CN113537573A - 基于双重时空特征提取的风电功率运行趋势预测方法 - Google Patents
基于双重时空特征提取的风电功率运行趋势预测方法 Download PDFInfo
- Publication number
- CN113537573A CN113537573A CN202110691753.1A CN202110691753A CN113537573A CN 113537573 A CN113537573 A CN 113537573A CN 202110691753 A CN202110691753 A CN 202110691753A CN 113537573 A CN113537573 A CN 113537573A
- Authority
- CN
- China
- Prior art keywords
- time
- power
- characteristic
- meteorological
- feature
- 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.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000009977 dual effect Effects 0.000 title claims abstract description 26
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 26
- 238000010248 power generation Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 230000000737 periodic effect Effects 0.000 claims abstract description 5
- 230000006835 compression Effects 0.000 claims description 81
- 238000007906 compression Methods 0.000 claims description 81
- 238000010586 diagram Methods 0.000 claims description 40
- 239000013598 vector Substances 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 210000002364 input neuron Anatomy 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 230000006386 memory function Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 4
- 238000000053 physical method Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect 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
- 238000005516 engineering process Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N3/045—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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Neurology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力系统运行与控制技术领域，涉及一种基于双重时空特征提取的风电功率运行趋势预测方法，包括：获取原始风电生数据集，并将空数据等剔除，获得风电场群清洗数据集；将生成的3D张量数据输入双重时空特征提取模型，获得关键气象‑功率双重时空提取特征图，并输入循环记忆运行趋势预测模型，获得风电功率超短期运行趋势预测值。本申请基于深度可拆分卷积，更好地对海量数据进行快速处理；强化一重时空互联特征运行趋势中局部重要信息的贡献程度，剔除冗余，获取与未来预测功率密切相关的二重时空互联特征；利用循环周期类神经网络易于处理非线性、运行趋势数据和学习速度快等优势，实现超短期风电功率运行趋势的预测。
Description
技术领域
本发明属于电力系统运行与控制技术领域，涉及一种基于双重时空特征提取的风电功率运行趋势预测方法。
背景技术
近年来，中国的可再生能源中的风能和太阳能发电技术发展迅猛，伴随着大规模风力发电和光伏发电设备的接入，对电力系统运行控制的安全稳定运行提出了更高的标准和要求。然而，由于新能源风力发电和光伏发电本身具有不确定性、随机性和波动性等不稳定因素，导致海量新能源的并网运行给电力系统运行控制及电网调度计划制定等方面带来一系列深刻影响。
按照预测模型划分，风电场群功率预测方法可分为：物理方法、统计学方法以及组合预测方法。其中，物理方法主要依赖数值气象预报气象数据和风场所处的地理环境，借助风速功率曲线进行风电功率预测。统计学方法则利用数理统计手段通过挖掘风电运行数据潜在的自相关关系和互相关关系，捕获历史风电数据特征，并通过外推法进行功率预测。组合预测方法是通过融合各家之长，采用线性或者非线性组合的方式，旨在提高模型的整体预测水平。由于物理方法受制于数值天气预报精度及其更新频率，而统计学方法通常对运行趋势平稳性和线性程度要求较高，难以应对风电自身强随机性及波动性问题，因而两者在海量非线性风电数据预测中，无法兼顾计算时效和预测精度，进而很难对实际电力系统的平稳运行带来可行性验证。而组合预测方法由于结合了多元预测模型的优势，克服了单体预测模型的局限性，在目前风电功率预测领域受到了广泛的推广和关注。
近几年，极限学习机、支持向量机和多元线性回归等机器学习方法在非线性系统控制方面的不断发展为风电功率预测问题提供了新的解决方案。但是，由于其对运行趋势问题的针对性不强，且处理能力有限，因而面对海量运行趋势数据下所构成预测方法的有效性和时效性无法得到充分保障。因此，如何利用大规模运行趋势数据信息开展新能源功率预测方法的研究是解决：在高比例新能源接入下，电网安全稳定运行问题的有效手段和重要保障。
此外，受大气物理运动影响，数值天气预报数据与实测风电功率之间随时间维度及空间维度延伸呈现出不同的时空关联规律。因此，为了准确刻画不同时间断面及不同空间地理位置下，数值天气预报数据与风电功率之间的耦合映射关系，有必要从海量运行趋势数据集中深入挖掘两者在时间维度和空间维度延伸过程中的时空关联特征。为了消除大规模高维数据处理中的计算冗余度和参数复杂度，传统特征提取手段常采用皮尔逊相关性分析方法计算出不同气象因素与实际功率之间的相关性程度，确定与风电功率相关性程度较大的气象特征类别，并将相关程度不大的气象类别予以剔除。这种特征提取方法在单一风电场功率预测过程中的准确度较高，但由于忽略了不同场站之间气象因素的空间相关性对风电集群功率预测的影响，因而无法代表整个风电集群的相关性程度。
发明内容
为了克服上述现有技术的不足，本发明提供了一种基于双重时空特征提取的风电功率运行趋势预测方法。该方法在超短期风电功率预测时，一方面基于深度可拆分卷积，采用符合风电场群时空维度变换的拆分卷积核尺寸，更好地对海量数据集进行快速处理以获取一重时空互联特征；同时，结合贡献力分配层优化预测模型的训练性能，强化一重时空互联特征运行趋势中局部重要信息的贡献程度，剔除影响权重较低的冗余信息，获取与未来预测功率密切相关的二重时空互联特征。另一方面，充分利用了循环周期类神经网络易于处理非线性、运行趋势数据问题，且学习速度快等优势，实现超短期风电功率运行趋势的预测。
本发明所采用的技术方案是：综合考虑如下因素：
1、历史实测风电功率数据；
2、历史数值天气预报数据；
3、超短期风电功率运行趋势预测数据；
4、双重时空互联特征提取方法和贡献力分配层更新机制；
5、带有记忆功能的运行趋势预测方法。
在以上因素的基础上，具体技术方案如下：
一种基于双重时空特征提取的风电功率运行趋势预测方法，包括以下步骤：
步骤A：获取某区域N个风电场群在T时间尺度的原始风电生数据集；
所述原始风电生数据集为：未经任何处理的风电场群初始数据集；
假设上述区域N个风电场群在T时间尺度内包含W个气象参数，所述上述区域N个风电场群在T时间尺度内包含W+1个实测风电功率参数；
由此，构成含W+1个实测风电功率参数的风电场群原始风电生数据集；
步骤B：将风电场群原始风电生数据集中的空数据、人为失误录入数据、噪声异常数据以及弃风限电数据予以剔除，而后获得上述区域的风电场群清洗数据集；
步骤C：将风电场群清洗数据集按照高度为时间维度、宽度为参数维度、深度为风场数量维度进行三维划分，生成3D张量输入数据，作为3D张量数据集；
步骤D：将3D张量数据集输入双重时空特征提取模型，获得气象-功率一重时空互联特征和气象-功率二重时空互联特征；
所述双重时空特征提取模型包括：一重特征提取模型和二重特征提取模型；
所述一重特征提取模型包括：第一次深度可拆分卷积层、第二次深度可拆分卷积层和最大池化树池层；
所述二重特征提取模型包括：高度宽度特征压缩层和关键气象-功率特征贡献力分配层；
步骤E：采用循环周期类神经网络兼具记忆学习功能的循环记忆预测模型搭建带有记忆功能的循环记忆运行趋势预测模型；
步骤F：获取有限时域内的关键气象-功率双重时空提取特征图，将所述关键气象-功率双重时空提取特征图输入循环记忆运行趋势预测模型，以类滑动时间窗口数据集和重构运行趋势有监督学习样本数据集为循环记忆运行趋势预测模型的输入神经元，获得风电功率超短期运行趋势预测值；
所述气象-功率一重时空互联特征与气象-功率二重时空互联特征合称为：关键气象-功率双重时空提取特征图。
在上述技术方案的基础上，步骤D的具体步骤为：
D1.1：将3D张量数据集输入第一次深度可拆分卷积层，获得第一次气象-功率特征；
D1.2：将步骤D1.1获得的第一次气象-功率特征输入第二次深度可拆分卷积层，获得第二次气象-功率特征；
D1.3：将步骤D1.2获得的第二次气象-功率特征输入最大池化树池层，获得气象-功率一重时空互联特征；
D1.4：将步骤D1.3获得的气象-功率一重时空互联特征输入高度宽度特征压缩层，获得压缩特征时序集合，进而获得类滑动窗口数据集；
D1.5：将步骤D1.4获得的类滑动窗口数据集输入关键气象-功率特征贡献力分配层，关键气象-功率特征贡献力分配层的输出结果结合双通归一化权重，经有效输入时间步筛选后，获得气象-功率二重时空互联特征，进而获得：重构运行趋势有监督学习样本数据集。
在上述技术方案的基础上，构造所述一重特征提取模型的步骤如下：
D2.1：构造第一次深度可拆分卷积层；
所述第一次深度可拆分卷积层包括：N1个尺寸为1×3×3的拆分卷积核；
所述拆分卷积核的高度尺寸为：3，拆分卷积核的宽度尺寸为：3，拆分卷积核的深度尺寸为：1；
按照3D张量输入数据的深度，用以提取每个风电场群的气象-功率特征，然后令N1个拆分卷积核分别从N个风电场群中按深度维度延伸方向扫描一遍，从而得到N个风电场群中各自独立，且每个风场有N1个提取特征的第一次气象-功率特征，其尺寸记作(T1 W1,N,N1)；
其中，T1为：第一次气象-功率特征对应的特征图的高度；W1为：第一次气象-功率特征对应的特征图的宽度；第一次气象-功率特征对应的特征图的深度为：N×N1；
D2.2：构造第二次深度可拆分卷积层；
所述第二次深度可拆分卷积层包括：N2个尺寸为N×1×1的拆分卷积核，所述拆分卷积核的高度尺寸为1，拆分卷积核的宽度尺寸为1，拆分卷积核的深度尺寸为N；
令每个拆分卷积核以深度相匹配的尺寸在N1组第一次气象-功率特征中依次扫描一遍，并在每次扫描之后，将提取到的信息叠加融合，从而得到N2个第二次气象-功率特征，其尺寸记作(T2 W2,N1,N2)；
其中，T2为：第二次气象-功率特征对应的特征图的高度；W2为：第二次气象-功率特征对应的特征图的宽度；
D2.3：构造最大池化树池层；
先将第二次气象-功率特征的尺寸由(T2 W2,N1,N2)转置为(T3,W3,N1×N2)；
其中，T3为：第二次气象-功率特征转置后对应的特征图的高度；W3为：第二次气象-功率特征转置后对应的特征图的宽度；
然后，构造T个尺寸为(N1×N2)×5×5的最大池化树池；
所述最大池化树池的高度尺寸为：5；所述最大池化树池的宽度尺寸为：5；所述最大池化树池的深度尺寸为：N1×N2；
采用上述最大池化树池对第二次气象-功率特征进行最大池化操作，从而得到尺寸为(N3,W3,T)的气象-功率一重时序特征图；
其中，N3为：气象-功率一重时序特征图的高度，W3为：气象-功率一重时序特征图的宽度；
所述气象-功率一重时序特征图为：气象-功率一重时空互联特征；
由最大池化树池层输出的气象-功率一重时空互联特征的运行趋势表示为F1，如式(1)所示，
其中，
为t时刻一重时空互联特征矩阵，以矩阵形式表示为式(2)，
其中，1≤t≤T。
在上述技术方案的基础上，构造所述二重特征提取模型的步骤如下：
D3.1：构造高度宽度特征压缩层；
将尺寸为(N3,W3,T)的气象-功率一重时序特征图按照时间维度，对每一时间点的时空互联特征图进行高度维度的特征压缩，取气象-功率一重时序特征图下每一行高度数据的平均值，从而得到高度压缩特征，进而得到T时间尺度内的高度压缩特征运行趋势集合，如式(3)所示，
其中，n3＝1,2,…,N3，
将尺寸为(N3,W3,T)的气象-功率一重时序特征图按照时间维度，对每一时间点的时空互联特征图进行宽度维度的特征压缩，取气象-功率一重时序特征图下每一列宽度数据的平均值，从而得到宽度压缩特征，进而得到T时间尺度内的宽度压缩特征运行趋势集合，如式(4)所示，
其中，w3＝1,2,…,W3，
则T时间尺度内高度和宽度压缩特征运行趋势集合为
如式(5)所示，
其中，若N3≠W3，则某一维度缺少的部分用0补足；
为N维实数集，
为W维实数集；
为t时刻气象-功率一重时空互联特征在高度上对应的特征向量；
为t时刻气象-功率一重时空互联特征在宽度上对应的特征向量；
为高度特征向量中第n个元素；
为宽度特征向量中第w个元素；
所述
为：压缩特征运行趋势集合；
D3.2：将T时间尺度内的高度和宽度压缩特征运行趋势集合按照初始输入时间步δ和预测输出时间步λ划分数据集，使之构成类滑动窗口数据集，类滑动窗口数据集中的第一组输入输出样本如式(7)所示，
D3.3：采用一种多元神经元全连接模型搭建关键气象-功率特征贡献力分配层；
所述关键气象-功率特征贡献力分配层用于：计算贡献力权重；
以δ步高度和宽度压缩特征运行趋势形成的类滑动窗口数据集作为关键气象-功率特征贡献力分配层的输入；计算各个时间点的高度压缩特征和宽度压缩特征所对应的作用权重，由此构成贡献力权重序列；
从中筛选出对未来预测功率贡献程度最大的有效输入时间步τ，计算出每组τ时间步的贡献力权重序列，上述贡献力权重序列与对应τ时间步的高度压缩特征和宽度压缩特征对应加权，由此得到被赋予相应加权项的气象-功率二重时空互联特征。
在上述技术方案的基础上，根据风电功率超短期预测未来功率值的时间尺度确定初始输入时间步δ的大小；当超短期预测时间尺度包含未来λ个输出时间步时，初始输入时间步δ的大小范围如式(6)所示，
2λ≤δ≤2λmax (6)
其中，λmax为未来预测最长时间步。
在上述技术方案的基础上，循环周期类神经网络为所述关键气象-功率特征贡献力分配层提供隐藏层的状态，贡献力权重序列的具体更新机制如式(8)所示，
其中，Qe、We和Re均为贡献力机制的权重矩阵；be为偏置向量；
为t-1时刻风电功率运行趋势预测值，
和St-1均为循环周期类神经网络中记忆单元的隐藏层状态；
和
分别为t时间点的高度压缩特征贡献力权重和宽度压缩特征贡献力权重；
为贡献力权重序列；
采用双通归一化方法将上述贡献力权重序列双通归一化之后，得到各个时间点最终的贡献力权重序列
如式(9)所示，
计算类滑动窗口数据集中各组初始输入时间步δ中每个时间点的高度压缩特征和宽度压缩特征所对应的贡献力权重序列的平均值，构成各组的平均贡献力权重序列集合，如式(10)所示，
其中，L为类滑动窗口数据集中所划分的输入输出样本组数；
为第i组样本中第δ步的高度压缩特征双通归一化的贡献力权重；
为第i组样本中第δ步的宽度压缩特征双通归一化的贡献力权重；
设置权重阈值[θ1，θ2]，令计算出的δ步平均贡献力权重序列集合与权重阈值进行比较，依据式(11)，筛选时间步，保留的时间步作为有效输入时间步，记作τ，
其中，1表示：该时间步保留；0表示：该时间步剔除；&表示：并且；
之后，将每组τ时间步的贡献力权重序列与对应τ时间步的高度压缩特征和宽度压缩特征对应加权，以按照时序特征的重要程度赋予不同的权重，由此得到被赋予相应加权项的气象-功率二重时空互联特征。
在上述技术方案的基础上，将T时间尺度内的高度和宽度压缩特征运行趋势集合中每组输入输出样本数据的前τ时间步信息用对应的气象-功率二重时空互联特征替代，作为每组输入样本信息；而每组预测输出样本信息仍用集合中对应的从τ+1步开始的λ时间步信息，由此构成送入循环记忆运行趋势模型划分完好的重构运行趋势有监督学习样本数据集，如式(12)所示，
其中，
为重构运行趋势有监督学习样本数据集中所划分的输入输出样本组数；
重构运行趋势有监督学习样本数据集中第一组输入输出样本如式(13)所示，
在上述技术方案的基础上，以类滑动时间窗口数据集和重构运行趋势有监督学习样本数据集为输入神经元，分别预测初始输入时间步δ和有效输入时间步τ对应的预测输出时间步，从而得到风电功率超短期运行趋势预测值。
在上述技术方案的基础上，所述类滑动窗口数据集和重构运行趋势有监督学习样本数据集中第一组输入输出样本分别如式(14)和式(15)所示，
在上述技术方案的基础上，构造循环记忆运行趋势预测模型中记忆神经元隐藏层状态的使能函数，为贡献力权重更新机制提供隐藏层状态；
以F2作为循环记忆运行趋势预测模型的输入神经元，同时将记忆神经元隐藏层状态的计算机制进行如下更新，
其中，ψpre(·)为循环记忆运行趋势预测模型中记忆神经元隐藏层状态的使能函数。
本发明的有益技术效果如下：
本申请所述方法在超短期风电功率预测时，一方面基于深度可拆分卷积，采用符合风电场群时空维度变换的拆分卷积核尺寸，更好地对海量数据集进行快速处理以获取一重时空互联特征；同时，结合贡献力分配层优化预测模型的训练性能，强化一重时空互联特征运行趋势中局部重要信息的贡献程度，剔除影响权重较低的冗余信息，获取与未来预测功率密切相关的二重时空互联特征。另一方面，充分利用了循环周期类神经网络易于处理非线性、运行趋势数据问题，且学习速度快等优势，实现超短期风电功率运行趋势的预测。
附图说明
本发明有如下附图：
图1为本发明所述基于双重时空特征提取的风电功率运行趋势预测方法的流程示意图。
图2为本发明所述基于双重时空特征提取的风电功率运行趋势预测方法所用到的二重特征提取模型的原理示意图。
具体实施方式
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明做进一步的详细说明。
如图1-图2所示，本发明所述的基于双重时空特征提取的风电功率运行趋势预测方法，包括如下步骤：
步骤A：获取某区域N个风电场群在T时间尺度的原始风电生数据集；
假设上述区域N个风电场群在T时间尺度内包含W个气象参数，所述上述区域N个风电场群在T时间尺度内包含W+1个实测风电功率参数；
由此，构成含W+1个实测风电功率参数的风电场群原始风电生数据集。
步骤B：将风电场群原始风电生数据集中的空数据、人为失误录入数据、噪声异常数据以及弃风限电数据予以剔除，而后获得上述区域风电场群清洗数据集。
步骤C：将风电场群清洗数据集按照高度为时间维度、宽度为参数维度、深度为风场数量维度进行三维划分，生成3D张量输入数据，作为3D张量数据集。
步骤D：将3D张量数据集输入双重时空特征提取模型，获得气象-功率一重时空互联特征和气象-功率二重时空互联特征；
所述双重时空特征提取模型包括：一重特征提取模型和二重特征提取模型；
所述一重特征提取模型包括：第一次深度可拆分卷积层、第二次深度可拆分卷积层和最大池化树池层；
所述二重特征提取模型包括：高度宽度特征压缩层和关键气象-功率特征贡献力分配层；
具体步骤是：
D1.1：将3D张量数据集输入第一次深度可拆分卷积层，获得第一次气象-功率特征；
D1.2：将步骤D1.1获得的第一次气象-功率特征输入第二次深度可拆分卷积层，获得第二次气象-功率特征；
D1.3：将步骤D1.2获得的第二次气象-功率特征输入最大池化树池层，获得气象-功率一重时空互联特征；
D1.4：将步骤D1.3获得的气象-功率一重时空互联特征输入高度宽度特征压缩层，获得压缩特征时序集合，进而获得类滑动窗口数据集；
D1.5：将步骤D1.4获得的类滑动窗口数据集输入关键气象-功率特征贡献力分配层，关键气象-功率特征贡献力分配层的输出结果结合双通归一化权重，获得气象-功率二重时空互联特征，进而获得重构运行趋势序列有监督学习样本数据集。
构造所述一重特征提取模型的步骤如下：
D2.1：构造第一次深度可拆分卷积层；
所述第一次深度可拆分卷积层包括：N1个尺寸为1×3×3的拆分卷积核；其高度、宽度和深度尺寸分别为3、3和1；
按照3D张量输入数据的深度，用以提取每个风电场群的气象-功率特征，然后令N1个拆分卷积核分别从N个风电场群中按深度维度延伸方向扫描一遍，从而得到N个风电场群中各自独立，且每个风场有N1个提取特征的第一次气象-功率特征，其尺寸记作(T1 W1,N,N1)。
其中，T1为：第一次气象-功率特征对应的特征图的高度；W1为：第一次气象-功率特征对应的特征图的宽度；第一次气象-功率特征对应的特征图的深度为：N×N1。
D2.2：构造第二次深度可拆分卷积层，用以提取固定卷积通道下N个风电场群之间时空互联的第二次气象-功率特征。
其中，第二次深度可拆分卷积层包括：N2个尺寸为N×1×1的拆分卷积核，其高度、宽度和深度尺寸分别为1、1和N。
令每个拆分卷积核以深度相匹配的尺寸在N1组第一次气象-功率特征中依次扫描一遍，并在每次扫描之后，将提取到的信息叠加融合，从而得到第一次特征提取之后N个风电场群之间时空互联的N2个第二次气象-功率特征，其尺寸记作(T2 W2,N1,N2)。
其中，T2为：第二次气象-功率特征对应的特征图的高度；W2为：第二次气象-功率特征对应的特征图的宽度。
D2.3：构造最大池化树池层。
先将第二次气象-功率特征的尺寸由(T2 W2,N1,N2)转置为(T3,W3 N1×N2)，以便于后续二重特征模型的提取。
其中，T3为：第二次气象-功率特征转置后对应的特征图的高度；W3为：第二次气象-功率特征转置后对应的特征图的宽度；
之后，构造T个尺寸为(N1×N2)×5×5的最大池化树池，其高度、宽度和深度尺寸分别为：5、5、N1×N2；
其中，T时间尺度表示：T个分辨率为15min的时间步数，T亦表示数量。
对第二次气象-功率特征进行最大池化操作，从而得到尺寸为(N3,W3,T)的气象-功率一重时序特征图。
其中，N3为：气象-功率一重时序特征图的高度，W3为：气象-功率一重时序特征图的宽度；自此，经一重特征提取模型在3D张量输入数据集中从风电场内、场间两个维度出发，提取了气象-功率一重时空互联特征，所述气象-功率一重时空互联特征如下所述，
由最大池化树池层输出的气象-功率一重时空互联特征的运行趋势可表示为F1，
其中，
为t时刻一重时空互联特征矩阵，以矩阵形式表示为式(2)，
搭建双重时空特提取模型中的二重特征提取模型。所述二重特征提取模型包含：高度宽度特征压缩层和关键气象-功率特征贡献力分配层，获取有限时域内关键气象-功率双重时空提取特征图(N3,W3,τ)，为风电功率预测模型提供划分完好的重构运行趋势有监督学习样本数据集，具体步骤如下：
D3.1：构造高度宽度特征压缩层。将尺寸为(N3,W3,T)的气象-功率一重时序特征图按照时间维度，对每一时间点的时空互联特征图进行高度和宽度两个维度的特征压缩。其中，压缩标准是分别取该特征图下每一行高度数据、每一列宽度数据的平均值，从而分别得到该特征图的高度压缩特征、宽度压缩特征，进而得到T时间尺度内的高度、宽度压缩特征运行趋势集合，分别如式(3)和式(4)所示，
其中，n3＝1,2,…,N3，
其中，w3＝1,2,…,W3，
则T时间尺度内高度和宽度压缩特征运行趋势集合为
如式(5)所示，
其中，若N3≠W3，则某一维度缺少的部分用0补足。式中，
为t时刻气象-功率一重时空互联特征分别在高度和宽度上对应的特征向量；
和
分别为高度和宽度特征向量中第n和w个元素；
为气象-功率一重时序特征图经高度和宽度压缩处理之后的高度和宽度压缩特征运行趋势集合。所述
为：压缩特征时序集合。
D3.2：根据风电功率超短期预测未来功率值的时间尺度来确定所需时间步的大小，即初始输入时间步δ的大小。当超短期预测时间尺度包含未来λ个输出时间步时，初始输入时间步δ大小范围如式(6)所示，
2λ≤δ≤2λmax (6)
式中，λmax为未来预测最长时间步。由于超短期预测最长时间尺度为4h，按照分辨率为每15min一个时间步的划分依据，未来预测最长时间步λmax为16。由此将T时间尺度内的高度和宽度压缩特征运行趋势集合按照初始输入时间步δ和预测输出时间步λ划分数据集，使之构成如下所述的类滑动窗口数据集。以类滑动窗口数据集中第一组输入输出样本为例，如式(7)所示，其他组以此类推，
D3.3：采用一种多元神经元全连接模型搭建关键气象-功率特征贡献力分配层，用以计算每一时间点的气象-功率一重时空互联特征对未来预测功率的贡献程度，即贡献力权重，从而筛选出与未来预测功率密切相关的关键气象-功率特征。以δ步高度和宽度压缩特征运行趋势形成的类滑动窗口数据集作为关键气象-功率特征贡献力分配层的输入，依据风电功率运行趋势预测模型(即循环记忆运行趋势预测模型)的隐藏层状态，计算各个时间点气象-功率一重时序特征图的高度压缩特征和宽度压缩特征所对应的作用权重，由此构成该点的贡献力权重序列。从中筛选出对未来预测功率贡献程度最大的有效输入时间步τ，计算出每组τ时间步的贡献力权重序列，上述贡献力权重序列与对应τ时间步的高度压缩特征和宽度压缩特征对应加权，由此得到被赋予相应加权项的关键气象-功率特征，即气象-功率二重时空互联特征。具体计算过程如下：
将类滑动窗口数据集按批处理尺寸依次送入关键气象-功率特征贡献力分配层，同时结合风电功率运行趋势预测模型的隐藏层状态，计算初始输入时间步δ中每个时间点的高度压缩特征和宽度压缩特征所对应的作用权重，由此构成该点的贡献力权重序列。贡献力权重序列的具体更新机制如式(8)所示，
式中，Qe、We和Re均为贡献力机制的权重矩阵；be为对应的偏置向量；
为t-1时刻风电功率运行趋势预测值，
和St-1均为循环周期类神经网络记忆单元的隐藏层状态。
采用双通归一化方法将关键气象-功率特征贡献力分配层所计算的各个时间点的贡献力权重双通归一化之后，得到各个时间点最终的贡献力权重序列，如式(9)所示，
式中，
和
分别为t时间点的高度压缩特征贡献力权重和宽度压缩特征贡献力权重，
为贡献力权重序列；
为双通归一化之后的贡献力权重序列。
计算类滑动窗口数据集中各组初始输入时间步δ中每个时间点时序特征图的高度压缩特征、宽度压缩特征所对应的贡献力权重序列的平均值，由此构成该组的平均贡献力权重序列集合，如式(10)所示，
式中，L为类滑动窗口数据集中所划分的输入输出样本组数；
分别为第i组样本中第δ步的高度、宽度压缩特征双通归一化的贡献力权重。
为了剔除平均贡献力权重序列集合中的冗余时间步，设置权重阈值[θ1，θ2]，令计算出的δ步平均贡献力权重序列集合与该权重阈值进行比较，将权重作用大小超过该阈值的最大时间点，即提前最长时间以内的时间步进行保留，而最大时间点以外的时间步进行剔除，从而将贡献程度超过阈值的时间步筛选出来，此时有效输入时间步记作τ。其中，筛选依据如式(11)所示，
式中，1为该时间步保留；0为该时间步剔除；&表示：并且。
之后，将每组τ时间步的贡献力权重序列与对应τ时间步的高度压缩特征、宽度压缩特征对应加权，以按照时序特征的重要程度赋予不同的权重，由此得到被赋予相应加权项的关键气象-功率特征，即气象-功率二重时空互联特征。
将T时间尺度内的高度和宽度压缩特征运行趋势集合中每组输入输出样本数据的前τ时间步信息用对应的气象-功率二重时空互联特征来替代，作为每组输入样本信息；而每组预测输出样本信息仍用集合中对应的从τ+1步开始的λ时间步信息，由此构成送入循环记忆运行趋势预测模型划分完好的重构运行趋势有监督学习样本数据集，如式(12)所示，
式中，
为有监督学习样本数据集中所划分的输入输出样本组数。
仍以重构运行趋势有监督学习样本数据集中第一组输入输出样本为例，其他组以此类推：
步骤E：采用循环周期类神经网络兼具记忆学习功能的循环记忆预测模型搭建带有记忆功能的循环记忆运行趋势预测模型。
步骤F：获取有限时域内的关键气象-功率双重时空提取特征图，将所述关键气象-功率双重时空提取特征图输入循环记忆运行趋势预测模型，以类滑动时间窗口数据集和重构运行趋势有监督学习样本数据集为输入神经元，分别预测初始输入时间步δ和有效输入时间步τ对应的预测输出时间步，从而得到风电功率超短期运行趋势预测值。
仍以类滑动时间窗口数据集(即类滑动窗口数据集)和有监督学习样本数据集中第一组输入输出样本为例，如式(14)和式(15)所示，其他组以此类推：
构造循环记忆运行趋势预测模型中记忆神经元隐藏层状态的使能函数，为贡献力权重更新机制提供隐藏层状态。
以F2作为风电功率超短期运行趋势预测模型的输入神经元，同时将记忆神经元隐藏层状态的计算机制进行如下更新
式中，ψpre(·)为超短期趋势预测模型中记忆神经元隐藏层状态的使能函数。
以上所述，仅是本发明的较佳实例而已，并非对本发明做任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或装饰，均落在本发明的保护范围内。
本说明书中未做详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种基于双重时空特征提取的风电功率运行趋势预测方法，其特征在于，包括以下步骤：
步骤A：获取某区域N个风电场群在T时间尺度的原始风电生数据集；
假设上述区域N个风电场群在T时间尺度内包含W个气象参数，所述上述区域N个风电场群在T时间尺度内包含W+1个实测风电功率参数；
由此，构成含W+1个实测风电功率参数的风电场群原始风电生数据集；
步骤B：将风电场群原始风电生数据集中的空数据、人为失误录入数据、噪声异常数据以及弃风限电数据予以剔除，而后获得上述区域的风电场群清洗数据集；
步骤C：将风电场群清洗数据集按照高度为时间维度、宽度为参数维度、深度为风场数量维度进行三维划分，生成3D张量输入数据，作为3D张量数据集；
步骤D：将3D张量数据集输入双重时空特征提取模型，获得气象-功率一重时空互联特征和气象-功率二重时空互联特征；
所述双重时空特征提取模型包括：一重特征提取模型和二重特征提取模型；
所述一重特征提取模型包括：第一次深度可拆分卷积层、第二次深度可拆分卷积层和最大池化树池层；
所述二重特征提取模型包括：高度宽度特征压缩层和关键气象-功率特征贡献力分配层；
步骤E：采用循环周期类神经网络兼具记忆学习功能的循环记忆预测模型搭建带有记忆功能的循环记忆运行趋势预测模型；
步骤F：获取有限时域内的关键气象-功率双重时空提取特征图，将所述关键气象-功率双重时空提取特征图输入循环记忆运行趋势预测模型，以类滑动时间窗口数据集和重构运行趋势有监督学习样本数据集为循环记忆运行趋势预测模型的输入神经元，获得风电功率超短期运行趋势预测值；
所述气象-功率一重时空互联特征与气象-功率二重时空互联特征合称为：关键气象-功率双重时空提取特征图。
2.如权利要求1所述的基于双重时空特征提取的风电功率运行趋势预测方法，其特征在于：步骤D的具体步骤为：
D1.1：将3D张量数据集输入第一次深度可拆分卷积层，获得第一次气象-功率特征；
D1.2：将步骤D1.1获得的第一次气象-功率特征输入第二次深度可拆分卷积层，获得第二次气象-功率特征；
D1.3：将步骤D1.2获得的第二次气象-功率特征输入最大池化树池层，获得气象-功率一重时空互联特征；
D1.4：将步骤D1.3获得的气象-功率一重时空互联特征输入高度宽度特征压缩层，获得压缩特征时序集合，进而获得类滑动窗口数据集；
D1.5：将步骤D1.4获得的类滑动窗口数据集输入关键气象-功率特征贡献力分配层，关键气象-功率特征贡献力分配层的输出结果结合双通归一化权重，经有效输入时间步筛选后，获得气象-功率二重时空互联特征，进而获得重构运行趋势有监督学习样本数据集。
3.如权利要求2所述的基于双重时空特征提取的风电功率运行趋势预测方法，其特征在于：构造所述一重特征提取模型的步骤如下：
D2.1：构造第一次深度可拆分卷积层；
所述第一次深度可拆分卷积层包括：N1个尺寸为1×3×3的拆分卷积核；
所述拆分卷积核的高度尺寸为：3，拆分卷积核的宽度尺寸为：3，拆分卷积核的深度尺寸为：1；
按照3D张量输入数据的深度，用以提取每个风电场群的气象-功率特征，然后令N1个拆分卷积核分别从N个风电场群中按深度维度延伸方向扫描一遍，从而得到N个风电场群中各自独立，且每个风场有N1个提取特征的第一次气象-功率特征，其尺寸记作(T1 W1,N,N1)；
其中，T1为：第一次气象-功率特征对应的特征图的高度；W1为：第一次气象-功率特征对应的特征图的宽度；第一次气象-功率特征对应的特征图的深度为：N×N1；
D2.2：构造第二次深度可拆分卷积层；
所述第二次深度可拆分卷积层包括：N2个尺寸为N×1×1的拆分卷积核，所述拆分卷积核的高度尺寸为1，拆分卷积核的宽度尺寸为1，拆分卷积核的深度尺寸为N；
令每个拆分卷积核以深度相匹配的尺寸在N1组第一次气象-功率特征中依次扫描一遍，并在每次扫描之后，将提取到的信息叠加融合，从而得到N2个第二次气象-功率特征，其尺寸记作(T2 W2,N1,N2)；
其中，T2为：第二次气象-功率特征对应的特征图的高度；W2为：第二次气象-功率特征对应的特征图的宽度；
D2.3：构造最大池化树池层；
先将第二次气象-功率特征的尺寸由(T2 W2,N1,N2)转置为(T3,W3,N1×N2)；
其中，T3为：第二次气象-功率特征转置后对应的特征图的高度；W3为：第二次气象-功率特征转置后对应的特征图的宽度；
然后，构造T个尺寸为(N1×N2)×5×5的最大池化树池；
所述最大池化树池的高度尺寸为：5；所述最大池化树池的宽度尺寸为：5；所述最大池化树池的深度尺寸为：N1×N2；
采用上述最大池化树池对第二次气象-功率特征进行最大池化操作，从而得到尺寸为(N3,W3,T)的气象-功率一重时序特征图；
其中，N3为：气象-功率一重时序特征图的高度，W3为：气象-功率一重时序特征图的宽度；
所述气象-功率一重时序特征图为：气象-功率一重时空互联特征；
由最大池化树池层输出的气象-功率一重时空互联特征的运行趋势表示为F1，如式(1)所示，
其中，
为t时刻一重时空互联特征矩阵，以矩阵形式表示为式(2)，
其中，1≤t≤T。
4.如权利要求3所述的基于双重时空特征提取的风电功率运行趋势预测方法，其特征在于：构造所述二重特征提取模型的步骤如下：
D3.1：构造高度宽度特征压缩层；
将尺寸为(N3,W3,T)的气象-功率一重时序特征图按照时间维度，对每一时间点的时空互联特征图进行高度维度的特征压缩，取气象-功率一重时序特征图下每一行高度数据的平均值，从而得到高度压缩特征，进而得到T时间尺度内的高度压缩特征运行趋势集合，如式(3)所示，
其中，n3＝1,2,…,N3，
将尺寸为(N3,W3,T)的气象-功率一重时序特征图按照时间维度，对每一时间点的时空互联特征图进行宽度维度的特征压缩，取气象-功率一重时序特征图下每一列宽度数据的平均值，从而得到宽度压缩特征，进而得到T时间尺度内的宽度压缩特征运行趋势集合，如式(4)所示，
其中，w3＝1,2,…,W3，
则T时间尺度内高度和宽度压缩特征运行趋势集合为
如式(5)所示，
其中，若N3≠W3，则某一维度缺少的部分用0补足；
为N维实数集，
为W维实数集；
为t时刻气象-功率一重时空互联特征在高度上对应的特征向量；
为t时刻气象-功率一重时空互联特征在宽度上对应的特征向量；
为高度特征向量中第n个元素；
为宽度特征向量中第w个元素；
所述
为：压缩特征运行趋势集合；
D3.2：将T时间尺度内的高度和宽度压缩特征运行趋势集合按照初始输入时间步δ和预测输出时间步λ划分数据集，使之构成类滑动窗口数据集，类滑动窗口数据集中的第一组输入输出样本如式(7)所示，
D3.3：采用一种多元神经元全连接模型搭建关键气象-功率特征贡献力分配层；
所述关键气象-功率特征贡献力分配层用于：计算贡献力权重；
以δ步高度和宽度压缩特征运行趋势形成的类滑动窗口数据集作为关键气象-功率特征贡献力分配层的输入；计算各个时间点的高度压缩特征和宽度压缩特征所对应的作用权重，由此构成贡献力权重序列；
从中筛选出对未来预测功率贡献程度最大的有效输入时间步τ，计算出每组τ时间步的贡献力权重序列，上述贡献力权重序列与对应τ时间步的高度压缩特征和宽度压缩特征对应加权，由此得到被赋予相应加权项的气象-功率二重时空互联特征。
5.如权利要求4所述的基于双重时空特征提取的风电功率运行趋势预测方法，其特征在于：根据风电功率超短期预测未来功率值的时间尺度确定初始输入时间步δ的大小；当超短期预测时间尺度包含未来λ个输出时间步时，初始输入时间步δ的大小范围如式(6)所示，2λ≤δ≤2λmax (6)
其中，λmax为未来预测最长时间步。
6.如权利要求5所述的基于双重时空特征提取的风电功率运行趋势预测方法，其特征在于：循环周期类神经网络为所述关键气象-功率特征贡献力分配层提供隐藏层的状态，贡献力权重序列的具体更新机制如式(8)所示，
其中，Qe、We和Re均为贡献力机制的权重矩阵；be为偏置向量；
为t-1时刻风电功率运行趋势预测值，
和St-1均为循环周期类神经网络中记忆单元的隐藏层状态；
和
分别为t时间点的高度压缩特征贡献力权重和宽度压缩特征贡献力权重；
为贡献力权重序列；
采用双通归一化方法将上述贡献力权重序列双通归一化之后，得到各个时间点最终的贡献力权重序列
如式(9)所示，
计算类滑动窗口数据集中各组初始输入时间步δ中每个时间点的高度压缩特征和宽度压缩特征所对应的贡献力权重序列的平均值，构成各组的平均贡献力权重序列集合，如式(10)所示，
其中，L为类滑动窗口数据集中所划分的输入输出样本组数；
为第i组样本中第δ步的高度压缩特征双通归一化的贡献力权重；
为第i组样本中第δ步的宽度压缩特征双通归一化的贡献力权重；
设置权重阈值[θ1，θ2]，令计算出的δ步平均贡献力权重序列集合与权重阈值进行比较，依据式(11)，筛选时间步，保留的时间步作为有效输入时间步，记作τ，
其中，1表示：该时间步保留；0表示：该时间步剔除；&表示：并且；
之后，将每组τ时间步的贡献力权重序列与对应τ时间步的高度压缩特征和宽度压缩特征对应加权，以按照时序特征的重要程度赋予不同的权重，由此得到被赋予相应加权项的气象-功率二重时空互联特征。
7.如权利要求6所述的基于双重时空特征提取的风电功率运行趋势预测方法，其特征在于：将T时间尺度内的高度和宽度压缩特征运行趋势集合中每组输入输出样本数据的前τ时间步信息用对应的气象-功率二重时空互联特征替代，作为每组输入样本信息；而每组预测输出样本信息仍用集合中对应的从τ+1步开始的λ时间步信息，由此构成送入循环记忆运行趋势模型划分完好的重构运行趋势有监督学习样本数据集，如式(12)所示，
其中，
为重构运行趋势有监督学习样本数据集中所划分的输入输出样本组数；
重构运行趋势有监督学习样本数据集中第一组输入输出样本如式(13)所示，
8.如权利要求7所述的基于双重时空特征提取的风电功率运行趋势预测方法，其特征在于：以类滑动时间窗口数据集和重构运行趋势有监督学习样本数据集为输入神经元，分别预测初始输入时间步δ和有效输入时间步τ对应的预测输出时间步，从而得到风电功率超短期运行趋势预测值。
9.如权利要求8所述的基于双重时空特征提取的风电功率运行趋势预测方法，其特征在于：所述类滑动窗口数据集和重构运行趋势有监督学习样本数据集中第一组输入输出样本分别如式(14)和式(15)所示，
10.如权利要求9所述的基于双重时空特征提取的风电功率运行趋势预测方法，其特征在于：构造循环记忆运行趋势预测模型中记忆神经元隐藏层状态的使能函数，为贡献力权重更新机制提供隐藏层状态；
以F2作为循环记忆运行趋势预测模型的输入神经元，同时将记忆神经元隐藏层状态的计算机制进行如下更新，
其中，ψpre(·)为循环记忆运行趋势预测模型中记忆神经元隐藏层状态的使能函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110691753.1A CN113537573B (zh) | 2021-06-22 | 2021-06-22 | 基于双重时空特征提取的风电功率运行趋势预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110691753.1A CN113537573B (zh) | 2021-06-22 | 2021-06-22 | 基于双重时空特征提取的风电功率运行趋势预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113537573A true CN113537573A (zh) | 2021-10-22 |
| CN113537573B CN113537573B (zh) | 2023-11-28 |
Family
ID=78125521
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110691753.1A Active CN113537573B (zh) | 2021-06-22 | 2021-06-22 | 基于双重时空特征提取的风电功率运行趋势预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537573B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114397474A (zh) * | 2022-01-17 | 2022-04-26 | 吉林大学 | 基于fcn-mlp的弧形超声传感阵列风参数测量方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110782071A (zh) * | 2019-09-25 | 2020-02-11 | 天津大学 | 基于时空特性融合的卷积神经网络进行风电功率预测方法 |
| US20200105398A1 (en) * | 2018-10-02 | 2020-04-02 | New York University | System, method and portable devices for detection and enhancement of sleep spindles |
| CN111815033A (zh) * | 2020-06-19 | 2020-10-23 | 上海电力大学 | 一种基于rcnn和气象时序特征的海上风电功率预测方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
-
2021
- 2021-06-22 CN CN202110691753.1A patent/CN113537573B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200105398A1 (en) * | 2018-10-02 | 2020-04-02 | New York University | System, method and portable devices for detection and enhancement of sleep spindles |
| 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 |
| CN110782071A (zh) * | 2019-09-25 | 2020-02-11 | 天津大学 | 基于时空特性融合的卷积神经网络进行风电功率预测方法 |
| CN111815033A (zh) * | 2020-06-19 | 2020-10-23 | 上海电力大学 | 一种基于rcnn和气象时序特征的海上风电功率预测方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
Non-Patent Citations (1)
| Title |
|---|
| 叶林;滕景竹;蓝海波;仲悟之;吴林林;刘辉;王铮: "变尺度时间窗口和波动特征提取的短期风电功率组合预测", 电力系统自动化, vol. 41, no. 017 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114397474A (zh) * | 2022-01-17 | 2022-04-26 | 吉林大学 | 基于fcn-mlp的弧形超声传感阵列风参数测量方法 |
| CN114397474B (zh) * | 2022-01-17 | 2022-11-08 | 吉林大学 | 基于fcn-mlp的弧形超声传感阵列风参数测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113537573B (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
| CN115293415A (zh) | 计及时间演变和空间相关的多风电场短期功率预测方法 | |
| CN110674604A (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
| CN106503867A (zh) | 一种遗传算法最小二乘风电功率预测方法 | |
| CN106529721A (zh) | 一种深度特征提取的广告点击率预测系统及其预测方法 | |
| CN113837499A (zh) | 一种超短期风电功率预测方法及系统 | |
| CN111242377A (zh) | 一种集成深度学习和数据去噪的短期风速预测方法 | |
| CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
| CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
| CN116128141B (zh) | 风暴潮预测方法、装置、存储介质及电子设备 | |
| CN115689008A (zh) | 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统 | |
| CN113298131B (zh) | 一种基于注意力机制的时序数据缺失值插补方法 | |
| CN112990553A (zh) | 使用自注意机制和双线性融合的风电超短期功率预测方法 | |
| CN115146842A (zh) | 基于深度学习的多元时间序列趋势预测方法和系统 | |
| CN111222689A (zh) | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 | |
| CN112414715B (zh) | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 | |
| CN116703644A (zh) | 一种基于Attention-RNN的短期电力负荷预测方法 | |
| CN117909888B (zh) | 智慧人工智能气候预测方法 | |
| CN117154704A (zh) | 一种基于多尺度时空图注意力卷积网络的光伏功率预测方法 | |
| CN116665483A (zh) | 一种新的预测剩余停车位的方法 | |
| CN114488069A (zh) | 基于图神经网络的雷达高分辨率距离像识别方法 | |
| CN114037143A (zh) | 一种短期风电功率组合预测方法 | |
| CN113537573A (zh) | 基于双重时空特征提取的风电功率运行趋势预测方法 | |
| CN116306780B (zh) | 一种动态图链接生成方法 | |
| CN117455536A (zh) | 基于误差补偿的短期煤价预测方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |