CN112949904A - 一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法 - Google Patents

一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法 Download PDF

Info

Publication number
CN112949904A
CN112949904A CN202110118904.4A CN202110118904A CN112949904A CN 112949904 A CN112949904 A CN 112949904A CN 202110118904 A CN202110118904 A CN 202110118904A CN 112949904 A CN112949904 A CN 112949904A
Authority
CN
China
Prior art keywords
data
wind power
power plant
correlation
training
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
CN202110118904.4A
Other languages
English (en)
Other versions
CN112949904B (zh
Inventor
彭小圣
王洪雨
贾诗媛
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and 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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202110118904.4A priority Critical patent/CN112949904B/zh
Publication of CN112949904A publication Critical patent/CN112949904A/zh
Application granted granted Critical
Publication of CN112949904B publication Critical patent/CN112949904B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明公开一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法，将采集到的的数据划分为两个数据集，分别作为迁移学习的目标风电场和源风电场，首先根据与目标风电场的相关程度对源风电场的数据样本进行了多层级划分，然后基于多层级的源风电场数据样本构建目标风电场的多层级深度迁移学习模型，最后采用特征选择的方法对多层级深度迁移学习模型进行优化，通过该方法预测可以减少数据训练规模，避免数据过度拟合，具有推广价值。

Description

一种基于特征选择与多层级深度迁移学习的风电场短期功率 预测方法
技术领域
本发明涉及一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法，属于新能源功率预测领域。
背景技术
随着风电装机容量的逐年递增，风力发电成为有力的新能源发电手段，因此风力发电的问题与日益增长的电力需求之间的矛盾日益突出。风力发电的随机性和不稳定性对于风电并网带来了难题，因此对于风功率预测的需求不断增长。
由于风电场实际运行中需要不断地改造，维护，并且风电并网运行时间短，因此风电运行的数据累计较少，对于需要大量数据进行预测的网络模型的预测精度造成了较大影响。此外，浅层神经网络对于复杂信息的处理效果较差，因此，风电场短期功率预测仍需较大提高。
通过构建多层级深度迁移学习可以针对不同类型的数据展开学习，因此其对于捕捉复杂数据间的内在联系表现更加突出，基于特征选择，可以有效剔除冗余数据，减少数据处理的复杂性，提高数据的有效程度。
发明内容
本发明的目的是提供一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法，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：
一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法，包括以下步骤：
S1：采集风电场数据，用于数据划分和相关性分析；
S2：建立多层级深度迁移学习模型：将已划分相关性程度的数据按照相关性由弱到强的顺序依次训练BP神经网络预测模型的隐含层，直至相关性最高的数据被用于训练；
S3：在多层级深度迁移学习模型的基础上，对每一层级的迁移学习采用基于序列前向浮动搜索的特征选择，选取与目标领域相关的特征迁移至下一层级，将每层选取的特征迁移输入对应的BP神经网络预测模型中同相关性程度的数据一起训练，直至相关性最高的数据用于训练；
S4：通过目标风电场数据对得出的BP神经网络预测模型参数进行参数调整和模型检验，得到最终的预测模型。
进一步地，S1的具体步骤包括：
S1.1：采集风电场时间步长15min，连续600天的数据；
S1.2：将采集到的的数据划分为两个数据集，其中10％的数据作为迁移学习的目标风电场数据，90％的数据作为迁移学习的源风电场数据；
S1.3：基于目标风电场的少量数据建立预测模型，用该模型对源风电场数据进行评估，基于评估结果与是实际功率进行相关性分析，按照相关性程度将对源风电场的数据进行数据划分；
S1.4：将目标风电场前300天的数据丢弃，保留后300天的数据，以此构建迁移学习场景；
S1.5：将目标风电场保留的后300天的数据进行数据划分，其中前100天的数据用于迁移学习模型的训练，后200天的数据用于迁移学习模型的测试；
进一步地，S2的具体步骤包括：
S2.1：基于相关性程度高低，以0.01作为数据步长，将源风电场数据的相关性由弱至强的方式进行划分为多组相关性不同的源域数据；
S2.2：使用相关性最低的源域数据训练单隐含层的BP神经网络预测模型，去掉BP网络的输出层，添加新的隐含层用于下一相关性稍高的源域数据训练，并添加新的输出层；
S2.3：使用相关性稍高的源域数据训练S2.2的新的隐含层BP神经网络预测模型，去掉BP网络的输出层后添加又一新的隐含层用于下一相关性最高的源域数据训练，并添加新的输出层；
S2.4：以此类推，直至相关性最高的源域数据被用于训练上一步添加的最新的隐含层BP神经网络预测模型，去掉BP网络的输出层，添加新的隐含层得到训练后的BP神经网络预测模型。
进一步地，S3的具体步骤包括：
S3.1:选择互信息量作为特征选择方法的度量指标最大相关–最小冗余(mRMR)方法中的准则函数作为特征选择方法的准则函数；
S3.2：对多层深度迁移学习模型的每一层级的迁移学习采用基于序列前向浮动搜索的特征选择，从目标风电场保留的后300天的前100天的数据中选取与目标领域相关的特征迁移至下一层级。
进一步地，S4的具体步骤包括：用目标风电场的少量历史数据对相关性最高的源域数据训练得到的BP神经网络预测模型参数进行微调，并将目标风电场的后200天的数据对参数微调后的BP神经网络预测模型模型进行测试，并得到最终的风电场短期功率预测模型。
本发明达到的有益效果是：一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法，通过迁移学习的方法，减少训练数据的规模，避免的预测结果出现过度拟合的情况，通过基于浮动搜索的启发式特征选择方法，可以高效剔除冗余数据，减少了嵌套问题的产生，综合使用基于特征选择与多层级深度迁移学习的风电场短期功率预测方法，可以有效提高预测模型精度，对风功率预测具有重要作用。
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基于特征选择与多层级深度迁移学习的风电场短期功率预测方法。
如图1所示，一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法，包括以下步骤：
S1：采集风电场数据，用于数据划分和相关性分析，其具体步骤包括：
S1.1：采集风电场时间步长15min，连续600天的数据；
S1.2：将采集到的的数据划分为两个数据集，其中10％的数据作为迁移学习的目标风电场数据，90％的数据作为迁移学习的源风电场数据；
S1.3：基于目标风电场的少量数据建立预测模型，用该模型对源风电场数据进行评估，基于评估结果与是实际功率进行相关性分析，按照相关性程度将对源风电场的数据进行数据划分；
S1.4：将目标风电场前300天的数据丢弃，保留后300天的数据，以此构建迁移学习场景；
S1.5：将目标风电场保留的后300天的数据进行数据划分，其中前100天的数据用于迁移学习模型的训练，后200天的数据用于迁移学习模型的测试；
S2：建立多层级深度迁移学习模型：将已划分相关性程度的数据按照相关性由弱到强的顺序依次训练BP神经网络预测模型的隐含层，直至相关性最高的数据被用于训练，其具体步骤包括：
S2.1：基于相关性程度高低，以0.01作为数据步长，将源风电场数据的相关性由弱至强的方式进行划分为多组相关性不同的源域数据；
S2.2：使用相关性最低的源域数据训练单隐含层的BP神经网络预测模型，去掉BP网络的输出层，添加新的隐含层用于下一相关性稍高的源域数据训练，并添加新的输出层；
S2.3：使用相关性稍高的源域数据训练S2.2的新的隐含层BP神经网络预测模型，去掉BP网络的输出层后添加又一新的隐含层用于下一相关性最高的源域数据训练，并添加新的输出层；
S2.4：以此类推，直至相关性最高的源域数据被用于训练上一步添加的最新的隐含层BP神经网络预测模型，去掉BP网络的输出层，添加新的隐含层得到训练后的BP神经网络预测模型。
S3：在多层级深度迁移学习模型的基础上，对每一层级的迁移学习采用基于序列前向浮动搜索的特征选择，选取与目标领域相关的特征迁移至下一层级，将每层选取的特征迁移输入对应的BP神经网络预测模型中同相关性程度的数据一起训练，直至相关性最高的数据用于训练，其具体步骤包括：
S3.1:选择互信息量作为特征选择方法的度量指标最大相关–最小冗余(mRMR)方法中的准则函数作为特征选择方法的准则函数；
S3.2：对多层深度迁移学习模型的每一层级的迁移学习采用基于序列前向浮动搜索的特征选择，从目标风电场保留的后300天的前100天的数据中选取与目标领域相关的特征迁移至下一层级。
S4：通过目标风电场数据对得出的BP神经网络预测模型参数进行参数调整和模型检验，得到最终的预测模型，其具体步骤包括：用目标风电场的少量历史数据对相关性最高的源域数据训练得到的BP神经网络预测模型参数进行微调，并将目标风电场的后200天的数据对参数微调后的BP神经网络预测模型模型进行测试，并得到最终的风电场短期功率预测模型。

Claims (5)

1.一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法，其特征在于按以下步骤进行：
S1：采集风电场数据，用于数据划分和相关性分析；
S2：建立多层级深度迁移学习模型：将已划分相关性程度的数据按照相关性由弱到强的顺序依次训练BP神经网络预测模型的隐含层，直至相关性最高的数据被用于训练；
S3：在多层级深度迁移学习模型的基础上，对每一层级的迁移学习采用基于序列前向浮动搜索的特征选择，选取与目标领域相关的特征迁移至下一层级，将每层选取的特征迁移输入对应的BP神经网络预测模型中同相关性程度的数据一起训练，直至相关性最高的数据用于训练；
S4：通过目标风电场数据对得出的BP神经网络预测模型参数进行参数调整和模型检验，得到最终的预测模型。
2.根据权利要求1中所述的风电场短期功率预测方法，其特征在于，所述S1步骤中，其具体步骤包括：
S1.1：采集风电场时间步长15min，连续600天的数据；
S1.2：将采集到的的数据划分为两个数据集，其中10％的数据作为迁移学习的目标风电场数据，90％的数据作为迁移学习的源风电场数据；
S1.3：基于目标风电场的少量数据建立预测模型，用该模型对源风电场数据进行评估，基于评估结果与是实际功率进行相关性分析，按照相关性程度将对源风电场的数据进行数据划分；
S1.4：将目标风电场前300天的数据丢弃，保留后300天的数据，以此构建迁移学习场景；
S1.5：将目标风电场保留的后300天的数据进行数据划分，其中前100天的数据用于迁移学习模型的训练，后200天的数据用于迁移学习模型的测试。
3.根据权利要求1或2中所述的风电场短期功率预测方法，其特征在于，所述S2步骤中，其具体步骤包括：
S2.1：基于相关性程度高低，以0.01作为数据步长，将源风电场数据的相关性由弱至强的方式进行划分为多组相关性不同的源域数据；
S2.2：使用相关性最低的源域数据训练单隐含层的BP神经网络预测模型，去掉BP网络的输出层，添加新的隐含层用于下一相关性稍高的源域数据训练，并添加新的输出层；
S2.3：使用相关性稍高的源域数据训练S2.2的新的隐含层BP神经网络预测模型，去掉BP网络的输出层后添加又一新的隐含层用于下一相关性最高的源域数据训练，并添加新的输出层；
S2.4：以此类推，直至相关性最高的源域数据被用于训练上一步添加的最新的隐含层BP神经网络预测模型，去掉BP网络的输出层，添加新的隐含层得到训练后的BP神经网络预测模型。
4.根据权利要求3中所述的风电场短期功率预测方法，其特征在于，所述S3步骤中，具体步骤包括：
S3.1:选择互信息量作为特征选择方法的度量指标最大相关–最小冗余(mRMR)方法中的准则函数作为特征选择方法的准则函数；
S3.2：对多层深度迁移学习模型的每一层级的迁移学习采用基于序列前向浮动搜索的特征选择，从目标风电场保留的后300天的前100天的数据中选取与目标领域相关的特征迁移至下一层级。
5.根据权利要求1中所述的风电场短期功率预测方法，其特征在于，所述S4步骤中，其具体步骤包括：用目标风电场的少量历史数据对相关性最高的源域数据训练得到的BP神经网络预测模型参数进行微调，并将目标风电场的后200天的数据对参数微调后的BP神经网络预测模型模型进行测试，并得到最终的风电场短期功率预测模型。
CN202110118904.4A 2021-01-28 2021-01-28 一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法 Active CN112949904B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110118904.4A CN112949904B (zh) 2021-01-28 2021-01-28 一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110118904.4A CN112949904B (zh) 2021-01-28 2021-01-28 一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法

Publications (2)

Publication Number Publication Date
CN112949904A true CN112949904A (zh) 2021-06-11
CN112949904B CN112949904B (zh) 2022-06-07

Family

ID=76238689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110118904.4A Active CN112949904B (zh) 2021-01-28 2021-01-28 一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法

Country Status (1)

Country Link
CN (1) CN112949904B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570132A (zh) * 2021-07-23 2021-10-29 华中科技大学 一种时空气象特征提取与深度学习的风电功率预测方法
CN113792919A (zh) * 2021-09-02 2021-12-14 华中科技大学 一种基于迁移学习深度学习相结合的风电功率预测方法
CN115169543A (zh) * 2022-09-05 2022-10-11 广东工业大学 一种基于迁移学习的短期光伏功率预测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268627A (zh) * 2014-09-10 2015-01-07 天津大学 一种基于深度神经网络迁移模型的短期风速预报方法
US20160224892A1 (en) * 2015-01-29 2016-08-04 Panasonic Intellectual Property Management Co., Ltd. Transfer learning apparatus, transfer learning system, transfer learning method, and recording medium
CN105844331A (zh) * 2015-01-15 2016-08-10 富士通株式会社 神经网络系统及该神经网络系统的训练方法
US20180025271A1 (en) * 2016-07-21 2018-01-25 Panasonic Intellectual Property Management Co., Ltd. Learning apparatus, identifying apparatus, learning and identifying system, and recording medium
CN109558942A (zh) * 2018-11-20 2019-04-02 电子科技大学 一种基于浅度学习的神经网络迁移方法
CN109711620A (zh) * 2018-12-26 2019-05-03 浙江大学 一种基于gru神经网络和迁移学习的短期电力负荷预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268627A (zh) * 2014-09-10 2015-01-07 天津大学 一种基于深度神经网络迁移模型的短期风速预报方法
CN105844331A (zh) * 2015-01-15 2016-08-10 富士通株式会社 神经网络系统及该神经网络系统的训练方法
US20160224892A1 (en) * 2015-01-29 2016-08-04 Panasonic Intellectual Property Management Co., Ltd. Transfer learning apparatus, transfer learning system, transfer learning method, and recording medium
US20180025271A1 (en) * 2016-07-21 2018-01-25 Panasonic Intellectual Property Management Co., Ltd. Learning apparatus, identifying apparatus, learning and identifying system, and recording medium
CN109558942A (zh) * 2018-11-20 2019-04-02 电子科技大学 一种基于浅度学习的神经网络迁移方法
CN109711620A (zh) * 2018-12-26 2019-05-03 浙江大学 一种基于gru神经网络和迁移学习的短期电力负荷预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
AQSA SAEED QURESHI: ""Adaptive transfer learning in deep neural networks: Wind power prediction using knowledge transfer from region to region and between different task domains"", 《COMPUTATIONAL INTELLIGENCE》, 31 December 2019 (2019-12-31), pages 1088 - 1112 *
MAXIME OQUAB: ""Learning and Transferring Mid-Level Image Representations using Convolutional Neural Networks"", 《2014 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, 31 December 2014 (2014-12-31), pages 1717 - 1724 *
WENZE LI: ""A Short-Term Regional Wind Power Prediction Method Based on XGBoost and Multi-stage Features Selection"", 《2020 IEEE STUDENT CONFERENCE ON ELECTRIC MACHINES AND SYSTEMS》, 31 December 2020 (2020-12-31), pages 614 - 618 *
XIAOSHENG PENG: ""Wind Power Prediction forWind Farm Clusters Based on the Multifeature Similarity Matching Method"", 《IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS》, vol. 56, no. 5, 30 October 2020 (2020-10-30), pages 4679 - 4688 *
叶琳等: "深度学习在电力系统中的应用研究综述", 《浙江电力》, no. 05, 22 May 2019 (2019-05-22), pages 83 - 89 *
彭小圣: ""风电集群短期及超短期功率预测精度改进方法综述"", 《中国电机工程学报》, vol. 36, no. 23, 5 December 2016 (2016-12-05), pages 6315 - 6327 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570132A (zh) * 2021-07-23 2021-10-29 华中科技大学 一种时空气象特征提取与深度学习的风电功率预测方法
CN113792919A (zh) * 2021-09-02 2021-12-14 华中科技大学 一种基于迁移学习深度学习相结合的风电功率预测方法
CN113792919B (zh) * 2021-09-02 2024-02-27 华中科技大学 一种基于迁移学习深度学习相结合的风电功率预测方法
CN115169543A (zh) * 2022-09-05 2022-10-11 广东工业大学 一种基于迁移学习的短期光伏功率预测方法及系统

Also Published As

Publication number Publication date
CN112949904B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN112949904B (zh) 一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN110858973A (zh) 小区网络流量预测方法及装置
CN112529234A (zh) 基于深度学习的地表水质预测方法
CN114578087B (zh) 基于非支配排序和随机模拟算法的风速不确定性度量方法
CN116451873B (zh) 基于多尺度双时空网络区域风力发电功率预测方法及系统
CN114065646B (zh) 基于混合优化算法的能耗预测方法、云计算平台及系统
CN112434891A (zh) 基于wcnn-alstm的太阳辐照度时间序列的预测方法
CN110909953A (zh) 一种基于ann-lstm的泊位预测方法
CN114580762A (zh) 一种基于XGBoost的水文预报误差校正方法
CN114492675A (zh) 一种电容式电压互感器故障原因智能诊断方法
CN115952424A (zh) 一种基于多视图结构的图卷积神经网络聚类方法
Klein et al. Towards reproducible neural architecture and hyperparameter search
CN112365139A (zh) 一种图卷积神经网络下的人群危险程度分析方法
CN116975778A (zh) 一种基于信息级联的社交网络信息传播影响力预测方法
CN114792126A (zh) 一种基于遗传算法的卷积神经网络设计方法
CN114386666A (zh) 一种基于时空相关性的风电场短期风速预测方法
CN113536508A (zh) 一种制造网络节点分类方法及系统
CN117456037A (zh) 一种信息的传播图生成方法与装置
CN116822742A (zh) 一种基于动态分解-重构集成处理的电力负荷预测方法
CN116722653A (zh) 一种电力系统动态状态检测方法及系统
CN113792919B (zh) 一种基于迁移学习深度学习相结合的风电功率预测方法
CN115600134A (zh) 基于域动态对抗自适应的轴承迁移学习故障诊断方法
CN114066095A (zh) 利用人工神经网络和支持向量回归模型预测风力发电方法
CN116796622A (zh) 一种基于条件重要性加权自编码器的风电出力场景生成方法

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