风电功率预测上下限与实际风电功率的偏差趋于零,且所述实际风电功率被所述风电功率预测上下限所包围,公式如下:
Δy n=yn-y n
其中,yn≥y n or Δy n≥0;yn表示实际风电功率,/>表示预测上界值与实际风电功率的偏差,Δy n表示预测下界值与实际风电功率的偏差;
所述可微成本函数公式如下:
根据所述预测引擎的未知参数将所述可微成本函数划分为上界成本函数和下界成本函数,公式如下:
其中,c为系统操作员指定的超参数;为上界成本函数的超参数集,u={ω,a,c}为下界成本函数的超参数集;/>和ω分别为上界成本函数和下界成本函数中调节可靠性水平和锐度的超参数;/>和a分别为上界成本函数和下界成本函数中由一组多项式系数组成的向量,/>和β分别为上界成本函数和下界成本函数的输出权重,即预测引擎的未知参数;
根据所述上界成本函数和下界成本函数确定上层优化公式和下层优化公式,上层优化公式如下:
其中,
下层优化公式如下:
其中,和z为预测引擎参数的变量,即/>和β;
利用所述上界成本函数和下界成本函数的超参数集生成NSGA-II算法的初始种群,并确定最大迭代次数;
根据所述初始种群确定所述下层优化公式的全局最优解,并将所述全局最优解作为所述未知参数对应的输出权重返回至所述上层优化公式,通过所述上层优化公式确定所述可微成本函数的目标函数值。
6.一种存储介质,其特征在于:所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至4中任一项所述基于可微成本函数的超短期风电功率区间预测方法的步骤。
7.一种计算机设备,其特征在于:所述计算机设备中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至4中任一项所述基于可微成本函数的超短期风电功率区间预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010731139.9A CN111832840B (zh) | 2020-07-27 | 2020-07-27 | 基于可微成本函数的超短期风电功率区间预测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010731139.9A CN111832840B (zh) | 2020-07-27 | 2020-07-27 | 基于可微成本函数的超短期风电功率区间预测方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832840A CN111832840A (zh) | 2020-10-27 |
CN111832840B true CN111832840B (zh) | 2024-03-12 |
Family
ID=72924896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010731139.9A Active CN111832840B (zh) | 2020-07-27 | 2020-07-27 | 基于可微成本函数的超短期风电功率区间预测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832840B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009110341A (ja) * | 2007-10-31 | 2009-05-21 | Nippon Telegr & Teleph Corp <Ntt> | 時間情報を用いた予測装置、予測方法、予測プログラムおよびそのプログラムを記録した記録媒体 |
WO2016101182A1 (zh) * | 2014-12-23 | 2016-06-30 | 清华大学 | 基于贝叶斯网络和极限学习机的区间型指标预报方法 |
CN109214575A (zh) * | 2018-09-12 | 2019-01-15 | 河海大学 | 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 |
CN110598929A (zh) * | 2019-09-10 | 2019-12-20 | 河海大学 | 一种风电功率非参数概率区间超短期预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI476430B (zh) * | 2010-08-23 | 2015-03-11 | Inst Nuclear Energy Res Atomic Energy Council | 具極端風速預測功能之風能預報方法 |
WO2019094750A1 (en) * | 2017-11-09 | 2019-05-16 | Wisys Technology Foundation, Inc. | Micro-grid energy management system |
-
2020
- 2020-07-27 CN CN202010731139.9A patent/CN111832840B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009110341A (ja) * | 2007-10-31 | 2009-05-21 | Nippon Telegr & Teleph Corp <Ntt> | 時間情報を用いた予測装置、予測方法、予測プログラムおよびそのプログラムを記録した記録媒体 |
WO2016101182A1 (zh) * | 2014-12-23 | 2016-06-30 | 清华大学 | 基于贝叶斯网络和极限学习机的区间型指标预报方法 |
CN109214575A (zh) * | 2018-09-12 | 2019-01-15 | 河海大学 | 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 |
CN110598929A (zh) * | 2019-09-10 | 2019-12-20 | 河海大学 | 一种风电功率非参数概率区间超短期预测方法 |
Non-Patent Citations (1)
Title |
---|
基于NSGA-II算法最优组合的风电功率预测的研究;高红丽;魏霞;叶家豪;苏元鹏;;水力发电(第02期);117-121 * |
Also Published As
Publication number | Publication date |
---|---|
CN111832840A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11544676B2 (en) | Equipment repair management and execution | |
CN110188397B (zh) | 一种架空输电线路覆冰预测模型和方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN106980910B (zh) | 中长期电力负荷测算系统及方法 | |
Zhang et al. | Wind speed prediction research considering wind speed ramp and residual distribution | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN111967688A (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
Wang et al. | An evolving neuro-fuzzy technique for system state forecasting | |
CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
CN112884236A (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN116091118A (zh) | 电价预测方法、装置、设备、介质及产品 | |
CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
CN114329347A (zh) | 一种电能表计量误差预测方法、装置及存储介质 | |
CN114239396A (zh) | 一种风机齿轮箱状态预测方法及系统 | |
CN111832840B (zh) | 基于可微成本函数的超短期风电功率区间预测方法、装置 | |
CN115794805B (zh) | 一种中低压配网量测数据补齐方法 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
Villalón-Falcón et al. | Computational adaptive multivariable degradation model for improving the remaining useful life prediction in industrial systems | |
CN109376957A (zh) | 一种火电厂负荷的预测方法 | |
CN115952916A (zh) | 基于人工智能的风电功率预测误差修正方法、装置及设备 | |
CN115630979A (zh) | 日前电价的预测方法、装置、存储介质及计算机设备 | |
CN112787882A (zh) | 一种物联网边缘流量预测方法、装置及设备 | |
CN117556935A (zh) | 时间序列预测方法、装置、设备及可读存储介质 | |
CN113379455B (zh) | 订单量预测方法和设备 |
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 |