CN112862274A - 一种基于WRF-LES和DeepAR相结合的风功率预测方法 - Google Patents
一种基于WRF-LES和DeepAR相结合的风功率预测方法 Download PDFInfo
- Publication number
- CN112862274A CN112862274A CN202110100512.5A CN202110100512A CN112862274A CN 112862274 A CN112862274 A CN 112862274A CN 202110100512 A CN202110100512 A CN 202110100512A CN 112862274 A CN112862274 A CN 112862274A
- Authority
- CN
- China
- Prior art keywords
- model
- wrf
- les
- wind power
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 claims abstract description 35
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013398 bayesian method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000053 physical method Methods 0.000 abstract description 6
- 238000011160 research Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005293 physical law Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 235000008446 instant noodles Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
- 230000002123 temporal 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于WRF‑LES和DeepAR相结合的风功率预测方法，包括以下步骤：下载全球粗分辨率气象预报数据；在目标区域运行WRF‑LES模型，进行气象模拟；结合WRF‑LES模型的多个气象指标数据源，以此作为DeepAR深度学习建模的基础数据；利用建立的DeepAR深度学习风功率预测模型，将WRF‑LES模型输出的高分辨率未来气象预报信息作为输入，即可预测得到指定风机站点的输出功率结果。本发明采用物理方法和深度学习方法相结合的方式进行风功率预测，充分考虑风速、风向、空气密度、大气湿度等因素，增加输入信息量，减小预测偏差。
Description
技术领域
本发明涉及一种风功率预测方法，尤其涉及一种基于WRF-LES和DeepAR相结合的风功率预测方法。
背景技术
风功率预测是根据风电场气象信息，结合风电机组的设备状态和运行工况，利用物理模拟计算和科学统计方法，建立风电场输出功率的预测模型，从而预测风电场的功率，实现电力调度部门对风电调度的要求。
根据风电功率预测模型的不同可分为物理方法、统计方法、学习方法和上述模型组合方法。物理方法是采用数值天气预报模型预测风速，将其作为其他统计模型输入进行功率预测。统计和学习方法通常不考虑风速变化的物理过程，而是基于历史统计数据和风电场输出功率之间建立映射关系来进行预测。这类方法预测精度随时间的增加而下降。组合方法通常包括物理和统计方法、学习方法的组合，可以降低风电功率预测误差，使预测精度大大提升。
WRF模式是由美国环境预报中心，美国国家大气研究中心以及多个大学、研究所和业务部门联合研发的一种统一的中尺度天气预报模式。WRF模型是一种广泛使用的气象模型，可以模拟1-10km分辨率的天气现象，但其对更百米级的精细模拟尚不能达到很好的效果。已有的风功率预测方法多直接采用WRF模型作为数值天气预报模型，得到数公里级分辨率的气象信息作为风功率预测的输入，使得气象信息存在一定误差，从而导致风功率预测误差增大。
已有的风功率预测组合方法主要采用数值天气预报模型与人工神经网络相结合的方法，由于数值预报模型提供的气象信息输入存在误差，且很多预测模型只将风速作为单一变量作为输入数据，但风能还受周围环境因素、物理因素影响，导致风功率预测模型带来偏差。而传统的时间序列预测方法往往针对一维时间序列本身建模，难以利用额外特征。此外，传统方法的预测目标通常是序列在每个时间步上的取值。
发明内容
为了解决上述技术所存在的不足之处，本发明提供了一种基于WRF-LES和DeepAR相结合的风功率预测方法，通过数值天气预报模型WRF与大涡模拟LES相结合，提供更高分辨率以及更高精度的气象数据，同时结合DeepAR深度学习模型，获得一种新的更可靠的风电功率预测方法。
为了解决以上技术问题，本发明采用的技术方案是：一种基于WRF-LES和DeepAR相结合的风功率预测方法，包括以下步骤：
步骤一：下载全球粗分辨率气象预报数据；
步骤二：在目标区域运行WRF-LES模型，进行气象模拟；
步骤三：建立DeepAR深度学习风功率预测模型：结合WRF-LES模型的多个气象指标数据源，以此作为DeepAR深度学习建模的基础数据；
步骤四：利用建立的DeepAR深度学习风功率预测模型，将WRF-LES模型输出的高分辨率未来气象预报信息作为输入，即可预测得到指定风机站点的输出功率结果。
进一步地，步骤一中，所用数据为GFS气象数据，分辨率为0.25°×0.25°，时间分辨率为每小时。
进一步地，步骤三中，DeepAR深度学习的建模过程为:
I、数据预处理：
(1)将数据进行标准化处理，提高模型参数搜索速度；
(2)采用EM算法进行缺失值填，保证数据质量；
(3)采用IForest算法检测出异常值，用KNN算法予以修正，保证模型稳定性；
II、模型训练：
(1)由于该算法是采用神经网络去近似一个AR过程，属于深度学习范畴，是一个端到端模型，故直接加载DeepAR的神经网络结构，采用贝叶斯方法进行超参数优化；
(2)训练完成的模型保存下来，供预测使用；
III、预测：直接调取训练好的模型，加载一部分滞后期数据即可进行预测。
进一步地，步骤三中，WRF模型运行后，其结果文件中包含温度、压强、湿度、风速多个气象参数指标。
本发明采用物理方法和深度学习方法相结合的方式进行风功率预测，具体为利用数值天气预报模式WRF-LES(物理方法)预报得到的气象信息，包括站点的风速、风向、空气密度、温度、湿度等信息作为DeepAR深度学习算法的输入，经过数据预处理、模型训练、模型选择最终得到基于DeepAR的深度学习风功率预测模型，再根据WRF-LES输出的未来气象信息(风速、风向、空气密度、温度、湿度等)，预测得到风机的输出功率，将WRF-LES模拟出来的高分辨率气象信息作为输入，通过DeepAR算法建立风功率预测模型，获得风场中特定机位的风功率预测信息(预测信息为风机的输出功率，单位为kW，表征风机单位时间内把风能转化为电能的大小)。本发明充分考虑风速、风向、空气密度、大气湿度等因素，增加输入信息量，减小预测偏差。
与现有技术相比，本发明具有以下有益效果：
1)通过数值预报模型WRF与大涡模拟相结合，提供更高分辨率以及更高精度的气象数据，作为DeepAR深度学习风功率预测模型的输入；
2)基于DeepAR的深度学习方法，将截面数据信息和时间数据信息结合，既考虑了时间的趋势性，避免了截面数据模型预测出现的极度不稳定性；又考虑了气象类截面数据的一般物理规律，使风功率预测结果更加合理。
附图说明
图1为本发明的整体框架图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示的一种基于WRF-LES和DeepAR相结合的风功率预测方法，包括以下步骤：
步骤一：下载全球粗分辨率气象预报数据；本发明所用数据为GFS气象数据，分辨率为0.25°×0.25°，时间分辨率为每小时。
全球预报系统(GFS)是由美国国家环境预测中心(NCEP)制作的天气预报模型。通过该数据集可以获得数十种大气和土地土壤变量，从温度，风和降水到土壤湿度和大气臭氧浓度。GFS覆盖了整个地球，网格点之间的基本水平分辨率为18英里(28公里)，供运营预报员使用，他们预测未来16天的天气。在一周到两周之间的预测中，水平分辨率下降到网格点之间的44英里(70公里)。GFS数据集为开源数据集，可从NOAA网站上免费下载。网站链接为：https://www.ncdc.noaa.gov/data-access/model-data/model-datasets/global-forcast-system-gfs。
步骤二：在目标区域运行WRF-LES模型，进行气象模拟；
WRF模型是为大气研究和预测设计的新一代中尺度数值天气预报系统。该模型可用于数千米到数千公里范围内的广泛气象应用。开发WRF的工作始于1990年代后期，是美国环境预测中心(NCEP)，美国国家大气研究中心(NCAR)等美国的科研机构为中心开发的一种统一的气象模式。
WRF模拟是一种通用的技术，主要包括如下五个步骤：
(1)geogrid.exe：定义模型运行空间，以及嵌套区域。
(2)ungrib.exe：进行数据重投影，转坐标。
(3)metgrid.exe：对地表参数、气象数据进行时空插值。
(4)real.exe：初始化程序，生成为初始时刻的状态和模拟时刻的侧边界状态。
(5)wrf.exe：主程序运行，得到模型输出目标区域气象场数据。
其中，geogrid.exe、ungrib.exe、metgrid.exe、real.exe、real.exe均是WRF自带的程序，此处不再赘述。
本发明基于将WRF模型与大涡模拟相结合，使用5层嵌套网格(如表1所示)，最高分辨率为167m，可以模拟得到百米级网格站点的气象数据，为风功率预测模型训练和预测提供更高精度的气象输入。
表1WRF-LES模式5层嵌套网格设置
| 区域 | 类型 | PBL物理方案 | 水平分辨率/km | 时间步长/s |
| D1 | 中尺度 | YSU | 13.5 | 54 |
| D2 | 中尺度 | YSU | 4.5 | 18 |
| D3 | 中尺度 | YSU | 1.5 | 6 |
| D4 | 小尺度 | 无 | 0.5 | 2 |
| D5 | 小尺度 | 无 | 0.167 | 0.666 |
其中，PBL代表行星边界层；YSU代表延世大学做的参数化方案，此处的参数化方案是现有公开使用的，因此不再展开描述。
本发明在WRF基础上引入了大涡模拟(Large-eddy simulation)，可以显式地解析较大尺度的湍流而参数化较小尺度的湍流。通过对研究区域采用WRF-LES模拟，可以得到百米级甚至更高分辨率的气象信息，作为风功率预测的输入，从而大大提升风功率预测精度。
步骤三：结合WRF-LES模型的多个气象指标数据源(WRF模型运行后，其结果文件中包含温度、压强、湿度、风速等多个气象参数指标，以此作为DeepAR深度学习建模基础数据，DeepAR深度学习的具体建模步骤为:
I、数据预处理：
(1)将数据进行标准化处理，提高模型参数搜索速度；
(2)采用EM算法进行缺失值填，保证数据质量；
(3)采用IForest算法检测出异常值，用KNN算法予以修正，保证模型稳定性；
II、模型训练：
(1)由于该算法是采用神经网络去近似一个AR过程，属于深度学习范畴，是一个端到端模型，故直接加载DeepAR的神经网络结构，采用贝叶斯方法进行超参数优化；
(2)训练完成的模型保存下来，供预测使用；
III、预测：直接调取训练好的模型，加载一部分滞后期数据即可进行预测。
本发明采用的深度学习方法为DeepAR。DeepAR是Amazon于2017年提出的基于深度学习的时间序列预测方法，目前已集成到Amazon SageMaker和GluonTS中。前者是AWS的机器学习云平台，后者是Amazon开源的时序预测工具库。
基于神经网络的DeepAR方法可以很方便地将额外的特征纳入考虑，且其预测目标是序列在每个时间步上取值的概率分布。在特定场景下，概率预测比单点预测更有意义。
基于DeepAR的深度学习方法，将截面数据信息和时间数据信息结合，既考虑了时间的趋势性，避免了截面数据模型预测出现的极度不稳定性；又考虑了气象类截面数据的一般物理规律，使预测结果更加合理。
步骤四：利用建立的DeepAR深度学习风功率预测模型，将WRF-LES模型输出的高分辨率未来气象预报信息作为输入，即可预测得到指定风机站点的输出功率结果。
本发明通过WRF-LES和DeepAR相结合，将WRF-LES模拟出来的高分辨率气象信息作为输入，通过DeepAR建立风功率预测模型，获得风场中特定机位的风功率预测信息。本发明充分考虑风向、空气密度、大气湿度等因素，增加输入信息量，减小预测偏差。
本发明所用风功率预测方法为基于数值天气预报模型和深度学习模型的组合预报方法。本发明所用数值天气预报模型为WRF模型，采用的深度学习方法为DeepAR。
其中，WRF(The Weather Research And Forecasting Model)模式是由美国环境预报中心，美国国家大气研究中心以及多个大学、研究所和业务部门联合研发的一种统一的中尺度天气预报模式。
LES(Large Eddy simulation)，即大涡模拟是目前流体模拟研究的主要手段之一，在气象研究方面，LES模拟的基本思想也被广泛采纳。WRF模式作为新一代中尺度数值天气模式，一方面可以方便地利用全球预报或再分析资料作为初边界条件，另一方面又同时具备开展LES所需的动力框架及物理方案。LES模拟能够较好地克服在直接数值模拟中遇到的计算量过大障碍，同时WRF模式的诸多特点使其可作为LES模拟的稳定运行平台，为构建LES模拟提供便利的条件。两者的结合使得在当前计算水平下，研究小尺度数值天气模拟成为可能。
DeepAR是一个自回归循环神经网络，使用递归神经网络(RNN)结合自回归AR来预测标量(一维)时间序列。在很多应用中，会有跨一组具有代表性单元的多个相似时间序列。DeepAR会结合多个相似的时间序列，例如是不同方便面口味的销量数据，通过深度递归神经网络学习不同时间序列内部的关联特性，使用多元或多重的目标个数来提升整体的预测准确度。
上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。
Claims (4)
1.一种基于WRF-LES和DeepAR相结合的风功率预测方法，其特征在于：所述方法包括以下步骤：
步骤一：下载全球粗分辨率气象预报数据；
步骤二：在目标区域运行WRF-LES模型，进行气象模拟；
步骤三：建立DeepAR深度学习风功率预测模型：结合WRF-LES模型的多个气象指标数据源，以此作为DeepAR深度学习建模的基础数据；
步骤四：利用建立的DeepAR深度学习风功率预测模型，将WRF-LES模型输出的高分辨率未来气象预报信息作为输入，即可预测得到指定风机站点的输出功率结果。
2.根据权利要求1所述的基于WRF-LES和DeepAR相结合的风功率预测方法，其特征在于：所述步骤一中，所用数据为GFS气象数据，分辨率为0.25°×0.25°，时间分辨率为每小时。
3.根据权利要求2所述的基于WRF-LES和DeepAR相结合的风功率预测方法，其特征在于：所述步骤三中，DeepAR深度学习的建模过程为:
I、数据预处理：
(1)将数据进行标准化处理，提高模型参数搜索速度；
(2)采用EM算法进行缺失值填，保证数据质量；
(3)采用IForest算法检测出异常值，用KNN算法予以修正，保证模型稳定性；
II、模型训练：
(1)由于该算法是采用神经网络去近似一个AR过程，属于深度学习范畴，是一个端到端模型，故直接加载DeepAR的神经网络结构，采用贝叶斯方法进行超参数优化；
(2)训练完成的模型保存下来，供预测使用；
III、预测：直接调取训练好的模型，加载一部分滞后期数据即可进行预测。
4.根据权利要求3所述的基于WRF-LES和DeepAR相结合的风功率预测方法，其特征在于：所述步骤三中，WRF模型运行后，其结果文件中包含温度、压强、湿度、风速多个气象参数指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110100512.5A CN112862274A (zh) | 2021-01-26 | 2021-01-26 | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110100512.5A CN112862274A (zh) | 2021-01-26 | 2021-01-26 | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112862274A true CN112862274A (zh) | 2021-05-28 |
Family
ID=76008786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110100512.5A Pending CN112862274A (zh) | 2021-01-26 | 2021-01-26 | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112862274A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610174A (zh) * | 2021-08-13 | 2021-11-05 | 中南大学 | 基于Phik特征选择的电网主机负载预测方法、设备及介质 |
| CN113780833A (zh) * | 2021-09-15 | 2021-12-10 | 南京航空航天大学 | 一种台风登陆影响区风场危险性评估方法和装置 |
| CN113917566A (zh) * | 2021-09-28 | 2022-01-11 | 国网湖南省电力有限公司 | 考虑效率-资源最优平衡的微地形气象预测方法及系统 |
| CN115204059A (zh) * | 2022-08-03 | 2022-10-18 | 中国环境科学研究院 | 一种基于深度学习气象场模拟仿真器 |
-
2021
- 2021-01-26 CN CN202110100512.5A patent/CN112862274A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610174A (zh) * | 2021-08-13 | 2021-11-05 | 中南大学 | 基于Phik特征选择的电网主机负载预测方法、设备及介质 |
| CN113780833A (zh) * | 2021-09-15 | 2021-12-10 | 南京航空航天大学 | 一种台风登陆影响区风场危险性评估方法和装置 |
| CN113780833B (zh) * | 2021-09-15 | 2023-11-28 | 南京航空航天大学 | 一种台风登陆影响区风场危险性评估方法和装置 |
| CN113917566A (zh) * | 2021-09-28 | 2022-01-11 | 国网湖南省电力有限公司 | 考虑效率-资源最优平衡的微地形气象预测方法及系统 |
| CN113917566B (zh) * | 2021-09-28 | 2023-06-27 | 国网湖南省电力有限公司 | 考虑效率-资源最优平衡的微地形气象预测方法及系统 |
| CN115204059A (zh) * | 2022-08-03 | 2022-10-18 | 中国环境科学研究院 | 一种基于深度学习气象场模拟仿真器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mahmoud et al. | An advanced approach for optimal wind power generation prediction intervals by using self-adaptive evolutionary extreme learning machine | |
| CN111210082B (zh) | 一种基于优化的bp神经网络算法的降水量预测方法 | |
| CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
| CN112348292B (zh) | 一种基于深度学习网络的短期风电功率预测方法和系统 | |
| CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
| CN114493050B (zh) | 多维度融合的新能源功率并联预测方法和装置 | |
| CN107507097A (zh) | 一种风电功率短期预测方法 | |
| CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
| Liu et al. | Short-term wind power forecasting based on TS fuzzy model | |
| CN114970952A (zh) | 一种考虑环境因素的光伏出力短期预测方法及系统 | |
| Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
| CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
| CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
| 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 | |
| Dhaked et al. | Power output forecasting of solar photovoltaic plant using LSTM | |
| CN113344252A (zh) | 一种基于虚拟气象技术的风功率预测方法 | |
| CN107358059A (zh) | 短期光伏能量预测方法和装置 | |
| Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
| CN110416996A (zh) | 一种基于云平台的分布式光伏集群功率预测系统 | |
| Cao et al. | Development of short-term wind power forecasting methods | |
| CN112784477A (zh) | 一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法 | |
| CN116485004A (zh) | 一种基于功率热图和卷积神经网络的风电功率预测方法 | |
| CN105205560A (zh) | 一种基于正负误差变权的光伏发电功率预测方法 | |
| Halidah et al. | Short-Term Wind Forecasting with Weather Data using Deep Learning-Case Study in Baron Techno Park | |
| CN114418167A (zh) | 一种基于高原山地多元气象新能源发电功率预测优化方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210528 |
|
| WD01 | Invention patent application deemed withdrawn after publication |