CN113553774A - 一种基于eemd-gru的短期风功率预测方法 - Google Patents

一种基于eemd-gru的短期风功率预测方法 Download PDF

Info

Publication number
CN113553774A
CN113553774A CN202111002811.1A CN202111002811A CN113553774A CN 113553774 A CN113553774 A CN 113553774A CN 202111002811 A CN202111002811 A CN 202111002811A CN 113553774 A CN113553774 A CN 113553774A
Authority
CN
China
Prior art keywords
wind power
data
eemd
gru
model
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
CN202111002811.1A
Other languages
English (en)
Inventor
李润
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.)
Beijing East Environment Energy Technology Co ltd
Original Assignee
Beijing East Environment Energy Technology Co ltd
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 Beijing East Environment Energy Technology Co ltd filed Critical Beijing East Environment Energy Technology Co ltd
Priority to CN202111002811.1A priority Critical patent/CN113553774A/zh
Publication of CN113553774A publication Critical patent/CN113553774A/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
    • G06N3/02—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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Wind Motors (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及新能源技术领域，且公开了一种基于EEMD‑GRU的短期风功率预测方法，采用某风电场的2000条风功率数据，前80％的1600条数据作为训练集进行模型的训练，后20％的400条数据作为测试集检验模型效果，需要对数据进行归一化处理。该基于EEMD‑GRU方法的风功率短期预测方法，通过先使用EEMD方法将原始风功率分解为若干个单一频率的子序列和一个余项，再将每个序列通过GRU神经网络进行滚动预测，再将预测结果叠加为总预测功率，算出与实际功率的误差并与其它模型进行对比，发现此模型更优，从而达到提高风电功率预测精度，减少风电考核分数的目的。

Description

一种基于EEMD-GRU的短期风功率预测方法
技术领域
本发明涉及新能源技术领域，具体为一种基于EEMD-GRU的短期风功率预 测方法。
背景技术
风电是我国乃至世界装机增幅最大的清洁能源技术，风网在成功并入电 网之后,需要整个风电场能够参与电力市场的二次竞价，风电场必须对其功率 进行电网功率变化预测，可以直接使整个风电场在参与电力资源市场的二次 竞价中能够拥有更多的优势,使风机维修人员提高工作效率,降低企业的损 失。所以对于风电功率的预测精度越来越重要，目前针对风功率预测模型的 研究越来越多，主要有四种：物理方法，统计方法，人工智能法与组合预测 法。提高风电场短期功率预测精度，不仅可以为风电场制定合适的发电、配 电和维护策略，而且可以提高风电并网的稳健性。
由于风功率受风力、风向、气温等多因素影响，传统方法的预测精度较 低。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于EEMD-GRU的短期风功率预 测方法，具备提高风电功率预测精度，减少风电考核分数等优点，解决了由 于风功率受风力、风向、气温等多因素影响，传统方法的预测精度较低的问 题。
(二)技术方案
为实现上述提高风电功率预测精度，减少风电考核分数目的，本发明提 供如下技术方案：一种基于EEMD-GRU的短期风功率预测方法，包括以下步骤：
S1、数据选取
采用某风电场的2000条风功率数据，前80％的1600条数据作为训练集进 行模型的训练，后20％的400条数据作为测试集检验模型效果，选取的步长为 6，即用前6个时长的数据来预测后一个时刻的功率，为了后面数据处理更加 方便和模型运行速度更快，需要对数据进行归一化处理，方法为将这些数据 压缩到[0,1]之间。
S2、模型性能评价与结果比较
为了将各个模型得到的结果进行比较，选择平均绝对误差(MAE)，平均 绝对百分比误差(MAPE)，均方误差(MSE)，均方根误差(RMSE)作为客观、 统一的评价标准。
S3、EEMD分解
考虑到原始风功率信号中存在波动项,并不平稳,所以再次利用组合模型 对其进行了预测，先用EEMD将原始风功率转化为n阶IMF分量和一个res趋 势项，再利用单模型对这些分量分别进行预测，最后将分量的预测值相加即 为原始风功率的预测值。
优选的，所述步骤S1中，新的数据为：
Figure BDA0003236150310000021
x为原数据，min(x)为原数据的最小值，max(x)为原数据的最大值。考虑 实际情况，测试集应为未知的信息，所以先对训练集进行归一化，测试集以 训练集为基础，即根据训练集的最大值和最小值进行归一化。
优选的，所述步骤S2中，定义如下：
Figure BDA0003236150310000031
Figure BDA0003236150310000032
Figure BDA0003236150310000033
Figure BDA0003236150310000034
yi表示实际的功率，
Figure BDA0003236150310000035
表示预测的功率值，n代表样本数量。
优选的，所述步骤S3中，EEMD分解它能把比较复杂的数据分解出来作为 有限数量的内涵模态分量(IMF)。
优选的，所述内涵模态分量(IMF)必须要求具备两个基本条件：在整个 数据内,极值点的数量和零点的数量之间相差最多不能超过1；当在一段数据 内的任何时刻,局部极大值点和极小值点所形成的上下包络线平均值都为零。
优选的，所述步骤S3中，预测值为风电场次日0-24h日前功率预测准 确率应大于等于80％，小于80％时按以下公式考核：
Figure BDA0003236150310000036
优选的，所述日前准确率日考核电量＝(80％一准确率)×PN×1(小时)
优选的，所述PMi为i时刻的实际功率，PPi为i时刻的日前功率预测值， Cap为风电场可用容量，n为样本个数，PN为风电场额定容量。
(三)有益效果
与现有技术相比，本发明提供了一种基于EEMD-GRU的短期风功率预测方 法，具备以下有益效果：
该基于EEMD-GRU方法的风功率短期预测方法，通过先使用EEMD方法将 原始风功率分解为若干个单一频率的子序列和一个余项，再将每个序列通过 GRU神经网络进行滚动预测，再将预测结果叠加为总预测功率，算出与实际功 率的误差并与其它模型进行对比，发现此模型更优，从而达到提高风电功率 预测精度，减少风电考核分数的目的。
附图说明
图1为EEMD分解结果图；
图2为单模型功率预测图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而 不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供如下技术方案：一种基于EEMD-GRU的短期风功率预测方法， 包括以下步骤：
S1、数据选取
采用某风电场2020年10月1日00:00到2020年10月21日19:45的2000 条风功率数据，前80％的1600条数据作为训练集进行模型的训练，后20％的 400条数据作为测试集检验模型效果，选取的步长为6，即用前6个时长的数 据来预测后一个时刻的功率，为了后面数据处理更加方便和模型运行速度更 快，需要对数据进行归一化处理，方法为将这些数据压缩到[0,1]之间，新的 数据为：
Figure BDA0003236150310000041
x为原数据，min(x)为原数据的最小值，max(x)为原数据的最大值。考虑 实际情况，测试集应为未知的信息，所以先对训练集进行归一化，测试集以 训练集为基础，即根据训练集的最大值和最小值进行归一化。
S2、模型性能评价与结果比较
为了将各个模型得到的结果进行比较，选择平均绝对误差(MAE)，平均 绝对百分比误差(MAPE)，均方误差(MSE)，均方根误差(RMSE)作为客观、 统一的评价标准，定义如下：
Figure BDA0003236150310000051
Figure BDA0003236150310000052
Figure BDA0003236150310000053
Figure BDA0003236150310000054
yi表示实际的功率，
Figure BDA0003236150310000055
表示预测的功率值，n代表样本数量。
S3、EEMD分解
考虑到原始风功率信号中存在波动项,并不平稳,所以再次利用组合模型 对其进行了预测，先用EEMD将原始风功率转化为n阶IMF分量和一个res趋 势项，再利用单模型对这些分量分别进行预测，最后将分量的预测值相加即 为原始风功率的预测值，EEMD分解它能把比较复杂的数据分解出来作为有限 数量的内涵模态分量(IMF)，内涵模态分量(IMF)必须要求具备两个基本条 件：在整个数据内,极值点的数量和零点的数量之间相差最多不能超过1；当 在一段数据内的任何时刻,局部极大值点和极小值点所形成的上下包络线平均值都为零。
图1为原始数据经过EEMD分解后的结果，噪声方差取0.2，噪声数为100， 将原始风功率分解为9个IMF分量和一个趋势项，可以看出，分量逐渐振幅 变小，波长变大，数据的波动性降低了。如图1.
为了体现EEMD-GRU算法的优势，共使用4种单模型和3种组合模型进行 对比，单模型分别为：支持向量回归模型(SVR)、BP神经网络模型、LSTM神 经网络模型和GRU神经网络模型，组合模型是先使用EEMD将原数据分解，每 个子序列分别使用BP神经网络模型、LSTM神经网络模型和GRU神经网络模型 进行预测。
预测值为风电场次日0-24h日前功率预测准确率应大于等于80％，小于 80％时按以下公式考核：
Figure BDA0003236150310000061
日前准确率日考核电量＝(80％一准确率)×PN×1(小时)
PMi为i时刻的实际功率，PPi为i时刻的日前功率预测值，Cap为风电场 可用容量，n为样本个数，PN为风电场额定容量。
模型建立
如图2为单模型的预测结果和实际功率的对比图。
表1为四个模型的预测结果在平均绝对误差(MAE)、平均绝对百分比误 差(MAPE)、均方误差(MSE)、均方根误差(RMSE)各项指标上的数值，可以 看出，从GRU模型误差最小，LSTM模型效果次之，到BP神经网络模型效果较 好，SVM模型效果最差，表1如下所示：
表1模型误差表
Figure BDA0003236150310000062
表1中人工神经网络(LSTM)是一种特殊的RNN，LSTM系统可以有效地 解决较长一段时间大量数据训练中会出现的梯度性消失及其他梯度性爆炸等 技术问题。
LSTM具有增减信息到细胞状态的能力，这个能力是由被称为门的结构所 赋予的。Sigmoid神经网络层会产生0和1之间的数字，用来控制有多少比例 的信息可以通过，0表示不通过任何信息，1表示全部通过。
LSTM有三个门，控制信息的删减。遗忘门，控制机旧知识融入主线，也 就是决定让哪些信息继续通过这个细胞，通过sigmoid来实现，输入是上一 步隐层状态ht-1和当前输入xt，输出的是0-1之间的数字ft，表示让上一个细 胞的信息通过的比重。然后Ct-1与ft做乘法操作决定遗忘什么信息、保留什么 信息。计算公式为：
ft＝σ(Wf·[ht-1,xt]+bf)
控制门控制新知识进入主线，即决定让多少信息加入到细胞中。包括以 下三个步骤：一是sigmoid层决定新输入信息哪些能够保留；二是决定哪些 信息进行参数更新；一和二相乘得到新加入的知识，传入主线，计算公式为：
it＝σ(Wi·[ht-1,xt]+bi)
Figure RE-GDA0003263381990000071
Figure RE-GDA0003263381990000072
输出门利用新的控制参数产生输出。两步完成：一是过滤处理，使用 sigmoid计算出输出比例。二是把当前细胞过tanh和通过比例(即第一步算 出来的值)相乘，得到输出。计算公式为：
ot＝σ(Wf·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
表1中的门控循环单元(GRU)源于LSTM，和LSTM相比，GRU的内部信 息流动比较简洁，参数也更少，效果也较好，因此也是当前非常流形的一种 网络，GRU也擅长处理各种时序问题。
在LSTM中引入了三个控制门函数：遗忘门、控制门和输出门来控制信号， 保护细胞状态，筛选细胞信息。而在GRU模型中仅有两个门：更新门和重置 门。
zt表示更新门，更新门可以控制之前的状态信息被筛选到当前细胞状态的 程度，更新门的值越大，筛选得来的细胞状态信息就会越多。rt表示重置门， 重置门可以控制之前状态有多少状态信息被筛选到候选集
Figure BDA0003236150310000081
上，重置门的值 越小，前面的细胞状态信息被筛选出来的也就越少。计算公式为：
zt＝σ(Wz·[ht-1,xt])
rt＝σ(Wr·[ht-1,xt])
ht＝tanh(Wht·[rt*ht-1,xt])
ht＝(1-zt)*ht-1+zt*ht
yt＝σ(Wo*ht)
其中[]表示两个向量相连，*表示矩阵的乘积。LSTM和CRU都是通过门函 数的方式来将重要的特征信息保留起来,而且丢弃不重要信息,这样就保证了 整个网络能够同时处理长一段时间序列的问题，此外GRU相对于LSTM少一个 门函数，参数的量上也是要少于LSTM，所以从理论上GRU的运行速度要优于 LSTM。
如表2和表3所示，与单模型预测功率相比，组合模型效果明显更好， 比较不同模型的平均绝对误差和均方根误差，除了EEMD_BP模型误差更小外， 其余分量都是EEMD-GRU误差更小，模型效果最好。单模型中效果最好的GRU 模型和组合模型中效果最好的EEMD-GRU模型相比，EEMD-GRU模型的MAE、 MAPE、MSE、RMSE都要小于GRU模型，所以EEMD-GRU模型最优，表2和表3 均如下所述：
表2组合模型误差
Figure BDA0003236150310000082
表3单模型和组合模型误差对比
Figure BDA0003236150310000091
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而 言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行 多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限 定。

Claims (8)

1.一种基于EEMD-GRU的短期风功率预测方法，其特征在于，包括以下步骤：
S1、数据选取
采用某风电场的2000条风功率数据，前80％的1600条数据作为训练集进行模型的训练，后20％的400条数据作为测试集检验模型效果，选取的步长为6，即用前6个时长的数据来预测后一个时刻的功率，为了后面数据处理更加方便和模型运行速度更快，需要对数据进行归一化处理，方法为将这些数据压缩到[0,1]之间。
S2、模型性能评价与结果比较
为了将各个模型得到的结果进行比较，选择平均绝对误差(MAE)，平均绝对百分比误差(MAPE)，均方误差(MSE)，均方根误差(RMSE)作为客观、统一的评价标准。
S3、EEMD分解
考虑到原始风功率信号中存在波动项,并不平稳,所以再次利用组合模型对其进行了预测，先用EEMD将原始风功率转化为n阶IMF分量和一个res趋势项，再利用单模型对这些分量分别进行预测，最后将分量的预测值相加即为原始风功率的预测值。
2.根据权利要求1所述的一种基于EEMD-GRU的短期风功率预测方法，其特征在于，所述步骤S1中，新的数据为：
Figure FDA0003236150300000011
x为原数据，min(x)为原数据的最小值，max(x)为原数据的最大值，考虑实际情况，测试集应为未知的信息，所以先对训练集进行归一化，测试集以训练集为基础，即根据训练集的最大值和最小值进行归一化。
3.根据权利要求1所述的一种基于EEMD-GRU的短期风功率预测方法，其特征在于，所述步骤S2中，定义如下：
Figure FDA0003236150300000021
Figure FDA0003236150300000022
Figure FDA0003236150300000023
Figure FDA0003236150300000024
yi表示实际的功率，
Figure FDA0003236150300000025
表示预测的功率值，n代表样本数量。
4.根据权利要求1所述的一种基于EEMD-GRU的短期风功率预测方法，其特征在于，所述步骤S3中，EEMD分解它能把比较复杂的数据分解出来作为有限数量的内涵模态分量(IMF)。
5.根据权利要求4所述的一种基于EEMD-GRU的短期风功率预测方法，其特征在于，所述内涵模态分量(IMF)必须要求具备两个基本条件：在整个数据内,极值点的数量和零点的数量之间相差最多不能超过1；当在一段数据内的任何时刻,局部极大值点和极小值点所形成的上下包络线平均值都为零。
6.根据权利要求1所述的一种基于EEMD-GRU的短期风功率预测方法，其特征在于，所述步骤S3中，预测值为风电场次日0-24h日前功率预测准确率应大于等于80％，小于80％时按以下公式考核：
Figure FDA0003236150300000026
7.根据权利要求6所述的一种基于EEMD-GRU的短期风功率预测方法，其特征在于，日前准确率日考核电量＝(80％一准确率)×PN×1(小时)。
8.根据权利要求6所述的一种基于EEMD-GRU的短期风功率预测方法，其特征在于，所述PMi为i时刻的实际功率，PPi为i时刻的日前功率预测值，Cap为风电场可用容量，n为样本个数，PN为风电场额定容量。
CN202111002811.1A 2021-08-30 2021-08-30 一种基于eemd-gru的短期风功率预测方法 Pending CN113553774A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111002811.1A CN113553774A (zh) 2021-08-30 2021-08-30 一种基于eemd-gru的短期风功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111002811.1A CN113553774A (zh) 2021-08-30 2021-08-30 一种基于eemd-gru的短期风功率预测方法

Publications (1)

Publication Number Publication Date
CN113553774A true CN113553774A (zh) 2021-10-26

Family

ID=78134387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111002811.1A Pending CN113553774A (zh) 2021-08-30 2021-08-30 一种基于eemd-gru的短期风功率预测方法

Country Status (1)

Country Link
CN (1) CN113553774A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110685857A (zh) * 2019-10-16 2020-01-14 湘潭大学 一种基于集成学习的山地风电机组行为预测模型
CN110738010A (zh) * 2019-10-17 2020-01-31 湖南科技大学 集成深度学习模型的风电场短期风速预测方法
CN112465225A (zh) * 2020-11-27 2021-03-09 云南电网有限责任公司电力科学研究院 基于二次模态分解和级联深度学习的风电功率预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110685857A (zh) * 2019-10-16 2020-01-14 湘潭大学 一种基于集成学习的山地风电机组行为预测模型
CN110738010A (zh) * 2019-10-17 2020-01-31 湖南科技大学 集成深度学习模型的风电场短期风速预测方法
CN112465225A (zh) * 2020-11-27 2021-03-09 云南电网有限责任公司电力科学研究院 基于二次模态分解和级联深度学习的风电功率预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
国家能源局: "风电场功率预测预报管理暂行办法", 太阳能, no. 14, pages 7 *
邓带雨 等: "基于EEMD-GRU-MLR 的短期电力负荷预测", 电网技术, no. 2, pages 593 - 601 *

Similar Documents

Publication Publication Date Title
CN109711620B (zh) 一种基于gru神经网络和迁移学习的短期电力负荷预测方法
Chang et al. An improved neural network-based approach for short-term wind speed and power forecast
Duan et al. A combined short-term wind speed forecasting model based on CNN–RNN and linear regression optimization considering error
CN110619360A (zh) 一种考虑历史样本相似性的超短期风功率预测方法
CN109861211B (zh) 一种基于数据驱动的配电网动态重构方法
CN110837915B (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN111861013A (zh) 一种电力负荷预测方法及装置
CN112508299A (zh) 一种电力负荷预测方法、装置、终端设备及存储介质
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
CN110866633A (zh) 一种基于svr支持向量回归的微电网超短期负荷预测方法
CN115965132A (zh) 基于ga-bp神经网络的分布式光伏数字孪生系统功率预测方法
CN116418001A (zh) 应对新能源不确定性的水库群多能互补调度方法与系统
CN115511657A (zh) 一种基于组合预测模型的风电出力与光伏出力评估的方法
CN116702937A (zh) 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法
CN117239722A (zh) 一种考虑多元负荷影响的系统风荷短期预测方法
Li et al. Distributed deep reinforcement learning for integrated generation‐control and power‐dispatch of interconnected power grid with various renewable units
Shen et al. Short-term load forecasting of power system based on similar day method and PSO-DBN
CN110598947A (zh) 一种基于改进布谷鸟-神经网络算法的负荷预测方法
Zhang et al. Short-term load forecasting based on GAD-BP neural network
CN112488404B (zh) 一种配电网大规模电力负荷多线程高效预测方法及系统
Zhang et al. A deep learning based real-time load forecasting method in electricity spot market
CN113128666A (zh) 基于Mo-S-LSTMs模型的时间序列多步预测方法
CN111476402A (zh) 耦合气象信息与emd技术的风电发电能力预测方法
CN117172097A (zh) 基于云边协同与多智能体深度学习的配电网调度运行方法
CN113553774A (zh) 一种基于eemd-gru的短期风功率预测方法

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