CN112949945B - 一种改进双向长短期记忆网络的风电功率超短期预测方法 - Google Patents

一种改进双向长短期记忆网络的风电功率超短期预测方法 Download PDF

Info

Publication number
CN112949945B
CN112949945B CN202110404300.6A CN202110404300A CN112949945B CN 112949945 B CN112949945 B CN 112949945B CN 202110404300 A CN202110404300 A CN 202110404300A CN 112949945 B CN112949945 B CN 112949945B
Authority
CN
China
Prior art keywords
short term
wind power
memory network
term memory
bidirectional long
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.)
Active
Application number
CN202110404300.6A
Other languages
English (en)
Other versions
CN112949945A (zh
Inventor
王森
孙永辉
王建喜
侯栋宸
张林闯
周衍
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202110404300.6A priority Critical patent/CN112949945B/zh
Publication of CN112949945A publication Critical patent/CN112949945A/zh
Application granted granted Critical
Publication of CN112949945B publication Critical patent/CN112949945B/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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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

Abstract

本发明公开了一种改进双向长短期记忆网络的风电功率超短期预测方法，包括如下步骤：对训练样本进行数据预处理；采集风电场的历史风功率数据向量，选取数值天气预报中与风电功率数据相关性最大的数据，并进行归一化处理；在双向长短期记忆网络和全连接层之间融入注意力机制模型，利用训练集对改进双向长短期记忆网络算法模型进行训练和参数优化；将测试集输入改进双向长短期记忆网络模型建立风电功率超短期预测模型，计算风电功率一小时后输出值Ppre。本发明利用双向长短期记忆网络对历史功率数据以及数字天气预报的双向记忆性能，融入注意力机制，对双向长短期记忆网络的隐藏层输出进行加权，有效的提高了预测精度。

Description

一种改进双向长短期记忆网络的风电功率超短期预测方法
技术领域
本发明涉及新能源消纳技术领域，尤其是一种改进双向长短期记忆网络的风电功率 超短期预测方法。
背景技术
风能其易获取、资源分布广以及回报收益快等优点而受到重点开发利用。尤其是海 上风电的发展，风电迎来了一个新的发展时期。这时电网能否对风电足额消纳成了一个亟待解决的问题，而风电功率的预测就是解决这一问题的关键。有效的对风电功率预测，对于电网的安全经济调度、电力市场和风电场的运行都有重要意义。
目前，对于风电功率的预测已经出现了很多方法，主要可以分为以下两类：一是统计学习方法，利用风电场历史数据及数值天气预报等数据建立统计学习模型，其中统计 学习方法包括深度学习法、卡尔曼滤波、马尔科夫链等学习方法；二是物理方法，结合 数值天气预报，结合风机的功率特性曲线拟合出风电功率。然而，实际工程时，传统神 经网络方法需要很强的训练时间，同时容易陷入局部最优。
在风电功率超短期预测时，输入向量包含数值天气预报信息。长短期记忆网络由于 很好的时间序列特征提取功能被应用于风电功率预测中，但是不能对未来的信息进行记 忆提取。双向长短期记忆网络可以一个正向的长短期记忆网络，利用过去的信息，一个逆序的长短期记忆网络，利用未来的信息，这样在当前时刻，既能够使用过去风电功率 历史数据，又能利用未来数值天气预报信息。同时，融入注意力机制对输出进行加权， 优化隐藏层输出。
发明内容
本发明所要解决的技术问题在于，提供一种改进双向长短期记忆网络的风电功率超 短期预测方法，利用双向长短期记忆网络对历史功率数据以及数字天气预报的双向记忆 性能，融入注意力机制，对双向长短期记忆网络的隐藏层输出进行加权，有效的提高了预测精度。
为解决上述技术问题，本发明提供一种改进双向长短期记忆网络的风电功率超短期 预测方法，包括如下步骤：
(1)对训练样本进行数据预处理，具体包括风电功率历史事件序列窗口提取、数值天气预报皮尔森系数相关性分析；
(2)采集风电场的历史风功率数据向量，选取数值天气预报中与风电功率数据相关性最大的数据，所述的训练样本由数字天气预报、风电功率历史数据生成输入向量， 由对应的风电功率值作为输出，并进行归一化处理；
(3)在双向长短期记忆网络和全连接层之间融入注意力机制模型，利用训练集对改进双向长短期记忆网络算法模型进行训练和参数优化；
(4)将测试集输入改进双向长短期记忆网络模型建立风电功率超短期预测模型，计算风电功率一小时后输出值Ppre。
优选的，步骤(1)中，根据中皮尔森系数相关性分析，通过数值天气预报变量与 风电功率输出值进行相关性分析，选取相关性系数最大的变量，从而优化模型输入，所 述的最优变量为风速。
优选的，步骤(1)中，对于数值天气预报的皮尔森系数相关性分析计算过程如下：
Figure BDA0003021642500000021
其中，E(·)表示数学期望；cov(·)表示协方差；X和Y表示不同变量，表示风电功率 历史数据和数值天气预报数据。
优选的，步骤(2)中，采集风电场的历史风功率数据向量，其数据分辨率为15min，选取数值天气预报中与风电功率数据相关性最大的数据，并进行归一化处理具体为：根 据当前时刻前10个采样点的历史功率值和待遇时刻数值天气预报风速构建输入输出向 量，得到模型的训练样本，训练集向量为[Pt-10,Pt-9,…,Pt-1,Vt+3,Pt+3]；样本集按照8：2 划分为训练集和测试集。
优选的，步骤(3)中，在双向长短期记忆网络和全连接层之间融入注意力机制模型，利用训练集对改进双向长短期记忆网络算法模型进行训练和参数优化具体包括如下步骤：
(31)遗忘门：
ft＝σ(Wf[ht-1,xt]+bf)
其中，ft表示遗忘门向量；Wf表示遗忘门权重；bf表示遗忘门偏置；ht-1表示前一时刻 隐藏层向量；σ(·)表示sigmoid函数；
(32)输入门：
it＝σ(Wi[ht-1,xt]+bi)
Figure BDA0003021642500000031
其中，it表述输入门向量；Wi表示输入门权重；bi表示输入门偏置；
Figure BDA0003021642500000032
表示输入细胞向 量；Wc表示记忆细胞权重；bc表示记忆细胞偏置；tanh(·)表示双曲正切函数；
(33)状态更新：
Figure BDA0003021642500000033
其中，Ct表示记忆细胞状态向量；
(34)输出门：
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中，ot表示输出门向量；Wo表示输出门权重；bo表示输出门偏置；ht表示输出向量；
(35)双向长短期记忆网络隐含层输出为：
Figure BDA0003021642500000034
其中，d和g表示权重；k表示偏置；
Figure BDA0003021642500000035
表示正向长短期记忆网络输出，表示反向长短期记忆网络输出；
(36)加性模型为注意力打分函数，注意力机制计算为：
ri＝vtanh(chi′+j)
Figure BDA0003021642500000041
Figure BDA0003021642500000042
其中，ri表示双向长短期记忆网络输出向量hi的注意力概率分布值；v和c表示权重； j表示偏置；Si表示注意力机制输出。
优选的，步骤(4)中，测试集带入训练好的模型，一小时后输出值Ppre。
本发明的有益效果为：本发明所述方法考虑风电功率历史功率和数值天气预报风速 作为模型输入，利用双向长短期记忆网络对历史功率数据以及数值天气预报的双向记忆 性能，融入注意力机制，对双向长短期记忆网络的隐藏层输出进行加权，有效的提高了预测精度。
附图说明
图1为本发明的方法流程示意图。
图2为本发明在实施例应用中的预测结果示意图。
具体实施方式
如图1所示，一种改进双向长短期记忆网络的风电功率超短期预测方法，包括如下步骤：
S1、对样本进行风电功率历史事件序列窗口提取、数值天气预报皮尔森系数相关性 分析。
S2、数据样本由数值天气预报的风速、风电功率历史数据生成输入向量，由对应的风电功率值作为输出，将数据集归一化并划分训练集和测试集。
S3、在双向长短期记忆网络的全连接层和隐藏层直接融入注意力机制模型，利用步 骤(S2)得到的训练集，训练改进双向长短期记忆网络模型。
S4、利用步骤(S3)得到的训练完成的双向长短期记忆网络风电功率超短期预测模型，将测试集输入，预测风电功率值；
其中，虽然长短期记忆网络能够获取长距离的特征信息，但是它所获取的信息都是 输出时刻之前的信息，而未利用反向信息。在风电功率超短期预测是，一般数值天气预报也作为部分输入特征。在时间序列预测中，长短期记忆网络只能利用之前的时间序列 分析，而双向长短期记忆网络可以利用过去和未来的信息做出更加完善详尽的决策。注 意力机制对双向长短期记忆网络提取出来的状态信息序列进行加权变换，自动按信息的 重要程度不同赋予不同的权重。
下面为一种改进双向长短期记忆网络的风电功率超短期预测方法及步骤的具体过 程。
1)滑动窗口对风电功率历史时间序列进行提取，同时计算数值天气预报与风电功率的皮尔森系数，生成数据集。
Figure BDA0003021642500000051
其中，E(·)表示数学期望；cov(·)表示协方差；X和Y表示不同变量，表示风电功率 历史数据和数值天气预报数据。
2)划分训练集和测试集，同时将数据集进行归一化处理。
3)利用训练集训练和优化改进双向长短期记忆网络
遗忘门：
ft＝σ(Wf[ht-1,xt]+bf)
其中，ft表示遗忘门向量；Wf表示遗忘门权重；bf表示遗忘门偏置；xt表示训练集输入矩阵；ht-1表示前一时刻隐藏层向量；σ(·)表示sigmoid函数。
输入门：
it＝σ(Wi[ht-1,xt]+bi)
Figure BDA0003021642500000052
其中，it表述输入门向量；Wi表示输入门权重；bi表示输入门偏置；
Figure BDA0003021642500000061
表示输入细胞向 量；Wc表示记忆细胞权重；bc表示记忆细胞偏置；tanh(·)表示双曲正切函数。
状态更新：
Figure BDA0003021642500000062
其中，Ct表示记忆细胞状态向量。
输出门：
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中，ot表示输出门向量；Wo表示输出门权重；bo表示输出门偏置；ht表示输出向量。
双向长短期记忆网络隐含层输出为：
Figure BDA0003021642500000063
其中，d和g表示权重；k表示偏置；
Figure BDA0003021642500000064
表示正向长短期记忆网络输出，表示反向长短期记忆网络输出。
注意力机制计算为：
ri＝vtanh(chi′+j)
Figure BDA0003021642500000065
Figure BDA0003021642500000066
其中，ri表示双向长短期记忆网络输出向量hi的注意力概率分布值；v和c表示权重；j 表示偏置；Si表示注意力机制输出。
4)将测试集带入训练好的改进双向长短期记忆网络模型，计算风电功率输出预测值Ppre。
至此，利用上述改进双向长短期记忆网络方法便可实现风电功率超短期功率预测。
实施例1：
为了验证本发明方法的有效性，进行以下实验；利用中国内蒙古某装机容量98.8MW 的风电场2017年3月记录的数据进行仿真测试，数据分辨率为15min。其中输入数据为选取预测点之前10次记录的功率历史数据以及数值天气预报中30m风速，形成训练 集和测试集，根据划分的训练集，用来训练和优化预测模型。通过测试集数据，得出预 测结果。预测结果如下图2所示。
确定性预测性能一般从以下两个指标进行模型评价：平均绝对百分比误差(MAPE)、 均方根误差(RMSE)。
平均绝对百分比误差定义如下：
Figure BDA0003021642500000071
其中，Ptru表示风电功率实际出力值，Ppre表示风电功率预测值，C表示风电场装 机容量，n表示样本个数。
平均绝对百分比误差定义如下：
Figure BDA0003021642500000072
表1数值天气预报典型变量与功率相关性系数
Figure BDA0003021642500000073
表2 BiLSTM模型预测结果评价指标
评价指标 MAPE RMSE
改进BiLSTM模型 0.051 8.338
LSTM模型 0.060 8.454
从表1可以看出，30m风速和风电功率相对有较强相关性，所以选取30m风速作 为数值天气预报最佳代表，作为模型输入变量。表2基本可以得出结论，融入注意力机 制的双向长短期记忆网络与传统长短期记忆网络在风电功率预测能力上相比(两者的参 数设置完全相同，仿真环境相同)，预测能力有进一步提升，结合两种评价指标，表明 模型同时具有很强的泛化能力。
预测结果如下图2所示。从图2中可以看出，本发明所述方法预测的风电输出功率有很好的预测效果。综上所述，本发明可实现风电功率的预测，可用于实际工程应用。

Claims (5)

1.一种改进双向长短期记忆网络的风电功率超短期预测方法，其特征在于，包括如下步骤：
(1)对训练样本进行数据预处理，具体包括风电功率历史事件序列窗口提取、数值天气预报皮尔森系数相关性分析；
(2)采集风电场的历史风功率数据向量，选取数值天气预报中与风电功率数据相关性最大的数据，所述的训练样本由数字天气预报、风电功率历史数据生成输入向量，由对应的风电功率值作为输出，并进行归一化处理；
(3)在双向长短期记忆网络和全连接层之间融入注意力机制模型，利用训练集对改进双向长短期记忆网络算法模型进行训练和参数优化；具体包括如下步骤：
(31)遗忘门：
ft＝σ(Wf[ht-1,xt]+bf)
其中，ft表示遗忘门向量；Wf表示遗忘门权重；bf表示遗忘门偏置；ht-1表示前一时刻隐藏层向量；σ(·)表示sigmoid函数；
(32)输入门：
it＝σ(Wi[ht-1,xt]+bi)
Figure FDA0003723658810000011
其中，it表述输入门向量；Wi表示输入门权重；bi表示输入门偏置；
Figure FDA0003723658810000012
表示输入细胞向量；Wc表示记忆细胞权重；bc表示记忆细胞偏置；tanh(·)表示双曲正切函数；
(33)状态更新：
Figure FDA0003723658810000013
其中，Ct表示记忆细胞状态向量；
(34)输出门：
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中，ot表示输出门向量；Wo表示输出门权重；bo表示输出门偏置；ht表示输出向量；
(35)双向长短期记忆网络隐含层输出为：
Figure FDA0003723658810000021
其中，d和g表示权重；k表示偏置；
Figure FDA0003723658810000022
表示正向长短期记忆网络输出，表示反向长短期记忆网络输出；
(36)加性模型为注意力打分函数，注意力机制计算为：
ri＝vtanh(ch′i+j)
Figure FDA0003723658810000023
Figure FDA0003723658810000024
其中，ri表示双向长短期记忆网络输出向量hi的注意力概率分布值；v和c表示权重；j表示偏置；Si表示注意力机制输出；
(4)将测试集输入改进双向长短期记忆网络模型建立风电功率超短期预测模型，计算风电功率一小时后输出值Ppre。
2.如权利要求1所述的改进双向长短期记忆网络的风电功率超短期预测方法，其特征在于，步骤(1)中，根据中皮尔森系数相关性分析，通过数值天气预报变量与风电功率输出值进行相关性分析，选取相关性系数最大的变量，从而优化模型输入，相关性系数最大的变量为风速。
3.如权利要求1所述的改进双向长短期记忆网络的风电功率超短期预测方法，其特征在于，步骤(1)中，对于数值天气预报的皮尔森系数相关性分析计算过程如下：
Figure FDA0003723658810000025
其中，E(·)表示数学期望；cov(·)表示协方差，X和Y表示不同变量，表示风电功率历史数据和数值天气预报数据。
4.如权利要求1所述的改进双向长短期记忆网络的风电功率超短期预测方法，其特征在于，步骤(2)中，采集风电场的历史风功率数据向量，其数据分辨率为15min，选取数值天气预报中与风电功率数据相关性最大的数据，并进行归一化处理具体为：根据当前时刻前10个采样点的历史功率值和待遇时刻数值天气预报风速构建输入输出向量，得到模型的训练样本，训练集向量为[Pt-10,Pt-9,…,Pt-1,Vt+3,Pt+3]；样本集按照8：2划分为训练集和测试集。
5.如权利要求1所述的改进双向长短期记忆网络的风电功率超短期预测方法，其特征在于，步骤(4)中，测试集带入训练好的模型，一小时后输出值Ppre。
CN202110404300.6A 2021-04-15 2021-04-15 一种改进双向长短期记忆网络的风电功率超短期预测方法 Active CN112949945B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110404300.6A CN112949945B (zh) 2021-04-15 2021-04-15 一种改进双向长短期记忆网络的风电功率超短期预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110404300.6A CN112949945B (zh) 2021-04-15 2021-04-15 一种改进双向长短期记忆网络的风电功率超短期预测方法

Publications (2)

Publication Number Publication Date
CN112949945A CN112949945A (zh) 2021-06-11
CN112949945B true CN112949945B (zh) 2022-09-02

Family

ID=76232720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110404300.6A Active CN112949945B (zh) 2021-04-15 2021-04-15 一种改进双向长短期记忆网络的风电功率超短期预测方法

Country Status (1)

Country Link
CN (1) CN112949945B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591957B (zh) * 2021-07-21 2023-10-27 国网上海市电力公司 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法
CN113516315B (zh) * 2021-07-23 2023-02-03 中南大学 风力发电功率区间预测方法、设备及介质
CN113642235B (zh) * 2021-08-09 2023-12-22 贵州电网有限责任公司 一种基于局部时空特征融合的覆冰预测方法
CN113778862A (zh) * 2021-08-23 2021-12-10 中国人民解放军战略支援部队信息工程大学 一种基于长短期记忆网络和lasso算法的软件缺陷预测方法
CN113688774B (zh) * 2021-09-03 2023-09-26 重庆大学 基于深度学习的高层建筑风致响应预测、训练方法及装置
CN113705922B (zh) * 2021-09-06 2023-09-12 内蒙古科技大学 一种改进的超短期风电功率预测算法及模型建立方法
CN113779892B (zh) * 2021-09-27 2022-09-02 中国人民解放军国防科技大学 一种风速和风向的预测方法
CN113902228A (zh) * 2021-12-09 2022-01-07 北京东润环能科技股份有限公司 基于逐步回归与深度学习的风电功率预测方法及相关设备
CN114964370A (zh) * 2022-05-25 2022-08-30 国家电投集团科学技术研究院有限公司 一种风电机组变频器状态监测方法、系统及电子设备
CN115034485A (zh) * 2022-06-16 2022-09-09 华北电力大学 一种基于数据空间的风电功率区间预测方法及装置
CN115496264A (zh) * 2022-08-26 2022-12-20 河北大学 一种风电机组发电功率的预测方法
CN115239029B (zh) * 2022-09-23 2023-01-31 山东大学 考虑功率时序及气象相依特性的风电功率预测方法及系统
CN116822370B (zh) * 2023-07-11 2024-02-20 东南大学溧阳研究院 数据驱动下风电集群超短期出力预测方法
CN117313043A (zh) * 2023-10-25 2023-12-29 四川大学 一种风力发电功率预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214575A (zh) * 2018-09-12 2019-01-15 河海大学 一种基于小波长短期记忆网络的超短期风电功率预测方法
AU2019100364A4 (en) * 2019-04-05 2019-05-09 Shenyuan Huang A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network
CN109802430A (zh) * 2018-12-29 2019-05-24 上海电力学院 一种基于LSTM-Attention网络的风电电网控制方法
CN111160620A (zh) * 2019-12-06 2020-05-15 江苏方天电力技术有限公司 一种基于端到端记忆网络的短期风电功率预测方法
CN111475909A (zh) * 2019-10-28 2020-07-31 国网江西省电力有限公司电力科学研究院 一种基于长短期记忆网络的风电机组出力相关性映射建模方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214575A (zh) * 2018-09-12 2019-01-15 河海大学 一种基于小波长短期记忆网络的超短期风电功率预测方法
CN109802430A (zh) * 2018-12-29 2019-05-24 上海电力学院 一种基于LSTM-Attention网络的风电电网控制方法
AU2019100364A4 (en) * 2019-04-05 2019-05-09 Shenyuan Huang A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network
CN111475909A (zh) * 2019-10-28 2020-07-31 国网江西省电力有限公司电力科学研究院 一种基于长短期记忆网络的风电机组出力相关性映射建模方法
CN111160620A (zh) * 2019-12-06 2020-05-15 江苏方天电力技术有限公司 一种基于端到端记忆网络的短期风电功率预测方法

Also Published As

Publication number Publication date
CN112949945A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN112949945B (zh) 一种改进双向长短期记忆网络的风电功率超短期预测方法
Tian Short-term wind speed prediction based on LMD and improved FA optimized combined kernel function LSSVM
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
Cao et al. Hybrid ensemble deep learning for deterministic and probabilistic low-voltage load forecasting
Zhang et al. Wind speed forecasting based on quantile regression minimal gated memory network and kernel density estimation
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
CN109902801B (zh) 一种基于变分推理贝叶斯神经网络的洪水集合预报方法
CN111260136A (zh) 一种基于arima-lstm组合模型的楼宇短期负荷预测方法
CN110705743B (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
CN111428926B (zh) 一种考虑气象因素的区域电力负荷预测方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN112434848B (zh) 基于深度信念网络的非线性加权组合风电功率预测方法
CN111027775A (zh) 基于长短期记忆网络的梯级水电站发电量预测方法
CN112100911B (zh) 一种基于深度bilstm的太阳辐射预测方法
CN111241755A (zh) 电力负荷预测方法
CN113344288B (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN115758290A (zh) 一种基于lstm的风机齿轮箱高速轴温度趋势预警方法
CN112329990A (zh) 一种基于lstm-bp神经网络的用户用电负荷预测方法
CN111695666A (zh) 一种基于深度学习的风电功率超短期条件概率预测方法
CN112733417A (zh) 一种基于模型优化的异常负荷数据检测与修正方法和系统
CN116128141B (zh) 风暴潮预测方法、装置、存储介质及电子设备
CN115860177A (zh) 基于组合式机器学习模型光伏发电功率预测方法及其应用
CN115034485A (zh) 一种基于数据空间的风电功率区间预测方法及装置
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN115096357A (zh) 一种基于ceemdan-pca-lstm的室内环境质量预测方法

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