CN113222263A - 一种基于长短期记忆神经网络的光伏发电功率预测方法 - Google Patents

一种基于长短期记忆神经网络的光伏发电功率预测方法 Download PDF

Info

Publication number
CN113222263A
CN113222263A CN202110554506.7A CN202110554506A CN113222263A CN 113222263 A CN113222263 A CN 113222263A CN 202110554506 A CN202110554506 A CN 202110554506A CN 113222263 A CN113222263 A CN 113222263A
Authority
CN
China
Prior art keywords
quantile
power generation
photovoltaic power
neural network
function
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
Application number
CN202110554506.7A
Other languages
English (en)
Inventor
杜聚鑫
王其锐
仇嘉晖
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 CN202110554506.7A priority Critical patent/CN113222263A/zh
Publication of CN113222263A publication Critical patent/CN113222263A/zh
Pending legal-status Critical Current

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
    • G06N3/044—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
    • G06N3/08—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—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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于长短期记忆神经网络的光伏发电功率预测方法包括：获取光伏发电功率的历史数据，用交叉验证的方法将数据分为训练集和测试集并进行归一化处理；将数据集代入到长短期记忆神经网络分位数回归模型，得到光伏发电的预测功率；最后采用均方根误差的方法对预测结果进行验证。本发明采用概率密度函数的众数作为点预测结果，这样可以进一步提高预测精度，并且预测点的实际值会有较大概率出现在风电功率概率密度函数的众数处；本发明的区间覆盖率满足预期要求，并且区间平均宽度最小，分位数最低，验证了本文模型相比传统模型在区间预测上的优越性。

Description

一种基于长短期记忆神经网络的光伏发电功率预测方法
技术领域
本发明涉及光伏发电功率预测领域，尤其涉及一种基于长短期记忆神经网络的光伏功率概率预测方法。
背景技术
随着未来社会对电力的需求量不断增加，可以预测新能源应用技术，尤其是光伏发电技术，在电网中所占的比例将会不断增长。光伏发电功率具有间歇性和随机波动性的特点，当大规模的光伏发电并入电网以后，除了光伏发电本身固有的随机性和波动性会导致电网波动外，电力系统自身在用电、发电和输电三者之间产生的不平衡，也会在一定程度使电网出现波动。因此，为保证电网能够在安全、稳定、可靠的条件下运行，对光伏发电功率进行预测具有重要意义。
目前国内外学者提出多种模型对光伏发电功率进行预测，例如采用粒子群优化算法对BP神经网络进行优化的模型，基于灰色模型和支持向量机的预测模型，但是这些模型存在预测精度不高，泛化性和鲁棒性差等一些缺点，很难根据其预测结果对未来进行判断。
发明内容
基于目前所存在的模型预测精度不高，泛化性和鲁棒性差的缺点，本发明提出一种基于长短期记忆神经网络的光伏功率概率预测方法，可以根据预测的结果实时调整电力系统，保证电网安全稳定运行。
本发明的技术方案为：
一种基于长短期记忆神经网络的光伏发电功率预测方法，该方法包括：
步骤一，获取某一地区的一时间段光伏功率的历史数据，将获取到的数据作为数据集；
步骤二，对步骤一数据集中的数据进行处理，剔除掉异常数据，将剩下的数据通过K折交叉验证的方法分为训练集和测试集，并进行归一化处理；
步骤三，归一化处理后，确定长短期记忆神经网络的输入层、隐含层和输出层的神经元数目，确定光伏发电功率预测模型当中分位点的数目；
步骤四，将步骤二中训练集和测试集代入到模型中训练，训练结束后，输出训练结束的测试数据集在不同分位点下的分位数，将分位数列向量作为核密度函数的输入信息；
步骤五，经过核密度函数处理后，得到光伏发电功率在每个预测点的概率密度函数；
步骤六，求出发电功率在95％置信水平下的取值区间，将光伏发电功率概率密度函数的众数作为光伏发电功率的预测值，得到预测结果；
步骤七，在得到光伏发电功率的预测结果后，需要采用相应的评价指标来对结果进行评价。
具体地，步骤三中分位点的数目的取值范围是0.01-0.09，间隔为0.01。
具体地，步骤四中同一分位点下运行30次取其平均数作为所确定的分位数，训练结束后，输出训练结束的测试数据集在不同分位点下的99个分位数，将分位数列向量作为核密度函数的输入信息。
具体地，步骤三中光伏发电功率预测模型将长短期记忆神经网络分位数回归函数和分位数回归损失函数结合，构成长短期记忆神经网络分位数回归模型，其中，分位数回归损失函数的信息表达式为：
Figure BDA0003075018210000021
式中，QY表示被解释变量Y在测试解释变量X给定的情况下的条件分位数，X＝[1，x1，…xi]；
Figure BDA0003075018210000022
表示分位点，
Figure BDA0003075018210000023
Figure BDA0003075018210000024
表示回归系数向量，
Figure BDA0003075018210000025
Figure BDA0003075018210000026
表示不同分位点
Figure BDA0003075018210000027
的误差项；
当给定训练集和测试集时，通过公式(1)能求出不同分位点下的回归系数向量
Figure BDA0003075018210000028
其求解过程能转换为如公式(2)所示的最小损失函数：
Figure BDA0003075018210000029
式中，i＝1，2，3…，M；M为训练样本数量；
Figure BDA00030750182100000210
——分位点，
Figure BDA00030750182100000211
Xi——解释变量；Yi——被解释变量；β——回归系数。
长短期记忆神经网络分位数回归函数的信息表达式为：
Figure BDA00030750182100000212
式中，j——隐含层节点数；s——输入层节点数量，
Figure BDA00030750182100000213
——Y的分位点
Figure BDA00030750182100000214
条件分位数；f(2)——隐含层与输出层之间的激活函数：
Figure BDA00030750182100000215
——输出层的权值和偏置。
Figure BDA0003075018210000031
Figure BDA0003075018210000032
——隐含层输出结果；f(1)——输入层与隐含层之间的转换函数，本文中f(1)取tanh函数；
Figure BDA0003075018210000033
——输入层的权值和偏置。
根据公式(5)最小化损失函数对公示(3)的权值和偏置进行估计：
Figure BDA0003075018210000034
Figure BDA0003075018210000035
式中，
Figure BDA0003075018210000036
——损失函数；Yi——第i个样本的被解释变量；
Figure BDA0003075018210000037
——第i个样本的输入变量代入公式(3)得到被解释变量的
Figure BDA00030750182100000312
条件分位数；I(u)——指示函数；u——指示函数中的自变量。
具体地，步骤四中核密度函数的数学表达式为：
Figure BDA0003075018210000038
式中，n表示预测值分位数的数量；K表示核函数，选择高斯核函数。
具体地，步骤七中采用均方根误差和平均绝对比误差来评价，其数学公式分别为：
Figure BDA0003075018210000039
Figure BDA00030750182100000310
式中，
Figure BDA00030750182100000311
表示第i个测试样本的确定性预测值；yi表示第i个测试样本的实际值；N表示测试样本数目。
与传统光伏发电功率预测方法相比，本发明的优点在于：
本发明采用概率密度函数的众数作为点预测结果，这样可以进一步提高预测精度，并且预测点的实际值会有较大概率出现在风电功率概率密度函数的众数处；本发明的区间覆盖率满足预期要求，并且区间平均宽度最小，分位数最低，验证了本文模型相比传统模型在区间预测上的优越性。
附图说明
图1为发明方法流程图；
图2为长短期记忆神经网络隐含层内部记忆单元结构；
图3为长短期记忆神经网络隐含层信息传递过程。
具体实施方式
下面将结合实施例及附图进一步解释本发明，但并不一次作为对本申请范围的限定。
本发明包括以下步骤：
步骤一，获取某一地区的一时间段光伏功率的历史数据，将获取到的数据作为数据集；
步骤二，对步骤一数据集中的数据进行处理，剔除掉异常数据，将剩下的数据通过K折交叉验证的方法分为训练集和测试集，并进行归一化处理；
步骤三，归一化处理后，确定长短期记忆神经网络的输入层、隐含层和输出层的神经元数目，确定光伏发电功率预测模型当中分位点的数目；
本发明的光伏发电功率预测模型将长短期记忆神经网络分位数回归函数和分位数回归损失函数结合，构成长短期记忆神经网络分位数回归模型。
首先说明分位数回归：
分位数回归研究自变量与因变量的条件分位数之间的关系，相应得到的回归模型课由自变量估计因变量的条件分位数。相比于传统回归分析仅能得到因变量的中央趋势，分量回归可以进一步推论因变量的条件概率分布。
分位数回归的映射信息表达式为：
Figure BDA0003075018210000041
式中，QY——被解释变量Y在在解释变量X给定的情况下的条件分位数，
X＝[1，x1，…xi]′；
Figure BDA0003075018210000042
——分位点，
Figure BDA0003075018210000043
Figure BDA0003075018210000044
——回归系数向量，
Figure BDA0003075018210000045
其值随分位点
Figure BDA0003075018210000046
的变化而变化；
Figure BDA0003075018210000047
——不同分位点
Figure BDA0003075018210000048
的误差项。
当给定训练集和测试集时，通过公式(1)可以求出不同分位点下的回归系数向量
Figure BDA0003075018210000049
其求解过程可以转换为如公式(2)所示的最小损失函数：
Figure BDA0003075018210000051
式中，M——训练样本数量，i＝1，2，3…，M；
Figure BDA0003075018210000052
——分位点，
Figure BDA0003075018210000053
Xi——解释变量；Yi——被解释变量；β——回归系数。。
神经网络分位数回归模型：
假设神经网络分位数回归模型的解释变量为X＝[x1，x2，…，xs]，响应变量为Y，该模型课通过神经网络分析X对Y的非线性影响，模型为：
Figure BDA0003075018210000054
Figure BDA0003075018210000055
式中，J——隐含层节点数；S——输入层节点数量，
Figure BDA0003075018210000056
——Y的分位点
Figure BDA0003075018210000057
条件分位数：
f(2)——隐含层与输出层之间的激活函数；
Figure BDA0003075018210000058
——输出层的权值和偏置：
Figure BDA0003075018210000059
——隐含层输出结果：
f(1)——输入层与隐含层之间的转换函数，本文中f(1)取tanh函数；
Figure BDA00030750182100000510
——输入层的权值和偏置。
神经网络模型就是当该模型在
Figure BDA00030750182100000511
的特例形式。该模型根据公式(5)最小化损失函数对它的权值和偏置进行估计：
Figure BDA00030750182100000512
Figure BDA00030750182100000513
式中，
Figure BDA00030750182100000514
——损失函数；
Yi——第i个样本的被解释变量；
Figure BDA0003075018210000061
——第i个样本的输入变量代入公式(3)得到被解释变量的
Figure BDA0003075018210000062
条件分位数；
I(u)——指示函数；
u——指示函数中的自变量。
长短期记忆神经网络分位数回归模型:
为了充分挖掘风电连续性序列内部的相关性，本发明将长短期记忆神经网络与分位数回归损失函数相结合，构成长短期记忆神经网络分位数回归模型，第一次用于光伏发电功率预测。
长短期记忆神经网络隐含层内部记忆单元结构为附图2所示，长短期记忆神经网络隐含层信息传递过程为附图3所示。
其中，Ut为添加到新单元状态Ct的后选址；
σ为激活函数，其中σ为sigmoid函数，
Figure BDA0003075018210000063
和g为tanh函数；
ft、it和ot分别为遗忘门、输入门和输出门；
Ht为t时刻的隐藏状态；xt为t时刻的输入信息；
yt为t时刻的输出信息；xt为t时刻的输入信息。
每个时刻长短期记忆神经网络单元通过三个门接收当前光伏发电功率输入xt，来自上一隐藏状态输出Ht-1和记忆单元状态Ct-1，那么数学计算过程为：
(1)遗忘门帮助长短期记忆神经网络决定哪些信息姜葱记忆单元状态中删除：
ft＝σ(Wfxxt+Wfxht-1+Wfxxt-1+bf) (7)
(2)长短期记忆神经网络使用舒润it来决定将要存储到新单元状态Ct的新信息，计算过程为：
it＝σ(Wixxt+Wixht-1+Wixxt-1+bi) (8)
Ut＝g(Wcxxt+Wchht-1+bc)bc (9)
Ct＝Ct-1ft+Utit (10)
Ct-1ft——确定有多少信息将从Ct-1中遗忘；
Utit——确定有多少信息添加到新单元状态Ct。
(3)使用输出门ot计算Ht的过程：
ot＝σ(Woxxt+Woxht-1+Woxxt-1+bo) (11)
Figure BDA0003075018210000071
式中，Wix，Wfx，Wox，Wcx——连接输入信息xt的权值矩阵；
Wic，Wfc，Woc——连接神经元激活函数输出值ct和门函数的对角矩阵；
Wih，Wfh，Woh，Wch——连接隐含层输出信号Ht的权值矩阵；
bi、bf、bo、bc——输入门、遗忘门、输出门、候选值Ut对应的偏置。
设长短期记忆神经网络中隐含层神经元共有K个，则t时刻隐含层输出的向量为
Figure BDA0003075018210000072
将隐含层输出向量作为全连接层输入即可得到LSTM网络的输出值为：
Figure BDA0003075018210000073
式中，K——全连接层的输入数量；
wk、b——隐含层输出与全连接层输入之间的权值和偏置；
f——线性激活函数。
步骤四，长短期记忆神经网络分位数回归模型通过公式(4)和公式(5)最小化损失函数对不同分位点下的权值和偏置进行估计后，可求得预测值的不同分位数。
步骤五，当使用长短期记忆神经网络预测得到不同分位点下光伏发电功率的分位数，之后将各分位数作为高斯核密度估计的输入信息，可以得到描述光伏发电功率不确定性的波动范围和各预测点的概率密度函数。
设
Figure BDA0003075018210000074
为不同分位点下第i个预测点的光伏发电功率预测值，求出光伏发电功率预测点的核密度估计的数学表达式为：
Figure BDA0003075018210000075
式中，n——预测值分位数的数量；
K——核函数，此处选择高斯核函数。
Figure BDA0003075018210000076
式中：η——带宽的平滑参数，η>0，其高度影响分布的形状，最优带宽可由插入式带宽选择器确定。
步骤六，求出发电功率在95％置信水平下的取值区间，将光伏发电功率概率密度函数的众数作为光伏发电功率的预测值，得到预测结果；
步骤七：对光伏发电功率的预测值进行检验；
在得到光伏发电功率预测结果后，需要对预测结果进行评估。本发明采用均方根误差来对预测结果进行评估。
均方根误差和平均绝对比误差用来评价实际值和预测值之间的偏差，其数学公式分别为：
Figure BDA0003075018210000081
Figure BDA0003075018210000082
式中，
Figure BDA0003075018210000083
——第i个测试样本的确定性预测值；
yi——第i个测试样本的实际值；
N——测试样本数目。
根据公式(16)和公式(17)可以算出均方根误差的结果，利用算出的结果对预测结果的可靠性进行检验。

Claims (6)

1.一种基于长短期记忆神经网络的光伏发电功率预测方法，其特征在于，该方法包括：
步骤一，获取某一地区的一时间段光伏功率的历史数据，将获取到的数据作为数据集；
步骤二，对步骤一数据集中的数据进行处理，剔除掉异常数据，将剩下的数据通过K折交叉验证的方法分为训练集和测试集，并进行归一化处理；
步骤三，归一化处理后，确定长短期记忆神经网络的输入层、隐含层和输出层的神经元数目，确定光伏发电功率预测模型当中分位点的数目；
步骤四，将步骤二中训练集和测试集代入到模型中训练，训练结束后，输出训练结束的测试数据集在不同分位点下的分位数，将分位数列向量作为核密度函数的输入信息；
步骤五，经过核密度函数处理后，得到光伏发电功率在每个预测点的概率密度函数；
步骤六，求出发电功率在95％置信水平下的取值区间，将光伏发电功率概率密度函数的众数作为光伏发电功率的预测值，得到预测结果；
步骤七，在得到光伏发电功率的预测结果后，需要采用相应的评价指标来对结果进行评价。
2.根据权利要求1所述的基于长短期记忆神经网络的光伏发电功率预测方法，其特征在于，步骤三中分位点的数目的取值范围是0.01-0.09，间隔为0.01。
3.根据权利要求2所述的基于长短期记忆神经网络的光伏发电功率预测方法，其特征在于，步骤四中同一分位点下运行30次取其平均数作为所确定的分位数，训练结束后，输出训练结束的测试数据集在不同分位点下的99个分位数，将分位数列向量作为核密度函数的输入信息。
4.根据权利要求3所述的基于长短期记忆神经网络的光伏发电功率预测方法，其特征在于，步骤三中光伏发电功率预测模型将长短期记忆神经网络分位数回归函数和分位数回归损失函数结合，构成长短期记忆神经网络分位数回归模型，其中，分位数回归损失函数的信息表达式为：
QY(τ|X)＝β0(τ)+β1(τ)x1+β2(τ)x2+…+β3(τ)x3+ε(τ) (1)
式中，QY表示被解释变量Y在测试解释变量X给定的情况下的条件分位数，X＝[1，x1，…，xi]；τ表示分位点，τ∈（0，1）；β（τ）表示回归系数向量，β（τ）＝[β0，β1，β2，…，βs]；ε（τ）表示不同分位点τ的误差项；
当给定训练集和测试集时，通过公式(1)能求出不同分位点下的回归系数向量β（τ），
其求解过程能转换为如公式(2)所示的最小损失函数：
Figure FDA0003075018200000021
式中，i＝1，2，3…，M；M——训练样本数量；τ——分位点，τ∈(0，1)；Xi——解释变量；Yi——被解释变量；β——回归系数；
长短期记忆神经网络分位数回归函数的信息表达式为：
Figure FDA0003075018200000022
式中，j——隐含层节点数；s——输入层节点数量，QY(τ|X)——Y的分位点τ条件分位数；f(2)——隐含层与输出层之间的激活函数：
Figure FDA0003075018200000023
——输出层的权值和偏置。
Figure FDA0003075018200000024
gj(τ)——隐含层输出结果；f(1)——输入层与隐含层之间的转换函数，本文中f(1)取tanh函数；
Figure FDA0003075018200000025
——输入层的权值和偏置。
根据公式(5)最小化损失函数对公示(3)的权值和偏置进行估计：
Figure FDA0003075018200000026
Figure FDA0003075018200000027
式中，
Figure FDA0003075018200000028
——损失函数；Yi——第i个样本的被解释变量；
Figure FDA0003075018200000029
——第i个样本的输入变量代入公式(3)得到被解释变量的τ条件分位数；I(u)——指示函数；u——指示函数中的自变量。
5.根据权利要求4所述的基于长短期记忆神经网络的光伏发电功率预测方法，其特征在于，步骤四中核密度函数的数学表达式为：
Figure FDA0003075018200000031
式中，n表示预测值分位数的数量；K表示核函数，选择高斯核函数。
6.根据权利要求5所述基于长短期记忆神经网络的光伏发电功率预测方法，其特征在于，步骤七中，采用均方根误差和平均绝对比误差来评价，其数学公式分别为：
Figure FDA0003075018200000032
Figure FDA0003075018200000033
式中，
Figure FDA0003075018200000034
表示第i个测试样本的确定性预测值；yi表示第i个测试样本的实际值；N表示测试样本数目。
CN202110554506.7A 2021-05-20 2021-05-20 一种基于长短期记忆神经网络的光伏发电功率预测方法 Pending CN113222263A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110554506.7A CN113222263A (zh) 2021-05-20 2021-05-20 一种基于长短期记忆神经网络的光伏发电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110554506.7A CN113222263A (zh) 2021-05-20 2021-05-20 一种基于长短期记忆神经网络的光伏发电功率预测方法

Publications (1)

Publication Number Publication Date
CN113222263A true CN113222263A (zh) 2021-08-06

Family

ID=77093597

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110554506.7A Pending CN113222263A (zh) 2021-05-20 2021-05-20 一种基于长短期记忆神经网络的光伏发电功率预测方法

Country Status (1)

Country Link
CN (1) CN113222263A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113673768A (zh) * 2021-08-24 2021-11-19 河海大学 基于vmd和cnn-lstm的风功率概率预测模型
CN115359890A (zh) * 2022-10-17 2022-11-18 中科厚立信息技术(成都)有限公司 基于迁移学习的单病种资源消耗分析方法、系统及终端

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113673768A (zh) * 2021-08-24 2021-11-19 河海大学 基于vmd和cnn-lstm的风功率概率预测模型
CN115359890A (zh) * 2022-10-17 2022-11-18 中科厚立信息技术(成都)有限公司 基于迁移学习的单病种资源消耗分析方法、系统及终端

Similar Documents

Publication Publication Date Title
CN108304623B (zh) 一种基于堆栈降噪自动编码器的概率潮流在线计算方法
CN110119854A (zh) 基于代价敏感lstm循环神经网络的稳压器水位预测方法
CN111027772A (zh) 基于pca-dbilstm的多因素短期负荷预测方法
CN109088407B (zh) 基于深度信念网络伪量测建模的配电网状态估计方法
CN113406521B (zh) 一种基于特征分析的锂电池健康状态在线估计方法
CN110443724B (zh) 一种基于深度学习的电力系统快速状态估计方法
CN111144644B (zh) 基于变分异方差高斯过程回归的短期风速预测方法
CN113222263A (zh) 一种基于长短期记忆神经网络的光伏发电功率预测方法
CN116150897A (zh) 一种基于数字孪生的机床主轴性能测评方法及系统
CN115618732B (zh) 核反应堆数字孪生关键参数自主优化数据反演方法
Zheng et al. A fault prediction of equipment based on CNN-LSTM network
Pham et al. Neural network-based power flow model
CN113850320A (zh) 基于改进支持向量机回归算法的变压器故障检测方法
Alharbi et al. Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks
CN116774086B (zh) 一种基于多传感器数据融合的锂电池健康状态估计方法
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
Zhang Short-term power load forecasting based on SAPSO-CNN-LSTM model considering autocorrelated errors
CN117076887A (zh) 一种泵站机组运行状态预测和健康评估方法及系统
CN116826728A (zh) 一种少测量样本条件下的配电网状态结构估计方法及系统
CN110991741A (zh) 一种基于深度学习的断面约束概率预警方法及系统
CN115564310A (zh) 一种基于卷积神经网络的新能源电力系统可靠性评估方法
Peng et al. Developing a reliability model of CNC system under limited sample data based on multisource information fusion
CN114372418A (zh) 一种风电功率时空态势描述模型建立方法
CN114548762A (zh) 基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统

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