CN113516271A - 一种基于时空神经网络的风电集群功率日前预测方法 - Google Patents
一种基于时空神经网络的风电集群功率日前预测方法 Download PDFInfo
- Publication number
- CN113516271A CN113516271A CN202110364314.XA CN202110364314A CN113516271A CN 113516271 A CN113516271 A CN 113516271A CN 202110364314 A CN202110364314 A CN 202110364314A CN 113516271 A CN113516271 A CN 113516271A
- Authority
- CN
- China
- Prior art keywords
- layer
- wind power
- output
- input
- cell state
- 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
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
- G06N3/04—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
- G06N3/048—Activation functions
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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
本发明涉及风电技术领域,是一种基于时空神经网络的风电集群功率日前预测方法,其特点是:包括风电集群的数值天气预报(NWP)特征图的构建、利用卷积神经网络(CNN)进行特征提取、长短时神经网络的训练、仿真计算和评价指标的步骤,与现有的仅考虑历史风电功率数据时序相比,本发明能跟踪未来的功率趋势,物理意义清晰,并考虑到数据之间丰富的时空相关性,具有预测精度高,预测结果有效,适用性和实用性强等优点。
Description
技术领域
本发明涉及风电技术领域,是一种基于时空神经网络的风电集群功率日前预测方法。
背景技术
风电是最具规模化开发条件的新能源,其出力特征不同于火电、核电,是典型的间歇性电源,主要由风速、风向等气象因素决定,具有显著的反调峰特性和不确定性,大规模风电并网给电力系统运行带来严峻的挑战。准确的风电功率预测为电力系统安全运行、电力调度带来积极的影响,从而获得更好的经济和环保效益。
风电功率日前预测是指自预测时刻起未来24小时的预测预报,时间分辨率为15分钟。日前预测的意义在于调度部门制定高效可行的日发电计划,调整系统的备用容量。
现有的风电功率日前预测一般建立了历史输入数据与未来功率输出的映射关系,可以直接根据历史NWP数据预测未来的功率值,从而获得较高的预测精度。对于人工智能法,在处理非线性时间序列方面具有很大优势,但无法反映系统的动态特性。总体来说,现有的预测无法跟踪未来的功率趋势。
发明内容
本发明的目的是克服现有技术的不足,提供一种物理意义清晰、科学合理、实用价值更高、精度更高、能够满足使用要求的基于时空神经网络的风电集群功率日前预测方法。
实现本发明目的采用的技术方案是:一种基于时空神经网络的风电集群功率日前预测方法,其特征在于:它包括以下步骤:
1)风电集群的数值天气预报(NWP)特征图的构建
数值天气预报(NWP)信息中包含温度、动量通量、各高度风向、各高度风速、湿度,考虑风电集群大量数据的时空关联程度,将风电集群的同一时刻数值天气预报(NWP)信息数据排列到一起,形成空间特征图,设初始时刻为t,训练长度为n个时刻,在各个时刻形成具有丰富空间结构的特征图,n张空间特征图组成时空特征图,因此,风电场之间丰富的时空相关信息被包含在时序特征图中;
2)利用卷积神经网络(CNN)进行特征提取
①输入层:通过步骤1)对风电集群的数值天气预报(NWP)数据进行特征图构建,每一时刻的特征图水平方向代表风电集群中不同风电场的装机容量,竖直方向表示不同类型的数值天气预报(NWP)数据,将多个时刻的特征图按照时间推移顺次排列,作为时空特征输入;
②卷积层:定义一组固定大小的卷积核函数,令各个卷积核与输入数据进行卷积计算,然后加上偏置值,最后经过激活函数,便形成了这一层的特征图,多个不同的卷积核函数经过卷积运算后得到输入数据的不同特征图,体现为风电场范围内受地形、粗糙度、尾流局地因素影响的实际风波动过程的时空耦合关系特征,卷积过程用式(1)表示:
③池化层:通过使用某一位置相邻区域的总体统计特征作为网络在该位置的输出来减少特征图的尺寸和网络的参数量,同时能够有效避免网络过拟合,最大值池化过程用式(2)表示:
④全连接层:经过特征提取的信号进行分类回归识别,通过激活函数和偏置对输入进行非线性变换,连接层用式(3)表示:
xl=f(wlxl-1+bl) (3)
式中,xl-1表示第l-1层的特征图,bl为偏置矩阵,wl为全连接层的权重系数;
通过式(1)和式(2)进行两次训练,式(1)两次卷积核大小定义为3*3,卷积核数量定义为50,100,将得到的结果进行式(3)计算;
3)长短时神经网络(LSTM)的训练
由步骤2)得到每一时刻的特征信息,进而对每一时刻提取到的特征进行预测,首先由遗忘门的Sigmoid层决定从细胞状态中丢弃了什么信息,所述细胞状态包括了风电集群数值天气预报(NWP)的基本属性特征,因此能够预测出未来功率,当输入新的运行数据,就会希望忘记比较旧的数值天气预报(NWP)分布信息,从细胞中丢弃旧的信息,这一步决定通过遗忘门层来完成,遗忘门计算过程为式(4):
ft=sigmoid(Wf·[ht-1,xt]+bf) (4)
式中:ft是遗忘门的输出,xt是输入序列,Wf是权值矩阵,ht-1是上一时刻细胞单元最终的输出,[ht-1,xt]表示两个向量连接成一个长向量,bf是偏移项,通过sigmoid函数后输出0到1的概率;
下一步决定在细胞状态中存储了什么信息,首先,称为“输入门层”的Sigmoid层决定了更新哪些值用式(5)表示,接下来一个tanh层创建候选向量Ct,该向量将会被加到细胞的状态中用式(6)表示,在下一步中,结合这两个向量来创建更新值用式(7)表示,
it=sigmoid(Wi·[ht-1,xt]+bi) (5)
更新细胞状态
Ct=it⊙Ct+ft⊙Ct-1 (7)
此输出将基于细胞状态,但将是一个过滤版本,首先,运行一个Sigmoid层来决定要输出的细胞状态的部分,然后,将单元格状态通过tanh,将值规范化到-1和1之间,并将其乘以Sigmoid门的输出,两步决定在细胞状态中存储输入用式(8)、式(9)表示,
ot=sigmoid(Wo·[ht-1,xt]+bo) (8)
ht=ot·tanh(Ct) (9)
式中:it是输入门的输出,作为当前层的候选值可能会添加到单元状态中去,Ct是当前的记忆单元状态,整个过程是对上一时刻的记忆单元状态进行更新,即丢掉无用信息,添加新信息的过程,ot是输出门的输出,ht是LSTM当前时刻的最终输出;
4)仿真计算
仿真输入量:对风电集群的实测数据进行分析,确定电场的总装机容量;输入历史数据:各季度的前两个月历史功率,输入预测月份的数值天气预报(NWP)数据;数据采样间隔为15min,根据步骤1)至步骤3),从而得到最终的功率日前预测结果;
5)评价指标
设Pmi为i时段的实际平均功率,Ppi为i时段的预测功率,Ci为i时段的开机总容量,n为所有样本个数那么平均绝对误差定义为式(10):
均方根误差定义为式(11):
按步骤4),输入仿真输入量,将模型计算的预测功率同实测功率经过步骤5)中的平均绝对误差式(10)、均方根误差式(11)进行误差计算,求得预测准确率。
附图说明
图1为本发明的一种基于时空神经网络的风电集群功率日前预测方法框图;
图2为某一时刻的风电集群的数值天气预报(NWP)特征示意图;
图3为春季某一天的预测值与真实值比较示意图;
图4为夏季某一天的预测值与真实值比较示意图;
图5为秋季某一天的预测值与真实值比较示意图;
图6为冬季某一天的预测值与真实值比较示意图。
具体实施方式
下面结合附图和具体实施例,对本发明的一种基于时空神经网络的风电集群功率日前预测方法作进一步说明。
结合图1和图2,本发明的一种基于时空神经网络的风电集群功率日前预测方法,包括以下步骤:
1)风电集群的数值天气预报(NWP)特征图的构建
数值天气预报(NWP)信息中包含温度、动量通量、各高度风向、各高度风速、湿度,考虑风电集群大量数据的时空关联程度,将风电集群的同一时刻数值天气预报(NWP)信息数据排列到一起,形成空间特征图,设初始时刻为t,训练长度为n个时刻,在各个时刻形成具有丰富空间结构的特征图,n张空间特征图组成时空特征图,因此,风电场之间丰富的时空相关信息被包含在时序特征图中;
2)利用卷积神经网络(CNN)进行特征提取
①输入层:通过步骤1)对风电集群的数值天气预报(NWP)数据进行特征图构建,每一时刻的特征图水平方向代表风电集群中不同风电场的装机容量,竖直方向表示不同类型的数值天气预报(NWP)数据,将多个时刻的特征图按照时间推移顺次排列,作为时空特征输入;
②卷积层:定义一组固定大小的卷积核函数,令各个卷积核与输入数据进行卷积计算,然后加上偏置值,最后经过激活函数,便形成了这一层的特征图,多个不同的卷积核函数经过卷积运算后得到输入数据的不同特征图,体现为风电场范围内受地形、粗糙度、尾流局地因素影响的实际风波动过程的时空耦合关系特征,卷积过程用式(1)表示:
③池化层:通过使用某一位置相邻区域的总体统计特征作为网络在该位置的输出来减少特征图的尺寸和网络的参数量,同时能够有效避免网络过拟合,最大值池化过程用式(2)表示:
④全连接层:经过特征提取的信号进行分类回归识别,通过激活函数和偏置对输入进行非线性变换,连接层用式(3)表示:
xl=f(wlxl-1+bl) (3)
式中,xl-1表示第l-1层的特征图,bl为偏置矩阵,wl为全连接层的权重系数;
通过式(1)和式(2)进行两次训练,式(1)两次卷积核大小定义为3*3,卷积核数量定义为50,100,将得到的结果进行式(3)计算;
3)长短时神经网络(LSTM)的训练
由步骤2)得到每一时刻的特征信息,进而对每一时刻提取到的特征进行预测,首先由遗忘门的Sigmoid层决定从细胞状态中丢弃了什么信息,所述细胞状态包括了风电集群数值天气预报(NWP)的基本属性特征,因此能够预测出未来功率,当输入新的运行数据,就会希望忘记比较旧的数值天气预报(NWP)分布信息,从细胞中丢弃旧的信息,这一步决定通过遗忘门层来完成,遗忘门计算过程为式(4):
ft=sigmoid(Wf·[ht-1,xt]+bf) (4)
式中:ft是遗忘门的输出,xt是输入序列,Wf是权值矩阵,ht-1是上一时刻细胞单元最终的输出,[ht-1,xt]表示两个向量连接成一个长向量,bf是偏移项,通过sigmoid函数后输出0到1的概率;
下一步决定在细胞状态中存储了什么信息,首先,称为“输入门层”的Sigmoid层决定了更新哪些值用式(5)表示,接下来一个tanh层创建候选向量Ct,该向量将会被加到细胞的状态中用式(6)表示,在下一步中,结合这两个向量来创建更新值用式(7)表示,
it=sigmoid(Wi·[ht-1,xt]+bi) (5)
更新细胞状态
Ct=it⊙Ct+ft⊙Ct-1 (7)
此输出将基于细胞状态,但将是一个过滤版本,首先,运行一个Sigmoid层来决定要输出的细胞状态的部分,然后,将单元格状态通过tanh,将值规范化到-1和1之间,并将其乘以Sigmoid门的输出,两步决定在细胞状态中存储输入用式(8)、式(9)表示,
ot=sigmoid(Wo·[ht-1,xt]+bo) (8)
ht=ot·tanh(Ct) (9)
式中:it是输入门的输出,作为当前层的候选值可能会添加到单元状态中去,Ct是当前的记忆单元状态,整个过程是对上一时刻的记忆单元状态进行更新,即丢掉无用信息,添加新信息的过程。ot是输出门的输出,ht是LSTM当前时刻的最终输出。
4)仿真计算
仿真输入量:对风电集群的实测数据进行分析,确定电场的总装机容量;输入历史数据:各季度的前两个月历史功率,输入预测月份的数值天气预报(NWP)数据;数据采样间隔为15min,根据步骤1)至步骤3),从而得到最终的功率日前预测结果;
5)评价指标
设Pmi为i时段的实际平均功率,Ppi为i时段的预测功率,Ci为i时段的开机总容量,n为所有样本个数那么平均绝对误差定义为式(10):
均方根误差定义为式(11):
按步骤4),输入仿真输入量,将模型计算的预测功率同实测功率经过步骤5)中的平均绝对误差式(10)、均方根误差式(11)进行误差计算,求得预测准确率。
具体算例分析
本发明以某风电集群的实测数据以及数值天气预报(NWP)数据为例进行分析,采样间隔为15min。该风电集群的装机容量为2845.31MW;采用不同预测模型进行预测得到的结果如图3-图6所示,图3为春季某一天的预测值与真实值比较示意图;图4为夏季某一天的预测值与真实值比较示意图;图5为秋季某一天的预测值与真实值比较示意图;图6为冬季某一天的预测值与真实值比较示意图,具体评价指标如表1所示,能够看出所用CNN-LSTM预测模型的预测效果优于其他预测方法。风电集群功率整场带入预测结果与单场预测累加求和得到的结果对比评价指标如表2所示。
表1预测模型评价指标对比
Table 1 Comparison of evaluation indexes of prediction model
表2预测方法精度对比
Table 2 Accuracy comparison of prediction methods
本发明具体实施方式并非穷举,并不构成对权利要求保护范围的限定,本领域技术人员根据本发明实施例获得的启示,不经过创造性劳动就能够想到其它实质上等同的替代,均在本发明保护范围内。
Claims (1)
1.一种基于时空神经网络的风电集群功率日前预测方法,其特征在于:它包括以下步骤:
1)风电集群的数值天气预报(NWP)特征图的构建
数值天气预报(NWP)信息中包含温度、动量通量、各高度风向、各高度风速、湿度,考虑风电集群大量数据的时空关联程度,将风电集群的同一时刻数值天气预报(NWP)信息数据排列到一起,形成空间特征图,设初始时刻为t,训练长度为n个时刻,在各个时刻形成具有丰富空间结构的特征图,n张空间特征图组成时空特征图,因此,风电场之间丰富的时空相关信息被包含在时序特征图中;
2)利用卷积神经网络(CNN)进行特征提取
①输入层:通过步骤1)对风电集群的数值天气预报(NWP)数据进行特征图构建,每一时刻的特征图水平方向代表风电集群中不同风电场的装机容量,竖直方向表示不同类型的数值天气预报(NWP)数据,将多个时刻的特征图按照时间推移顺次排列,作为时空特征输入;
②卷积层:定义一组固定大小的卷积核函数,令各个卷积核与输入数据进行卷积计算,然后加上偏置值,最后经过激活函数,便形成了这一层的特征图,多个不同的卷积核函数经过卷积运算后得到输入数据的不同特征图,体现为风电场范围内受地形、粗糙度、尾流局地因素影响的实际风波动过程的时空耦合关系特征,卷积过程用式(1)表示:
③池化层:通过使用某一位置相邻区域的总体统计特征作为网络在该位置的输出来减少特征图的尺寸和网络的参数量,同时能够有效避免网络过拟合,最大值池化过程用式(2)表示:
④全连接层:经过特征提取的信号进行分类回归识别,通过激活函数和偏置对输入进行非线性变换,连接层用式(3)表示:
xl=f(wlxl-1+bl) (3)
式中,xl-1表示第l-1层的特征图,bl为偏置矩阵,wl为全连接层的权重系数;
通过式(1)和式(2)进行两次训练,式(1)两次卷积核大小定义为3*3,卷积核数量定义为50,100,将得到的结果进行式(3)计算;
3)长短时神经网络(LSTM)的训练
由步骤2)得到每一时刻的特征信息,进而对每一时刻提取到的特征进行预测,首先由遗忘门的Sigmoid层决定从细胞状态中丢弃了什么信息,所述细胞状态包括了风电集群数值天气预报(NWP)的基本属性特征,因此能够预测出未来功率,当输入新的运行数据,就会希望忘记比较旧的数值天气预报(NWP)分布信息,从细胞中丢弃旧的信息,这一步决定通过遗忘门层来完成,遗忘门计算过程为式(4):
ft=sigmoid(Wf·[ht-1,xt]+bf) (4)
式中:ft是遗忘门的输出,xt是输入序列,Wf是权值矩阵,ht-1是上一时刻细胞单元最终的输出,[ht-1,xt]表示两个向量连接成一个长向量,bf是偏移项,通过sigmoid函数后输出0到1的概率;
下一步决定在细胞状态中存储了什么信息,首先,称为“输入门层”的Sigmoid层决定了更新哪些值用式(5)表示,接下来一个tanh层创建候选向量Ct,该向量将会被加到细胞的状态中用式(6)表示,在下一步中,结合这两个向量来创建更新值用式(7)表示,
it=sigmoid(Wi·[ht-1,xt]+bi) (5)
更新细胞状态
Ct=it⊙Ct+ft⊙Ct-1 (7)
此输出将基于细胞状态,但将是一个过滤版本,首先,运行一个Sigmoid层来决定要输出的细胞状态的部分,然后,将单元格状态通过tanh,将值规范化到-1和1之间,并将其乘以Sigmoid门的输出,两步决定在细胞状态中存储输入用式(8)、式(9)表示,
ot=sigmoid(Wo·[ht-1,xt]+bo) (8)
ht=ot·tanh(Ct) (9)
式中:it是输入门的输出,作为当前层的候选值可能会添加到单元状态中去,Ct是当前的记忆单元状态,整个过程是对上一时刻的记忆单元状态进行更新,即丢掉无用信息,添加新信息的过程,ot是输出门的输出,ht是LSTM当前时刻的最终输出;
4)仿真计算
仿真输入量:对风电集群的实测数据进行分析,确定电场的总装机容量;输入历史数据:各季度的前两个月历史功率,输入预测月份的数值天气预报(NWP)数据;数据采样间隔为15min,根据步骤1)至步骤3),从而得到最终的功率日前预测结果;
5)评价指标
设Pmi为i时段的实际平均功率,Ppi为i时段的预测功率,Ci为i时段的开机总容量,n为所有样本个数那么平均绝对误差定义为式(10):
均方根误差定义为式(11):
按步骤4),输入仿真输入量,将模型计算的预测功率同实测功率经过步骤5)中的平均绝对误差式(10)、均方根误差式(11)进行误差计算,求得预测准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110364314.XA CN113516271A (zh) | 2021-04-05 | 2021-04-05 | 一种基于时空神经网络的风电集群功率日前预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110364314.XA CN113516271A (zh) | 2021-04-05 | 2021-04-05 | 一种基于时空神经网络的风电集群功率日前预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113516271A true CN113516271A (zh) | 2021-10-19 |
Family
ID=78062192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110364314.XA Pending CN113516271A (zh) | 2021-04-05 | 2021-04-05 | 一种基于时空神经网络的风电集群功率日前预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516271A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004152A (zh) * | 2021-10-29 | 2022-02-01 | 河海大学 | 基于图卷积和循环神经网络的多风场风速时空预测方法 |
CN116090637A (zh) * | 2023-01-19 | 2023-05-09 | 国网江苏省电力有限公司苏州供电分公司 | 一种用电短时预测方法与系统 |
CN116822370A (zh) * | 2023-07-11 | 2023-09-29 | 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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443725A (zh) * | 2019-08-14 | 2019-11-12 | 国网甘肃省电力公司信息通信公司 | 基于cnn+lstm的风电功率预测模型 |
CN110991725A (zh) * | 2019-11-27 | 2020-04-10 | 东北电力大学 | 一种基于风速分频和权值匹配的rbf超短期风电功率预测方法 |
CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
CN112529282A (zh) * | 2020-12-03 | 2021-03-19 | 清华大学 | 基于时空图卷积神经网络的风电场集群短期功率预测方法 |
-
2021
- 2021-04-05 CN CN202110364314.XA patent/CN113516271A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443725A (zh) * | 2019-08-14 | 2019-11-12 | 国网甘肃省电力公司信息通信公司 | 基于cnn+lstm的风电功率预测模型 |
CN110991725A (zh) * | 2019-11-27 | 2020-04-10 | 东北电力大学 | 一种基于风速分频和权值匹配的rbf超短期风电功率预测方法 |
CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
CN112529282A (zh) * | 2020-12-03 | 2021-03-19 | 清华大学 | 基于时空图卷积神经网络的风电场集群短期功率预测方法 |
Non-Patent Citations (1)
Title |
---|
杨茂 等: "基于数值天气预报风速和蒙特卡洛法的短期风电功率区间预测", 《电力系统自动化》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004152A (zh) * | 2021-10-29 | 2022-02-01 | 河海大学 | 基于图卷积和循环神经网络的多风场风速时空预测方法 |
CN114004152B (zh) * | 2021-10-29 | 2022-11-22 | 河海大学 | 基于图卷积和循环神经网络的多风场风速时空预测方法 |
CN116090637A (zh) * | 2023-01-19 | 2023-05-09 | 国网江苏省电力有限公司苏州供电分公司 | 一种用电短时预测方法与系统 |
CN116822370A (zh) * | 2023-07-11 | 2023-09-29 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113516271A (zh) | 一种基于时空神经网络的风电集群功率日前预测方法 | |
CN111260126B (zh) | 计及天气与气象因子关联度的短期光伏发电预测方法 | |
CN107194495B (zh) | 一种基于历史数据挖掘的光伏功率纵向预测方法 | |
CN111753893A (zh) | 一种基于聚类和深度学习的风电机组功率集群预测方法 | |
CN113537582B (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
CN111898825A (zh) | 一种光伏发电功率短期预测方法及装置 | |
CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
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 | |
CN115796004A (zh) | 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法 | |
CN116341613A (zh) | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 | |
CN116526473A (zh) | 基于粒子群优化lstm的电热负荷预测方法 | |
CN115409369A (zh) | 基于机理和数据混合驱动的综合能源系统可靠性评估方法 | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
Meng et al. | A new PV generation power prediction model based on GA-BP neural network with artificial classification of history day | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
CN114444805A (zh) | 多光伏电站共享储能系统平滑出力的控制方法 | |
CN115481788A (zh) | 相变储能系统负荷预测方法及系统 | |
Li et al. | The application of deep neural network algorithm considering multi-dimensional meteorological feature extraction in short-term wind speed prediction | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN112232714B (zh) | 一种基于深度学习的结构参数不完备下配电网风险评估方法 | |
CN113991711A (zh) | 一种光伏电站储能系统容量配置方法 | |
CN114219122A (zh) | 基于网格气象数据的小水电站发电功率超短期预测方法 | |
Shi et al. | Short-term photovoltaic power forecast based on long short-term memory network |
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 |