CN112633551A - 基于sdae-svr-ba的风电功率深度学习预测模型优化方法 - Google Patents
基于sdae-svr-ba的风电功率深度学习预测模型优化方法 Download PDFInfo
- Publication number
- CN112633551A CN112633551A CN202011346919.8A CN202011346919A CN112633551A CN 112633551 A CN112633551 A CN 112633551A CN 202011346919 A CN202011346919 A CN 202011346919A CN 112633551 A CN112633551 A CN 112633551A
- Authority
- CN
- China
- Prior art keywords
- svr
- sdae
- bat
- model
- fitness
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 230000006870 function Effects 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 9
- 241000288673 Chiroptera Species 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract 1
- 238000010248 power generation Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000009467 reduction 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种基于SDAE‑SVR‑BA的风电功率深度学习预测模型优化方法,包括以下步骤:(1)首先对原始特征数据库中的多维NWP数据和风电场历史功率数据进行预处理;(2)采用蝙蝠算法BA对堆栈去噪自动编码器SDAE的隐含层数和隐含层节点数进行优化;(3)采用SDAE对输入数据做特征映射;(4)采用蝙蝠算法BA优化支持向量回归SVR模型中的参数g和C,g为SVR模型中核函数半径,C为SVR模型中惩罚因子;(5)再将步骤(3)映射特征的数据输入使用BA优化的SVR模型中进行预测,最后输出优化后的预测结果。本发明通过采用BA优化的SDAE‑SVR预测模型,具有出色的特征提取与抽象能力,有效提升了短期风电功率预测的精度,提高了功率预测的鲁棒性和稳定性,适合推广使用。
Description
技术领域
本发明涉及一种基于Stacked Denoising Auto Encoder-Support VectorRegression-Bat Algorithm(SDAE-SVR-BA)的风电功率深度学习预测模型优化方法,属于风电功率短期预测领域。
背景技术
风电出力具有随机性、波动性等特点,从而阻碍大规模风电并网,对电网调度和发电计划带来困难。风电功率预测是通过气象预报数据、风电场运行状态数据等参数对风力发电未来出力进行预测,提高风力发电的可预见性。因此提高风力发电功率预测精度,能有效提高风电并网能力,减小弃风限电率,为电网运行和调度提供依据,实现电网的安全与可靠运行。
风电功率预测对电力系统的安全运行与经济调度至关重要,目前对风电功率进行预测主要有以下两个问题:(1)风电预测输入数据体量大,涵盖信息量广,难以充分挖掘有效信息,需要对其特征映射;(2)风电功率预测模型复杂,难以获得最优的模型结构和参数,需要采用高效的人工智能算法对模型结构和参数优化。因此,风电功率预测需要一种可以充分挖掘历史数据中的有效信息以提高风电功率短期预测精度的风功率预测(WPP)优化模型,减少风电对电网的冲击影响,从而实现电网的稳定和安全运行,提高风力发电的经济性能。
发明内容
本发明的目的是提供一种基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法,以解决上述背景技术中存在的问题。
本发明的目的由以下技术措施实现:
一种基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法,其特征在于,包括以下步骤:(1)首先对原始特征数据库中的多维数值天气预报NWP数据和风电场历史功率数据进行预处理;(2)采用蝙蝠算法BA对堆栈去噪自动编码器SDAE的隐含层数和隐含层节点数进行优化;(3)采用SDAE对输入数据做特征映射;(4)采用蝙蝠算法BA优化支持向量回归SVR模型中的参数g和C,g为SVR模型中核函数半径,C为SVR模型中惩罚因子;(5)再将步骤(3)映射特征的数据输入使用BA优化的SVR模型中进行预测,最后输出优化后的预测结果。
2.根据权利要求1所述的一种基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法,其特征在于:步骤(2)采用BA算法对SDAE的隐含层数和隐含层节点数进行优化,具体步骤为:
(2.1)初始化蝙蝠算法各项参数值;
(2.2)计算初始蝙蝠种群中每个蝙蝠的适应度fitness;
(2.3)在每次迭代中,对于单元蝙蝠生成随机数rand1,若rand1>R(i),R(i)为第i只蝙蝠的脉冲发射率,则选择当前最佳解对第i只蝙蝠进行局部扰动,否则判断是否接受扰动后的解为新解。判断依据为:计算扰动后第i只蝙蝠的新适应度,若新适应度优于自身最优适应度或随机数rand2<A(i),A(i)为第i只蝙蝠的脉冲响度,就用扰动后的新位置替换旧位置进行储存也就是更新A(i)和R(i),否则再次进行rand1与R(i)比较;
(2.4)检索本次迭代过程中是否存在单元蝙蝠的适应度优于全局最优适应度,若存在,更新当前种群中蝙蝠的速度和位置,否则跳到步骤(2.6);
(2.5)更新响度和脉冲频率;
(2.6)判断是否满足迭代终止条件;
(2.7)如果是,输出最优训练参数,否则重新回到步骤(2.2)。
3.根据权利要求1所述的一种基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法,其特征在于:步骤(3)采用SDAE对输入数据做特征映射具体步骤为:使用步骤(1)预处理得到的数据输入到BA优化后的堆栈去噪自编码器,从高维特征数据中抽象处理得到低维特征数据。
4.根据权利要求1所述的一种基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法,其特征在于:步骤(4)采用蝙蝠算法BA优化支持向量回归SVR模型中的参数g和C,g为SVR模型中核函数半径,C为SVR模型中惩罚因子;具体步骤为:
(4.1)设定SVR模型中参数g和C的取值范围;
(4.2)将BA算法中的相关参数初始化;
(4.3)计算BA种群中各蝙蝠的适应度fitness,各蝙蝠所在位置的横坐标、纵坐标的值分别为C,g,每一个(C,g)的取值代表一种状态,相当于二维平面的横纵坐标,选取训练集进行训练和测试,适应度fitness能够体现风功率预测的准确率;
(4.4)更新蝙蝠的位置和速度,计算适应度fitness,若得到的新适应度优于原适应度,则更新的位置为最优位置,否则跳到步骤(4.6);
(4.5)更新适应度、脉冲音量和脉冲波发射率;
(4.6)判断是否满足迭代终止条件,是继续步骤(4.7);否则回到步骤(4.4);
(4.7)输出最优位置及其对应的适应度,此时,最优位置的横坐标、纵坐标值为惩罚因子C和核函数半径g的最优值;
(4.8)利用寻优后的SVR模型的核函数参数g以及惩罚因子C构建优化的BA-SVR预测模型。
5.根据权利要求3或4所述的一种基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法,其特征在于:最后再将得到的低维特征数据输入到蝙蝠算法优化过的SVR模型中进行预测,输出预测结果。
本发明达到的有益效果是:本发明方法融合了蝙蝠算法、SDAE算法以及SVR模型的有效性能,利用蝙蝠算法对栈式降噪自编码器算法中的参数以及SVR模型中的参数进行优化处理,充分挖掘了历史数据中的有效信息,进一步提高了风电功率预测的精度。该方法可以有效提高风力发电功率预测精度,提高风电并网能力,减小弃风限电率,实现电网的安全与可靠运行。
附图说明
图1为本发明的整体流程结构框图。
具体实施方式
下面结合本发明实施方式中的附图进行具体的描述,本发明的目的是提供一种充分挖掘历史数据中的有效信息,提高风力发电功率预测精度的一种基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法。
如图1所示,一种基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法,本方法分为五个步骤来实现风电功率短期预测。
对原始特征数据库中的多维NWP数据和风电场历史功率数据进行预处理;采用蝙蝠算法对SDAE的隐含层数和隐含层节点数以及SVR模型的惩罚因子参数C和核函数半径g进行优化,获得最优解;
基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法中所述的采用BA优化后的堆栈去噪自编码器对输入数据做特征映射,得到深度低维映射特征;
基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法中所述的寻优后的SVR模型的核函数参数g以及惩罚因子C构建优化的BA-SVR预测模型,再将映射特征输入到蝙蝠算法优化过的SVR模型中进行预测,输出预测结果。
一种基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法,包括如下步骤:
步骤1:对原始特征数据库中的多维NWP数据和风电场历史功率数据进行预处理;
步骤2:采用蝙蝠算法优化SDAE隐含层数和隐含层节点数,主要步骤包括:
((2.1)初始化蝙蝠算法各项参数值;
(2.2)计算初始蝙蝠种群中每个蝙蝠的适应度fitness;
(2.3)在每次迭代中,对于单元蝙蝠生成随机数rand1,若rand1>R(i),R(i)为第i只蝙蝠的脉冲发射率,则选择当前最佳解对第i只蝙蝠进行局部扰动,否则判断是否接受扰动后的解为新解。判断依据为:计算扰动后第i只蝙蝠的新适应度,若新适应度优于自身最优适应度或随机数rand2<A(i),A(i)为第i只蝙蝠的脉冲响度,就用扰动后的新位置替换旧位置进行储存也就是更新A(i)和R(i),否则再次进行rand1与R(i)比较;
(2.4)检索本次迭代过程中是否存在单元蝙蝠的适应度优于全局最优适应度,若存在,更新当前种群中蝙蝠的速度和位置,否则跳到步骤(2.6);
(2.5)更新响度和脉冲频率;
(2.6)判断是否满足迭代终止条件;
(2.7)如果是,输出最优训练参数,否则重新回到步骤(2.2)。
步骤3:采用SDAE对输入数据做特征映射,具体步骤为:使用步骤(1)预处理得到的数据输入到BA优化后的堆栈去噪自编码器,从高维特征数据中抽象处理得到低维特征数据。
步骤4:采用蝙蝠算法BA优化支持向量回归SVR模型中的参数g和C,g为SVR模型中核函数半径,C为SVR模型中惩罚因子;具体步骤为:
(4.1)设定SVR模型中参数g和C的取值范围;
(4.2)将BA算法中的相关参数初始化;
(4.3)计算BA种群中各蝙蝠的适应度fitness,各蝙蝠所在位置的横坐标、纵坐标的值分别为C,g,每一个(C,g)的取值代表一种状态,相当于二维平面的横纵坐标,选取训练集进行训练和测试,适应度fitness能够体现风功率预测的准确率;
(4.4)更新蝙蝠的位置和速度,计算适应度fitness,若得到的新适应度优于原适应度,则更新的位置为最优位置,否则跳到步骤(4.6);
(4.5)更新适应度、脉冲音量和脉冲波发射率;
(4.6)判断是否满足迭代终止条件,是继续步骤(4.7);否则回到步骤(4.4);
(4.7)输出最优位置及其对应的适应度,此时,最优位置的横坐标、纵坐标值为惩罚因子C和核函数半径g的最优值;
(4.8)利用寻优后的SVR模型的核函数参数g以及惩罚因子C构建优化的BA-SVR预测模型。步骤5:再将映射特征输入到蝙蝠算法优化过的SVR模型中进行预测,输出预测结果。
步骤5:最后再将得到的低维特征数据输入到蝙蝠算法优化过的SVR模型中进行预测,输出预测结果。
上述实施例仅说明了本发明的几种实施方式,但并不是用来限制本发明。还要指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (5)
1.一种基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法,其特征在于,包括以下步骤:(1)首先对原始特征数据库中的多维数值天气预报NWP数据和风电场历史功率数据进行预处理;(2)采用蝙蝠算法BA对堆栈去噪自动编码器SDAE的隐含层数和隐含层节点数进行优化;(3)采用SDAE对输入数据做特征映射;(4)采用蝙蝠算法BA优化支持向量回归SVR模型中的参数g和C,g为SVR模型中核函数半径,C为SVR模型中惩罚因子;(5)再将步骤(3)映射特征的数据输入使用BA优化的SVR模型中进行预测,最后输出优化后的预测结果。
2.根据权利要求1所述的一种基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法,其特征在于:步骤(2)采用BA算法对SDAE的隐含层数和隐含层节点数进行优化,具体步骤为:
(2.1)初始化蝙蝠算法各项参数值;
(2.2)计算初始蝙蝠种群中每个蝙蝠的适应度fitness;
(2.3)在每次迭代中,对于单元蝙蝠生成随机数rand1,若rand1>R(i),R(i)为第i只蝙蝠的脉冲发射率,则选择当前最佳解对第i只蝙蝠进行局部扰动,否则判断是否接受扰动后的解为新解。判断依据为:计算扰动后第i只蝙蝠的新适应度,若新适应度优于自身最优适应度或随机数rand2<A(i),A(i)为第i只蝙蝠的脉冲响度,就用扰动后的新位置替换旧位置进行储存也就是更新A(i)和R(i),否则再次进行rand1与R(i)比较;
(2.4)检索本次迭代过程中是否存在单元蝙蝠的适应度优于全局最优适应度,若存在,更新当前种群中蝙蝠的速度和位置,否则跳到步骤(2.6);
(2.5)更新响度和脉冲频率;
(2.6)判断是否满足迭代终止条件;
(2.7)如果是,输出最优训练参数,否则重新回到步骤(2.2)。
3.根据权利要求1所述的一种基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法,其特征在于:步骤(3)采用SDAE对输入数据做特征映射具体步骤为:使用步骤(1)预处理得到的数据输入到BA优化后的堆栈去噪自编码器,从高维特征数据中抽象处理得到低维特征数据。
4.根据权利要求1所述的一种基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法,其特征在于:步骤(4)采用蝙蝠算法BA优化支持向量回归SVR模型中的参数g和C,g为SVR模型中核函数半径,C为SVR模型中惩罚因子;具体步骤为:
(4.1)设定SVR模型中参数g和C的取值范围;
(4.2)将BA算法中的相关参数初始化;
(4.3)计算BA种群中各蝙蝠的适应度fitness,各蝙蝠所在位置的横坐标、纵坐标的值分别为C,g,每一个(C,g)的取值代表一种状态,相当于二维平面的横纵坐标,选取训练集进行训练和测试,适应度fitness能够体现风功率预测的准确率;
(4.4)更新蝙蝠的位置和速度,计算适应度fitness,若得到的新适应度优于原适应度,则更新的位置为最优位置,否则跳到步骤(4.6);
(4.5)更新适应度、脉冲音量和脉冲波发射率;
(4.6)判断是否满足迭代终止条件,是继续步骤(4.7);否则回到步骤(4.4);
(4.7)输出最优位置及其对应的适应度,此时,最优位置的横坐标、纵坐标值为惩罚因子C和核函数半径g的最优值;
(4.8)利用寻优后的SVR模型的核函数参数g以及惩罚因子C构建优化的BA-SVR预测模型。
5.根据权利要求3或4所述的一种基于SDAE-SVR-BA的风电功率深度学习预测模型优化方法,其特征在于:最后再将得到的低维特征数据输入到蝙蝠算法优化过的SVR模型中进行预测,输出预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011346919.8A CN112633551A (zh) | 2020-11-26 | 2020-11-26 | 基于sdae-svr-ba的风电功率深度学习预测模型优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011346919.8A CN112633551A (zh) | 2020-11-26 | 2020-11-26 | 基于sdae-svr-ba的风电功率深度学习预测模型优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633551A true CN112633551A (zh) | 2021-04-09 |
Family
ID=75304146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011346919.8A Withdrawn CN112633551A (zh) | 2020-11-26 | 2020-11-26 | 基于sdae-svr-ba的风电功率深度学习预测模型优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633551A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871002A (zh) * | 2014-03-25 | 2014-06-18 | 上海电机学院 | 基于自适应蜂群算法的风电功率预测方法及装置 |
CN111260116A (zh) * | 2020-01-10 | 2020-06-09 | 河南理工大学 | 一种基于boa-svr和模糊聚类的分时段精细化短期负荷预测方法 |
-
2020
- 2020-11-26 CN CN202011346919.8A patent/CN112633551A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871002A (zh) * | 2014-03-25 | 2014-06-18 | 上海电机学院 | 基于自适应蜂群算法的风电功率预测方法及装置 |
CN111260116A (zh) * | 2020-01-10 | 2020-06-09 | 河南理工大学 | 一种基于boa-svr和模糊聚类的分时段精细化短期负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
X.S. PENG 等: "A Deep Learning Approach for Wind Power Prediction based on Stacked Denoising Auto Encoders Optimized by Bat Algorithm", 《2018 CHINA INTERNATIONAL CONFERENCE ON ELECTRICITY DISTRIBUTION》 * |
姚海成 等: "利用蝙蝠算法优化 SVR 的太阳辐照度预测方法研究", 《可再生能源》 * |
陈巧特 等: "基于WRF数值模式的SDAE-SVR风速预测模型研究", 《宁波大学学报(理工版)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11874640B2 (en) | Wind power prediction method and system for optimizing deep transformer network | |
CN102270309B (zh) | 一种基于集成学习的短期电力负荷预测方法 | |
CN104732070A (zh) | 一种基于信息向量机的岩爆等级预测方法 | |
CN103927580A (zh) | 一种基于改进人工蜂群算法的工程约束参数优化方法 | |
CN105139264A (zh) | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 | |
CN101793907A (zh) | 一种风电场短期风速预测方法 | |
CN104992008A (zh) | 基于Hilbert空间多核函数相乘的风速预测方法 | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
CN102831475A (zh) | 用于风电场功率预测模型的正弦归一化方法 | |
CN109284818A (zh) | 一种基于事故树和遗传算法的爆破振动控制预测方法 | |
CN116933922A (zh) | 基于woa-cnn-lstm光伏发电功率预测的方法 | |
Li et al. | Numerical weather prediction correction strategy for short-term wind power forecasting based on bidirectional gated recurrent unit and XGBoost | |
CN105046057A (zh) | 基于Morlet小波核的LSSVM脉动风速预测方法 | |
CN114444755A (zh) | 一种风电短期功率预测方法、装置及可读存储介质 | |
CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及系统 | |
Wang et al. | An LSTM-attention wind power prediction method considering multiple factors | |
CN112633551A (zh) | 基于sdae-svr-ba的风电功率深度学习预测模型优化方法 | |
Morales-Hernández et al. | Online learning of windmill time series using Long Short-term Cognitive Networks | |
CN116628488A (zh) | 风电功率预测模型的训练方法、风电功率预测方法及设备 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
Zhang et al. | A Novel Combined Model Based on Hybrid Data Decomposition, MSWOA and ENN for Short-Term Wind Speed Forecasting | |
CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
Sun et al. | Optimization Design of Wind Turbine Blade Based on an Improved Particle Swarm Optimization Algorithm Combined with Non‐Gaussian Distribution | |
CN109359671A (zh) | 一种水电站水库调度规则的分类智能提取方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210409 |