CN112580874A - 一种基于随机森林算法和tcn的短期风电功率预测方法 - Google Patents
一种基于随机森林算法和tcn的短期风电功率预测方法 Download PDFInfo
- Publication number
- CN112580874A CN112580874A CN202011521190.3A CN202011521190A CN112580874A CN 112580874 A CN112580874 A CN 112580874A CN 202011521190 A CN202011521190 A CN 202011521190A CN 112580874 A CN112580874 A CN 112580874A
- Authority
- CN
- China
- Prior art keywords
- wind power
- tcn
- prediction
- random forest
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 27
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012795 verification Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000004044 response Effects 0.000 abstract description 3
- 230000001052 transient effect Effects 0.000 abstract description 3
- 230000010354 integration Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了人工智能领域的一种基于随机森林算法和TCN的短期风电功率预测方法,包括:汇总风电功率预测原始数据集;风电功率预测原始数据集预处理;基于随机森林算法,筛选风电功率预测数据的特征数据;以特征数据作为输入,构建TCN网络预测模型;通过训练和验证得到最佳TCN网络预测模型;采用最佳TCN网络预测模型对风电功率进行预测。本发明为提高短期风电功率的预测精度,解决风电并网后电力系统难以维持稳定、经济运行和科学调度的技术难题提供了新方法。
Description
技术领域
本发明属于人工智能领域,尤其涉及一种基于随机森林算法和TCN的短期风电功率预测方法。
背景技术
目前,国内的风电场装机容量越来越大,一度跃居到世界第一的规模,处于飞速发展时期,很大程度上缓解了国内的能源危机。但是由于风电场的加入,在减少环境污染的同时也会因为其出力的随机性、波动性和间歇性给电网的稳定运行和电力调度带来很不利的影响。当大规模的风电接入电力系统时,电能质量和电网的安全、稳定运行将受到严重的影响,所以对风电场的发电功率进行准确预测是很有必要的。现国内外相关的预测方法精确度普遍不高,不能完全满足电网调度的要求,所以本发明提出了一种基于随机森林算法和TCN的短期风电功率预测方法以提高预测精度,提高风电机组的并网发电效率,促进电网的稳定、经济运行。
发明内容
本发明的目的在于,提出一种基于随机森林算法和TCN的短期风电功率预测方法,以提高短期风电功率的预测精度,解决风电并网后电力系统难以维持稳定、经济运行和科学调度的技术难题。
为实现上述目的,本发明提供一种基于随机森林算法和TCN的短期风电功率预测方法,包括:
步骤1,汇总风电功率预测原始数据集;
步骤2,对所述风电功率预测原始数据集进行预处理;
步骤3,基于随机森林算法,筛选风电功率预测数据的特征数据;
步骤4,以所述特征数据作为输入,构建TCN网络预测模型;
步骤5,通过训练和验证得到最佳TCN网络预测模型;
步骤6,采用最佳TCN网络预测模型对风电功率进行预测。
进一步地,在所述步骤1中,汇总风电功率预测原始数据集的方法包括:
步骤11:采集目标风电站指定时间范围内的数据;
步骤12:选取包括五个不同高度的风速、五个不同高度的风向、温度T、湿度RH、大气压强Pa、实况功率P构成原始数据集;
其中,所述五个不同高度的风速包括V1、V2、V3、V4、V5,所述五个不同高度的风向包括D1、D2、D3、D4、D5。
进一步地,在所述步骤2中,所述风电功率预测原始数据集预处理工作包括:
步骤21:清洗不符合标准的异常值,通过数学统计法补齐异常值和缺失值;
步骤22:对原始数据集进行等时间的间隔采样,分辨率为15min;
步骤23:对数据进行归一化操作,将所有数据通过python中MinMaxScaler操作归一到[0,1]范围内,得到数据集D1。
进一步地,在所述步骤3中,所述基于随机森林算法筛选风电功率预测数据的特征数据的方法包括:
步骤31:对所述步骤2所得数据集中的各组数据所对应下一时刻的实况功率作为标签yi以得到样例(xi,yi),令D2={(x1,y1),(x2,y2),…,(xm,ym)},其中xi=(xi1;xi2;…;xid),d表示xi由d个特征描述;
步骤32:利用随机森林算法,计算D2中xi的各特征关于标签yi的重要性并排序,筛选出具备重要性的K个特征。
进一步地,在所述步骤4中,所述以特征数据作为输入,构建TCN网络预测模型的方法包括:
步骤41:用所述步骤3筛选出的K个特征构造新的数据集X,设定X=(x1,x2,…,xm),且xi=(xi1;xi2;…;xik),利用功能函数将X从时间序列转化为适用于监督学习的多维特征数据集以进行多步、多变量的序列预测,输入时间步长为timestep,输出步长为pre_len,构造样本集D3,设定D3={(x1,y1),(x2,y2),…,(xn,yn)},其中的xi大小为(timestep,K),yi的大小为(pre_len,1),按照8:2的比例划分训练集和验证集;
步骤42:建立TCN网络预测基本模型,包括膨胀因果卷积层、LeakyReLU激活函数层、Dropout层以及残差块,设置卷积层的kernel size(k)以及膨胀系数d,其中,TCN网络的输入大小为(timestep,K),输出大小为(pre_len,1)。
进一步地,在所述步骤5中,所述通过训练和验证得到最佳TCN网络预测模型的方法包括:
步骤51:将训练集输入搭建完成的TCN模型中以进行训练,并采用网格搜索的方法对网络结构和超参数进行优化,得到训练完成的模型;
步骤52:将验证集输入所述训练完成的模型得到预测结果,判断是否满足RMSE、MAE与风电站装机容量的百分比均低于12%的指标要求,若满足则保存为最佳的模型,若不满足则返回到所述步骤51以继续优化调参得到新的模型并对新模型进行判断。
进一步地,在所述步骤6中,所述采用最佳TCN网络预测模型对风电功率进行预测的方法为将测试数据输入到保存的所述模型中以得到未来pre_len个点的风电功率预测结果。
与现有技术相比,本发明的有益效果在于,本发明提供的短期风电功率预测方法,综合考虑了多种环境因素对风电场处理带来的影响,将人工智能领域的随机森林算法和TCN神经网络应用于风电功率的预测,更准确地预测未来一段时间的风电出力,提高风电并网的可靠性。
附图说明
图1是本发明的步骤流程图;
图2是TCN网络的结构;
图3是RF-TCN模型的预测结果;
图4是RF-LSTM、RF-GRU以及RF-TCN三种模型预测结果对比。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
以下结合附图,对本发明上述的和另外的技术特征和优点作更详细的说明。
请参阅图1所示,其为本发明的步骤流程图,介绍了从原始数据到实现预测的具体流程。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
实施例1
如图1所示的基于随机森林算法和TCN的短期风电功率预测方法,具体步骤包括:
步骤1:根据分析环境因素对风电站发电功率的影响,在目标风电场内的测风塔上安装测风设备和传感器,采集测风塔上在10m、30m、50m、70m、80m这5个不同高度位置处的风速、风向,电站的实时温度、相对湿度和大气压强,并导出风电场系统的实况发电功率值,以及电站的装机容量C。将获取的目标风力电站的相关数据汇总,得到原始数据集D0;
D0=(V1,V2,V3,V4,V5,D1,D2,D3,D4,D5,T,RH,Pa,P) (1)
步骤2:对数据集D0进行预处理工作,首先处理异常值,将明显异常的值剔除掉之后和缺失值一起通过统计学的方法补齐,再对数据集进行等时间间隔采样,分辨率按照风电功率预测功能规范中的要求设置为15min,并通过python中的MinMaxScaler操作进行归一化处理以便于神经网络计算,所有的数据被归一化到[0,1]范围内,得到新数据集D1;
步骤3:将D1中的所有特征作为样本Xi的属性,其对应下一个时间点的实况功率作为标签Yi,构造样本集D2={(x1,y1),(x2,y2),…,(xm,ym)},其中xi=(xi1;xi2;…;xid),d表示xi由d个特征描述,再利用随机森林算法来计算样本集中的每个特征关于标签数据的重要性,并进行排序,筛选出重要性较高的K个特征;
步骤4:用筛选出的K个特征数据构成新的数据集并通过功能函数从时间序列转化为适用于监督学习的多维特征数据集D3,划分训练集和验证集。搭建合适的TCN神经网络模型,TCN的结构如图2所示,主要包括膨胀因果卷积层、LeakyReLU激活函数层、Dropout层、残差块、Flatten层、Dense层等,设置好卷积层的kernel size和膨胀系数d等参数。构造模型的训练样本集和验证样本集,用于进行多变量多维序列预测,其中timestep选取为64,pre_len选取为16,即用64个点的特征数据预测未来的16个点的风电功率,TCN网络中一维膨胀因果卷积层的输入大小为(64,K),最后输出大小为(16,1);
步骤5:将训练样本集代入到搭建的模型中训练,通过网格搜索的方法选择网络的超参数包括epochs、batch size、optimizers、每层卷积网络的神经元数、权重初始化方法等来优化模型,再判断验证集数据输入到模型中所得到的预测值是否达到了评价指标的要求,如果达标即保存当前模型为最佳模型,否则继续对模型进行优化调参。其中,选定的评价指标分别为均方根误差(RMSE)、平均绝对误差(MAE),要求模型预测结果的RMSE、MAE与风电站装机容量C的百分比PE1、PE2均低于12%,计算公式如下:
步骤6:将所需要测试的数据代入到得到的最佳模型中,预测未来16个点即四个小时的风电功率。
实施例2
将本发明所提出的预测方法运用到具体实验中,数据来源于我国华北地区某区域风力电站2019年的实况数据。考虑到数据的完整性,采集6月、7月、8月数据进行试验,其中6月份和7月份的数据作为训练集,8月份的数据作为验证集,并搭建RF-LSTM、RF-GRU和RF-TCN三种预测模型用于对比试验,实例验证具体为:
步骤1:采集目标风电站2019年6、7、8三个月的相关数据,得到包含V1、V2、V3、V4、V5、D1、D2、D3、D4、D5、T、RH、Pa、P共14个参数的原始数据集;
步骤2:对原始数据集进行预处理得到新数据集;
步骤3:通过随机森林算法筛选出3个特征,分别为V4、V5、P;
步骤4:将筛选出的3个特征构成多维特征数据集,6、7月份的数据为模型的训练集,8月份的数据为验证集,搭建TCN基本模型,模型的具体结构如表1所示;
步骤5:训练模型并优化调参,经验证后得到最佳模型;
步骤6:选取2019年9月17日的数据作为测试样本输入到模型中得到未来四个小时的风电功率预测结果,如图3所示。
表1 模型具体结构
Layer(type) | Output Shape | Parameters |
InputLayer | (None,64,3) | 0 |
Conv1D | (None,64,64) | 448 |
LeakyReLU | (None,64,64) | 0 |
Dropout | (None,64,64) | 0 |
Conv1D | (None,64,64) | 8256 |
LeakyReLU | (None,64,64) | 0 |
Dropout | (None,64,64) | 0 |
Conv1D | (None,64,64) | 256 |
Add | (None,64,64) | 0 |
Activation | (None,64,64) | 0 |
Dropout | (None,64,64) | 0 |
Flatten | (None,4096) | 0 |
Dense | (None,16) | 6552 |
为了验证本发明提出的预测方法的优越性,将本发明提出的预测模型(RF-TCN)与基于随机森林算法和LSTM网络的预测模型(RF-LSTM)以及基于随机森林算法和GRU网络(RF-GRU)的预测模型进行对比分析,采用均方根误差(RMSE)、绝对平均误差(MAE)和模型训练所需时间(TIME)来比较模型预测的效果,任选该电站某一天的数据作为输入,其预测结果对比如图4所示。
表2为RF-LSTM模型、RF-GRU模型、RF-TCN的预测效果对比。从表2中可以看出,RF-TCN模型的预测精度要优于RF-LSTM、RF-GRU模型,而且训练所需时间也明显少于RF-LSTM和RF-GRU模型,充分证明了本发明提出的预测方法的有效性。提高风电功率预测精度能够有效的增加电网接纳风电并网的能力,促进电网的稳定、经济运行,故本发明所提出的预测方法在实际运用中更具优势。
表2 不同模型预测结果对比
Model | RMSE(MW) | MAE(MW) | TIME |
RF-LSTM | 19796.02 | 17689.53 | 26′26″ |
RF-GRU | 19056.51 | 17007.18 | 24′33″ |
RF-TCN | 18078.11 | 16001.02 | 39″ |
上述实例分析表明:本模型可有效预测未来一段时间内的风电站的发电功率,各评价指标均比现有水平有所提升,符合现电力系统调度的基本需求,可作为风力发电输出功率的预测模型。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于随机森林算法和TCN的短期风电功率预测方法,其特征在于,包括:
步骤1,汇总风电功率预测原始数据集;
步骤2,对所述风电功率预测原始数据集进行预处理;
步骤3,基于随机森林算法,筛选风电功率预测数据的特征数据;
步骤4,以所述特征数据作为输入,构建TCN网络预测模型;
步骤5,通过训练和验证得到最佳TCN网络预测模型;
步骤6,采用最佳TCN网络预测模型对风电功率进行预测。
2.根据权利要求1所述的基于随机森林算法和TCN的短期风能功率预测方法,其特征在于,在所述步骤1中,汇总风电功率预测原始数据集的方法包括:
步骤11:采集目标风电站指定时间范围内的数据;
步骤12:选取包括五个不同高度的风速、五个不同高度的风向、温度T、湿度RH、大气压强Pa、实况功率P构成原始数据集;
其中,所述五个不同高度的风速包括V1、V2、V3、V4、V5,所述五个不同高度的风向包括D1、D2、D3、D4、D5。
3.根据权利要求1所述的基于随机森林算法和TCN的短期风能功率预测方法,其特征在于,在所述步骤2中,所述风电功率预测原始数据集预处理工作包括:
步骤21:清洗不符合标准的异常值,通过数学统计法补齐异常值和缺失值;
步骤22:对原始数据集进行等时间的间隔采样,分辨率为15min;
步骤23:对数据进行归一化操作,将所有数据通过python中MinMaxScaler操作归一到[0,1]范围内,得到数据集D1。
4.根据权利要求1所述的基于随机森林算法和TCN的短期风能功率预测方法,其特征在于,在所述步骤3中,所述基于随机森林算法筛选风电功率预测数据的特征数据的方法包括:
步骤31:对所述步骤2所得数据集中的各组数据所对应下一时刻的实况功率作为标签yi以得到样例(xi,yi),令D2{(x1,y1),(x2,y2),…,(xm,ym)},其中xi=(xi1;xi2;…;xid),d表示xi由d个特征描述;
步骤32:利用随机森林算法,计算D2中xi的各特征关于标签yi的重要性并排序,筛选出具备重要性的K个特征。
5.根据权利要求1所述的基于随机森林算法和TCN的短期风能功率预测方法,其特征在于,在所述步骤4中,所述以特征数据作为输入,构建TCN网络预测模型的方法包括:
步骤41:用所述步骤3筛选出的K个特征构造新的数据集X,设定X=(x1,x2,…,xm),且xi=(xi1;xi2;…;xik),利用功能函数将X从时间序列转化为适用于监督学习的多维特征数据集以进行多步、多变量的序列预测,输入时间步长为timestep,输出步长为pre_len,构造样本集D3,设定D3={(x1,y1),(x2,y2),…,(xn,yn)},其中的xi大小为(timestep,K),yi的大小为(pre_len,1),按照8:2的比例划分训练集和验证集;
步骤42:建立TCN网络预测基本模型,包括膨胀因果卷积层、LeakyReLU激活函数层、Dropout层以及残差块,设置卷积层的kernel size(k)以及膨胀系数d,其中,TCN网络的输入大小为(timestep,K),输出大小为(pre_len,1)。
6.根据权利要求1所述的基于随机森林算法和TCN的短期风能功率预测方法,其特征在于,在所述步骤5中,所述通过训练和验证得到最佳TCN网络预测模型的方法包括:
步骤51:将训练集输入搭建完成的TCN模型中以进行训练,并采用网格搜索的方法对网络结构和超参数进行优化,得到训练完成的模型;
步骤52:将验证集输入所述训练完成的模型得到预测结果,判断是否满足RMSE、MAE与风电站装机容量的百分比均低于12%的指标要求,若满足则保存为最佳的模型,若不满足则返回到所述步骤51以继续优化调参得到新的模型并对新模型进行判断。
7.根据权利要求1所述的基于随机森林算法和TCN的短期风能功率预测方法,其特征在于,在所述步骤6中,所述采用最佳TCN网络预测模型对风电功率进行预测的方法为将测试数据输入到保存的所述模型中以得到未来pre_len个点的风电功率预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011521190.3A CN112580874A (zh) | 2020-12-21 | 2020-12-21 | 一种基于随机森林算法和tcn的短期风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011521190.3A CN112580874A (zh) | 2020-12-21 | 2020-12-21 | 一种基于随机森林算法和tcn的短期风电功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112580874A true CN112580874A (zh) | 2021-03-30 |
Family
ID=75136473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011521190.3A Pending CN112580874A (zh) | 2020-12-21 | 2020-12-21 | 一种基于随机森林算法和tcn的短期风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580874A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113110103A (zh) * | 2021-04-22 | 2021-07-13 | 联合汽车电子有限公司 | 非线性模型预测控制优化方法及控制器 |
CN114819248A (zh) * | 2022-01-20 | 2022-07-29 | 山东浪潮科学研究院有限公司 | 一种基于随机森林的风电发电量预测方法及设备 |
CN115271225A (zh) * | 2022-08-05 | 2022-11-01 | 中国矿业大学(北京) | 一种基于小波降噪和神经网络的风力-风功率建模方法 |
CN116739172A (zh) * | 2023-06-19 | 2023-09-12 | 河海大学 | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516840A (zh) * | 2019-07-15 | 2019-11-29 | 国网甘肃省电力公司电力科学研究院 | 基于改进随机森林方法的风光发电出力的短期预测方法 |
CN110942194A (zh) * | 2019-11-27 | 2020-03-31 | 徐州上若科技有限公司 | 一种基于tcn的风电预测误差区间评估方法 |
CN112085272A (zh) * | 2020-09-07 | 2020-12-15 | 国网甘肃省电力公司电力科学研究院 | 一种风功率预测方法 |
-
2020
- 2020-12-21 CN CN202011521190.3A patent/CN112580874A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516840A (zh) * | 2019-07-15 | 2019-11-29 | 国网甘肃省电力公司电力科学研究院 | 基于改进随机森林方法的风光发电出力的短期预测方法 |
CN110942194A (zh) * | 2019-11-27 | 2020-03-31 | 徐州上若科技有限公司 | 一种基于tcn的风电预测误差区间评估方法 |
CN112085272A (zh) * | 2020-09-07 | 2020-12-15 | 国网甘肃省电力公司电力科学研究院 | 一种风功率预测方法 |
Non-Patent Citations (1)
Title |
---|
黄睿等: "计及湍流强度的风电功率短期预测", 《电网技术》, vol. 43, no. 6, pages 1907 - 1914 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113110103A (zh) * | 2021-04-22 | 2021-07-13 | 联合汽车电子有限公司 | 非线性模型预测控制优化方法及控制器 |
CN114819248A (zh) * | 2022-01-20 | 2022-07-29 | 山东浪潮科学研究院有限公司 | 一种基于随机森林的风电发电量预测方法及设备 |
CN115271225A (zh) * | 2022-08-05 | 2022-11-01 | 中国矿业大学(北京) | 一种基于小波降噪和神经网络的风力-风功率建模方法 |
CN116739172A (zh) * | 2023-06-19 | 2023-09-12 | 河海大学 | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 |
CN116739172B (zh) * | 2023-06-19 | 2023-12-08 | 河海大学 | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580874A (zh) | 一种基于随机森林算法和tcn的短期风电功率预测方法 | |
CN106779226B (zh) | 一种基于混核机器学习的风机批功率预测方法 | |
CN106447098B (zh) | 一种光伏超短期功率预测方法及装置 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN111695724B (zh) | 一种基于混合神经网络模型的风速预测方法 | |
CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
CN103489046A (zh) | 风电场短期功率预测方法 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN105512766A (zh) | 一种风电场功率预测方法 | |
CN114004139A (zh) | 一种光伏发电功率预测方法 | |
CN110365053A (zh) | 基于延迟优化策略的短期风电功率预测方法 | |
CN113159102A (zh) | 一种多时间尺度的光伏功率预测方法及系统 | |
CN114006369A (zh) | 区域风光场站功率联合预测方法、装置、电子设备和存储介质 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN111062516A (zh) | 一种基于gmdh多变量处理的风机出力预测的方法 | |
CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
CN113627674A (zh) | 一种分布式光伏电站出力预测方法、装置及存储介质 | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
CN110717623B (zh) | 融合多种天气状况的光伏发电功率预测方法及装置、设备 | |
CN111488974A (zh) | 基于深度学习神经网络的海洋风能降尺度方法 | |
CN113554203B (zh) | 基于高维网格化和LightGBM的风电预测方法及装置 | |
CN114239920A (zh) | 一种风电功率短期预测方法 | |
CN113761023A (zh) | 一种基于改进广义神经网络的光伏发电短期功率预测方法 | |
Jianli et al. | Wind power forecasting by using artificial neural networks and Grubbs criterion | |
Katranji et al. | Short-Term Wind Speed Prediction for Saudi Arabia via 1D-CNN |
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 |