CN112949938A - 改善训练样本类别不均衡的风电爬坡事件直接预报方法 - Google Patents
改善训练样本类别不均衡的风电爬坡事件直接预报方法 Download PDFInfo
- Publication number
- CN112949938A CN112949938A CN202110336545.XA CN202110336545A CN112949938A CN 112949938 A CN112949938 A CN 112949938A CN 202110336545 A CN202110336545 A CN 202110336545A CN 112949938 A CN112949938 A CN 112949938A
- Authority
- CN
- China
- Prior art keywords
- wind power
- climbing event
- sample
- original
- 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.)
- Granted
Links
- 230000009194 climbing Effects 0.000 title claims abstract description 111
- 238000012549 training Methods 0.000 title claims abstract description 16
- 238000013277 forecasting method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
Abstract
本发明公开了一种改善训练样本类别不均衡的风电爬坡事件直接预报方法,所述方法包括如下步骤:步骤一:根据风电场装机容量设定风电爬坡事件的阈值,对原始风电数据进行爬坡事件识别;步骤二:定义一种基于风电特性的分层过采样方法,根据实际风电数据设定相应的采样参数;步骤三:利用步骤一中获取的原始样本与步骤二中建立的基于风电特性的分层过采样方法对原始样本进行处理;步骤四:利用步骤三处理后的样本建立数据驱动的预测模型,进行风电爬坡事件的预测。本发明不仅有效地改善了风电爬坡事件与非爬坡事件之间的样本类不平衡问题,还改善了爬坡事件样本内部大功率爬坡事件与小功率爬坡事件的样本分布不均衡问题。
Description
技术领域
本发明涉及一种风电爬坡事件直接预报方法,具体涉及一种改善训练样本类别不均衡的风电爬坡事件直接预报方法。
背景技术
随着时代的发展,“清洁能源”、“可再生能源”成为能源发展的主要方向;其中,风能发电恰恰满足清洁以及可再生的要求,成为电能产生的非常重要的一种方式。然而,大规模的风电开发及利用也面临一些相应的问题及挑战。风场大多建造于风资源丰富的偏远地区,区域极端天气易引起风电爬坡事件,严重影响电力系统的安全稳定运行。因此,对风电爬坡事件进行预测、提前制定有效的控制措施,对大规模风电的安全高效利用具有重要的作用。
目前,风电爬坡事件预测的方法很多,通常可分为间接预测和直接预测两种方法。直接预测通过由历史爬坡数据训练得到识别机制,进而直接预测爬坡事件。间接预测是首先要对风电功率进行预测,再对预测得到的风电功率进行识别。其中,直接预测方法相对间接预测方法较少。有研究人员提出了原子稀疏分解并结合BP神经网络的组合预测方法,也有研究人员利用电网侧频率偏差设计了风电功率爬坡事件预测方法,还有研究人员通过选择不同风电爬坡预测时间窗口得到高精度预测方法。徐暋飞等人建立了基于突变理论的风电爬坡预测模型,首先分析了风电爬坡事件和突变现象的内在联系,确定了风电爬坡是一种突变,通过秩相关分析、主成分分析以及线性加权累加的方法处理中尺度气象数据,确定了与风电爬坡相关的因素;然后,分别建立上行风电爬坡和下行风电爬坡预测模型,通过优化算法确定模型参数。该文献为风电爬坡预测提供了一种新思路,但该模型考虑对风功率造成影响的因素较少,使得预测精度降低。
实际上,风电爬坡事件相对来讲属于小概率事件,在进行数据驱动的直接预测建模时,会存在训练样本的类别不均衡问题,导致直接预测模型的精度降低。然而,国内现有风电爬坡事件直接预测方法几乎都没有对此问题进行针对性考虑和解决。同时,实际数据分析结果显示,爬坡事件发生频率与风电功率大小之间存在一定的相关性。然而,现有风电爬坡事件直接预测建模过程中,没有充分考虑该特性对数据进行前处理。因此,如何对风电爬坡事件的类不平衡样本进行处理,提高风电爬坡事件直接预测的准确性,是一个需要深入研究的问题。
发明内容
为了解决风电爬坡事件直接预测建模中训练样本的类别不均衡问题,提高风电爬坡事件预测模型的准确性,本发明提供了一种改善训练样本类别不均衡的风电爬坡事件直接预报方法。
本发明的目的是通过以下技术方案实现的:
一种改善训练样本类别不均衡的风电爬坡事件直接预报方法,包括如下步骤:
步骤一:根据风电场装机容量设定风电爬坡事件的阈值,对原始风电数据进行爬坡事件识别,并进行标签T设定,标签T=1为发生爬坡事件样本点,标签T=0为非爬坡事件样本点,完成对原始风电数据的二分类,其中:
风电爬坡事件的阈值计算公式如下:
Pvar=10%*PN;
式中,PN为爬坡事设风电机场装机容量,Pvar为风电爬坡事件的阈值;
爬坡事件识别原则如下:
式中,Xt为t时刻原始样本点数据,Xt+Δt为t+Δt时刻原始样本点数据;
步骤二:定义一种基于风电特性的分层过采样方法,根据实际风电数据设定相应的采样参数,具体步骤如下:
设定分层精度为C,则分层过采样的层矩阵CM如下:
CM=[0 C 2C … PN]T;
当Xt∈[CMi1,CMi+11]时,认为该样本点Xt属于第i层,统计每层中包含的原始风电爬坡事件数据量Gi,形成爬坡事件层频度矩阵CGF:
统计每层中包含的全部原始数据量Qi,形成样本层频度矩阵CQF:
根据爬坡事件层频度矩阵CGF与样本层频度矩阵CQF得到过采样层复制率矩阵CCF:
步骤三:利用步骤一中获取的原始样本与步骤二中建立的基于风电特性的分层过采样方法对原始样本进行处理,具体步骤如下:
假设原始样本中共有n个样本点,则带有标签T的原始样本矩阵X为:
根据标签T判定该样本是否需要复制,若T=0则该样本不需要复制,若T=1则该样本需要复制,当Xt∈[CMi1,CMi+11]时,认为该样本点Xt属于第i层,则其复制量为CCFi1;
步骤四:利用步骤三处理后的样本建立数据驱动的预测模型,进行风电爬坡事件的预测。
相比于现有技术,本发明具有如下优点:
1、本发明充分考虑了爬坡事件发生频率与风电功率大小之间的相关性,设计了一种基于风电特性的分层累加过采样方法,不仅有效地改善了风电爬坡事件与非爬坡事件之间的样本类不平衡问题,还改善了爬坡事件样本内部大功率爬坡事件与小功率爬坡事件的样本分布不均衡问题。不同于传统的采样方法,本发明对于受季节、地域等复杂特性影响较大的风电场的风电爬坡事件直接预测具有很强的适应性。
2、在风电爬坡事件直接预测建模过程中,利用该分层过采样方法对训练样本进行前处理,可以提高风电爬坡直接预测模型的准确性。
附图说明
图1为过采样处理前后两种样本占比情况;
图2为使用BP神经网络对原始样本建模预测结果;
图3为使用BP神经网络对过采样后样本建模预测结果;
图4为使用深度学习对原始样本建模预测结果;
图5为使用深度学习对过采样后样本建模预测结果。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
本发明提供了一种改善训练样本类别不均衡的风电爬坡事件直接预报方法,所述方法思路如下:首先设定风电爬坡事件的阈值,利用阈值对原始风电数据进行识别,对样本进行二分类。然后建立基于风电特性的分层过采样方法,根据实际风电场数据设定相应参数。再利用建立好的分层过采样模型对原始风电数据进行处理,解决样本的类不平衡问题,最后利用数据挖掘算法建立预测模型,实现对风电爬坡事件的直接预测。具体实施步骤如下:
步骤一:根据风电场装机容量设定风电爬坡事件的阈值,对原始风电数据进行爬坡事件识别。
对阈值定义的方法有很多种,目前研究中使用较多的都是根据经验直接选取总装机容量的10%、20%等定值来设置阈值。设爬坡事设风电机场装机容量为PN,则风电爬坡事件的阈值Pvar如公式(1)所示:
Pvar=10%*PN (1)。
利用得到的风电爬坡事件阈值Pvar对原始风电数据进行识别,判断每个样本点是否为风电爬坡事件样本点,并进行标签T设定(标签1为发生爬坡事件样本点,标签0为非爬坡事件样本点)。设Xt为t时刻原始样本点数据,Xt+Δt为t+Δt时刻原始样本点数据,则识别原则如公式(2)所示:
在设定阈值后对样本进行风电爬坡时间的识别,并进行标签设定,可完成对原始风电数据的二分类。
步骤二:定义一种基于风电特性的分层过采样方法,根据实际风电数据设定相应的采样参数。
由于风电爬坡事件是一种小概率事件,因此进行二分类后的风电爬坡事件原始样本会出现样本的类不平衡问题。而利用类不平衡的样本训练预测模型会造成预测精度过低的问题,因此本发明根据风电特性,提出了一种基于风电特性的分层过采样方法,用以解决风电爬坡事件预测过程中出现的样本类别不均衡问题。
根据风电场实际情况,对基于风电特性的分层过采样方法的参数进行设定:设定分层精度为C,则分层过采样的层矩阵CM如公式(3)所示:
CM=[0 C 2C … PN]T (3);
当Xt∈[CMi1,CMi+11]时,认为该样本点Xt属于第i层,统计每层中包含的原始风电爬坡事件数据量Gi,形成爬坡事件层频度矩阵CGF,如公式(4)所示:
统计每层中包含的全部原始数据量Qi,形成样本层频度矩阵CQF如公式(5)所示:
根据爬坡事件层频度矩阵CGF与样本层频度矩阵CQF得到过采样层复制率矩阵CCF,如公式(6)所示:
依据过采样层复制率矩阵CCF对风电爬坡事件样本进行前处理,不仅能够均衡爬坡事件样本量与非爬坡事件样本量,更能够均衡爬坡事件样本中,大功率爬坡事件样本与小功率爬坡事件样本,使数据样本更具代表性。
步骤三:利用步骤一中获取的原始样本与步骤二中建立的基于风电特性的分层过采样方法对原始样本进行处理。
在设定基于风电特性的分层过采样方法的参数后,假设原始样本中共有n个样本点,则带有标签T的原始样本矩阵X如公式(7)所示:
利用基于风电特性的分层过采样方法对原始样本矩阵X进行过采样处理,首先根据标签T判定该样本是否需要复制,若T=0则该样本不需要复制,若T=1则该样本需要复制,复制量根据原始样本Xt确定,当Xt∈[CMi1,CMi+11]时,认为该样本点Xt属于第i层,则其复制量为CCFi1。
由此可见,在经过基于风电特性的分层过采样方法对原始样本矩阵进行处理时,不仅实现了增加占比较小的爬坡事件样本,解决了样本的类不平衡问题,同时还利用过采样层复制率CCFi1的不同,使不同风电功率样本点的复制量不同,占比较大的非爬坡事件样本点复制量较小,占比较小的爬坡事件样本点复制量较大,解决了采样后的样本中大功率爬坡样本与小功率爬坡样本的类别不均衡问题,使样本更具代表性。
本发明选取实际风电场数据,利用基于风电特性的分层过采样方法,对原始样本进行处理,处理结果如图1所示。从图1中可以看出,利用基于风电特性的分层过采样方法可以明显地提升风电爬坡事件样本的占比,使两种样本数量均衡。
步骤四:利用步骤三处理后的样本建立数据驱动的预测模型,进行风电爬坡事件的预测。
分别使用BP神经网络和深度学习建立预测模型,选取前3/4的样本数据作为训练集,后1/4的数据作为测试集,对风电爬坡事件进行直接预测,得到的预测结果如图2-图5所示。利用BP神经网络进行预测,对风电爬坡事件的预测准确率从6.8%提高到了90.2%;利用深度学习进行预测,对风电爬坡事件的预测准确率从0提高到了77.7%。由此可以得出结论:无论是使用BP神经网络还是深度学习建立预测模型,经基于风电特性的分层过采样方法处理后的风电爬坡事件直接预测准确性明显高于未经数据前处理的风电爬坡事件直接预测准确性。证明了改善样本类别不均衡问题的风电爬坡事件直接预报方法的有效性和普适性。
Claims (4)
1.一种改善训练样本类别不均衡的风电爬坡事件直接预报方法,其特征在于所述方法包括如下步骤:
步骤一:根据风电场装机容量设定风电爬坡事件的阈值,对原始风电数据进行爬坡事件识别,并进行标签T设定,标签T=1为发生爬坡事件样本点,标签T=0为非爬坡事件样本点,完成对原始风电数据的二分类;
步骤二:定义一种基于风电特性的分层过采样方法,根据实际风电数据设定相应的采样参数,具体步骤如下:
设定分层精度为C,则分层过采样的层矩阵CM如下:
CM=[0 C 2C … PN]T;
当Xt∈[CMi1,CMi+11]时,认为该样本点Xt属于第i层,统计每层中包含的原始风电爬坡事件数据量Gi,形成爬坡事件层频度矩阵CGF:
统计每层中包含的全部原始数据量Qi,形成样本层频度矩阵CQF:
根据爬坡事件层频度矩阵CGF与样本层频度矩阵CQF得到过采样层复制率矩阵CCF:
步骤三:利用步骤一中获取的原始样本与步骤二中建立的基于风电特性的分层过采样方法对原始样本进行处理;
步骤四:利用步骤三处理后的样本建立数据驱动的预测模型,进行风电爬坡事件的预测。
2.根据权利要求1所述的改善训练样本类别不均衡的风电爬坡事件直接预报方法,其特征在于所述步骤一中,风电爬坡事件的阈值计算公式如下:
Pvar=10%*PN;
式中,PN为爬坡事设风电机场装机容量,Pvar为风电爬坡事件的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110336545.XA CN112949938B (zh) | 2021-03-29 | 2021-03-29 | 改善训练样本类别不均衡的风电爬坡事件直接预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110336545.XA CN112949938B (zh) | 2021-03-29 | 2021-03-29 | 改善训练样本类别不均衡的风电爬坡事件直接预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949938A true CN112949938A (zh) | 2021-06-11 |
CN112949938B CN112949938B (zh) | 2022-04-15 |
Family
ID=76227316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110336545.XA Active CN112949938B (zh) | 2021-03-29 | 2021-03-29 | 改善训练样本类别不均衡的风电爬坡事件直接预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949938B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759027A (zh) * | 2022-11-25 | 2023-03-07 | 上海苍阙信息科技有限公司 | 文本数据处理系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955779A (zh) * | 2014-05-23 | 2014-07-30 | 武汉大学 | 一种风电功率爬坡事件概率场景预测方法 |
CN104182803A (zh) * | 2014-08-13 | 2014-12-03 | 东北电力大学 | 风电数据预处理方法及风电功率预测方法和系统 |
CN110443281A (zh) * | 2019-07-05 | 2019-11-12 | 重庆信科设计有限公司 | 基于hdbscan聚类的自适应过采样方法 |
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 |
CN111340614A (zh) * | 2020-02-28 | 2020-06-26 | 深圳前海微众银行股份有限公司 | 基于联邦学习的样本采样方法、设备及可读存储介质 |
CN111582557A (zh) * | 2020-04-20 | 2020-08-25 | 哈尔滨工业大学 | 基于变差函数的风电爬坡事件多级预警方法 |
CN111952969A (zh) * | 2020-08-14 | 2020-11-17 | 哈尔滨工业大学 | 结合广义源-网-荷信息的风电爬坡事件直接预报方法 |
-
2021
- 2021-03-29 CN CN202110336545.XA patent/CN112949938B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955779A (zh) * | 2014-05-23 | 2014-07-30 | 武汉大学 | 一种风电功率爬坡事件概率场景预测方法 |
CN104182803A (zh) * | 2014-08-13 | 2014-12-03 | 东北电力大学 | 风电数据预处理方法及风电功率预测方法和系统 |
CN110443281A (zh) * | 2019-07-05 | 2019-11-12 | 重庆信科设计有限公司 | 基于hdbscan聚类的自适应过采样方法 |
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 |
CN111340614A (zh) * | 2020-02-28 | 2020-06-26 | 深圳前海微众银行股份有限公司 | 基于联邦学习的样本采样方法、设备及可读存储介质 |
CN111582557A (zh) * | 2020-04-20 | 2020-08-25 | 哈尔滨工业大学 | 基于变差函数的风电爬坡事件多级预警方法 |
CN111952969A (zh) * | 2020-08-14 | 2020-11-17 | 哈尔滨工业大学 | 结合广义源-网-荷信息的风电爬坡事件直接预报方法 |
Non-Patent Citations (6)
Title |
---|
JIE WAN: ""An Integrated Evaluation Method of the Wind Power Ramp Event Based on Generalized Information of the Source, Gird, and Load"", 《ENERGIES》 * |
MANAS RANJANPRUSTY等: ""Weighted-SMOTE: A modification to SMOTE for event classification in sodium cooled fast reactors"", 《PROGRESS IN NUCLEAR ENERGY》 * |
SAURAV GUPTA等: ""Wind ramp event prediction with parallelized gradient boosted regression trees"", 《2016 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
崔明建: ""基于ANN概率生成模型的风电功率爬坡事件大数据场景预测"", 《智慧电力》 * |
王圆方: ""基于层次聚类改进SMOTE的过采样方法"", 《软件》 * |
王馨月等: ""基于分层抽样的不均衡数据集成分类"", 《深圳大学学报理工版》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759027A (zh) * | 2022-11-25 | 2023-03-07 | 上海苍阙信息科技有限公司 | 文本数据处理系统及方法 |
CN115759027B (zh) * | 2022-11-25 | 2024-03-26 | 上海苍阙信息科技有限公司 | 文本数据处理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112949938B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112257941B (zh) | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 | |
CN106529814B (zh) | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 | |
CN110070226A (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
CN107947165A (zh) | 一种面向调节需求的配电网灵活性评价方法 | |
CN105631558A (zh) | 基于相似日的bp神经网络光伏发电系统功率预测方法 | |
CN103106544B (zh) | 一种基于t-s型模糊神经网络的光伏发电预测系统 | |
CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
CN107766990A (zh) | 一种光伏电站发电功率的预测方法 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
WO2024051524A1 (zh) | 一种水风光发电功率联合预测方法、装置 | |
CN104899665A (zh) | 风电功率短期预测方法 | |
CN110334870B (zh) | 基于门控循环单元网络的光伏电站短期功率预测方法 | |
CN107679687A (zh) | 一种光伏出力建模方法以及发电系统可靠性评估方法 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
CN112633565B (zh) | 一种光伏功率集合区间预测方法 | |
CN114021848A (zh) | 一种基于lstm深度学习的发电量需求预测方法 | |
CN115829105A (zh) | 基于历史数据特征搜索的光伏功率预测方法 | |
CN111898812B (zh) | 一种分布式光伏数据虚拟采集方法 | |
CN113487064A (zh) | 基于主成分分析和改进lstm的光伏功率预测方法及系统 | |
CN112949938B (zh) | 改善训练样本类别不均衡的风电爬坡事件直接预报方法 | |
CN116611702A (zh) | 一种面向楼宇综合能源管理的集成学习光伏发电预测方法 |
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 |