CN112052996B - 基于卷积神经网络技术的小水电集群功率预测方法 - Google Patents
基于卷积神经网络技术的小水电集群功率预测方法 Download PDFInfo
- Publication number
- CN112052996B CN112052996B CN202010913610.6A CN202010913610A CN112052996B CN 112052996 B CN112052996 B CN 112052996B CN 202010913610 A CN202010913610 A CN 202010913610A CN 112052996 B CN112052996 B CN 112052996B
- Authority
- CN
- China
- Prior art keywords
- samples
- sample
- runoff
- neural network
- data
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 34
- 238000005516 engineering process Methods 0.000 title claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000011166 aliquoting Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims 1
- 238000001556 precipitation Methods 0.000 abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06N3/045—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
- G06N3/08—Learning methods
-
- 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
本发明提供了一种基于卷积神经网络技术的小水电集群功率预测方法。步骤包括:降雨及径流数据预处理;采用随机过采样和SMOTE技术平衡数据集;搭建适用于径流预测的卷积神经网络;将径流预测结果转换成对映小水电出力。与传统神经网络技术相比,本专利所提方法采用卷积神经网络输入,以平面空间降水信息作为输入,输入数据维度更为丰富。采用随机过采样和SMOTE相结合的方法随机生成中雨样本,本发明有效解决样本集中小雨与中雨样本间不均衡问题。卷积神经网络可有效建立平面空间降水信息及径流信息之间的映射关系,避免了径流预测模型化预测方法所存在的参数难以设定问题,适合电网调度部门进行在线小水电出力预测。
Description
技术领域
本发明涉及一种基于卷积神经网络技术的小水电集群功率预测方法。
背景技术
电网负荷日前预测是保证电力系统安全稳定运行的基础。小水电属于不可控电源,一般被电网调度人员视为“负”负荷。我国东南沿海省份部分地区山区水资源丰富,当地径流式小水电装机占据较大比重。这些隶属于地市级供电单位管理的小水电当来水很多时,水电站出力满发运行,弃水泄向下游;当来水较少时,全部来水通过机组发电,但是部分装机由于缺水而未被利用。因此,径流式水电站基本处于有水即发状态。在持续无降雨时,该类小水电在一段时间内以及每日的出力相对稳定;而在降雨期间,降水通过影响河流流量,使得小水电出力呈现明显增长且有所波动。因此,小水电自身调节能力差,其出力受降雨等因素影响具有强不确定性,实际出力经常严重偏离计划出力,严重影响负荷预测准确性。
以上分析可见,从大电网调度部门计划编制及实时调度角度,提高网供负荷的预测准确率显得极为重要。然而传统的短期负荷预测方法并不适用于小水电出力预测,这是因为传统方法通过对负荷曲线进行分解获得考虑不同因素的各类负荷分量,运用相似日预测方法进行预测。这对于预测易受降雨等因素影响出力波动大的小水电出力并不适用,预测效果不佳。此外小水电分布较广且分散,对外界环境变化较为敏感。如对诸多可能影响径流式小水电机组出力的因素进行综合考虑并期望构建有效精准的小水电出力预测模型,反而可能出现“欲求精而不得”的尴尬结果。
发明内容
基于以上不足之处,本发明的目的在于提供一种基于卷积神经网络技术的小水电集群功率预测方法,能够提高小水电计划出力预测的准确率并降低小水电计划出力与实际出力的偏差,适用于目标区域降水为小雨及中雨条件,不适用于特大暴雨条件下的输出功率预测,从而有效解决样本集中小雨与中雨样本间不均衡问题,避免了径流预测模型化预测方法所存在的参数难以设定问题。通过卷积神经网络的主要作用是建立起降雨二维信息(输入)和地表径流(输出)的映射关联性。基于该卷积神经网络,即可根据实时降水信息快速得到地表径流预测值,从而获取小水电集群输出功率预测值。
本发明的目的是这样实现的:一种基于卷积神经网络技术的小水电集群功率预测方法,包括以下步骤:
步骤一:降雨及径流数据预处理;
(1.1)采用GLDAS数据库的降雨及降雨径流网格化数据,选择小水电集群所在区域10年跨度所对映的二维平面网格数据作为原始数据集。
(1.2)对原始数据集进行进一步处理,去除无雨和大雨等机端情况的样本,筛选出训练集和测试集中符合小雨中雨情况的样本;
(1.3)对步骤(1.2)所得的每个平面网格数据进行归一化处理,方法为:
式中,Di,j为平面网格第i行j列原始数据,Dmax为所有原始平面网格数据集中的网格最大值。Di',j为归一化后的网格数据。最终所得的归一化数据作为卷积神经网络的输入。
(1.4)将降雨二维平面输入所对映的同时段径流数据作为卷积神经网络的输出,为此对卷积神经网络输出值进行以下处理:
(1.4.1)将小雨与中雨对映的径流进行N等分,等分区间由低到高排列;
(1.4.2)每个等分区间对映整数标签(最小等分区间对映整数1)。
(1.4.3)将整数标签设定为网络输出值。
步骤二:采用随机过采样方法和SMOTE技术平衡数据集
依据自然规律,雨量越大的样本整体数量越少,导致样本集中小雨样本明显多于中雨。因此,以上所得的归一化数据集存在一个问题,即样本分布极度不均衡。
首先,基于不均衡样本集中每类样本的数量,不同类别样本数量偏差较大,采取近似最小公倍数的方法,确定每类样本权重。设不均衡样本集中不同类型样本数量形成集合X。则该集合中第i个元素样本权重为
式中:[]代表取整。一般而言,雨量越大的样本数量越少,其权重值也越大。
经加权后的第i类样本数量为
Xi'=ρiXi (3)
由式(2)及式(3)得出,经加权后的X中各类样本数量将差别不大。
由式(3),待生成样本数量为
Xi GEN=Xi'-Xi (4)
由式(4),中雨时Xi越小,则待生成样本数量越大。
针对样本生成这一问题,考虑到直接获得自然界海量中雨数据获取存在较大难度,采用随机过采样方法和SMOTE技术相结合的方法,模拟生成中雨样本以解决样本不均衡问题,方法如下
面向海量样本生成,随机过采样方法直接通过对数量少的样本集进行直接复制来获取大样本集。而SMOTE技术(合成过采样技术)则在随机过采样算法基础上进行了改进。SMOTE技术首先针对少数类样本进行分析,再根据该少数样本按特定算法生成新的数据样本,方法步骤如下:
(2.1)对于少数类中每一个样本X,以欧氏距离为标准计算它到少数类样本集中所有样本的距离,得到其k近邻,注意k近邻是一个生成样本集合,该集合中的每一个所生成样本与原始样本间欧式距离在特定区间内;
(2.2)根据样本不平衡比例设置合适的采样倍率Q,对于每一个少数类样本X,从其k近邻中随机选择若干个样本,假设选择的样本为Xn;
(2.3)对于每一个随机选出的Xn,以原样本X为基础随机构建新样本:
Xnew=X+rand(0,1)×(Xn-X) (5)
按式(5)重复多次即可产生大量新样本;
以上分析可见,SMOTE技术所生成样本随机性明显优于随机过采样方法。然而在某些情况下,SMOTE技术可能因随机性过强而导致所生成样本相对原始样本产生较大偏移。为此,可通过在新样本集中适度保留原始样本解决这一问题。也即,将随机过采样方法和SMOTE技术的生成新样本各占50%的混合方式生成新样本集。
步骤三:搭建适用于径流预测的卷积神经网络;
卷积神经网络输入数据为12x12的方阵,为了保证较多的特征层,选择较小的卷积核:宽度设为2或3,网络的池化层和卷积层均设为2层,其中,各卷积层设置如下:
针对上一步骤所处理的输入和输出,将由步骤一所得的输入集按照M:1比例原则划分为训练集和测试集,M值可取为10~15;在该步骤中,对网络进行初始化,设定网络的学习率、每批次训练的样本数量以及全样本训练的迭代次数。学习率一般可设为1,每批次训练的样本数量为100~200个,全样本训练的迭代次数为50~100次。步骤四:将径流预测结果转换成对映小水电出力;
首先,根据小水电集群所在地域的降雨径流与小水电输出功率值,采用最小二乘法建立两者间的多项式拟合模型;
其次,针对卷积神经网络输出的整数值,得到径流预测值,径流预测值设定为径流划分区间中值;
最后,根据径流预测值及“径流—输出功率”多项式拟合模型,得到小水电集群输出功率值。
本发明的有益效果如下:本发明能够提高小水电计划出力预测的准确率并降低小水电计划出力与实际出力的偏差,与传统神经网络技术相比,采用卷积神经网络输入,以平面空间降水信息作为输入,输入数据维度更为丰富。采用随机过采样和SMOTE技术相结合的方法随机生成中雨样本,从而有效解决样本集中小雨与中雨样本间不均衡问题。可有效建立平面空间降水信息及径流信息之间的映射关系,避免了径流预测模型化预测方法所存在的参数难以设定问题,适合电网调度部门进行在线小水电出力预测。该算法在普通台式计算机上预测地市级小水电集群出力只需数十毫秒,计算时间短,计算效率高,有效节省了计算机投入成本。其计算速度完全可应用于电力系统在线时间级调度与负荷预测,有利于电力系统工业实际应用。
附图说明
图1为本专利的原理流程图;
图2为小水电集群所在区域降水二维平面分布样本;
图3为结合随机过采样和SMOTE方法生成新样本的CNN网络的训练误差统计比较图;
具体实施方式
下面根据说明书附图举例对本发明作进一步的说明:
实施例1:
首先,基于GLDAS数据库,在福建省南平市某小水电集群所在地区进行样本提取。选取实验数据共29240个样本。根据表1中的降雨总量划分标准,从实验数据中筛选小雨与中雨样本。样本按时间先后顺序排列,按15:1方式划分为训练集和测试集。最终筛选得到训练集为11142个样本,测试集为965个样本;
表1每3小时降雨径流形式的降雨划分标准(mm)
之后按径流量对样本进行分类。将表1中的小雨与中雨径流最大值进行近似五等分。训练集与测试集原始样本归类后结果见表2.
表2降雨径流区间值域(mm)及训练集、测试集样本情况
由表2可见,各类标签所对映的原始样本训练集构成为{10891,167,52,20,12};中雨对映样本数极少,该样本集存在较严重的不均衡问题,根据式(2)与式(3),取样本权重向量为:
ρ={1,65,208,542,904}
基于样本权重设置,采用随机过采样与SMOTE算法相结合方法随机生成样本后,训练集新样本构成变为{10891,10855,10816,10840,10848},样本均衡度较好。
对搭建好的CNN网络进行初始化,设定网络的学习率为1,每批次训练的样本数量为155个,全样本训练的迭代次数预设为50次;
最后,以初始化的CNN网络为基础,结合输入集与输出集对网络进行训练,生成反映“降雨—径流”对映关系的卷积神经网络。
图1为本专利流程图。图2为训练集中小水电集群所在区域降水二维平面分布样本。图3为传统ANN(利用随机过采样生成新样本)、CNN(利用随机过采样生成新样本)、CNN(结合随机过采样和SMOTE技术生成新样本)三者的网络训练误差比较结果。
由图3可见,基于CNN的小水电出力预测效果明显优于传统ANN。这是因为传统ANN的网络输入为简单的向量形式,其信息维度低于卷积神经网络输入的二维。此外,针对CNN预测情况,本专利所提的结合随机过采样和SMOTE方法明显优于简单的随机过采样方法。这是因为简单过采样方法容易造成样本大量重复,从而导致CNN训练效果欠佳。而随机过采样与SMOTE方法结合可以较好的在样本随机性与稳定性间找到平衡,从而提高了径流及小水电输出功率预测准确性。
通过以上实施例可见,利用CNN提取实时降水特征的小水电出力预测方法依据已有降水及降雨径流网格化图片信息训练网络,所得网络模型可根据降雨预测值准确地预测径流,从而获得小水电预测输出功率。电网调度部门可以实时获得小水电出力,有助于电网调度运行部门提高负荷预测准确性,具有较强的工程实用价值。
该方法基于含小水电集群地区长时期内的降雨与地表径流的海量网格化数据,利用卷积神经网络建立降雨与地表径流的映射关系。结合实时降雨信息预测地表径流,从而给出小水电输出功率预测结果。以福建省南平市辖区内的小水电集群为例进行了验证,结果表明本方法具有良好的适用性。
Claims (1)
1.一种基于卷积神经网络技术的小水电集群功率预测方法,其特征在于,包括以下步骤:
步骤一:降雨及径流数据预处理;
(1.1)采用GLDAS数据库的降雨及降雨径流网格化数据,选择小水电集群所在区域10年跨度所对映的二维平面网格数据作为原始数据集;
(1.2)对原始数据集进行进一步处理,去除无雨和大雨的极端情况的样本,筛选出训练集和测试集中符合小雨中雨情况的样本;
(1.3)对步骤(1.2)所得的每个平面网格数据进行归一化处理,方法为:
式中,Di,j为平面网格第i行j列原始数据,Dmax为所有原始平面网格数据集中的网格最大值;D'i,j为归一化后的网格数据;最终所得的归一化数据作为卷积神经网络的输入;
(1.4)将降雨二维平面输入所对映的同时段径流数据作为卷积神经网络的输出;为此对卷积神经网络输出值进行以下处理:
(1.4.1)将小雨与中雨对映的径流进行N等分,等分区间由低到高排列;
(1.4.2)每个等分区间对映整数标签,最小等分区间对映整数1;
(1.4.3)将整数标签设定为网络输出值;
步骤二:采用随机过采样方法和SMOTE技术平衡数据集
依据自然规律,雨量越大的样本整体数量越少,导致样本集中小雨样本明显多于中雨;因此,以上所得的归一化数据集存在一个问题,即样本分布极度不均衡;
首先,基于不均衡样本集中每类样本的数量,不同类别样本数量偏差较大,采取近似最小公倍数的方法,确定每类样本权重;设不均衡样本集中不同类型样本数量形成集合X,则该集合中第i个元素样本权重为
式中:[]代表取整,雨量越大的样本数量越少,其权重值也越大;
经加权后的第i类样本数量为
Xi'=ρiXi (3)
由式(2)及式(3)得出,经加权后的X中各类样本数量将差别不大;
由式(3),待生成样本数量为
由式(4),中雨时Xi越小,则待生成样本数量越大;
采用随机过采样方法和SMOTE技术相结合的方法,模拟生成中雨样本,方法如下:
面向海量样本生成,随机过采样方法直接通过对数量少的样本集进行直接复制来获取大样本集;
SMOTE技术首先针对少数类样本进行分析,再根据该少数样本按特定算法生成新的数据样本,方法步骤如下:
(2.1)对于少数类中每一个样本X,以欧氏距离为标准计算它到少数类样本集中所有样本的距离,得到其k近邻,k近邻是一个生成样本集合,该集合中的每一个所生成样本与原始样本间欧式距离在特定区间内;
(2.2)根据样本不平衡比例设置合适的采样倍率Q,对于每一个少数类样本X,从其k近邻中随机选择若干个样本,设选择的样本为Xn;
(2.3)对于每一个随机选出的Xn,以原样本X为基础随机构建新样本:
Xnew=X+rand(0,1)×(Xn-X) (5)
按式(5)重复多次即产生大量新样本;
将随机过采样方法和SMOTE技术生成新样本各占50%的混合方式生成新样本集;
步骤三:搭建适用于径流预测的卷积神经网络;
卷积神经网络输入数据为12x12的方阵,为了保证较多的特征层,选择较小的卷积核:宽度设为2或3;网络的池化层和卷积层均设为2层,其中,各卷积层设置如下:
针对上一步骤所处理的输入和输出,将由步骤一所得的输入集按照M:1比例原则划分为训练集和测试集,M值取为10~15;在该步骤中,对网络进行初始化,设定网络的学习率、每批次训练的样本数量以及全样本训练的迭代次数;学习率设为1,每批次训练的样本数量为100~200个,全样本训练的迭代次数为50~100次;
步骤四:将径流预测结果转换成对映小水电出力;
首先,根据小水电集群所在地域的降雨径流与小水电输出功率值,采用最小二乘法建立两者间的多项式拟合模型;其次,针对卷积神经网络输出的整数值,得到径流预测值,径流预测值设定为径流划分区间中值;最后,根据径流预测值及“径流—输出功率”多项式拟合模型,得到小水电集群输出功率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010913610.6A CN112052996B (zh) | 2020-09-03 | 2020-09-03 | 基于卷积神经网络技术的小水电集群功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010913610.6A CN112052996B (zh) | 2020-09-03 | 2020-09-03 | 基于卷积神经网络技术的小水电集群功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112052996A CN112052996A (zh) | 2020-12-08 |
CN112052996B true CN112052996B (zh) | 2022-02-25 |
Family
ID=73607845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010913610.6A Expired - Fee Related CN112052996B (zh) | 2020-09-03 | 2020-09-03 | 基于卷积神经网络技术的小水电集群功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052996B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592181B (zh) * | 2021-08-02 | 2023-04-28 | 广西大学 | 一种小水电群出力预测方法和系统 |
CN115345258B (zh) * | 2022-10-14 | 2023-04-25 | 北京睿企信息科技有限公司 | 一种命名实体识别模型训练方法、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485369A (zh) * | 2016-11-04 | 2017-03-08 | 贵州电网有限责任公司电力科学研究院 | 一种径流式小水电短期功率加权预测方法 |
CN107085755A (zh) * | 2017-05-15 | 2017-08-22 | 内蒙古电力(集团)有限责任公司 | 一种光伏电站短期功率预测方法及系统 |
CN108549929A (zh) * | 2018-03-29 | 2018-09-18 | 河海大学 | 一种基于深层卷积神经网络的光伏功率预测方法 |
CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及系统 |
CN111242355A (zh) * | 2020-01-06 | 2020-06-05 | 中国电力科学研究院有限公司 | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 |
-
2020
- 2020-09-03 CN CN202010913610.6A patent/CN112052996B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485369A (zh) * | 2016-11-04 | 2017-03-08 | 贵州电网有限责任公司电力科学研究院 | 一种径流式小水电短期功率加权预测方法 |
CN107085755A (zh) * | 2017-05-15 | 2017-08-22 | 内蒙古电力(集团)有限责任公司 | 一种光伏电站短期功率预测方法及系统 |
CN108549929A (zh) * | 2018-03-29 | 2018-09-18 | 河海大学 | 一种基于深层卷积神经网络的光伏功率预测方法 |
CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及系统 |
CN111242355A (zh) * | 2020-01-06 | 2020-06-05 | 中国电力科学研究院有限公司 | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于双向长短期记忆深度学习模型的短期风功率预测方法研究;谭敏戈等;《电网与清洁能源》;20200625(第06期);89-95 * |
Also Published As
Publication number | Publication date |
---|---|
CN112052996A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Random forest solar power forecast based on classification optimization | |
Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
CN106529814B (zh) | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 | |
CN103390202B (zh) | 一种基于相似数据选取的光伏电站输出功率预测方法 | |
CN107194495B (zh) | 一种基于历史数据挖掘的光伏功率纵向预测方法 | |
CN109636171A (zh) | 一种区域植被恢复的综合诊断与风险评价方法 | |
Ye et al. | Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning | |
CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
CN112052996B (zh) | 基于卷积神经网络技术的小水电集群功率预测方法 | |
CN103955521B (zh) | 一种风电场机群划分方法 | |
De Freitas et al. | Wind speed forecasting: a review | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
Pei et al. | Short-term regional wind power forecasting based on spatial–temporal correlation and dynamic clustering model | |
CN110766134A (zh) | 基于循环神经网络的光伏电站短期功率预测方法 | |
CN108667069A (zh) | 一种基于偏最小二乘法回归的短期风电功率预测方法 | |
CN105956708A (zh) | 基于灰关联时间序列的短期风速预测方法 | |
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 | |
Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
Kazor et al. | The role of regimes in short‐term wind speed forecasting at multiple wind farms | |
Çevik et al. | Day ahead wind power forecasting using complex valued neural network | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN105939014A (zh) | 一种风电场站相关性指标获取方法 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
Al Rayess et al. | Forecasting the hydroelectric power generation of GCMs using machine learning techniques and deep learning (Almus Dam, Turkey) | |
CN115456286A (zh) | 一种短期光伏功率预测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220225 |
|
CF01 | Termination of patent right due to non-payment of annual fee |