CN112989693A - 一种基于ssa-gru-msar的风电功率预测方法 - Google Patents
一种基于ssa-gru-msar的风电功率预测方法 Download PDFInfo
- Publication number
- CN112989693A CN112989693A CN202110228138.7A CN202110228138A CN112989693A CN 112989693 A CN112989693 A CN 112989693A CN 202110228138 A CN202110228138 A CN 202110228138A CN 112989693 A CN112989693 A CN 112989693A
- Authority
- CN
- China
- Prior art keywords
- wind
- wind power
- historical
- gru
- real
- 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 34
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000010606 normalization Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 241000287127 Passeridae Species 0.000 claims abstract description 9
- 238000012937 correction Methods 0.000 claims abstract description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种基于SSA‑GRU‑MSAR的风电功率预测方法,包括:S1、采集风电厂的历史风力特征数据和相应的历史实际风功率,进行数据补全,得到风力历史特征值并划分为训练集和测试集,然后进行归一化处理;S2、训练集经功率信号分解后输入到经麻雀算法优化的GRU模型中,再将测试集输入完成训练的GRU模型,得到风力历史预测值,与历史实际风功率输入误差模型进行误差修正,并调整模型参数;S3、获取实时风力特征数据,进行数据处理得到风力实时特征值,输入GRU模型中,得到风力实时预测值,并输入误差模型进行误差修正,反归一化处理后得到实时风功率。与现有技术相比,本发明具有减少风电厂对电力系统的冲击,提高电网运行的经济性、安全性和可靠性等优点。
Description
技术领域
本发明涉及风电厂预测技术领域,尤其是涉及一种基于SSA-GRU-MSAR的风电功率预测方法。
背景技术
风功率预测的主要方法有以下三种:统计方法、物理方法和学习方法,三种预测方法都对应着不同的数据类型和预测时长。物理方法需要收集风场的风向、风速、气压等数值天气数据,通过这些间接的物理数据,推算得到风功率的预测值。统计方法运用统计学原理,寻找风功率的预测值与历史数据间的内在关系,卡尔曼滤波模型、小波模型以及回归分析模型都是常用的统计预测模型。学习方法利用深度学习算法构建学习模型,通过原始数据的训练和测试,优化调整学习模型的参数,使得学习后的模型能够从新的输入数据中快速精准地得到风功率预测结果。目前主流方案是结合数值天气预报和机器学习算法对风功率进行时序预测,如LSTM(长短时记忆神经网络)、GRU(门控循环神经网络)等,包含超短期预报(未来4个小时共16个时刻)和短期预报(未来三天共288个时刻)。
其中物理方法在长期预测中表现良好,但由于预测模型与历史的数据不存在任何关联,从而导致在短期预测中,预测结果的精度不高。统计学模型在解决预测时间延迟方面表现良好,但在长期预测中,预测结果精度较低。LSTM深度学习模型的结构复杂,该模型需要很长的训练时间,使得预测的效率比较低下,GRU和LSTM作用相似,能够解决传统RNN(循环神经网络)存在的梯度消失和梯度爆炸问题,GRU所拥有特殊的门结构,使得GRU在预测精度和预测速度上优于LSTM而被广泛使用。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于SSA-GRU-MSAR的风电功率预测方法,准确地对风电厂未来风功率的预测,有效地减少和避免风电厂对电力系统产生的冲击,提高电网运行的经济性、安全性和可靠性。
本发明的目的可以通过以下技术方案来实现:
一种基于SSA-GRU-MSAR的风电功率预测方法,具体包括以下步骤:
S1、采集风电厂的历史风力特征数据和相应的历史实际风功率,对历史风力特征数据进行数据补全处理,得到风力历史特征值并划分为训练集和测试集,并将训练集和测试集中的风力历史特征值和历史实际风功率进行归一化处理;
S2、训练集中的风力历史特征值经功率信号分解后输入到经麻雀算法(SSA)优化的GRU模型中进行训练,再将测试集中的风力历史特征值输入完成训练的GRU模型中,得到风力历史预测值,将历史实际风功率与风力历史预测值输入误差模型进行误差修正,并调整误差模型的模型参数;
S3、获取实时风力特征数据,将实时风力特征数据进行数据补全和归一化处理得到风力实时特征值,输入完成训练的GRU模型中,得到风力实时预测值,并输入误差模型进行误差修正,修正后的风力实时预测值经过反归一化处理,得到实时风功率。
所述步骤S1中采用邻近均值法进行数据补全处理。
进一步地,所述数据补全处理中需要进行补全的数据类型包括数据缺失值和数据异常值。
所述步骤S1和S3中采用最小最大值标准化方法(MinMaxScaler)进行归一化处理。
进一步地,所述归一化处理对应的数据取值范围为[0,1],提高数据的运行效率和预测的精度。
所述历史风力特征数据和实时风力特征数据的数据类型均包括风速、风向、气温、湿度、气压和地理地形。
所述步骤S2中采用经验模态分解(CEEMDAN)算法进行功率信号分解,减小噪声信号对功率信号的影响。
所述误差模型的类型包括马尔科夫转换向量自回归模型(MSAR)。
所述GRU模型包括输入层、隐藏层和输出层,其中麻雀算法优化训练设于隐藏层中,提高寻优能力和收敛速度。
所述GRU模型训练完成的评价指标包括均方根误差、平均绝对误差和运行时间。
与现有技术相比,本发明具有以下有益效果:
本发明通过经麻雀算法优化的GRU模型进行训练,同时通过马尔科夫转换向量自回归模型进行误差修正,实现更准确更高效地预测风电厂的实时风功率,帮助电网调度部门合理安排发电计划,减少系统的旋转备用容量,提高电网运行的经济型,同时通过提前预测风电功率的波动,合理安排运行方式和应对措施,提高电网的安全性和可靠性。
附图说明
图1为本发明的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
如图1所示,一种基于SSA-GRU-MSAR的风电功率预测方法,具体包括以下步骤:
S1、采集风电厂的历史风力特征数据和相应的历史实际风功率,对历史风力特征数据进行数据补全处理,得到风力历史特征值并划分为训练集和测试集,本实施例中,训练集和测试集的划分比例为7:3,并将训练集和测试集中的风力历史特征值和历史实际风功率进行归一化处理;
S2、训练集中的风力历史特征值经功率信号分解后输入到经麻雀算法(SSA)优化的GRU模型中进行训练,再将测试集中的风力历史特征值输入完成训练的GRU模型中,得到风力历史预测值,将历史实际风功率与风力历史预测值输入误差模型进行误差修正,并调整误差模型的模型参数;
S3、获取实时风力特征数据,将实时风力特征数据进行数据补全和归一化处理得到风力实时特征值,输入完成训练的GRU模型中,得到风力实时预测值,并输入误差模型进行误差修正,修正后的风力实时预测值经过反归一化处理,得到实时风功率。
步骤S1中采用邻近均值法进行数据补全处理。
数据补全处理中需要进行补全的数据类型包括数据缺失值和数据异常值。
步骤S1和S3中采用最小最大值标准化方法(MinMaxScaler)进行归一化处理。
归一化处理对应的数据取值范围为[0,1],提高数据的运行效率和预测的精度。
历史风力特征数据和实时风力特征数据的数据类型均包括风速、风向、气温、湿度、气压和地理地形。
步骤S2中采用经验模态分解(CEEMDAN)算法进行功率信号分解,减小噪声信号对功率信号的影响。
误差模型的类型包括马尔科夫转换向量自回归模型(MSAR)。
GRU模型包括输入层、隐藏层和输出层,其中麻雀算法优化训练设于隐藏层中,提高寻优能力和收敛速度。
GRU模型训练完成的评价指标包括均方根误差、平均绝对误差和运行时间。
GRU(门控循环神经网络)相比较于其他神经网络更适合处理在时间上连续且相互影响的数据,克服了梯度消失和梯度爆炸的问题。优化GRU(门控循环神经网络)参数的过程采用麻雀优化算法,相比较于其他优化算法,精度更高运行时间更短。
此外,需要说明的是,本说明书中所描述的具体实施例,所取名称可以不同,本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化,均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种基于SSA-GRU-MSAR的风电功率预测方法,其特征在于,具体包括以下步骤:
S1、采集风电厂的历史风力特征数据和相应的历史实际风功率,对历史风力特征数据进行数据补全处理,得到风力历史特征值并划分为训练集和测试集,并将训练集和测试集中的风力历史特征值和历史实际风功率进行归一化处理;
S2、训练集中的风力历史特征值经功率信号分解后输入到经麻雀算法优化的GRU模型中进行训练,再将测试集中的风力历史特征值输入完成训练的GRU模型中,得到风力历史预测值,将历史实际风功率与风力历史预测值输入误差模型进行误差修正,并调整误差模型的模型参数;
S3、获取实时风力特征数据,将实时风力特征数据进行数据补全和归一化处理得到风力实时特征值,输入完成训练的GRU模型中,得到风力实时预测值,并输入误差模型进行误差修正,修正后的风力实时预测值经过反归一化处理,得到实时风功率。
2.根据权利要求1所述的一种基于SSA-GRU-MSAR的风电功率预测方法,其特征在于,所述步骤S1中采用邻近均值法进行数据补全处理。
3.根据权利要求2所述的一种基于SSA-GRU-MSAR的风电功率预测方法,其特征在于,所述数据补全处理中需要进行补全的数据类型包括数据缺失值和数据异常值。
4.根据权利要求1所述的一种基于SSA-GRU-MSAR的风电功率预测方法,其特征在于,所述步骤S1和S3中采用最小最大值标准化方法进行归一化处理。
5.根据权利要求4所述的一种基于SSA-GRU-MSAR的风电功率预测方法,其特征在于,所述归一化处理对应的数据取值范围为[0,1]。
6.根据权利要求1所述的一种基于SSA-GRU-MSAR的风电功率预测方法,其特征在于,所述历史风力特征数据和实时风力特征数据的数据类型均包括风速、风向、气温、湿度、气压和地理地形。
7.根据权利要求1所述的一种基于SSA-GRU-MSAR的风电功率预测方法,其特征在于,所述步骤S2中采用经验模态分解算法进行功率信号分解。
8.根据权利要求1所述的一种基于SSA-GRU-MSAR的风电功率预测方法,其特征在于,所述误差模型的类型包括马尔科夫转换向量自回归模型。
9.根据权利要求1所述的一种基于SSA-GRU-MSAR的风电功率预测方法,其特征在于,所述GRU模型包括输入层、隐藏层和输出层,其中麻雀算法优化训练设于隐藏层中。
10.根据权利要求1所述的一种基于SSA-GRU-MSAR的风电功率预测方法,其特征在于,所述GRU模型训练完成的评价指标包括均方根误差、平均绝对误差和运行时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110228138.7A CN112989693A (zh) | 2021-03-02 | 2021-03-02 | 一种基于ssa-gru-msar的风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110228138.7A CN112989693A (zh) | 2021-03-02 | 2021-03-02 | 一种基于ssa-gru-msar的风电功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112989693A true CN112989693A (zh) | 2021-06-18 |
Family
ID=76351792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110228138.7A Pending CN112989693A (zh) | 2021-03-02 | 2021-03-02 | 一种基于ssa-gru-msar的风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989693A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392972A (zh) * | 2021-06-23 | 2021-09-14 | 广东工业大学 | 一种光伏短期功率预测模型训练方法、预测方法及装置 |
CN113487068A (zh) * | 2021-06-21 | 2021-10-08 | 湖北工业大学 | 一种基于长短期记忆模块的短期风功率预测方法 |
CN113516316A (zh) * | 2021-07-29 | 2021-10-19 | 昆明理工大学 | 基于麻雀搜索优化的Attention-GRU短期负荷预测方法 |
CN114077929A (zh) * | 2021-11-24 | 2022-02-22 | 山东大学 | 基于is-arima-lstm预测模型的风电功率预测方法及系统 |
CN114117787A (zh) * | 2021-11-25 | 2022-03-01 | 上海电机学院 | 基于ssa优化bp神经网络的短期风功率预测方法 |
CN114611843A (zh) * | 2022-05-11 | 2022-06-10 | 山东科技大学 | 一种组合方式下对风电场有功功率进行短期预测的方法 |
CN114819377A (zh) * | 2022-05-11 | 2022-07-29 | 云南电网有限责任公司电力科学研究院 | 分散式风电功率预测方法、系统、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014187147A1 (zh) * | 2013-05-20 | 2014-11-27 | 国家电网公司 | 电力系统中长期优化运行的中长期风电出力模型建模方法 |
CN110348632A (zh) * | 2019-07-11 | 2019-10-18 | 广东电网有限责任公司 | 一种基于奇异谱分析和深度学习的风电功率预测方法 |
CN111371644A (zh) * | 2020-02-28 | 2020-07-03 | 山东工商学院 | 基于gru的多域sdn网络流量态势预测方法及系统 |
-
2021
- 2021-03-02 CN CN202110228138.7A patent/CN112989693A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014187147A1 (zh) * | 2013-05-20 | 2014-11-27 | 国家电网公司 | 电力系统中长期优化运行的中长期风电出力模型建模方法 |
CN110348632A (zh) * | 2019-07-11 | 2019-10-18 | 广东电网有限责任公司 | 一种基于奇异谱分析和深度学习的风电功率预测方法 |
CN111371644A (zh) * | 2020-02-28 | 2020-07-03 | 山东工商学院 | 基于gru的多域sdn网络流量态势预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
YUTONG MA,ET AL: "Residential High-Power Load Prediction Based on Optimized LSTM Network", 《2020 INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND COMPUTER ENGINEERING (ICAICE)》 * |
徐正华: "基于残差修正的风电功率爬坡预测及其控制策略研究", 《中国优秀硕士学位论文全文数据库》 * |
杨森: "基于门控循环神经网络的风电功率预测及经济调度", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487068A (zh) * | 2021-06-21 | 2021-10-08 | 湖北工业大学 | 一种基于长短期记忆模块的短期风功率预测方法 |
CN113392972A (zh) * | 2021-06-23 | 2021-09-14 | 广东工业大学 | 一种光伏短期功率预测模型训练方法、预测方法及装置 |
CN113516316A (zh) * | 2021-07-29 | 2021-10-19 | 昆明理工大学 | 基于麻雀搜索优化的Attention-GRU短期负荷预测方法 |
CN114077929A (zh) * | 2021-11-24 | 2022-02-22 | 山东大学 | 基于is-arima-lstm预测模型的风电功率预测方法及系统 |
CN114117787A (zh) * | 2021-11-25 | 2022-03-01 | 上海电机学院 | 基于ssa优化bp神经网络的短期风功率预测方法 |
CN114611843A (zh) * | 2022-05-11 | 2022-06-10 | 山东科技大学 | 一种组合方式下对风电场有功功率进行短期预测的方法 |
CN114819377A (zh) * | 2022-05-11 | 2022-07-29 | 云南电网有限责任公司电力科学研究院 | 分散式风电功率预测方法、系统、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112989693A (zh) | 一种基于ssa-gru-msar的风电功率预测方法 | |
CN110261109B (zh) | 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 | |
CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
CN110991737A (zh) | 一种基于深度置信网络的超短期风电功率预测方法 | |
CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
CN112580874A (zh) | 一种基于随机森林算法和tcn的短期风电功率预测方法 | |
CN112712215A (zh) | 一种风电场功率预测方法 | |
CN115294671A (zh) | 一种空压机出口压力预测方法和预测系统 | |
CN110555784B (zh) | 基于门控循环神经网络风速修正的风电功率预测方法 | |
CN112669168A (zh) | 一种风电功率短期预测方法 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
CN115146718A (zh) | 基于深度表示的风电机组异常检测方法 | |
CN108832623B (zh) | 一种物理-统计混合两阶段风电功率预测方法 | |
CN117200221A (zh) | 计及波动趋势动态感知长预见期风电集群功率预测方法 | |
CN111488974A (zh) | 基于深度学习神经网络的海洋风能降尺度方法 | |
van der Walt et al. | A comparison of regression algorithms for wind speed forecasting at Alexander Bay | |
CN116663727A (zh) | 一种光伏功率预测方法及系统 | |
CN115081681B (zh) | 一种基于prophet算法的风电功率预测方法 | |
CN116384586A (zh) | 一种基于vmd-svr的风速预测方法 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN116317937A (zh) | 一种分布式光伏电站运行故障诊断方法 | |
CN113554203B (zh) | 基于高维网格化和LightGBM的风电预测方法及装置 | |
CN115541227A (zh) | 一种基于时移余弦相似熵的风电齿轮箱故障诊断方法 | |
CN114239920A (zh) | 一种风电功率短期预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210618 |
|
RJ01 | Rejection of invention patent application after publication |