CN113449920A - 一种风电功率预测方法、系统及计算机可读介质 - Google Patents

一种风电功率预测方法、系统及计算机可读介质 Download PDF

Info

Publication number
CN113449920A
CN113449920A CN202110738064.1A CN202110738064A CN113449920A CN 113449920 A CN113449920 A CN 113449920A CN 202110738064 A CN202110738064 A CN 202110738064A CN 113449920 A CN113449920 A CN 113449920A
Authority
CN
China
Prior art keywords
wind power
prediction
sample data
learning machine
extreme learning
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
CN202110738064.1A
Other languages
English (en)
Inventor
戴云泽
李建国
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.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji University
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 Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN202110738064.1A priority Critical patent/CN113449920A/zh
Publication of CN113449920A publication Critical patent/CN113449920A/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
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种风电功率预测方法、系统及计算机可读介质，预测方法具体包括以下步骤：S1、采集风电样本数据，分为训练集和测试集；S2、通过模糊C均值聚类计算训练集的聚类中心，计算测试集中样本点到聚类中心的欧氏距离并匹配相应的类别；S3、聚类后的风电样本数据通过变分模态分解算法进行分解去噪，重构后的风电样本数据输入多个极限学习机预测模型进行训练；S4、通过粒子群算法对极限学习机预测模型中核函数进行选择和优化，得到优化后的极限学习机预测模型，获取风电实时数据输入优化后的极限学习机预测模型，输出风电预测功率。与现有技术相比，本发明具有提高风电场出力的预测结果的准确性，实现风力发电可控制、可调度等优点。

Description

一种风电功率预测方法、系统及计算机可读介质
技术领域
本发明涉及风电测量技术领域，尤其是涉及一种基于数据挖掘和粒子群算法优化支持向量机的风电功率预测方法、系统及计算机可读介质。
背景技术
风电功率预测方法可以分为物理学方法和统计学习方法，物理学方法是根据地表信息和气象数据，结合空气动力学和热力学方程组求解风机轮毂处的风速和方向，再通过风力发电机组的风速-功率曲线得到预测结果。统计学习方法是对风电场的历史功率、气象数据进行分析、学习，得出功率输出和气象条件输入之间的对应关系，建立输入-输出模型，预测出未来一段时间的风电功率。近年来，国内外学者广泛将人工神经网络、支持向量机、极限学习机等人工智能方法用于风电功率的超短期和短期预测。人工神经网络模拟了人类大脑和神经网络工作原理的方法，包含输入层、输出层和隐含层。可以对系统的非线性特性建模，可用于描述风电功率与气象数据之间的复杂关系。支持向量机是一种基于统计学的机器学习方法以结构风险最小化为准则，具有严格的数学计算基础，非线性建模能力强，不易陷入局部最优解，在处理小样本建模上有着较神经网络更好的预测精度以及泛化能力。
但是目前统计学习预测方法依赖大量的历史出力数据，当前的方法没有考虑对原始数据信息进行分析，充分挖掘数据的特征，建立精准的预测模型。而且支持向量机中的参数特别是惩罚参数和核函数的参数选取对模型的预测性能有着很大的影响，这些参数的选取缺乏理论指导，传统的参数优化方法耗时长且效果不理想。
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粒子群算法优化支持向量机的风电功率预测方法、系统及计算机可读介质，更准确地预测风电场出力，实现风力发电可控制、可调度。
本发明的目的可以通过以下技术方案来实现：
一种风电功率预测方法，预测方法具体包括以下步骤：
S1、采集风电样本数据，将风电样本数据分为训练集和测试集；
S2、通过模糊C均值聚类(FCM)计算训练集的聚类中心，计算测试集中样本点到聚类中心的欧氏距离并匹配相应的类别；
S3、聚类后的风电样本数据通过变分模态分解(VMD)算法进行分解去噪，重构后的风电样本数据输入多个极限学习机预测模型进行训练；
S4、通过粒子群(PSO)算法对极限学习机(SVM)预测模型中核函数进行选择和优化，得到优化后的极限学习机预测模型，获取风电实时数据输入优化后的极限学习机预测模型，输出风电预测功率。
所述步骤S1中还包括对训练集和测试集中的风电样本数据进行归一化处理。
所述步骤S2中通过模糊C均值聚类计算训练集的聚类中心具体为根据气象数据，通过模糊C均值聚类计算训练集的聚类中心。
进一步地，所述气象数据包括风速信息。
所述风电样本数据包括历史功率和风速序列。
进一步地，所述步骤S3中聚类后的历史功率和风速序列通过变分模态分解算法进行分解去噪。
所述步骤S4中具体为对极限学习机预测模型中核函数的参数和惩罚因子进行选择和优化。
一种风电功率预测系统，包括数据采集模块、计算设备和展示设备，其中：
数据采集模块，采集风电样本数据，将风电样本数据分为训练集和测试集；
计算设备，用于处理数据采集模块采集的风电样本数据，获得风电预测功率；
展示设备，用于显示计算设备输出的风电预测功率。
所述计算设备包括处理器和存储器；
所述存储器中内储存有可执行代码，所述可执行代码包括：
样本聚类模块，通过模糊C均值聚类计算训练集的聚类中心，计算测试集中样本点到聚类中心的欧氏距离并匹配相应的类别；
样本训练模块，将聚类后的风电样本数据通过变分模态分解算法来进行分解去噪，重构后的风电样本数据输入多个极限学习机预测模型进行训练；
功率预测模块，通过粒子群算法对极限学习机预测模型中核函数进行选择和优化，得到优化后的极限学习机预测模型，获取风电实时数据输入优化后的极限学习机预测模型，输出风电预测功率。
一种计算机可读介质，所述计算机可读介质内存储有所述风电功率预测方法。
与现有技术相比，本发明具有以下有益效果：
1.本发明针对风电功率序列的非线性和非平稳性，利用模糊C均值聚类方法对样本点分类，样本数据经变分模态分解去噪重构，对原始数据信息进行分析，充分挖掘数据的特征，针对不同出力情况分别建立了预测模型，有效提高了风电场出力的预测结果的准确性，实现风力发电可控制、可调度。
2.本发明中通过PSO算法寻找SVM的最优参数组合，改善模型的学习速度和泛化能力，不仅能发挥SVM的逼近能力，而且能够提高SVM的泛化能力。
附图说明
图1为本发明预测方法的流程示意图；
图2为本发明预测系统的结构示意图；
图3为本发明实施例中风电功率预测结果局部对比图；
图4为本发明实施例中风电功率预测结果绝对误差局部对比图。
附图标记：
1-数据采集模块；2-计算设备；3-展示设备；21-处理器；22-存储器；221-样本聚类模块；222-样本训练模块；223-功率预测模块。
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，一种风电功率预测方法，预测方法具体包括以下步骤：
S1、采集风电样本数据，将风电样本数据分为训练集和测试集；
S2、通过模糊C均值聚类(FCM)计算训练集的聚类中心，计算测试集中样本点到聚类中心的欧氏距离并匹配相应的类别；
S3、聚类后的风电样本数据通过变分模态分解(VMD)算法进行分解去噪，重构后的风电样本数据输入多个极限学习机预测模型进行训练；
S4、通过粒子群(PSO)算法对极限学习机(SVM)预测模型中核函数进行选择和优化，得到优化后的极限学习机预测模型，获取风电实时数据输入优化后的极限学习机预测模型，输出风电预测功率。
步骤S1中还包括对训练集和测试集中的风电样本数据进行归一化处理。
步骤S2中通过模糊C均值聚类计算训练集的聚类中心具体为根据气象数据，通过模糊C均值聚类计算训练集的聚类中心。
气象数据包括风速信息。
风电样本数据包括历史功率和风速序列。
步骤S3中聚类后的历史功率和风速序列通过变分模态分解算法进行分解去噪。
步骤S4中具体为对极限学习机预测模型中核函数的参数和惩罚因子进行选择和优化。
如图2所示，一种风电功率预测系统，包括数据采集模块1、计算设备2和展示设备3，其中：
数据采集模块1，采集风电样本数据，将风电样本数据分为训练集和测试集；
计算设备2，用于处理数据采集模块1采集的风电样本数据，获得风电预测功率；
展示设备3，用于显示计算设备2输出的风电预测功率。
计算设备2包括处理器21和存储器22；
存储器22中内储存有可执行代码，可执行代码包括：
样本聚类模块221，通过模糊C均值聚类计算训练集的聚类中心，计算测试集中样本点到聚类中心的欧氏距离并匹配相应的类别；
样本训练模块222，将聚类后的风电样本数据通过变分模态分解算法来进行分解去噪，重构后的风电样本数据输入多个极限学习机预测模型进行训练；
功率预测模块223，通过粒子群算法对极限学习机预测模型中核函数进行选择和优化，得到优化后的极限学习机预测模型，获取风电实时数据输入优化后的极限学习机预测模型，输出风电预测功率。
一种计算机可读介质，计算机可读介质内存储有风电功率预测方法。
聚类分析是一种无监督模式识别，它将未知标记信息的样本按一定的规则和要求划分为若干子集，以便于进一步的数据分析处理。在聚类算法中，模糊C均值聚类(FCM)的理论较为成熟，应用范围广泛。FCM在C均值聚类的基础上加入了模糊集的概念，建立了样本对类别的不确定描述，从而可以实现柔性、模糊聚类。FCM算法迭代时，隶属度矩阵和聚类中心不断迭代、更新，搜寻目标函数最小值，直到达到最大迭代次数或者其他条件。最终样本对聚类中心的隶属度通过模糊划分矩阵确定，模糊划分矩阵和聚类中心矩阵将作为聚类结果输出。
变分模态分解(VMD)是一种新型的处理非线性、非平稳信号的技术，广泛用于区分有效信号和噪音信号，实现信号平滑去噪。VMD将信号分解为具有不同中心频率的有限带宽，更新各模态及其中心频率，将各模态解调到具有限带宽的基频带，其实质上是一个变分问题的构造和求解，将原信号分解为多个模态函数，对每个模态函数采用希尔伯特变换得到解析信号和相应的单侧频谱，再将模态函数频谱调制到基频带，计算已解调信号的带宽，并使各模态带宽和最小，引入交替方向乘子法不断更新模态函数、中心频率、拉格朗日乘法算子，直至满足收敛条件，停止迭代。
粒子群算法是一种基于种群迭代的优化算法，通过系统初始化一组随机解，粒子在目标空间内追随全局最优粒子进行搜索，需要调节的算法参数较少，但是全局搜索能力较强。
本实施例中，采用某装机容量为16MW的风电场2014年8月1至31日数据集进行验证，数据集分辨率为5min，共8928组数据，前30天8640组数据作为训练集，后1天288组数据作为测试集，为了验证所述模型预测性能的优越性，分别使用无数据处理和无算法优化的情况作为对比。
如图3和图4所示，FCM-VMD-PSO-SVM模型的预测结果较FCM-VMD-SVM、PSO-SVM模型与实测值拟合度更高，从预测结果绝对误差对比图可以看出，FCM-VMD-PSO-SVM模型的绝对误差都在[-0.2,0.2]MW之内，而FCM-VMD-SVM、PSO-SVM模型的误差大多在[-0.5,0.3]MW范围内，个别样本点的误差则达到了+1.1MW、-0.76MW。由此可见本发明提出的风电功率短期预测方法具有预测精度和可靠性，能够更好地应用于风电功率预测。
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)

1.一种风电功率预测方法，其特征在于，预测方法具体包括以下步骤：
S1、采集风电样本数据，将风电样本数据分为训练集和测试集；
S2、通过模糊C均值聚类计算训练集的聚类中心，计算测试集中样本点到聚类中心的欧氏距离并匹配相应的类别；
S3、聚类后的风电样本数据通过变分模态分解算法进行分解去噪，重构后的风电样本数据输入多个极限学习机预测模型进行训练；
S4、通过粒子群算法对极限学习机预测模型中核函数进行选择和优化，得到优化后的极限学习机预测模型，获取风电实时数据输入优化后的极限学习机预测模型，输出风电预测功率。
2.根据权利要求1所述的一种风电功率预测方法，其特征在于，所述步骤S1中还包括对训练集和测试集中的风电样本数据进行归一化处理。
3.根据权利要求1所述的一种风电功率预测方法，其特征在于，所述步骤S2中通过模糊C均值聚类计算训练集的聚类中心具体为根据气象数据，通过模糊C均值聚类计算训练集的聚类中心。
4.根据权利要求3所述的一种风电功率预测方法，其特征在于，所述气象数据包括风速信息。
5.根据权利要求1所述的一种风电功率预测方法，其特征在于，所述风电样本数据包括历史功率和风速序列。
6.根据权利要求5所述的一种风电功率预测方法，其特征在于，所述步骤S3中聚类后的历史功率和风速序列通过变分模态分解算法进行分解去噪。
7.根据权利要求1所述的一种风电功率预测方法，其特征在于，所述步骤S4中具体为对极限学习机预测模型中核函数的参数和惩罚因子进行选择和优化。
8.一种风电功率预测系统，其特征在于，包括数据采集模块(1)、计算设备(2)和展示设备(3)，其中：
数据采集模块(1)，采集风电样本数据，将风电样本数据分为训练集和测试集；
计算设备(2)，用于处理数据采集模块(1)采集的风电样本数据，获得风电预测功率；
展示设备(3)，用于显示计算设备(2)输出的风电预测功率。
9.根据权利要求8所述的一种风电功率预测系统，其特征在于，所述计算设备(1)包括处理器(21)和存储器(22)；
所述存储器(22)中内储存有可执行代码，所述可执行代码包括：
样本聚类模块(221)，通过模糊C均值聚类计算训练集的聚类中心，计算测试集中样本点到聚类中心的欧氏距离并匹配相应的类别；
样本训练模块(222)，将聚类后的风电样本数据通过变分模态分解算法来进行分解去噪，重构后的风电样本数据输入多个极限学习机预测模型进行训练；
功率预测模块(223)，通过粒子群算法对极限学习机预测模型中核函数进行选择和优化，得到优化后的极限学习机预测模型，获取风电实时数据输入优化后的极限学习机预测模型，输出风电预测功率。
10.一种计算机可读介质，其特征在于，所述计算机可读介质内存储有如权利要求1～7中任一项所述风电功率预测方法。
CN202110738064.1A 2021-06-30 2021-06-30 一种风电功率预测方法、系统及计算机可读介质 Pending CN113449920A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110738064.1A CN113449920A (zh) 2021-06-30 2021-06-30 一种风电功率预测方法、系统及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110738064.1A CN113449920A (zh) 2021-06-30 2021-06-30 一种风电功率预测方法、系统及计算机可读介质

Publications (1)

Publication Number Publication Date
CN113449920A true CN113449920A (zh) 2021-09-28

Family

ID=77814567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110738064.1A Pending CN113449920A (zh) 2021-06-30 2021-06-30 一种风电功率预测方法、系统及计算机可读介质

Country Status (1)

Country Link
CN (1) CN113449920A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988398A (zh) * 2021-10-22 2022-01-28 华北电力大学 一种风电机组功率预测方法、装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516150A (zh) * 2017-08-25 2017-12-26 广东工业大学 一种短期风电功率的预测方法、装置及系统
CN110298494A (zh) * 2019-06-11 2019-10-01 东南大学 一种基于分段聚类及组合优化的风电功率预测方法
CN110738253A (zh) * 2019-10-14 2020-01-31 南京信息工程大学 一种基于FCM和AFSA-Elman的短期风电功率预测方法
CN111222680A (zh) * 2019-10-28 2020-06-02 同济大学 基于最小二乘支持向量机的风电站出力超短时预测方法
CN111860982A (zh) * 2020-07-06 2020-10-30 东北大学 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN112434848A (zh) * 2020-11-19 2021-03-02 西安理工大学 基于深度信念网络的非线性加权组合风电功率预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516150A (zh) * 2017-08-25 2017-12-26 广东工业大学 一种短期风电功率的预测方法、装置及系统
CN110298494A (zh) * 2019-06-11 2019-10-01 东南大学 一种基于分段聚类及组合优化的风电功率预测方法
CN110738253A (zh) * 2019-10-14 2020-01-31 南京信息工程大学 一种基于FCM和AFSA-Elman的短期风电功率预测方法
CN111222680A (zh) * 2019-10-28 2020-06-02 同济大学 基于最小二乘支持向量机的风电站出力超短时预测方法
CN111860982A (zh) * 2020-07-06 2020-10-30 东北大学 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN112434848A (zh) * 2020-11-19 2021-03-02 西安理工大学 基于深度信念网络的非线性加权组合风电功率预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨锡运，关文渊，刘玉奇等: "基于粒子群优化的核极限学习机模型的风电功率区间预测方法", 《中国电机工程学报》 *
赵睿智，丁云飞: "基于粒子群优化极限学习机的风功率预测", 《上海电机学院学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988398A (zh) * 2021-10-22 2022-01-28 华北电力大学 一种风电机组功率预测方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN110309603B (zh) 一种基于风速特性的短期风速预测方法及系统
CN110543929B (zh) 一种基于Lorenz系统的风速区间预测方法及系统
CN107909211B (zh) 基于模糊c均值聚类算法的风场等值建模及优化控制方法
CN109886464B (zh) 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法
CN110705760A (zh) 一种基于深度置信网络的光伏发电功率预测方法
Zhang et al. Wind speed prediction research considering wind speed ramp and residual distribution
Ye et al. Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning
CN113705877A (zh) 基于深度学习模型的实时月径流预报方法
CN112434848A (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
CN111695290A (zh) 一种适用于变化环境下的短期径流智能预报混合模型方法
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
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
CN115034485A (zh) 一种基于数据空间的风电功率区间预测方法及装置
CN115995810A (zh) 一种考虑气象波动自适应匹配的风电功率预测方法及系统
CN114298132A (zh) 风电功率预测方法及装置、电子设备
CN116169670A (zh) 一种基于改进神经网络的短期非居民负荷预测方法及系统
CN113361782B (zh) 基于改进mkpls的光伏发电功率短期滚动预测方法
Sun et al. Short-term power load prediction based on VMD-SG-LSTM
CN114091647A (zh) 一种基于bp神经网络的太阳10.7厘米射电流量预报方法
CN113449920A (zh) 一种风电功率预测方法、系统及计算机可读介质
WO2020228568A1 (zh) 训练光伏电站发电量预测模型的方法、光伏电站发电量预测方法和装置、训练系统和预测系统及存储介质
CN116307111A (zh) 一种基于k均值聚类和随机森林算法的无功负荷预测方法
CN115796327A (zh) 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法
CN115239029A (zh) 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

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: 20210928

RJ01 Rejection of invention patent application after publication