CN113297805A - 一种风电功率爬坡事件间接预测方法 - Google Patents

一种风电功率爬坡事件间接预测方法 Download PDF

Info

Publication number
CN113297805A
CN113297805A CN202110742516.3A CN202110742516A CN113297805A CN 113297805 A CN113297805 A CN 113297805A CN 202110742516 A CN202110742516 A CN 202110742516A CN 113297805 A CN113297805 A CN 113297805A
Authority
CN
China
Prior art keywords
wind speed
wind power
bird nest
prediction
climbing
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
CN202110742516.3A
Other languages
English (en)
Inventor
熊雄
张颖超
杨凡
陈昕
宗阳
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information 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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202110742516.3A priority Critical patent/CN113297805A/zh
Publication of CN113297805A publication Critical patent/CN113297805A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种风电功率爬坡事件间接预测方法，该方法考虑风速大小对预测精度影响的同时还需兼顾风速的变化，引入兼顾“值相似”与“形相似”的相似离度搜寻预测段的相似风速曲线，将风速及对应的功率构成最终相似样本簇。再引入自适应的ACS算法对ELM模型的隐藏节点参数和阀值进行优化选取，通过ELM预测模型对风电功率进行预测，最后结合爬坡定义和检测算法对预测功率中的爬坡事件进行间接预测。该方法能够避免冗余信息的干扰，训练样本更具针对性，节省了训练模型所需的时间，预测结果更接近于实际观测数据，间接确保了风电爬坡的有效预测。

Description

一种风电功率爬坡事件间接预测方法
技术领域
本发明涉及一种风电功率预测方法，尤其涉及一种风电功率爬坡事件间接预测方法。
背景技术
随着传统化石能源的日益枯竭以及日益严峻的环境污染等问题的产生，世界各国已纷纷将目光转向可再生能源。目前，生态友好型的风能作为潜在能源，其开发成本较低，备受世界各国的高度重视，并在世界范围内得到较快的发展。随着各国装机容量逐年增加，风能对电网安全性、稳定性的影响日益明显。特别是风电功率在有限的时间窗内大幅增加或减少，该事件称为风电爬坡事件。与正常运行的电网相比，这种功率的急剧变化使得发电负荷平衡严重被打破，给系统的正常运行带来很大冲击，所以对风电功率爬坡事件进行预测相当重要。
对风电功率爬坡事件的预测在于解决两个问题：一方面是运用风功率预测方法完成对功率的预测；另一方面是在预测的风功率的基础上再对爬坡事件进行监测。在气象领域，对爬坡事件的预测会运用一些间接预测的方法，如AFSA-PSO组合预测模型、ISMC-PSO组合预测模型、基于气象背景下选取临近点的预测模型等。这些方法只能解决小部分问题，还存在以下几点问题：(1)这些方法只关注数值上的关系，即只考虑了风速大小对于预测精度的影响，而没有考虑风速变化对预测精度的影响，影响了对爬坡事件的判定；(2)这些方法在“拐点”处，即高风速时段的预测精度较差。
发明内容
发明目的：针对以上问题，本发明提出一种风电功率爬坡事件间接预测方法，能够避免冗余信息的干扰，训练样本更具针对性，节省了训练模型所需的时间，预测结果更接近于实际观测数据，间接确保了风电爬坡的有效预测，尤其解决了对风电“拐点”，即高风速时段的风功率预测精度不足的问题，同时解决了未考虑风向变化对爬坡事件预测影响所导致的预测精度不足的问题。
技术方案：本发明所采用的技术方案是一种风电功率爬坡事件间接预测方法，采集风速数据，通过计算实时风速数据与历史风速数据的相似离度搜寻预测段的相似风速曲线，将搜寻所得的相似风速曲线段的风速数据及其对应的风电功率构成相似样本簇，引入自适应的布谷鸟算法对极限学习机模型的隐节点参数和输出阀值进行优化选取，通过极限学习机模型输出风电功率，通过对预测风电功率中的爬坡事件检测完成爬坡事件的间接预测。
所述的通过计算相似离度搜寻预测段的相似风速曲线，相似离度计算式为：
Figure BDA0003141150710000021
其中：
Figure BDA0003141150710000022
Figure BDA0003141150710000023
式中Cxy为相似离度，Dxy为值相似系数；Sxy为形相似系数，n为数据个数，xi为预测当天测试风速，yi为需要搜索的历史风速，zi测试集风速序列和待搜索历史风速序列对应项之差，Exy为测试集风速序列和待搜索历史风速序列对应项的均值。
所述的通过极限学习机模型输出风电功率，包括以下内容：建立ELM网络数学模型，将所述相似样本簇作为训练样本集，输出层f(α)为：
Figure BDA0003141150710000024
对隐含层具有L个隐节点的N个训练样本集(αi，γi)，利用ELM网络数学模型，使ELM网络输出的误差
Figure BDA0003141150710000025
趋于0，使(ai，bi，βi)满足
Figure BDA0003141150710000026
ai为隐节点的输入权值系数矩阵，bi为对应节点的偏置，βi为隐节点的输出权值系数矩阵，g(ai·αi+bi)为激活函数。
所述的引入自适应的布谷鸟算法对极限学习机模型的隐节点参数和输出阀值进行优化选取，包括以下步骤：
(1)给定一个CS参数，保留上一代最优的鸟巢位置
Figure BDA00031411507100000213
依照
Figure BDA00031411507100000214
搜索鸟巢位置li，并根据式：
Figure BDA0003141150710000027
判别是否更新当前鸟巢位置li；式中，
Figure BDA0003141150710000028
为步长参数，多数情形下
Figure BDA00031411507100000215
Figure BDA0003141150710000029
为点对点乘法；L(λ)则表示Lévy飞行搜索路径，服从Lévy分布；
Figure BDA00031411507100000216
为保留的上一代最优的鸟巢位置，li为搜索得到的鸟巢位置，fitness()为适应度函数；
(2)由
Figure BDA00031411507100000210
获取变异后鸟巢的位置Vi，并将其作为此时ELM的隐节点数；式中，Vi为采取变异策略后鸟巢的位置，F∈[0，1]为变异因子；Φbest为此时最优鸟巢位置，Φi rk(k＝1，2，3，4)为种群中随机选取的个体；
(3)通过计算样本数据的RMSE作为适应度值，并根据判别式进行判别
Figure BDA00031411507100000211
是否需要更新，判别式为：
Figure BDA00031411507100000212
式中，
Figure BDA0003141150710000031
为下一个可能更新的最优鸟巢位置，li为步骤(1)结束后得到的当前鸟巢位置，Vi为当前采取变异策略后鸟巢的位置，fitness()为适应度函数。
(4)产生随机数rand，计算发现鸟巢的概率Pa，并比较rand和Pa的大小，若rand＞Pa，则随机选取鸟巢的位置，并替换旧鸟巢较差的位置，反之不进行改变；若达到迭代终止条件，则终止搜索，反之返回步骤(4)。
所述的通过对预测风电功率中的爬坡事件检测完成爬坡事件的间接预测，是结合爬坡定义和检测算法，对预测功率中的爬坡事件进行间接预测。
有益效果：相比于现有技术，本发明不仅考虑了风速大小对预测精度影响，同时还兼顾合并分析风速的变化，通过引入兼顾“值相似”与“形相似”的相似离度搜寻预测段的相似风速曲线，将风速及对应的功率构成最终相似样本簇，并针对极限学习机(ELM)输入权值和阀值随机给定的问题引入自适应的布谷鸟算法(ACS)进行优化选取，通过自适应的布谷鸟算法模型输出风电功率，最后结合爬坡定义和检测算法对预测功率中的爬坡事件进行间接预测。经过测试表明，本发明所提出的相似性-ACS-ELM模型解决了对风电“拐点”，即高风速时段的风功率预测精度不足的问题，能够避免冗余信息的干扰，训练样本更具针对性，预测模型建速度快，算法时间复杂度小，精度高，能够有效的提高预测爬坡事件的准确性。
附图说明
图1是本发明所述的风电功率爬坡事件间接预测方法的流程图；
图2是ELM模型网络结构图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的风电功率爬坡事件间接预测方法，通过采用相似离度作为相似判据找出与预测段相似的样本构成相似样本簇，针对极限学习机(ELM)输入权值和阈值随机给定的问题，提出相似性-ACS-ELM模型，该方法流程图如图1所示。本实施例利用上海某一风电场型号相同的30台功率2MW的风机风速数据进行分析，对改进的风电功率爬坡事件间接预测方法的具体流程进行说明：
步骤1、将采集到的数据经过气候极值检查、时间一致性检查和持续性检查这三个初步的质量控制标记并剔除错误值，选取没有错误值的连续时间段数据，具体为上海某一风电场型号相同的30台功率为2MW的风机2014年9月-2015年9月所运行的历史数据，数据的采样间隔为5min，组成长度为105120的风速序列。
以预测当天风速数据Xi＝[x1，x2，x3，…，xN]为测试集，其中N为288，再以测试集风速序列为基准曲线从待搜索的历史风速序列Yk＝[y1，y2，y3，…，yM]中循环地进行提取与测试集等长的288个风速序列：
Figure BDA0003141150710000041
接着根据相似离度公式：
Figure BDA0003141150710000042
其中：
Figure BDA0003141150710000043
Figure BDA0003141150710000044
通过上式计算Xi与Yj的相似离度Cxy，其中xi为预测当天测试风速，yi为需要搜索的历史风速，Dxy为值相似系数，反映了两个站点之间风速数值本身的差异程度；Sxy为形相似系数，能够准确地反映了两个站点之间的风速形相似程度，zi反应历史样本数据和测试样本数据之间的动态差异，即测试集风速序列和待搜索历史风速序列对应项之差，Exy为测试集风速序列和待搜索历史风速序列对应项的均值。最后根据j次计算结果，选取相似好的风速序列αi＝[αi1，αi2，…，αin]∈Rn和γi＝[γi1，γi2，…，γin]∈Rm构成最终的训练样本集(αi，γi)；其中αi为当前已有风速序列，γi为从历史风速序列中利用相似离度搜索出的风速序列。
步骤2、建立ELM网络数学模型，ELM模型网络结构图如图2所示。输出层f(α)为：
Figure BDA0003141150710000045
其中，激活函数g(α)采用径向基函数RBF。
G(ai，bi，αi)＝g(bi||αi-ai||)，bi∈R+
对隐含层具有L个隐节点的N个训练样本集(αi，γi)，利用上述ELM网络数学模型，使ELM网络输出的误差
Figure BDA0003141150710000046
使(ai，bi，βi)满足
Figure BDA0003141150710000047
ai＝[ai1，ai2，…，ain]T为隐节点的输入权值系数矩阵，bi为对应节点的偏置，βi＝[βi1，βi2，…，βin]T为隐节点的输出权值系数矩阵，g(ai·αi+bi)＝G(ai，bi，αi)为相应的隐节点的输出函数，G(ai，bi，αi)＝g(bi||αi-ai||)，bi∈R+，其中g(bi||αi-ai||)为RBF函数。
步骤3、利用自适应的CS算法对ELM模型的隐节点参数a，b以及输出阀值进行优化。
首先给定一个CS参数，保留上一代最优的鸟巢位置
Figure BDA0003141150710000048
依照
Figure BDA0003141150710000049
进行搜索鸟巢位置li，并根据式：
Figure BDA0003141150710000051
进行判别是否更新li；式中，
Figure BDA0003141150710000052
为步长参数，多数情形下
Figure BDA0003141150710000053
Figure BDA00031411507100000510
为点对点乘法；L(λ)则表示Lévy飞行搜索路径，服从Lévy分布。
Figure BDA0003141150710000054
为保留的上一代最优的鸟巢位置，li为搜索得到的鸟巢位置，fitness()为适应度函数。接着再由
Figure BDA0003141150710000055
获取变异后鸟巢的位置Vi，并将其作为此时ELM的隐节点数；其中Vi为采取变异策略后鸟巢的位置，F∈[0，1]为变异因子；Φbest为此时最优鸟巢位置，Φi rk(k＝1，2，3，4)为种群中随机选取的个体。最后再通过计算样本数据的RMSE作为适应度值，并根据判别式进行判别
Figure BDA0003141150710000056
是否需要更新，判别式为：
Figure BDA0003141150710000057
式中，
Figure BDA0003141150710000058
为下一个可能更新的最优鸟巢位置，li为步骤(1)结束后得到的当前鸟巢位置，Vi为当前采取变异策略后鸟巢的位置，fitness()为适应度函数。
步骤4、产生随机数rand，发现鸟巢的概率Pa，并比较rand和Pa的大小，若rand＞Pa，则随机选取鸟巢的位置，并替换旧鸟巢较差的位置，反之不进行改变；若达到迭代终止条件，则终止搜索；反之返回步骤4；
步骤5、选取最优鸟巢位置作为ELM的隐节点数L，并输出ELM对应的隐节点参数a，b＝0.01，0.5，输出阀值为0.6966；接着构建最优ELM模型，输出预测功率；
步骤6、结合爬坡定义及检测算法，实现对预测功率中存在的爬坡事件进行识别，实现相似性-ACS-ELM模型对风电功率爬坡事件的间接预测。关于爬坡事件的定义和检测算法已在张东英教授的《风电爬坡事件研究综述及展望》一文中有详细叙述。
如表1所示，为三种方法爬坡事件预测结果对比，表2是三种方法爬坡事件预测MAE、RMSE和R2评价指标对比。可以看到，本发明具有算法时间复杂度小，精度高，能够有效的提高预测爬坡事件的准确性。
表1三种方法爬坡事件预测效果
Figure BDA0003141150710000059
表2三种方法爬坡事件预测MAE、RMSE和R2评价指标
Figure BDA0003141150710000061

Claims (5)

1.一种风电功率爬坡事件间接预测方法，其特征在于：采集风速数据，通过计算实时风速数据与历史风速数据的相似离度搜寻预测段的相似风速曲线，将搜寻所得的相似风速曲线段的风速数据及其对应的风电功率构成相似样本簇，引入自适应的布谷鸟算法对极限学习机模型的隐节点参数和输出阀值进行优化选取，通过极限学习机模型输出风电功率，通过对预测风电功率中的爬坡事件检测完成爬坡事件的间接预测。
2.根据权利要求1所述的风电功率爬坡事件间接预测方法，其特征在于：所述的通过计算相似离度搜寻预测段的相似风速曲线，相似离度计算式为：
Figure FDA0003141150700000011
其中：
Figure FDA0003141150700000012
Figure FDA0003141150700000013
式中Cxy为相似离度，Dxy为值相似系数；Sxy为形相似系数，n为数据个数，xi为预测当天测试风速，yi为需要搜索的历史风速，zi测试集风速序列和待搜索历史风速序列对应项之差，Exy为测试集风速序列和待搜索历史风速序列对应项的均值。
3.根据权利要求1所述的风电功率爬坡事件间接预测方法，其特征在于：所述的通过极限学习机模型输出风电功率，包括以下内容：建立ELM网络数学模型，将所述相似样本簇作为训练样本集，输出层f(α)为：
Figure FDA0003141150700000014
对隐含层具有L个隐节点的N个训练样本集(αi，γi)，利用ELM网络数学模型，使ELM网络输出的误差
Figure FDA0003141150700000015
趋于0，使(ai，bi，βi)满足
Figure FDA0003141150700000016
ai为隐节点的输入权值系数矩阵，bi为对应节点的偏置，βi为隐节点的输出权值系数矩阵，g(ai·αi+bi)为激活函数。
4.根据权利要求1所述的风电功率爬坡事件间接预测方法，其特征在于：所述的引入自适应的布谷鸟算法对极限学习机模型的隐节点参数和输出阀值进行优化选取，包括以下步骤：
(1)给定一个CS参数，保留上一代最优的鸟巢位置
Figure FDA00031411507000000111
依照
Figure FDA00031411507000000110
搜索鸟巢位置li，并根据式：
Figure FDA0003141150700000017
判别是否更新当前鸟巢位置li；式中，
Figure FDA0003141150700000018
为步长参数，
Figure FDA0003141150700000019
为点对点乘法；L(λ)则表示Lévy飞行搜索路径，服从Lévy分布；
Figure FDA0003141150700000021
为保留的上一代最优的鸟巢位置，li为搜索得到的鸟巢位置，fitness()为适应度函数；
(2)由
Figure FDA0003141150700000022
获取变异后鸟巢的位置Vi，并将其作为此时ELM的隐节点数；式中，Vi为采取变异策略后鸟巢的位置，F∈[0，1]为变异因子；Φbest为此时最优鸟巢位置，Φi rk(k＝1，2，3，4)为种群中随机选取的个体；
(3)通过计算样本数据的RMSE作为适应度值，并根据判别式进行判别
Figure FDA0003141150700000023
是否需要更新，判别式为：
Figure FDA0003141150700000024
式中，
Figure FDA0003141150700000025
为下一个可能更新的最优鸟巢位置，li为步骤(1)结束后得到的当前鸟巢位置，Vi为当前采取变异策略后鸟巢的位置，fitness()为适应度函数。
(4)产生随机数rand，计算发现鸟巢的概率Pa，并比较rand和Pa的大小，若rand＞Pa，则随机选取鸟巢的位置，并替换旧鸟巢较差的位置，反之不进行改变；若达到迭代终止条件，则终止搜索，反之返回步骤(4)。
5.根据权利要求1所述的风电功率爬坡事件间接预测方法，其特征在于：所述的通过对预测风电功率中的爬坡事件检测完成爬坡事件的间接预测，是结合爬坡定义和检测算法，对预测功率中的爬坡事件进行间接预测。
CN202110742516.3A 2021-06-30 2021-06-30 一种风电功率爬坡事件间接预测方法 Pending CN113297805A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110742516.3A CN113297805A (zh) 2021-06-30 2021-06-30 一种风电功率爬坡事件间接预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110742516.3A CN113297805A (zh) 2021-06-30 2021-06-30 一种风电功率爬坡事件间接预测方法

Publications (1)

Publication Number Publication Date
CN113297805A true CN113297805A (zh) 2021-08-24

Family

ID=77330248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110742516.3A Pending CN113297805A (zh) 2021-06-30 2021-06-30 一种风电功率爬坡事件间接预测方法

Country Status (1)

Country Link
CN (1) CN113297805A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116885691A (zh) * 2023-05-30 2023-10-13 淮阴工学院 一种风电功率爬坡事件间接预测方法
CN117293825A (zh) * 2023-11-24 2023-12-26 天津电力工程监理有限公司 考虑风电爬坡的风速及功率混合预测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106933778A (zh) * 2017-01-22 2017-07-07 中国农业大学 一种基于爬坡事件特征识别的风电功率组合预测方法
CN110245866A (zh) * 2019-06-14 2019-09-17 南京信息工程大学 一种风电功率爬坡事件检测方法
CN111541237A (zh) * 2020-04-02 2020-08-14 浙江大学 基于机会约束极限学习机的风电功率非参数区间预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106933778A (zh) * 2017-01-22 2017-07-07 中国农业大学 一种基于爬坡事件特征识别的风电功率组合预测方法
CN110245866A (zh) * 2019-06-14 2019-09-17 南京信息工程大学 一种风电功率爬坡事件检测方法
CN111541237A (zh) * 2020-04-02 2020-08-14 浙江大学 基于机会约束极限学习机的风电功率非参数区间预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋阳: "风电功率爬坡事件检测及预测方法研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116885691A (zh) * 2023-05-30 2023-10-13 淮阴工学院 一种风电功率爬坡事件间接预测方法
CN116885691B (zh) * 2023-05-30 2024-02-23 淮阴工学院 一种风电功率爬坡事件间接预测方法
CN117293825A (zh) * 2023-11-24 2023-12-26 天津电力工程监理有限公司 考虑风电爬坡的风速及功率混合预测方法及装置
CN117293825B (zh) * 2023-11-24 2024-02-13 天津电力工程监理有限公司 考虑风电爬坡的风速及功率混合预测方法及装置

Similar Documents

Publication Publication Date Title
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
US20220373984A1 (en) Hybrid photovoltaic power prediction method and system based on multi-source data fusion
CN111414717A (zh) 一种基于XGBoost-LightGBM的机组功率预测方法
CN106059492A (zh) 基于功率预测的光伏组件阴影故障类型判定方法
CN107944622A (zh) 基于连续时段聚类的风电功率预测方法
CN107909212B (zh) 基于中尺度风电功率发展过程序列化的爬坡事件预测方法
CN115374995A (zh) 一种分布式光伏、小风电场站功率预测方法
CN113297805A (zh) 一种风电功率爬坡事件间接预测方法
CN103955521B (zh) 一种风电场机群划分方法
CN110969290A (zh) 一种基于深度学习的径流概率预测方法及系统
CN107748940B (zh) 一种节电潜力量化预测方法
CN114219181A (zh) 基于迁移学习的风电功率概率预测方法
CN112632840A (zh) 基于自适应差分进化算法与elm的电网暂态稳定评估方法
CN113988426A (zh) 一种基于fcm聚类和lstm的电动汽车充电负荷预测方法及系统
CN114781723A (zh) 一种基于多模型融合的短期光伏出力预测方法
CN113048807A (zh) 一种空冷机组背压异常检测方法
CN115758151A (zh) 联合诊断模型建立方法、光伏组件故障诊断方法
CN115859099A (zh) 样本生成方法、装置、电子设备和存储介质
CN112036598A (zh) 一种基于多信息耦合的充电桩使用信息预测方法
CN113011559A (zh) 基于kubernetes的自动机器学习方法及系统
CN117033923A (zh) 一种基于可解释性机器学习的犯罪数量预测方法及系统
CN116070458A (zh) 基于rac-gan的新建风电场场景生成方法
CN114463978B (zh) 一种基于轨道交通信息处理终端的数据监测方法
CN113449466B (zh) 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统
CN115310355A (zh) 考虑多能耦合的综合能源系统多元负荷预测方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210824

RJ01 Rejection of invention patent application after publication