CN112036658A - 一种基于随差遗忘长短期记忆的风电功率实时预测方法 - Google Patents
一种基于随差遗忘长短期记忆的风电功率实时预测方法 Download PDFInfo
- Publication number
- CN112036658A CN112036658A CN202010939134.5A CN202010939134A CN112036658A CN 112036658 A CN112036658 A CN 112036658A CN 202010939134 A CN202010939134 A CN 202010939134A CN 112036658 A CN112036658 A CN 112036658A
- Authority
- CN
- China
- Prior art keywords
- wind power
- time
- forgetting
- real
- time 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000007787 long-term memory Effects 0.000 title claims abstract description 15
- 230000006403 short-term memory Effects 0.000 title claims abstract description 11
- 230000015654 memory Effects 0.000 claims abstract description 8
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000005096 rolling process Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 5
- 210000004027 cell Anatomy 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static 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
- 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
- G06N3/048—Activation functions
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于随差遗忘长短期记忆的风电功率实时预测方法,以斯皮尔曼相关系数法进行风电功率历史数据与各NWP数据特征相关性量化分析、风电功率时间序列自相关性量化分析后,重新构建一个包含历史时刻RWP与预测时刻NWP的输入特征序列,作为预测模型的输入数据;而后在标准长短期记忆遗忘门上进行改进,得到随差遗忘长短期记忆的风电功率实时预测模型,且随差遗忘长短期记忆的风电功率实时预测模型在任意时刻均拥有输入门、输出门和遗忘门,并将t‑1时刻预测值与实际值两者的绝对误差作为遗忘门的输入量,进而发掘、学习风电出力的变化规律,有效提高风电功率实时预测的精度,有助有提高风电并网的安全性和稳定性,同时能够促进风能的消纳。
Description
技术领域
本发明涉及发电预测技术领域,尤其涉及一种基于随差遗忘长短期记忆的风电功率实时预测方法。
背景技术
风电功率实时预测结果关系电力系统日内滚动调度运行和日内生产计划的制定,准确的风电出力预测结果有助于提高含有大比例风电接入电力系统的安全性和稳定性,同时能够促进风电的消纳从而减少弃风现象。由于风速、风向等气象因素在每个时刻的变化是高度随机、不确定性,这种不确定性将会增加风电功率预测的难度。因此亟待一种能够更好把握风电出力复杂变化规律的预测方法。
风能归根到底是风速、风向、气压、对流强弱等气象特征综合作用的结果,也是造成风电出力波动的源头。现有的风电功率预测方法:一是通过数值预报气象(numericalweather prediction,NWP)数据和风机轮毂高度的风速、风向等数据,再根据风机功率与风速的特性曲线来预测风电功率,但其高度依赖NWP数据,且精度受NWP分辨率与更新频率的影响较大,目前已较少单纯使用该方法进行实时风电功率预测;二是采用ANN、SVM等神经网络预测方法通过大量历史风电功率与气象数据建立输出变量与输入变量之间的非线性关系,以将动态时间建模问题变为静态空间建模问题,但风电功率不仅具有非线性,且具有动态特性,即系统的输出不仅与当前时刻的输入有关,而且与过去的输入有关,因此,ANN和SVM对于风电功率预测的精度有限。最深入采用基于深度学习神经网络如标准LSTM、GRU等进行风电功率预测,然而现有方法、模型的不足在于:输入特征数据方面,仅将风电功率历史数据或NWP数据作为输入数据;模型本身方面,未对标准的深度学习网络模型进行适合于风电功率场景的改进。因此,研究一种基于人工智能的适合于风电功率实时预测场景深度学习模型,并利用多变量数据即同时将NWP数据与风电功率历史数据,以提高风电功率实时预测精度十分必要。
发明内容
本发明所解决的技术问题在于提供一种基于随差遗忘长短期记忆的风电功率实时预测方法,以解决上述背景技术中的问题。
本发明所解决的技术问题采用以下技术方案来实现:
一种基于随差遗忘长短期记忆的风电功率实时预测方法,具体步骤如下:
(1)采集风电功率历史数据
(2)构建预测模型的输入数据
以斯皮尔曼相关系数法进行风电功率与各NWP特征相关性量化分析、风电功率时间序列自相关性量化分析后,重新构建一个包含历史时刻RWP与预测时刻NWP的输入特征序列,作为预测模型的输入数据,同时以构建输入特征序列的时间序列作为每步预测的输入进行实时滚动风电功率预测;
输入特征序列计算公式如下:
公式(1)中,n为样本数量,di为Xi与Yi两列第i个样本数列重新按降序排列后的序号差,X为当前的风电功率数据,Y为NWP数据或为历史时刻的风电功率数据;
(3)建立随差遗忘LSTM风电功率实时预测模型
由于标准长短期记忆遗忘门更新方式不能实时反映预测误差对模型预测的修正作用,故对标准长短期记忆遗忘门进行改进,得到随差遗忘长短期记忆的风电功率实时预测模型,且随差遗忘长短期记忆的风电功率实时预测模型在任意时刻均拥有三个门,以保护和控制遗忘状态,分别为:输入门、输出门和遗忘门:
输入门:
it=s(Wi·[ht-1,xt]+bi) (3)
预更新门:
新单元状态:
输出门:
ot=s(Wo·[ht-1,xt]+bo) (6)
模型最终输出:
ht=ot·tanh(ct) (7)
遗忘门:
ft=s(Wf·K+bf) (8)
上述公式中,s为sigmoid激活函数,Wf为遗忘门的权重矩阵;bf为遗忘门的偏置项,T为tanh激活函数,K=h't-1-ht-1,h’t-1为t-1时刻实际值,ht-1为t-1时刻的预测值,ht为t时刻的预测值,xt为输入变量;
(4)训练随差遗忘LSTM风电功率实时预测模型并进行预测
根据根据步骤(2)获得的输入特征序列对随差遗忘LSTM风电功率实时预测模型进行训练,最后用已经训练完成的随差遗忘LSTM风电功率实时预测模型完成风电功率实时预测;
所述随差遗忘LSTM风电功率实时预测模型的源代码、随差遗忘LSTM风电功率实时预测模型的训练及风电功率实时预测均在Python平台上完成。
有益效果:本发明利用多变量融合数据,以建立随差遗忘LSTM风电功率实时预测模型,进而发掘、学习风电出力的变化规律,有效提高风电功率实时预测的精度,有助有提高风电并网的安全性和稳定性,同时能够促进风能的消纳。
附图说明
图1为本发明实施例的结构框架示意图。
图2为本发明实施例的算法流程图。
图3为本发明实施例中的计算输入特征序列流程示意图。
图4为本发明实施例中的随差遗忘LSTM结构示意图。
图5为本发明实施例中的随差遗忘LSTM风电功率实时预测模型网络示意图。
图6~7为本发明实施例中的随差遗忘LSTM风电功率实时预测模型实时预测方法效果示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白清晰,下面结合具体实施例,进一步阐述本发明。
一种基于随差遗忘长短期记忆的风电功率实时预测方法,具体步骤如下:
(1)采集风电功率历史数据
通过传感器或局域网采集风电功率历史数据;
(2)构建预测模型的输入数据
如图3所示,以斯皮尔曼相关系数法进行风电功率与各NWP特征相关性量化分析、风电功率时间序列自相关性量化分析后重新构建一个包含历史时刻RWP(Real WindPower,RWP)与预测时刻NWP的输入特征序列,作为预测模型的输入数据,同时以构建输入特征序列的时间序列作为每步预测的输入进行实时滚动风电功率预测;
气象数据与风电功率具有时序相关性,即当前时刻气象和风电功率与历史时刻风电功率有关,因此需量化评估当前t时刻风电功率与历史(t-1、t-2等)时刻气象和风电功率的相关性,以确定EFFG-based LSTM的输入变量;
由于气象因素和风电功率不服从某种特定概率分布,本实施例采用斯皮尔曼相关系数法来分析风电功率与NWP特征之间及风电功率时间序列自相关性,斯皮尔曼相关性系数,也即斯皮尔曼秩相关系数,“秩”可以理解为一种顺序或者排序,它是根据原始数据的排序位置进行求解,其公式如下:
公式(1)中,n为样本数量,di为Xi与Yi两列第i个样本数列重新按降序排列后的序号差,X为当前的风电功率数据,Y为NWP数据或为历史时刻的风电功率数据;
(3)建立随差遗忘LSTM风电功率实时预测模型
由于标准长短期记忆(long short-term memory,LSTM)遗忘门更新方式不能实时反映预测误差对模型预测的修正作用,本实施例提出随差遗忘长短期记忆(ErrorFollowing Forget Gate-based LSTM,EFFG-based LSTM)的风电功率实时预测模型;
传统LSTM网络模型原理:
在任意时刻(如t时刻)每个LSTM单元(cell)输入有三个:t时刻LSTM cell的输入变量x(t)、t-1时刻LSTM cell的输出量h(t-1)及t-1时刻LSTM cell的状态量c(t-1),在本实施例中,x(t)为t时刻输入到LSTM单元中的历史风电功率与t时刻的预报气象;h(t-1)为t-1时刻LSTM单元输出的风电功率预测值;c(t-1)为保存或遗忘了多少前t-1时刻LSTM单元的历史输出值,输出有两个:t时刻LSTM输出值h(t)和t时刻LSTM单元状态c(t),即t时刻的风电功率预测值和历史风电功率预测值保存或遗忘状态,在任意时刻每个LSTM均拥有三个门,以保护和控制LSTM cell状态,分别为:输入门、输出门和遗忘门:
遗忘门:
ft=s(Wf·[ht-1,xt]+bf) (2)
输入门:
it=s(Wi·[ht-1,xt]+bi) (3)
预更新门:
传统LSTM网络模型新单元状态:
输出门:
ot=s(Wo·[ht-1,xt]+bo) (6)
传统LSTM网络模型最终输出:
ht=ot·tanh(ct) (7)
上述公式中,s为sigmoid激活函数,Wf为遗忘门的权重矩阵;bf为遗忘门的偏置项,T为tanh激活函数,ht为t时刻的预测值,xt为输入变量;
考虑实际值与预测值的误差对历史数据的遗忘作用,对传统LSTM的遗忘门进行改进,以建立随差遗忘LSTM风电功率实时预测模型;
在风电功率实时滚动预测模式下进行t时刻预测时,t-1时刻模型的预测值与测量的实际值可以得到,故实际值与预测值的偏差,此时的偏差不仅反映t-1时刻模型的预测能力也包括历史时刻信息对预测值所起的积极作用,若计算后发现偏差巨大,说明历史时刻值对t时刻预测已无太大的支持作用,进而要减小历史时刻值对预测输出值的影响;在LSTM单元中要减小历史时刻信息对当前预测的作用,即减小t-1时刻的LSTM单元状态c(t-1),是通过遗忘门来实现,因此,遗忘门要根据t-1时刻预测值与实际值偏差情况调整遗忘门大小,即进行随差遗忘,但是从公式(2)可知标准LSTM的遗忘门是由t-1时刻输出h(t-1)和t时刻的输入x(t)确定,这种更新方式不能计及t-1时刻预测值与实际值的偏差对t时刻遗忘门的调整作用,为此,将t-1时刻预测值与实际值两者的绝对误差作为遗忘门更新的输入量如下式所示:
ft=s(WfK+bf) (8)
公式(8)中,K=h't-1-ht-1,h’t-1为t-1时刻实际值,ht-1为t-1时刻的预测值;
随差遗忘LSTM风电功率实时预测模型在t时刻结构如图4所示,其与标准的LSTM相比,除了遗忘门输入量改进为预测值ht-1与实际值h't-1的绝对误差外,其它门的更新方式与标准的长短期记忆一样;
(4)训练随差遗忘LSTM风电功率实时预测模型并进行预测
根据根据步骤(2)获得的输入特征序列对随差遗忘LSTM风电功率实时预测模型进行训练,随差遗忘LSTM风电功率实时预测模型训练时有一定的预测性能指标,如RMSE调整预测网络模型的隐含层数以及隐含层神经元数,随差遗忘LSTM风电功率实时预测模型训练优化算法选择Adam,各个门的激活函数为默认值;最后用已经训练完成的随差遗忘LSTM风电功率实时预测模型完成风电功率实时预测;
所述随差遗忘LSTM风电功率实时预测模型的源代码、随差遗忘LSTM风电功率实时预测模型的训练及风电功率实时预测均在Python平台上完成。
以下以西北某实际风电场的历史数据为例,即2017年1月1日~12月31日的NWP数据与历史RWP,此期间风电场的开机容量为90MW,风电功率采样时间间隔为15min,NWP预报间隔为15min,NWP包含有170m、100m、30m处的风速与风向;
采用此风电场2017年整年的数据,利用斯皮尔曼相关系数法计算分析预测功率与NWP各特征及与历史时刻RWP的相关性系数,如表1所示,以此筛选出随差遗忘LSTM风电功率实时预测模型输入特征变量:
表1 NWP各特征及与历史时刻RWP的相关性系数表
NWPs与RWP | 斯皮尔曼相关系数平均值 |
170米风速与RWP | 0.45 |
170米风向与RWP | 0.41 |
100米风速与RWP | 0.85 |
100米风向与RWP | 0.79 |
30米风速与RWP | 0.64 |
30米风向与RWP | 0.56 |
气压与与RWP | 0.22 |
温度与RWP | 0.16 |
湿度与RWP | 0.08 |
由上表1可知:此风电场当前t时刻风电功率与当前t时刻100米、30米处的风速与风向最相关,故此风电场要预测t时刻的风电功率需将t时刻100米、30米处的风速与风向计入到新构建的时间序列中,如表2所示:
表2历史功率与当前功率的相关性系数表
由上表2可知:此风电场当前t时刻功率与t-1、t-2、t-3历史时刻功率的相关性较强,故要预测此风电场t时刻的功率时要将t时刻前3个时刻功率的放入到新构建的时间序列中;
随差遗忘LSTM风电功率实时预测模型网络参数设置:由斯皮尔曼相关性计算可知输入步长为4,即前三个历史时刻RWP与预测时刻NWP,隐含层神经元即EFFG-based LSTM单元(cell)个数与预测精度(如RMSE)并不是线性关系,即达到一定数目后再增加cell个数预测精度反而会减小,故隐含层神经元数目需根据时间序列中输入特征量个数、模型训练精度高低确定;经反复试验验证输入特征量设置为12时预测精度最好,EFFG-based LSTM各个门激活函数保持为默认值;
而后采用2017年3月、7月、10月、12月历史数据训练已经搭建好的随差遗忘LSTM风电功率实时预测模型;并用已经训练完成的预测模型进行预测,以2017年7月1日至7月19日的数据作为模型预测测试数据,进行两种时间尺度的实时预测,一是预测未来4h内,即从7月20日10:00至14:45的风电功率,二是预测未来24内,即7月21日一天内的风电功率,得到预测结果,如图6、7所示;
传统预测方法(SVM和标准的LSTM)的最大相对误差为3.36%,最小相对误差为0.51%,平均相对误差为1.68%;而采用本实施例得到的预测结果为最大相对误差为1.35%,最小相对误差为0.07%,平均相对误差为1.68%。
Claims (5)
1.一种基于随差遗忘长短期记忆的风电功率实时预测方法,其特征在于,具体步骤如下:
(1)采集风电功率历史数据
(2)构建预测模型的输入数据
以斯皮尔曼相关系数法进行风电功率历史数据与各NWP数据特征相关性量化分析、风电功率时间序列自相关性量化分析后,重新构建一个包含历史时刻RWP与预测时刻NWP的输入特征序列,作为预测模型的输入数据;
(3)建立随差遗忘LSTM风电功率实时预测模型
在标准长短期记忆遗忘门上进行改进,得到随差遗忘长短期记忆的风电功率实时预测模型,且随差遗忘长短期记忆的风电功率实时预测模型在任意时刻均拥有三个门,即输入门、输出门和遗忘门,并将t-1时刻预测值与实际值两者的绝对误差作为遗忘门的输入量;
(4)训练随差遗忘LSTM风电功率实时预测模型并进行预测
根据根据步骤(2)获得的输入特征序列对随差遗忘LSTM风电功率实时预测模型进行训练,最后用已经训练完成的随差遗忘LSTM风电功率实时预测模型完成风电功率实时预测。
3.根据权利要求1所述的一种基于随差遗忘长短期记忆的风电功率实时预测方法,其特征在于,步骤(2)中,同时以构建输入特征序列的时间序列作为每步预测的输入进行实时滚动风电功率预测。
4.根据权利要求1所述的一种基于随差遗忘长短期记忆的风电功率实时预测方法,其特征在于,步骤(3)中,各个门公式如下:
输入门:
it=s(Wi·[ht-1,xt]+bi) (3)
预更新门:
新单元状态:
输出门:
ot=s(Wo·[ht-1,xt]+bo) (6)
模型最终输出:
ht=ot·tanh(ct) (7)
遗忘门:
ft=s(Wf·K+bf) (8)
上述公式中,s为sigmoid激活函数,Wf为遗忘门的权重矩阵;bf为遗忘门的偏置项,T为tanh激活函数,K=h't-1-ht-1,h’t-1为t-1时刻实际值,ht-1为t-1时刻的预测值,ht为t时刻的预测值,xt为输入变量。
5.根据权利要求1所述的一种基于随差遗忘长短期记忆的风电功率实时预测方法,其特征在于,所述随差遗忘LSTM风电功率实时预测模型的源代码、随差遗忘LSTM风电功率实时预测模型的训练及风电功率实时预测均在Python平台上完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010939134.5A CN112036658B (zh) | 2020-09-09 | 2020-09-09 | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010939134.5A CN112036658B (zh) | 2020-09-09 | 2020-09-09 | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112036658A true CN112036658A (zh) | 2020-12-04 |
CN112036658B CN112036658B (zh) | 2022-06-14 |
Family
ID=73584388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010939134.5A Expired - Fee Related CN112036658B (zh) | 2020-09-09 | 2020-09-09 | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036658B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112990553A (zh) * | 2021-02-23 | 2021-06-18 | 中国电建集团华东勘测设计研究院有限公司 | 使用自注意机制和双线性融合的风电超短期功率预测方法 |
CN113420509A (zh) * | 2021-07-07 | 2021-09-21 | 华能(浙江)能源开发有限公司清洁能源分公司 | 一种风电机组状态评价方法、装置及存储介质 |
CN116090111A (zh) * | 2023-04-10 | 2023-05-09 | 华东交通大学 | 一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法 |
CN116960960A (zh) * | 2023-07-24 | 2023-10-27 | 青岛哈尔滨工程大学创新发展中心 | 一种面向风电机短期风电功率预测的方法 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120029712A1 (en) * | 2011-09-02 | 2012-02-02 | Onsemble, Inc. | Systems, methods and apparatus for indexing and predicting wind power output from virtual wind farms |
CN103117546A (zh) * | 2013-02-28 | 2013-05-22 | 武汉大学 | 一种超短期风电功率滑动预测方法 |
CN106408561A (zh) * | 2016-09-10 | 2017-02-15 | 天津大学 | 一种基于图像纹理特征的无参考图像质量评价方法 |
CN106846173A (zh) * | 2016-12-30 | 2017-06-13 | 国网新疆电力公司电力科学研究院 | 基于ewt‑esn的短期风电功率预测方法 |
CN107909227A (zh) * | 2017-12-20 | 2018-04-13 | 北京金风慧能技术有限公司 | 超短期预测风电场功率的方法、装置及风力发电机组 |
US20180223812A1 (en) * | 2017-02-07 | 2018-08-09 | International Business Machines Corporation | Reducing curtailment of wind power generation |
US20180223804A1 (en) * | 2017-02-07 | 2018-08-09 | International Business Machines Corporation | Reducing curtailment of wind power generation |
CN108416690A (zh) * | 2018-01-19 | 2018-08-17 | 中国矿业大学 | 基于深度lstm神经网络的电网负荷预测方法 |
CN108694472A (zh) * | 2018-06-15 | 2018-10-23 | 清华大学 | 预测误差极值分析方法、装置、计算机设备和可读存储介质 |
CN108734331A (zh) * | 2018-03-23 | 2018-11-02 | 武汉理工大学 | 基于lstm的短期光伏发电功率预测方法及系统 |
CN109034490A (zh) * | 2018-08-13 | 2018-12-18 | 广东工业大学 | 一种电力负荷预测方法、装置、设备及存储介质 |
CN109066690A (zh) * | 2018-09-13 | 2018-12-21 | 福建省农村信用社联合社 | 一种区域性产用电的电源调度方法 |
CN109214566A (zh) * | 2018-08-30 | 2019-01-15 | 华北水利水电大学 | 基于长短期记忆网络的风电功率短期预测方法 |
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 |
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 |
CN109242143A (zh) * | 2018-07-31 | 2019-01-18 | 中国电力科学研究院有限公司 | 一种神经网络风电功率预测方法及系统 |
CN109284870A (zh) * | 2018-10-08 | 2019-01-29 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
CN109657839A (zh) * | 2018-11-22 | 2019-04-19 | 天津大学 | 一种基于深度卷积神经网络的风电功率预测方法 |
CN110071530A (zh) * | 2019-05-20 | 2019-07-30 | 中国矿业大学 | 基于lstm的含储能电力系统风电爬坡协调调度方法 |
CN111079906A (zh) * | 2019-12-30 | 2020-04-28 | 燕山大学 | 基于长短时记忆网络的水泥成品比表面积预测方法及系统 |
CN111222677A (zh) * | 2019-10-22 | 2020-06-02 | 浙江运达风电股份有限公司 | 一种基于长短期记忆时间神经网络的风速预测方法及系统 |
CN111475909A (zh) * | 2019-10-28 | 2020-07-31 | 国网江西省电力有限公司电力科学研究院 | 一种基于长短期记忆网络的风电机组出力相关性映射建模方法 |
-
2020
- 2020-09-09 CN CN202010939134.5A patent/CN112036658B/zh not_active Expired - Fee Related
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120029712A1 (en) * | 2011-09-02 | 2012-02-02 | Onsemble, Inc. | Systems, methods and apparatus for indexing and predicting wind power output from virtual wind farms |
CN103117546A (zh) * | 2013-02-28 | 2013-05-22 | 武汉大学 | 一种超短期风电功率滑动预测方法 |
CN106408561A (zh) * | 2016-09-10 | 2017-02-15 | 天津大学 | 一种基于图像纹理特征的无参考图像质量评价方法 |
CN106846173A (zh) * | 2016-12-30 | 2017-06-13 | 国网新疆电力公司电力科学研究院 | 基于ewt‑esn的短期风电功率预测方法 |
US20180223812A1 (en) * | 2017-02-07 | 2018-08-09 | International Business Machines Corporation | Reducing curtailment of wind power generation |
US20180223804A1 (en) * | 2017-02-07 | 2018-08-09 | International Business Machines Corporation | Reducing curtailment of wind power generation |
CN107909227A (zh) * | 2017-12-20 | 2018-04-13 | 北京金风慧能技术有限公司 | 超短期预测风电场功率的方法、装置及风力发电机组 |
CN108416690A (zh) * | 2018-01-19 | 2018-08-17 | 中国矿业大学 | 基于深度lstm神经网络的电网负荷预测方法 |
CN108734331A (zh) * | 2018-03-23 | 2018-11-02 | 武汉理工大学 | 基于lstm的短期光伏发电功率预测方法及系统 |
CN108694472A (zh) * | 2018-06-15 | 2018-10-23 | 清华大学 | 预测误差极值分析方法、装置、计算机设备和可读存储介质 |
CN109242143A (zh) * | 2018-07-31 | 2019-01-18 | 中国电力科学研究院有限公司 | 一种神经网络风电功率预测方法及系统 |
CN109034490A (zh) * | 2018-08-13 | 2018-12-18 | 广东工业大学 | 一种电力负荷预测方法、装置、设备及存储介质 |
CN109214566A (zh) * | 2018-08-30 | 2019-01-15 | 华北水利水电大学 | 基于长短期记忆网络的风电功率短期预测方法 |
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 |
CN109066690A (zh) * | 2018-09-13 | 2018-12-21 | 福建省农村信用社联合社 | 一种区域性产用电的电源调度方法 |
CN109284870A (zh) * | 2018-10-08 | 2019-01-29 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
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 |
CN109657839A (zh) * | 2018-11-22 | 2019-04-19 | 天津大学 | 一种基于深度卷积神经网络的风电功率预测方法 |
CN110071530A (zh) * | 2019-05-20 | 2019-07-30 | 中国矿业大学 | 基于lstm的含储能电力系统风电爬坡协调调度方法 |
CN111222677A (zh) * | 2019-10-22 | 2020-06-02 | 浙江运达风电股份有限公司 | 一种基于长短期记忆时间神经网络的风速预测方法及系统 |
CN111475909A (zh) * | 2019-10-28 | 2020-07-31 | 国网江西省电力有限公司电力科学研究院 | 一种基于长短期记忆网络的风电机组出力相关性映射建模方法 |
CN111079906A (zh) * | 2019-12-30 | 2020-04-28 | 燕山大学 | 基于长短时记忆网络的水泥成品比表面积预测方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112990553A (zh) * | 2021-02-23 | 2021-06-18 | 中国电建集团华东勘测设计研究院有限公司 | 使用自注意机制和双线性融合的风电超短期功率预测方法 |
CN112990553B (zh) * | 2021-02-23 | 2023-11-14 | 中国电建集团华东勘测设计研究院有限公司 | 使用自注意机制和双线性融合的风电超短期功率预测方法 |
CN113420509A (zh) * | 2021-07-07 | 2021-09-21 | 华能(浙江)能源开发有限公司清洁能源分公司 | 一种风电机组状态评价方法、装置及存储介质 |
CN116090111A (zh) * | 2023-04-10 | 2023-05-09 | 华东交通大学 | 一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法 |
CN116960960A (zh) * | 2023-07-24 | 2023-10-27 | 青岛哈尔滨工程大学创新发展中心 | 一种面向风电机短期风电功率预测的方法 |
CN116960960B (zh) * | 2023-07-24 | 2024-02-09 | 青岛哈尔滨工程大学创新发展中心 | 一种面向风电机短期风电功率预测的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112036658B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036658B (zh) | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 | |
CN108280551B (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
CN110084367B (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
Zhang et al. | Short-term rainfall forecasting using multi-layer perceptron | |
CN110110912B (zh) | 一种光伏功率多模型区间预测方法 | |
CN113505923B (zh) | 一种地区电网短期负荷预测方法及系统 | |
CN112182709B (zh) | 大型水库叠梁门分层取水设施的下泄水温快速预测方法 | |
CN113537582B (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
CN110601250B (zh) | 一种基于新能源电站接入点静态电压稳定性评估方法 | |
CN114492922A (zh) | 一种中长期发电量预测方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN116526473A (zh) | 基于粒子群优化lstm的电热负荷预测方法 | |
CN116757057A (zh) | 基于pso-ga-lstm模型的空气质量预测方法 | |
CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
CN116341613A (zh) | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 | |
CN117272851B (zh) | 一种盐碱地光伏板下植物接收光量的建模预测方法 | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
CN111967652A (zh) | 一种双层协同实时校正光伏预测方法 | |
CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN113591399B (zh) | 一种短期风功率预测方法 | |
CN111612255B (zh) | 一种基于支持向量回归的风电场功率曲线建模方法 | |
CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及系统 | |
Respaty et al. | Weather Prediction in Jakarta: An Analysis of Climate Data and Regional Influences using LSTM and GRU | |
CN112036672A (zh) | 一种基于迭代订正的新能源发电超短期功率预测方法及系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220614 |