CN112365040A - 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 - Google Patents

一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 Download PDF

Info

Publication number
CN112365040A
CN112365040A CN202011208966.6A CN202011208966A CN112365040A CN 112365040 A CN112365040 A CN 112365040A CN 202011208966 A CN202011208966 A CN 202011208966A CN 112365040 A CN112365040 A CN 112365040A
Authority
CN
China
Prior art keywords
short
data
neural network
term
time
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
Application number
CN202011208966.6A
Other languages
English (en)
Other versions
CN112365040B (zh
Inventor
刘旭东
王洪烨
叶强
陈莹
姜梦奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202011208966.6A priority Critical patent/CN112365040B/zh
Publication of CN112365040A publication Critical patent/CN112365040A/zh
Application granted granted Critical
Publication of CN112365040B publication Critical patent/CN112365040B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/08—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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (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)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法。步骤1：对风电功率历史数据提取相关特征并形成样本集；步骤2：利用多层LSTM神经网络模型对样本集中短期预测风速数据进行修正；步骤3：对修正后的样本集数据进行归一化处理，并划分为训练集和测试集；步骤4：分别对三通道CNN‑LSTM神经网络初始化设置和TCN时间卷积网络初始化设置，利用训练集分别对两个网络进行训练；步骤5：将测试集分别输入两个神经网络模型，并利用加权平均方法进行模型融合，输出最终的预测结果；步骤6：按预定义的各种评价指标对预测结果进行评价。实验证明，本发明针对短期风电功率预测具有较高的准确度和鲁棒性。

Description

一种基于多通道卷积神经网络和时间卷积网络的短期风电功 率预测方法
技术领域
本发明涉及风电领域，具体涉及一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法。
背景技术
由于化石燃料的非再生性及其温室效应，世界各国纷纷将目光转向了新型可再生能源。其中，风能由于其分布广泛且成本较低，受到了世界各国的广泛重视。然而风能具有天生的不确定性，随着风力发电量的逐渐增长，风电对电网的危害日渐凸显。这是由于风电功率与风速的立方成正比，风速的微小变化将导致风电功率的大幅波动，这将严重影响电网安全和电能质量，也会增加电力调度人员的工作量。因此，如果能对风电功率进行准确预测，将有利于电力部门制定调度计划，降低电网的运行成本，使电网安全、经济、稳定地运行。
目前，短期与超短期风电功率预测的方法主要分两大类，一类是物理方法，一类是统计方法。已有风电系统采取的预测方法多数为基于物理方法的数值天气预报模型。这一类算法对电学和气象学基础知识要求较高，需要进行复杂的调参，计算较为精确但方法繁琐耗时很长，不利于大规模推广。统计方法通过分析风速历史样本的统计规律，建立风速样本之间的非线性映射关系，这类算法是基于统计观点的外推模型，可以回避对物理机理掌握不足等困难，比较适合于短期预测任务。
发明内容
本发明提供一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法，该方法具有较高的准确度和鲁棒性。
本发明通过以下技术方案实现：
一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法，所述短期风电功率预测方法包括以下步骤：
步骤1：对风电功率历史数据提取相关特征并形成样本集；
步骤2：利用多层LSTM神经网络模型对样本集中短期预测风速数据进行修正；
步骤3：对修正后的样本集数据进行归一化处理，并划分为训练集和测试集；
步骤4：分别对三通道CNN-LSTM神经网络初始化设置和TCN时间卷积网络初始化设置，利用训练集分别对两个网络进行训练；
步骤5：将测试集分别输入两个神经网络模型，并利用加权平均方法进行模型融合，输出预测结果；
步骤6：按预定义的各种评价指标对预测结果进行评价。
进一步的，所述步骤1的相关特征包括短期预测湿度、短期预测气压、短期预测温度、短期预测风向、短期预测风速、实际风速和实际功率；该数据集的时间分辨率为每隔15分钟记录一次。
进一步的，所述步骤2多层LSTM神经网络具体为，在LSTM层中，每个LSTM单元拥有一个单元状态和一个隐藏状态，并通过遗忘门、输入门和输出门来控制上述两个状态的变换；
具体的更新方式如下：ht为隐藏状态，ct为单元状态，it为输入门，gt为一个候选值，ot为输出门，ft为忘记门，公式如下，
it＝σ(ωi，xxt+ωi，hht-1+bi) (1)
ft＝σ(ωf，xxt+ωf，hht-1+bf) (2)
ot＝σ(ωo，xxt+ωo，hht-1+bo) (3)
gt＝tanh(ωg，xxt+ωg，hht-1+bg) (4)
式中：ω为权值矩阵；xt为t时刻的输入；ht-1为上一时刻的输出；σ为激活函数，b为偏置向量；
在当前时刻数据输入后，前一个时刻的单元状态ct-1会进行更新产生当前单元状态ct，单元状态ct的更新公式(5)为:
ct＝ftct-1+itgt (5)
最后输出yt如下为：
yt＝ht＝ot×tanh(ct) (6)
将多个LSTM层堆叠起来，形成多层LSTM神经网络。
进一步的，所述步骤2对未来的短期预测风速数据进行修正具体为，对于每一次预测的输入特征，包括所预测前一天数据中的实际风速和所预测当天数据中短期预测的湿度、风速、风向、温度、气压，每次输入特征的尺寸为96×6；在将数据输入到多层LSTM神经网络时，将整个预测时间范围内所有的输入特征堆叠起来，形成三维张量，输出结果为对应预测时刻的短期预测风速；每次预测输出结果的尺寸为96×1。
进一步的，所述步骤3进行归一化处理具体为，将每一维的特征归一化为均值为0方差为1的标准正态分布，如公式(7)所示：
Figure BDA0002758122290000031
式中，x为原始数据；μ为原始数据的均值；σ为原始数据标准差，x'为归一化处理后数据；
对处理完成之后的样本划分训练集和测试集。
进一步的，所述步骤4对于短期预测，提前一天给出功率预测数据，风电功率数据每隔15分钟统计一次，共计输出96个时间步的风电功率数据；输入特征的生成方式为，对于每一次预测的输入特征，所预测前一天96组数据中的实际风速、实际功率和所预测当天96组数据中短期预测的湿度、风速、风向、温度、气压，每次输入特征的尺寸为96×7；在将数据输入到三通道CNN-LSTM神经网络和TCN时间卷积网络时，将整个预测时间范围内所有的输入特征堆叠起来，形成三维张量；
输出结果为对应预测时刻的实际功率，每次预测输出结果的尺寸为96×1。
进一步的，所述步骤4三通道CNN-LSTM神经网络初始化设置具体为，
模型第一层为CNN层，在CNN层中神经元与输入层的一个局部窗口相连，一维卷积实际提取的是时间轴上的短期特征，能比较好的反映时间序列的局部相关特征，一维卷积层的第i个神经元的输出，通过式(8)为：
Cj＝σ(∑Ai*ωi+bi) (8)
式中，*为卷积操作，σ为激活函数；ωi为权值矩阵；bi为偏置矩阵；
然后将提取并学习后的数据输入至池化层，池化层采用最大池化机制，即取给定区域中最大的权值参数；
再将池化后的数据输入LSTM网络进行风电功率预测，得到了完备的特征向量。
进一步的，所述TCN时间卷积网络初始化设置具体为，
TCN时间卷积网络具有因果扩张卷积，设一时间序列x，经过一次扩张卷积后第s个神经元输出的值为公式(9)：
Figure BDA0002758122290000041
式中，*为卷积运算；d为扩张系数；k为卷积核大小；f(i)为卷积核的第i个元素；s-di为因果扩张卷积输入序列中参与该次计算神经元的下标；
权值规范化是把权重向量W分解为标量参数g和向量参数V，公式如(10)和(11)，
Figure BDA0002758122290000042
Figure BDA0002758122290000043
式中，g表示向量W的模值，V表示W的同向向量；||V||表示V的欧几里得范数，
Figure BDA0002758122290000044
是与向量W同方向的单位向量，▽vL为损失函数对向量V的梯度，▽wL为损失函数对权重向量的梯度，▽gL为损失函数对向量欧式范数的梯度；
由于残差模块的输入输出数据可能有不同维度，导致直接无法相加，通过1×1卷积达到相同维度后再相加，如式(12)所示；
o＝Activation(x+F(x)) (12)
式中，Activation为激活函数，F(x)为残差变换，x为输入数据，o为输出结果。
进一步的，所述步骤5进行模型融合具体为，采用加权平均的方法，来进行模型融合；
将特征向量分别输入三通道CNN-LSTM神经网络模型和TCN神经网络模型，将两个模型的输出结果按0.6：0.4的权重进行叠加，得到最终的短期预测功率，如式(13)所示，
Figure BDA0002758122290000045
式中，H(x)为最终的短期预测功率，T为需要融合的模型数量，i为模型序号，ai为第i个模型的权重，hi(x)为第i个模型的短期预测功率。
进一步的，所述步骤6对预测结果进行评价具体为，采用准确率指标对预测结果进行量化评价，具体计算方法如公式(14)；此外，还采用公式(15)(16)(17)的几种常用回归指标进行辅助比较；
Figure BDA0002758122290000051
Figure BDA0002758122290000052
Figure BDA0002758122290000053
Figure BDA0002758122290000054
式中，P为准确率；RMSE为均方根误差；c为风电场的装机容量；
Figure BDA0002758122290000055
为风电功率的预测值；P(i)为风电功率的实际值；n为预测验证数据个数；i为预测点序列编号；MSE为结果的均方根误差；MAE为结果的平均绝对误差。
本发明的有益效果是：
能较为准确地对风电功率进行预测，避免对电网造成冲击，保障电力系统的安全稳定运行，避免对电能质量造成影响；其次，有利于电力部门制定调度计划，可减小电力调度人员的工作负担，降低电力系统的调峰压力和备用容量；再次，可提高风力发电的效率，降低风力发电的平均成本，有助于风力发电的推广，提高清洁能源占比，保护环境。
附图说明
图1本发明的工作流程图。
图2本发明的LSTM结构模型图。
图3本发明的多层LSTM神经网络模型图。
图4本发明的6个维度的短期预测风速特征生成方式示意图。
图5本发明的7个维度短期预测功率特征生成方式示意图。
图6本发明的三通道CNN-LSTM神经网络模型结构示意图。
图7本发明的三通道CNN-LSTM神经网络模型尺寸示意图。
图8本发明的TCN神经网络模型结构示意图。
图9本发明的TCN神经网络模型尺寸示意图。
图10本发明融合模型预测功率和实际发电功率对比图。
图11本发明融合模型预测精度和某商业系统预测精度对比图。
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。
一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法，所述短期风电功率预测方法包括以下步骤：
步骤1：对风电功率历史数据提取相关特征并形成样本集；
步骤2：利用多层LSTM神经网络模型对样本集中短期预测风速数据进行修正；
步骤3：对修正后的样本集数据进行归一化处理，并划分为训练集和测试集；
步骤4：分别对三通道CNN-LSTM神经网络初始化设置和TCN时间卷积网络初始化设置，利用训练集分别对两个网络进行训练；
步骤5：将测试集分别输入两个神经网络模型，并利用加权平均方法进行模型融合，输出预测结果；
步骤6：按预定义的各种评价指标对预测结果进行评价。
进一步的，所述步骤1的相关特征包括短期预测湿度、短期预测气压、短期预测温度、短期预测风向、短期预测风速、实际风速和实际功率。
进一步的，所述步骤2多层LSTM神经网络具体为，在LSTM层中，每个LSTM单元拥有一个单元状态和一个隐藏状态，并通过遗忘门、输入门和输出门来控制上述两个记忆状态的变换；
遗忘门决定是否保留历史信息，输入门会对输入乘以[0,1]之间的记忆因子，决定当前输入数据对记忆单元状态的影响程度，输出门决定输出信息，具体的更新方式如下式，ht为隐藏状态，ct为单元状态，it为输入门，gt为一个候选值，ot为输出门，ft为遗忘门，公式如下，
it＝σ(ωi，xxt+ωi，hht-1+bi) (1)
ft＝σ(ωf，xxt+ωf，hht-1+bf) (2)
ot＝σ(ωo，xxt+ωo，hht-1+bo) (3)
gt＝tanh(ωg，xxt+ωg，hht-1+bg) (4)
式中：ω为权值矩阵；xt为t时刻的输入；ht-1为上一时刻的输出；σ为激活函数，b为偏置向量；
在当前时刻数据输入后，前一时刻单元状态ct-1会进行更新产生当前单元状态ct，单元状态ct的更新通过公式(5)为:
ct＝ftct-1+itgt (5)
最后输出yt如下为：
yt＝ht＝ot×tanh(ct) (6)
将多个LSTM层堆叠起来，形成多层LSTM神经网络。
进一步的，所述步骤2对未来的短期预测风速数据进行修正具体为，输入特征包括预测前一天数据中的实际风速和预测当天的短期预测的湿度、风速、风向、温度、气压；输入特征的生成方式如图4所示，输入特征的生成方式为，将A、B框内的数据进行横向拼接，得到6个维度，对于每一次预测的输入特征，包括所预测前一天数据中的实际风速和所预测当天数据中短期预测的湿度、风速、风向、温度、气压，每次输入特征的尺寸为96×6；在将数据输入到所述步骤2的多层LSTM神经网络时，将整个预测时间范围内所有的输入特征堆叠起来，形成三维张量，输出结果为对应预测时刻的短期预测风速；如图4框C所示；每次预测输出结果的尺寸为96×1。
进一步的，所述步骤3进行归一化处理具体为，将每一维的特征归一化为均值为0方差为1的标准正态分布，归一化避免大范围的数据量，减小计算量；如公式(7)所示：
Figure BDA0002758122290000071
式中，x为原始数据；μ为原始数据的均值；σ为原始数据标准差，x'为归一化处理后数据；
对处理完成之后的样本划分训练集和测试集。
进一步的，所述步骤4对于短期预测，提前一天给出功率预测数据，风电功率数据每隔15分钟统计一次，共计输出96个时间步的风电功率数据；输入特征的生成方式如图5所示，输入特征的生成方式为，将A、B框内的数据进行横向拼接，得到7个维度；对于每一次预测的输入特征，所预测前一天96组数据中的实际风速、实际功率和所预测当天96组数据中短期预测的湿度、风速、风向、温度、气压，每次输入特征的尺寸为96×7；在将数据输入到所述步骤4的三通道CNN-LSTM神经网络和TCN时间卷积网络时，将整个预测时间范围内所有的输入特征堆叠起来，形成三维张量；
输出结果为对应预测时刻的实际功率，如图5框C所示。每次预测输出结果的尺寸为96×1。
进一步的，所述步骤4三通道CNN-LSTM神经网络初始化设置具体为，
本发明提出的三通道CNN-LSTM神经网络模型是以时间序列特征图作为网络的输入。类比于自然语言处理问题中词向量为方法，本模型将待预测的风电功率值与一系列与功率相关的特征串联成向量，形成了一系列时间序列数据，达到耦合这特征信息的目的。每个时刻的风电功率由与之相关的特征图为，然后利用滑动窗口方法依次生成输入所需的时间序列数据特征图。
模型第一层为CNN层，有效提取时间序列数据特征图中，连续非连续数据之间的包含的潜在关系，形成特征向量，并将特征向量作为输入数据；CNN网络采用局部连接和共享权值的方法，直接从原始数据中自动提取数据的局部特征，从而建立起完备的特征向量；局部感受野指对于隐含层i，仅接收i层神经元局部输入的加权得到；权值共享指的是对于i+1层的每一个神经元用的权重w是同一个；这样使得整个网络的参数大为减少，能够更好的表达局部特征。
在CNN层中神经元与输入层的一个局部窗口相连，一维卷积实际提取的是时间轴上的短期特征，能比较好的反映时间序列的局部相关特征，一维卷积层的第i个神经元的输出，通过式(8)为：
Cj＝σ(∑Ai*ωi+bi) (8)
式中，*为卷积操作，σ为激活函数，ωi为权值矩阵，bi为偏置矩阵；
然后将提取并学习后的数据输入至池化层，池化层采用最大池化机制，即取给定区域中最大的权值参数；池化操作进一步减少网络参数，更好的表达局部特征，并且使计算速度得到提升。
再将池化后的数据输入LSTM网络进行风电功率预测，LSTM非常适合于处理和预测时间序列中间隔和延迟相对较长的重要事件，与单纯使用LSTM网络模型相比，CNN-LSTM网络混合模型采用CNN模型进行提取时间序列数据的潜在特征，得到了完备的特征向量，提供给LSTM网络模型大量有效的输入数据，因此有助于提高风电功率预测精度。
此外，三个通道选用不同尺寸的卷积核，用来提取原始数据中不同尺度的特征。经不同尺寸的卷积核提取了相异尺度的高低频特征，避免了局部信息的丢失，使网络学习到了更丰富的特征，有助于提升预测精度。综上，三通道CNN-LSTM网络如图6所示，参数如图7所示。
进一步的，所述TCN时间卷积网络初始化设置具体为，
TCN时间卷积网络是一种新型的用来解决时间序列预测的算法，主要特性有因果扩张卷积，权值规范化和残差连接。模型采用TCN网络提取时间序列中的潜在关系，形成特征向量，将特征向量作为输入数据，经TCN网络残差模块处理后，输入到全连接层中，得到最终的预测结果。
TCN时间卷积网络具有因果扩张卷积指其卷积网络层之间是有因果关系的，意味着不会出现有被漏接的历史信息或是接到未来数据的情况发生。扩张卷积跳过部分输入，提高模型效率，避免了普通卷积重复获取信息，设一时间序列x，经过一次扩张卷积后第s个神经元输出的值在数学上这样为公式(9)：
Figure BDA0002758122290000091
式中，*为卷积运算；d为扩张系数；k为卷积核大小；f(i)为卷积核的第i个元素；s-di为因果扩张卷积输入序列中参与该次计算神经元的下标；
权值规范化是把权重向量W分解为标量参数g和向量参数V，达到正则化网络的目的；公式如(10)和(11)，
Figure BDA0002758122290000092
Figure BDA0002758122290000093
式中，g表示向量W的模值，V表示W的同向向量；||V||表示V的欧几里得范数，
Figure BDA0002758122290000094
是与向量W同方向的单位向量，▽vL为损失函数对向量V的梯度，▽wL为损失函数对权重向量的梯度，▽gL为损失函数对向量欧式范数的梯度；
残差连接是在两层卷积网络计算之后增加输入的直接映射，使得网络以跨层的方式传递信息，同时避免梯度消失的发生。由于残差模块的输入输出数据可能有不同维度，导致直接无法相加，通过1×1卷积达到相同维度后再相加，如式(12)所示；多个残差块堆叠为残差连接网络，构成了完整的TCN结构，如图8所示。具体参数如图9所示。
o＝Activation(x+F(x)) (12)
式中，Activation为激活函数，F(x)为残差变换，x为输入数据，o为输出结果。
TCN网络有三个显著的特点；首先，TCN网络预测具有时间因果关系，即模型输出结果只与过去有关而与将来无关，因此满足风力发电预测的需要。其次，TCN网络的结构十分灵活。它与RNN的输入输出特性类似，输出任意长度的序列，不必拘泥于与输入序列长度相同，非常适合进行风电功率数据的时间序列分析。最后，与传统的卷积网络相比，TCN网络具有深度小、记忆距离长的特点。通过调整扩展卷积的参数，在适当的深度下获得较长的存储范围。
进一步的，所述步骤5进行模型融合具体为，模型融合是指综合考虑不同模型的情况，并将它们的结果融合到一起，提高准确率，通常情况下我们会更重视表现较好的模型而需要赋予更大的权值，减少过拟合现象。个体学习器准确性越高、多样性越大，则融合效果越好。相对于单一模型算法，这种方法进一步提高预测准确率。
模型融合具有三个显著的优势。首先，从统计学的角度来看，学习任务常常具有很多的加速空间，很有可能有不止一个的假设来实现相同效果的学习任务。其次，从计算的角度来看，学习算法往往陷入局部极小值，一些与泛化性能相对应的局部极小值可能很差。最后，从表示的角度来看，如果仅采用单个学习器，遇到的某些学习任务的真实情况可能已经超出了当前学习器算法所考虑的假设空间之外，导致可能效果不佳。若尝试集成多个学习算法共同预测，假设空间会相应扩大，有可能会获得更好的预测结果。
模型融合通常有Voting，Bagging，Boosting和Stacking等多种方法。为简化模型，采用Voting方法，即简单加权平均的方法，来进行模型融合；融合后的模型能够有效减小预测值与实际值间的方差，因此融合后的模型相对于单一模型会有更好的表现。
将特征向量分别输入三通道CNN-LSTM神经网络模型和TCN神经网络模型，并将两个模型的输出结果按0.6：0.4的权重进行叠加，得到最终的短期预测功率，如式(13)所示，
Figure BDA0002758122290000101
式中，H(x)为最终的短期预测功率，T为需要融合的模型数量，i为模型序号，ai为第i个模型的权重，hi(x)为第i个模型的短期预测功率。
进一步的，所述步骤6判断预测准确值具体为，根据风电企业的实际要求规定采用准确率指标对实验误差进行具体量化评价，具体计算方法如公式(14)，此外，还采用公式(15)(16)(17)的几种常用回归指标进行辅助比较；
Figure BDA0002758122290000111
Figure BDA0002758122290000112
Figure BDA0002758122290000113
Figure BDA0002758122290000114
式中，RMSE为均方根误差；c为风电场的装机容量；
Figure BDA0002758122290000115
为风电功率的预测值；P(i)为风电功率的实际值；n为预测验证数据个数；i为预测点序列编号；MSE为结果的均方根误差；MAE为结果的平均绝对误差。
Figure BDA0002758122290000116
Figure BDA0002758122290000121
从表格1及曲线图10、11中可以看出，三通道CNN-LSTM网络与TCN网络的融合模型在短期风电功率预测上表现较好，准确率可以达到88％左右，超过了商业系统，拟合效果达到了预期的要求。对于短期风电功率预测，TCN网络的预测结果准确率更高。观察表1中每个月份的预测结果，可以发现每个月的准确率大致相似，仅在2月预测的精度稍低，这可能是由于2月的数据特征出现一些异常，导致各种算法均无法准确预测。总体而言，上述模型在短期风电功率预测上鲁棒性良好。
总体而言，本发明提出的基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法建立的短期风电功率预测模型，在实际风电数据上进行短期预测的结果表现良好，超越了某商业系统的预测结果，达到了预期的目的。

Claims (10)

1.一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法，其特征在于，所述短期风电功率预测方法包括以下步骤：
步骤1：对风电功率历史数据提取相关特征并形成样本集；
步骤2：利用多层LSTM神经网络模型对样本集中短期预测风速数据进行修正；
步骤3：对修正后的样本集数据进行归一化处理，并划分为训练集和测试集；
步骤4：分别对三通道CNN-LSTM神经网络初始化设置和TCN时间卷积网络初始化设置，利用训练集分别对两个网络进行训练；
步骤5：将测试集分别输入两个神经网络模型，并利用加权平均方法进行模型融合，输出预测结果；
步骤6：按预定义的各种评价指标对预测结果进行评价。
2.根据权利要求1所述一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法，其特征在于，所述步骤1的相关特征包括短期预测湿度、短期预测气压、短期预测温度、短期预测风向、短期预测风速、实际风速和实际功率；该数据集的时间分辨率为每隔15分钟记录一次。
3.根据权利要求1所述一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法，其特征在于，所述步骤2多层LSTM神经网络具体为，在LSTM层中，每个LSTM单元拥有一个单元状态和一个隐藏状态，并通过遗忘门、输入门和输出门来控制上述两个状态的变换；
具体的更新方式如下：ht为隐藏状态，ct为单元状态，it为输入门，gt为一个候选值，ot为输出门，ft为忘记门，公式如下，
it＝σ(ωi，xxt+ωi，hht-1+bi) (1)
ft＝σ(ωf，xxt+ωf，hht-1+bf) (2)
ot＝σ(ωo，xxt+ωo，hht-1+bo) (3)
gt＝tanh(ωg，xxt+ωg，hht-1+bg) (4)
式中：ω为权值矩阵；xt为t时刻的输入；ht-1为上一时刻的输出；σ为激活函数，b为偏置向量；
在当前时刻数据输入后，前一个时刻的单元状态ct-1会进行更新产生当前单元状态ct，单元状态ct的更新公式(5)为：
ct＝ftct-1+itgt (5)
最后输出yt如下为：
yt＝ht＝ot×tanh(ct) (6)
将多个LSTM层堆叠起来，形成多层LSTM神经网络。
4.根据权利要求1所述一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法，其特征在于，所述步骤2对未来的短期预测风速数据进行修正具体为，对于每一次预测的输入特征，包括所预测前一天数据中的实际风速和所预测当天数据中短期预测的湿度、风速、风向、温度、气压，每次输入特征的尺寸为96×6；在将数据输入到多层LSTM神经网络时，将整个预测时间范围内所有的输入特征堆叠起来，形成三维张量，输出结果为对应预测时刻的短期预测风速；每次预测输出结果的尺寸为96×1。
5.根据权利要求1所述一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法，其特征在于，所述步骤3进行归一化处理具体为，将每一维的特征归一化为均值为0方差为1的标准正态分布，如公式(7)所示：
Figure FDA0002758122280000021
式中，x为原始数据；μ为原始数据的均值；σ为原始数据标准差，x′为归一化处理后数据；
对处理完成之后的样本划分训练集和测试集。
6.根据权利要求1所述一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法，其特征在于，所述步骤4对于短期预测，提前一天给出功率预测数据，风电功率数据每隔15分钟统计一次，共计输出96个时间步的风电功率数据；输入特征的生成方式为，对于每一次预测的输入特征，所预测前一天96组数据中的实际风速、实际功率和所预测当天96组数据中短期预测的湿度、风速、风向、温度、气压，每次输入特征的尺寸为96×7；在将数据输入到三通道CNN-LSTM神经网络和TCN时间卷积网络时，将整个预测时间范围内所有的输入特征堆叠起来，形成三维张量；
输出结果为对应预测时刻的实际功率，每次预测输出结果的尺寸为96×1。
7.根据权利要求1所述一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法，其特征在于，所述步骤4三通道CNN-LSTM神经网络初始化设置具体为，
模型第一层为CNN层，在CNN层中神经元与输入层的一个局部窗口相连，一维卷积实际提取的是时间轴上的短期特征，能比较好的反映时间序列的局部相关特征，一维卷积层的第i个神经元的输出，通过式(8)为：
Cj＝σ(∑Ai*ωi+bi) (8)
式中，*为卷积操作，σ为激活函数；ωi为权值矩阵；bi为偏置矩阵；
然后将提取并学习后的数据输入至池化层，池化层采用最大池化机制，即取给定区域中最大的权值参数；
再将池化后的数据输入LSTM网络进行风电功率预测，得到了完备的特征向量。
8.根据权利要求1所述一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法，其特征在于，所述TCN时间卷积网络初始化设置具体为，
TCN时间卷积网络具有因果扩张卷积，设一时间序列x，经过一次扩张卷积后第s个神经元输出的值为公式(9)：
Figure FDA0002758122280000031
式中，*为卷积运算；d为扩张系数；k为卷积核大小；f(i)为卷积核的第i个元素；s-di为因果扩张卷积输入序列中参与该次计算神经元的下标；
权值规范化是把权重向量W分解为标量参数g和向量参数V，公式如(10)和(11)，
Figure FDA0002758122280000032
Figure FDA0002758122280000033
式中，g表示向量W的模值，V表示W的同向向量；||V||表示V的欧几里得范数，
Figure FDA0002758122280000034
是与向量W同方向的单位向量，
Figure FDA0002758122280000035
为损失函数对向量V的梯度，
Figure FDA0002758122280000036
为损失函数对权重向量的梯度，
Figure FDA0002758122280000037
为损失函数对向量欧式范数的梯度；
由于残差模块的输入输出数据可能有不同维度，导致直接无法相加，通过1×1卷积达到相同维度后再相加，如式(12)所示；
o＝Activation(x+F(x)) (12)
式中，Activation为激活函数，F(x)为残差变换，x为输入数据，o为输出结果。
9.根据权利要求1所述一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法，其特征在于，所述步骤5进行模型融合具体为，采用加权平均的方法，来进行模型融合；
将特征向量分别输入三通道CNN-LSTM神经网络模型和TCN神经网络模型，将两个模型的输出结果按0.6∶0.4的权重进行叠加，得到最终的短期预测功率，如式(13)所示，
Figure FDA0002758122280000041
式中，H(x)为最终的短期预测功率，T为需要融合的模型数量，i为模型序号，ai为第i个模型的权重，hi(x)为第i个模型的短期预测功率。
10.根据权利要求1所述一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法，其特征在于，所述步骤6对预测结果进行评价具体为，采用准确率指标对预测结果进行量化评价，具体计算方法如公式(14)；此外，还采用公式(15)(16)(17)的几种常用回归指标进行辅助比较；
Figure FDA0002758122280000042
Figure FDA0002758122280000043
Figure FDA0002758122280000044
Figure FDA0002758122280000045
式中，P为准确率；RMSE为均方根误差；c为风电场的装机容量；
Figure FDA0002758122280000046
为风电功率的预测值；P(i)为风电功率的实际值；n为预测验证数据个数；i为预测点序列编号；MSE为结果的均方根误差；MAE为结果的平均绝对误差。
CN202011208966.6A 2020-11-03 2020-11-03 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 Active CN112365040B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011208966.6A CN112365040B (zh) 2020-11-03 2020-11-03 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011208966.6A CN112365040B (zh) 2020-11-03 2020-11-03 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法

Publications (2)

Publication Number Publication Date
CN112365040A true CN112365040A (zh) 2021-02-12
CN112365040B CN112365040B (zh) 2022-03-01

Family

ID=74513380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011208966.6A Active CN112365040B (zh) 2020-11-03 2020-11-03 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法

Country Status (1)

Country Link
CN (1) CN112365040B (zh)

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862219A (zh) * 2021-03-19 2021-05-28 浙江大学 一种基于时域卷积与循环神经网络的水电机组温度预测方法
CN112988538A (zh) * 2021-03-12 2021-06-18 山东英信计算机技术有限公司 人工智能开发平台监控告警数据预测方法、装置及介质
CN112990354A (zh) * 2021-04-15 2021-06-18 中国气象局公共气象服务中心(国家预警信息发布中心) 一种构建用于风速预测的深度卷积回归网络的方法及装置
CN113098664A (zh) * 2021-03-31 2021-07-09 中国人民解放军海军航空大学航空作战勤务学院 基于mdmsffn的空时分组码自动识别方法和装置
CN113128047A (zh) * 2021-04-16 2021-07-16 长安大学 一种航空发动机推力计算方法、存储介质及计算设备
CN113178073A (zh) * 2021-04-25 2021-07-27 南京工业大学 一种基于时间卷积网络的车流量短期预测优化应用方法
CN113222289A (zh) * 2021-06-02 2021-08-06 江南大学 一种基于数据处理的能源功率的预测方法
CN113259284A (zh) * 2021-05-13 2021-08-13 中南大学 一种基于Bagging和长短期记忆网络的信道盲均衡方法及系统
CN113516271A (zh) * 2021-04-05 2021-10-19 东北电力大学 一种基于时空神经网络的风电集群功率日前预测方法
CN113569338A (zh) * 2021-08-06 2021-10-29 大连理工大学 一种基于时间扩张卷积网络的压气机旋转失速预警方法
CN113570156A (zh) * 2021-08-18 2021-10-29 中国农业大学 基于农业设施的热环境预测模型及热环境预测方法
CN113642225A (zh) * 2021-05-24 2021-11-12 国网新疆电力有限公司经济技术研究院 一种基于attention机制的CNN-LSTM短期风电功率预测方法
CN113723712A (zh) * 2021-10-15 2021-11-30 中南大学 风电功率预测方法、系统、设备及介质
CN113869065A (zh) * 2021-10-15 2021-12-31 梧州学院 一种基于“单词-短语”注意力机制的情感分类方法和系统
CN113962433A (zh) * 2021-09-10 2022-01-21 国网江苏省电力有限公司电力科学研究院 一种融合因果卷积与可分离时间卷积的风电预测方法及系统
CN114021830A (zh) * 2021-11-12 2022-02-08 天津大学 一种基于cnn-lstm的多时间范围风速预测方法
CN114098681A (zh) * 2021-11-12 2022-03-01 南京海量物联科技有限公司 一种基于tcn模型和ppg信号的智能血压预测方法
CN114139828A (zh) * 2021-12-09 2022-03-04 国网山西省电力公司电力科学研究院 一种电源型虚拟电厂功率预测方法、系统及存储介质
CN114330094A (zh) * 2021-11-18 2022-04-12 国家电网有限公司 一种基于tcn-gru联合模型的风电功率短期预测方法
CN114363195A (zh) * 2022-01-11 2022-04-15 北京工业大学 面向时间和频谱残差卷积网络的网络流量预测预警方法
CN114710413A (zh) * 2022-03-31 2022-07-05 中国农业银行股份有限公司 一种银行网点网络状态的预测方法及装置
CN114781747A (zh) * 2022-05-09 2022-07-22 华北电力大学 基于融合多源nwp的tpa-tcnmdn的超短期风电功率概率预测方法
CN114792158A (zh) * 2022-04-01 2022-07-26 三峡大学 基于时空融合图神经网络的多风电场短期功率预测方法
CN114971022A (zh) * 2022-05-26 2022-08-30 郑州轻工业大学 基于D-value-LSTM神经网络模型的风电功率预测方法
CN115115090A (zh) * 2022-05-18 2022-09-27 东南大学 一种基于改进lstm-cnn的风功率短期预测方法
CN115508709A (zh) * 2022-08-31 2022-12-23 贵州电网有限责任公司 一种基于迁移学习的移动储能系统串联电池组soh估计方法
CN115795397A (zh) * 2022-12-08 2023-03-14 陕西金元新能源有限公司 基于1DCNN-LSTM与BiLSTM并行网络的齿轮箱温度预测方法
CN116703571A (zh) * 2023-08-02 2023-09-05 国网山东省电力公司营销服务中心(计量中心) 一种电网用户信用评价方法、系统、电子设备及存储介质
CN117767544A (zh) * 2023-11-28 2024-03-26 北京潞电电力建设有限公司 一种基于物联网的配电室运行监控系统及方法
CN118410720A (zh) * 2024-06-27 2024-07-30 水利部交通运输部国家能源局南京水利科学研究院 基于多时间尺度深度学习网络的降雨径流模拟方法
CN113642225B (zh) * 2021-05-24 2024-09-03 国网新疆电力有限公司经济技术研究院 一种基于attention机制的CNN-LSTM短期风电功率预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443725A (zh) * 2019-08-14 2019-11-12 国网甘肃省电力公司信息通信公司 基于cnn+lstm的风电功率预测模型
CN110685857A (zh) * 2019-10-16 2020-01-14 湘潭大学 一种基于集成学习的山地风电机组行为预测模型
CN110738349A (zh) * 2019-09-05 2020-01-31 国网浙江省电力有限公司杭州供电公司 基于多模型融合的电网故障抢修时长预测方法
CN110826791A (zh) * 2019-10-31 2020-02-21 东北电力大学 一种基于长短时记忆神经网络的混合风功率预测方法
CN110909926A (zh) * 2019-11-18 2020-03-24 中国计量大学 基于tcn-lstm的太阳能光伏发电预测方法
CN111695736A (zh) * 2020-06-15 2020-09-22 河北锐景能源科技有限公司 一种基于多模型融合的光伏发电短期功率预测方法
CN111832825A (zh) * 2020-07-14 2020-10-27 山东大学 融合长短期记忆网络和极限学习机的风电预测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443725A (zh) * 2019-08-14 2019-11-12 国网甘肃省电力公司信息通信公司 基于cnn+lstm的风电功率预测模型
CN110738349A (zh) * 2019-09-05 2020-01-31 国网浙江省电力有限公司杭州供电公司 基于多模型融合的电网故障抢修时长预测方法
CN110685857A (zh) * 2019-10-16 2020-01-14 湘潭大学 一种基于集成学习的山地风电机组行为预测模型
CN110826791A (zh) * 2019-10-31 2020-02-21 东北电力大学 一种基于长短时记忆神经网络的混合风功率预测方法
CN110909926A (zh) * 2019-11-18 2020-03-24 中国计量大学 基于tcn-lstm的太阳能光伏发电预测方法
CN111695736A (zh) * 2020-06-15 2020-09-22 河北锐景能源科技有限公司 一种基于多模型融合的光伏发电短期功率预测方法
CN111832825A (zh) * 2020-07-14 2020-10-27 山东大学 融合长短期记忆网络和极限学习机的风电预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
牛哲文等: "基于深度门控循环单元神经网络的短期风功率预测模型", 《电力自动化设备》 *
赵永宁: "基于时空相关性的大规模风电功率短期预测方法研究", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》 *

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112988538A (zh) * 2021-03-12 2021-06-18 山东英信计算机技术有限公司 人工智能开发平台监控告警数据预测方法、装置及介质
CN112988538B (zh) * 2021-03-12 2023-01-13 山东英信计算机技术有限公司 人工智能开发平台监控告警数据预测方法、装置及介质
CN112862219A (zh) * 2021-03-19 2021-05-28 浙江大学 一种基于时域卷积与循环神经网络的水电机组温度预测方法
CN113098664B (zh) * 2021-03-31 2022-10-11 中国人民解放军海军航空大学航空作战勤务学院 基于mdmsffn的空时分组码自动识别方法和装置
CN113098664A (zh) * 2021-03-31 2021-07-09 中国人民解放军海军航空大学航空作战勤务学院 基于mdmsffn的空时分组码自动识别方法和装置
CN113516271A (zh) * 2021-04-05 2021-10-19 东北电力大学 一种基于时空神经网络的风电集群功率日前预测方法
CN112990354B (zh) * 2021-04-15 2021-08-13 中国气象局公共气象服务中心(国家预警信息发布中心) 一种构建用于风速预测的深度卷积回归网络的方法及装置
CN112990354A (zh) * 2021-04-15 2021-06-18 中国气象局公共气象服务中心(国家预警信息发布中心) 一种构建用于风速预测的深度卷积回归网络的方法及装置
CN113128047A (zh) * 2021-04-16 2021-07-16 长安大学 一种航空发动机推力计算方法、存储介质及计算设备
CN113178073A (zh) * 2021-04-25 2021-07-27 南京工业大学 一种基于时间卷积网络的车流量短期预测优化应用方法
CN113259284A (zh) * 2021-05-13 2021-08-13 中南大学 一种基于Bagging和长短期记忆网络的信道盲均衡方法及系统
CN113642225B (zh) * 2021-05-24 2024-09-03 国网新疆电力有限公司经济技术研究院 一种基于attention机制的CNN-LSTM短期风电功率预测方法
CN113642225A (zh) * 2021-05-24 2021-11-12 国网新疆电力有限公司经济技术研究院 一种基于attention机制的CNN-LSTM短期风电功率预测方法
CN113222289A (zh) * 2021-06-02 2021-08-06 江南大学 一种基于数据处理的能源功率的预测方法
CN113222289B (zh) * 2021-06-02 2024-03-12 江南大学 一种基于数据处理的能源功率的预测方法
CN113569338B (zh) * 2021-08-06 2022-10-14 大连理工大学 一种基于时间扩张卷积网络的压气机旋转失速预警方法
CN113569338A (zh) * 2021-08-06 2021-10-29 大连理工大学 一种基于时间扩张卷积网络的压气机旋转失速预警方法
CN113570156A (zh) * 2021-08-18 2021-10-29 中国农业大学 基于农业设施的热环境预测模型及热环境预测方法
CN113962433A (zh) * 2021-09-10 2022-01-21 国网江苏省电力有限公司电力科学研究院 一种融合因果卷积与可分离时间卷积的风电预测方法及系统
CN113723712A (zh) * 2021-10-15 2021-11-30 中南大学 风电功率预测方法、系统、设备及介质
CN113869065A (zh) * 2021-10-15 2021-12-31 梧州学院 一种基于“单词-短语”注意力机制的情感分类方法和系统
CN113869065B (zh) * 2021-10-15 2024-04-12 梧州学院 一种基于“单词-短语”注意力机制的情感分类方法和系统
CN113723712B (zh) * 2021-10-15 2023-08-18 中南大学 风电功率预测方法、系统、设备及介质
CN114098681A (zh) * 2021-11-12 2022-03-01 南京海量物联科技有限公司 一种基于tcn模型和ppg信号的智能血压预测方法
CN114021830A (zh) * 2021-11-12 2022-02-08 天津大学 一种基于cnn-lstm的多时间范围风速预测方法
CN114330094A (zh) * 2021-11-18 2022-04-12 国家电网有限公司 一种基于tcn-gru联合模型的风电功率短期预测方法
CN114139828A (zh) * 2021-12-09 2022-03-04 国网山西省电力公司电力科学研究院 一种电源型虚拟电厂功率预测方法、系统及存储介质
CN114363195A (zh) * 2022-01-11 2022-04-15 北京工业大学 面向时间和频谱残差卷积网络的网络流量预测预警方法
CN114363195B (zh) * 2022-01-11 2024-06-07 北京工业大学 面向时间和频谱残差卷积网络的网络流量预测预警方法
CN114710413A (zh) * 2022-03-31 2022-07-05 中国农业银行股份有限公司 一种银行网点网络状态的预测方法及装置
CN114792158A (zh) * 2022-04-01 2022-07-26 三峡大学 基于时空融合图神经网络的多风电场短期功率预测方法
CN114792158B (zh) * 2022-04-01 2024-07-09 三峡大学 基于时空融合图神经网络的多风电场短期功率预测方法
CN114781747A (zh) * 2022-05-09 2022-07-22 华北电力大学 基于融合多源nwp的tpa-tcnmdn的超短期风电功率概率预测方法
CN115115090A (zh) * 2022-05-18 2022-09-27 东南大学 一种基于改进lstm-cnn的风功率短期预测方法
CN114971022A (zh) * 2022-05-26 2022-08-30 郑州轻工业大学 基于D-value-LSTM神经网络模型的风电功率预测方法
CN115508709A (zh) * 2022-08-31 2022-12-23 贵州电网有限责任公司 一种基于迁移学习的移动储能系统串联电池组soh估计方法
CN115795397A (zh) * 2022-12-08 2023-03-14 陕西金元新能源有限公司 基于1DCNN-LSTM与BiLSTM并行网络的齿轮箱温度预测方法
CN116703571A (zh) * 2023-08-02 2023-09-05 国网山东省电力公司营销服务中心(计量中心) 一种电网用户信用评价方法、系统、电子设备及存储介质
CN116703571B (zh) * 2023-08-02 2023-11-24 国网山东省电力公司营销服务中心(计量中心) 一种电网用户信用评价方法、系统、电子设备及存储介质
CN117767544A (zh) * 2023-11-28 2024-03-26 北京潞电电力建设有限公司 一种基于物联网的配电室运行监控系统及方法
CN118410720A (zh) * 2024-06-27 2024-07-30 水利部交通运输部国家能源局南京水利科学研究院 基于多时间尺度深度学习网络的降雨径流模拟方法

Also Published As

Publication number Publication date
CN112365040B (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN112365040B (zh) 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法
Behera et al. Solar photovoltaic power forecasting using optimized modified extreme learning machine technique
Lipu et al. Artificial intelligence based hybrid forecasting approaches for wind power generation: Progress, challenges and prospects
Bendali et al. Deep learning using genetic algorithm optimization for short term solar irradiance forecasting
CN112215428B (zh) 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统
CN114091615B (zh) 一种基于生成对抗网络的电能计量数据补全方法和系统
Sundararajan et al. Regression and generalized additive model to enhance the performance of photovoltaic power ensemble predictors
CN115481788B (zh) 相变储能系统负荷预测方法及系统
Hussain et al. A Hybrid Deep Learning‐Based Network for Photovoltaic Power 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
CN114118596A (zh) 一种光伏发电量预测方法和装置
CN116029419A (zh) 基于深度学习的长期新能源日均发电功率预测方法及系统
CN115186923A (zh) 光伏发电功率的预测方法、装置及电子设备
CN117439045A (zh) 综合能源系统多元负荷预测方法
CN115409369A (zh) 基于机理和数据混合驱动的综合能源系统可靠性评估方法
Alharbi et al. Short-term solar irradiance forecasting model based on bidirectional long short-term memory deep learning
Khan et al. Adaptive Error Curve Learning Ensemble Model for Improving Energy Consumption Forecasting.
CN116706907B (zh) 基于模糊推理的光伏发电预测方法和相关设备
Wu et al. Combined IXGBoost-KELM short-term photovoltaic power prediction model based on multidimensional similar day clustering and dual decomposition
Prema et al. LSTM based Deep Learning model for accurate wind speed prediction
CN108038518A (zh) 一种基于气象数据的光伏发电功率确定方法及系统
Wang et al. Short term wind speed forecasting based on feature extraction by cnn and mlp
CN115759343A (zh) 一种基于e-lstm的用户电量预测方法和装置
CN115293406A (zh) 基于CatBoost和Radam-LSTM的光伏发电功率预测方法
Peng et al. A hybrid model for solar radiation forecasting towards energy efficient buildings

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