CN113780661A - 一种针对突变风速的风电超短期功率预测方法 - Google Patents
一种针对突变风速的风电超短期功率预测方法 Download PDFInfo
- Publication number
- CN113780661A CN113780661A CN202111072010.2A CN202111072010A CN113780661A CN 113780661 A CN113780661 A CN 113780661A CN 202111072010 A CN202111072010 A CN 202111072010A CN 113780661 A CN113780661 A CN 113780661A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- wind
- historical
- power
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004590 computer program Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 2
- 230000001902 propagating effect Effects 0.000 claims description 2
- 238000010248 power generation Methods 0.000 abstract description 6
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 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
- G06N3/044—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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种针对突变风速的风电超短期功率预测方法。本发明的目的为提供一种针对突变风速的风电超短期功率预测方法。本发明的技术方案为一种针对突变风速的风电超短期功率预测方法,其特征在于:将前n个历史时刻的历史风速输入风速预测模型预测下一时刻的风速预测值;将风速预测值与前n个历史时刻历史风速均值之差作为该下一时刻的风速增量;将前n个历史时刻的历史风速和历史功率,以及该下一时刻的风速增量输入风电功率预测模型预测该下一时刻的风电功率。本发明适用于风力发电功率预测领域。
Description
技术领域
本发明涉及一种针对突变风速的风电超短期功率预测方法。适用于风力发电功率预测领域。
背景技术
风能作为新型能源,由于其储量无限、安全、清洁等特点使用广泛,得到各国的大力发展。风速的非平稳性导致风力发电功率的随机性和波动性较大,给大规模风力发电并网的安全稳定和经济运行带来了挑战,风力发电功率预测的精确率有待提高。
短期和超短期预测可以为电力调度和风电发电并网安全提供可靠的电力暂态信息,因此,风电功率预测研究主要集中在短期和超短期风电功率预测上。风电功率预测大致分为以下四种类型:(1)物理方法;(2)统计方法;(3)深度学习方法;(4)混合方法。由于建模简单、精确率较高,深度习方法和混合方法应用最为广泛。
基于BiGRU网络的时间序列建模被证明在风电功率预测方面表现良好,比传统统计方法和浅层神经网络方法预测效果更好。基于信号分解方法的混合预测模型(“分解-预测-重构”方法)在风电功率预测中越来越受到关注。小波变换、变分模态分解、经验模态分解和奇异谱分析等信号分解方法可以有效的提取风电的显著特征,被应用于风电功率预测中。
虽然风电功率的预测方法越来越受到研究人员的关注,但现有方法没有针对突变风速的风电功率预测,导致阵风天气等突变风速天气,风电功率预测效果不佳。
发明内容
本发明要解决的技术问题是:针对上述存在的问题,提供一种针对突变风速的风电超短期功率预测方法。
本发明所采用的技术方案是:一种针对突变风速的风电超短期功率预测方法,其特征在于:
将前n个历史时刻的历史风速输入风速预测模型预测下一时刻的风速预测值;
将风速预测值与前n个历史时刻历史风速均值之差作为该下一时刻的风速增量;
将前n个历史时刻的历史风速和历史功率,以及该下一时刻的风速增量输入风电功率预测模型预测该下一时刻的风电功率。
所述风速预测模型利用BiGRU网络与2个全连接层相结合,对输入的历史风速进行特征提取、信息融合和风速预测。
所述风速预测模型的训练包括:
采用MSE损失函数计算风速预测损失,将计算获得的损失值进行反向传播,并对风速预测模型参数进行更新,直到预测模型收敛,获得最终的风速预测模型。
所述风电功率预测模型利用BiGRU网络与2个全连接层相结合,对输入的历史风速、历史功率和风速增量进行特征提取、信息融合及风电功率预测。
所述风电功率预测模型的训练包括:
采用MSE损失函数计算风电功率预测损失,将计算获得的风电功率损失进行反向传播,并对风电功率预测模型的参数进行更新,直到预测模型收敛,获得最终的风电功率预测模型。
所述历史风速和历史功率在输入相应的预测模型前经数据预处理,该数据预处理采用min-max方式对输入信息进行归一化。
所述风电功率预测模型和风速预测模型采用Pearson相关系数确定模型输入的时序长度。
一种针对突变风速的风电超短期功率预测装置,其特征在于:
风速预测模块,用于将前n个历史时刻的历史风速输入风速预测模型预测下一时刻的风速预测值;
增量求解模块,用于将风速预测值与前n个历史时刻历史风速均值之差作为该下一时刻的风速增量;
功率预测模块,用于将前n个历史时刻的历史风速和历史功率,以及该下一时刻的风速增量输入风电功率预测模型预测该下一时刻的风电功率。
一种存储介质,其上存储有能被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现所述针对突变风速的风电超短期功率预测方法的步骤。
一种针对突变风速的风电超短期功率预测设备,具有存储器和处理器,存储器上存储有能被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现所述针对突变风速的风电超短期功率预测方法的步骤。
本发明的有益效果是:本发明将历史风速送到风速预测模型中获取风速预测值,并基于风速预测值获取风速增量,最后将风速增量、历史风速和历史功率一起送入风电功率预测模型中,获得最终的风电超短期功率预测结果。本发明将风速增量、历史风速和历史功率相结合,有效提升突变风速时的风电功率预测效果。
附图说明
图1为实施例的流程图。
图2为实施例中预测模型的结构图。
图3为实施例中预测模型的训练流程图。
具体实施方式
如图1所示,本实施例为一种针对突变风速的风电超短期功率预测方法,具体包括以下步骤:
S1、对前n个历史时刻的历史风速进行数据预处理,数据预处理采用min-max方式对输入信息进行归一化,如下式:
S2、将经数据预处理的、前n个历史时刻的历史风速输入经训练的风速预测模型预测得到下一时刻的风速预测值;前n个历史时刻和该下一时刻为时间间隔相同的连续时刻;
S3、将步骤S2预测得到的风速预测值与前n个历史时刻历史风速均值之差作为该下一时刻的风速增量Wincre;
S4、对前n个历史时刻的历史功率进行数据预处理,数据预处理采用min-max方式对输入信息进行归一化,如下式:
S5、将经预处理的、前n个历史时刻的历史风速和历史功率,以及步骤S3计算得到的该下一时刻的风速增量输入经训练的风电功率预测模型预测该下一时刻的风电功率。
本实施例中风速预测模型的训练包括:
A.数据预处理:
为了网络快速收敛,本实施例对历史风速进行min-max标准化(Min-MaxNormalization),如下式:
B.风速预测模型
图2为风速预测模型的结构图,选择前n个历史时刻的风速预测下个时刻的风速。首先将前n个历史时刻的风速经过数据预处理后,作为网络的输入;利用BiGRU网络进行时序信息建模,提取每个时刻风速的特征,得到特征表达F=[f1,f2,…,fn];最后,经过2个全连接层(Fully Connected Layer,FC)进行特征融合和最终风速的预测,获得下一时刻的风速预测结果。
C.风速预测模型损失Lwind
本实施例采用MSE损失函数计算风速预测损失,计算如公式如下所示:
其中,Lwind表示风速预测模型损失,Wtrue表示实际风速,Wpred表示模型预测的风速。
将计算获得的损失值进行反向传播,并对模型参数进行更新,直到预测模型收敛,获得最终的风速预测模型,用于后续的风速预测。
由于风速与风电功率密切相关,历史风电功率与未来风电功率具有时序关系,所以本实施例选择历史风速和历史功率作为输入特征。此外,在训练风电功率预测模型时,利用训练完成的风速预测模型进行风速预测,获取风速增量,并将风速增量显式地加入到风电功率预测模型中,以提升风电功率预测模型对突变风速的预测效果。
本实施例中风电功率预测模型的训练包括:
A.获取风速增量Wincre
将历史风速预处理后送入训练完成的风速预测模型获取风速预测值;然后将风速预测值与前n个历史时刻历史风速的均值之差作为预测时刻的风速增量Wincre:
B.风电功率预测
风电功率预测模型的整体结构与风速预测模型相同,利用BiGRU网络与2个全连接层相结合,对输入的历史风速、历史功率和风速增量进行特征提取、信息融合及风电功率预测。
本实施例通过显式地将风速增量添加到风电功率预测模型中,有效提升了突变风速情况下风电功率预测的精确度。
C.风电功率网络损失Lpower
本实施例采用MSE损失函数计算风电功率预测损失,计算如公式所示:
其中,Lpower表示风电功率网络损失;Ptrue表示真实的风电功率,Ppred表示模型预测的风电功率。
将计算获得的风电功率损失进行反向传播,并对风电功率预测模型的参数进行更新,直到预测模型收敛;获得最终的风电功率预测模型,用于后续的风电功率预测。
在训练过程中,本实施例首先训练风速预测模型,利用历史风速进行当前时刻风速预测,其中,利用Pearson系数衡量历史时刻风速与当前风速之间的相关性,将Pearson系数大于0.6(较强相关)的时刻风速作为网络输入。因此,选择当前时刻之前的8个时刻(即时序长度n=8)的风速作为风速预测模型的输入,进行风速预测。
本实施例在训练风电功率预测模型时,采用与风速预测相同的方式选择时序长度,经计算,选择当前时刻的前8个时刻的历史风速、历史功率、风速增量作为风电功率预测模型的输入。
本发明数据预处理中采用min-max方式对输入信息进行归一化,以消除变量之间量纲不同对模型的影响,促进模型更快收敛。本发明采用BiGRU网络进行时序信息建模,如图2所示。由前面所述可知,网络中的时间序列的长度n设置为8。
本实施例还提供一种针对突变风速的风电超短期功率预测装置,包括风速预测模块、增量求解模块和功率预测模块。
本例中风速预测模块用于将前n个历史时刻的历史风速输入风速预测模型预测下一时刻的风速预测值;增量求解模块用于将风速预测值与前n个历史时刻历史风速均值之差作为该下一时刻的风速增量;功率预测模块用于将前n个历史时刻的历史风速和历史功率,以及该下一时刻的风速增量输入风电功率预测模型预测该下一时刻的风电功率。
本实施例还提供一种存储介质,其上存储有能被处理器执行的计算机程序,该计算机程序被执行时实现本例中针对突变风速的风电超短期功率预测方法的步骤。
本实施例还提供一种针对突变风速的风电超短期功率预测设备,具有存储器和处理器,存储器上存储有能被处理器执行的计算机程序,该计算机程序被执行时实现本例中针对突变风速的风电超短期功率预测方法的步骤。
Claims (10)
1.一种针对突变风速的风电超短期功率预测方法,其特征在于:
将前n个历史时刻的历史风速输入风速预测模型预测下一时刻的风速预测值;
将风速预测值与前n个历史时刻历史风速均值之差作为该下一时刻的风速增量;
将前n个历史时刻的历史风速和历史功率,以及该下一时刻的风速增量输入风电功率预测模型预测该下一时刻的风电功率。
2.根据权利要求1所述的针对突变风速的风电超短期功率预测方法,其特征在于:所述风速预测模型利用BiGRU网络与2个全连接层相结合,对输入的历史风速进行特征提取、信息融合和风速预测。
3.根据权利要求2所述的针对突变风速的风电超短期功率预测方法,其特征在于,所述风速预测模型的训练包括:
采用MSE损失函数计算风速预测损失,将计算获得的损失值进行反向传播,并对风速预测模型参数进行更新,直到预测模型收敛,获得最终的风速预测模型。
4.根据权利要求1所述的针对突变风速的风电超短期功率预测方法,其特征在于:所述风电功率预测模型利用BiGRU网络与2个全连接层相结合,对输入的历史风速、历史功率和风速增量进行特征提取、信息融合及风电功率预测。
5.根据权利要求4所述的针对突变风速的风电超短期功率预测方法,其特征在于,所述风电功率预测模型的训练包括:
采用MSE损失函数计算风电功率预测损失,将计算获得的风电功率损失进行反向传播,并对风电功率预测模型的参数进行更新,直到预测网络收敛,获得最终的风电功率预测模型。
6.根据权利要求1所述的针对突变风速的风电超短期功率预测方法,其特征在于:所述历史风速和历史功率在输入相应的预测模型前经数据预处理,该数据预处理采用min-max方式对输入信息进行归一化。
7.根据权利要求1所述的针对突变风速的风电超短期功率预测方法,其特征在于:所述风电功率预测模型和风速预测模型采用Pearson相关系数确定模型输入的时序长度。
8.一种针对突变风速的风电超短期功率预测装置,其特征在于:
风速预测模块,用于将前n个历史时刻的历史风速输入风速预测模型预测下一时刻的风速预测值;
增量求解模块,用于将风速预测值与前n个历史时刻历史风速均值之差作为该下一时刻的风速增量;
功率预测模块,用于将前n个历史时刻的历史风速和历史功率,以及该下一时刻的风速增量输入风电功率预测模型预测该下一时刻的风电功率。
9.一种存储介质,其上存储有能被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现权利要求1~7任意一项所述针对突变风速的风电超短期功率预测方法的步骤。
10.一种针对突变风速的风电超短期功率预测设备,具有存储器和处理器,存储器上存储有能被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现权利要求1~7任意一项所述针对突变风速的风电超短期功率预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111072010.2A CN113780661B (zh) | 2021-09-14 | 2021-09-14 | 一种针对突变风速的风电超短期功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111072010.2A CN113780661B (zh) | 2021-09-14 | 2021-09-14 | 一种针对突变风速的风电超短期功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780661A true CN113780661A (zh) | 2021-12-10 |
CN113780661B CN113780661B (zh) | 2023-11-21 |
Family
ID=78843324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111072010.2A Active CN113780661B (zh) | 2021-09-14 | 2021-09-14 | 一种针对突变风速的风电超短期功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780661B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116979533A (zh) * | 2023-09-25 | 2023-10-31 | 西南石油大学 | 融合自适应小波的自注意力风电场功率预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120046917A1 (en) * | 2010-08-23 | 2012-02-23 | Hsin-Fa Fang | Wind energy forecasting method with extreme wind speed prediction function |
CN111160621A (zh) * | 2019-12-06 | 2020-05-15 | 江苏方天电力技术有限公司 | 一种融合多源信息的短期风电功率预测方法 |
CN112836434A (zh) * | 2021-02-22 | 2021-05-25 | 中国电建集团华东勘测设计研究院有限公司 | 融合时序特征和统计特征的风电超短期功率预测方法 |
CN113191091A (zh) * | 2021-06-03 | 2021-07-30 | 上海交通大学 | 基于混合深度学习机制的风速预测方法及系统、设备 |
-
2021
- 2021-09-14 CN CN202111072010.2A patent/CN113780661B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120046917A1 (en) * | 2010-08-23 | 2012-02-23 | Hsin-Fa Fang | Wind energy forecasting method with extreme wind speed prediction function |
CN111160621A (zh) * | 2019-12-06 | 2020-05-15 | 江苏方天电力技术有限公司 | 一种融合多源信息的短期风电功率预测方法 |
CN112836434A (zh) * | 2021-02-22 | 2021-05-25 | 中国电建集团华东勘测设计研究院有限公司 | 融合时序特征和统计特征的风电超短期功率预测方法 |
CN113191091A (zh) * | 2021-06-03 | 2021-07-30 | 上海交通大学 | 基于混合深度学习机制的风速预测方法及系统、设备 |
Non-Patent Citations (2)
Title |
---|
周建强;屈卫东;杨建华;兰增林;: "基于风速时空信息的BP神经网络超短期风速预测研究", 河南电力, no. 04 * |
韩朋;张晓琳;张飞;王永平;: "基于AM-LSTM模型的超短期风电功率预测", 科学技术与工程, no. 21 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116979533A (zh) * | 2023-09-25 | 2023-10-31 | 西南石油大学 | 融合自适应小波的自注意力风电场功率预测方法 |
CN116979533B (zh) * | 2023-09-25 | 2023-12-08 | 西南石油大学 | 融合自适应小波的自注意力风电场功率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113780661B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116937579B (zh) | 一种考虑时空相关性的风电功率区间预测及其可解释方法 | |
CN112215428B (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 | |
CN114722873A (zh) | 一种基于残差卷积和注意力机制的非侵入式负荷分解方法 | |
CN115469184A (zh) | 基于卷积网络的新能源输电线路故障识别方法 | |
CN113780661A (zh) | 一种针对突变风速的风电超短期功率预测方法 | |
CN112072643A (zh) | 一种基于深度确定性梯度策略的光-蓄系统在线调度方法 | |
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 | |
CN116937565A (zh) | 一种分布式光伏发电功率预测方法、系统、设备及介质 | |
CN105207255B (zh) | 一种适用于风电出力的电力系统调峰计算方法 | |
Morales-Hernández et al. | Online learning of windmill time series using Long Short-term Cognitive Networks | |
CN113988395A (zh) | 基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法 | |
CN116169785A (zh) | 一种基于深度q学习的灵活互动资源安全运行预警方法 | |
US11945559B2 (en) | Method for forecasting demand load of hybrid electric ship by means of working condition | |
CN112949938B (zh) | 改善训练样本类别不均衡的风电爬坡事件直接预报方法 | |
CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
CN113964825A (zh) | 基于二次分解和BiGRU的超短期风电功率预测方法 | |
CN111160653B (zh) | 基于云计算的分布式储能系统风电消纳能力监测方法 | |
CN114204552A (zh) | 智慧园区综合能源能量调度方法 | |
Zheng et al. | Short-term wind power forecasting based on two-stage feature selection | |
Du et al. | A Novel Deep Learning Fusion Model for Probabilistic Prediction of Photovoltaic Power | |
Guo et al. | Voltage stability control method based on comprehensive principal component analysis and improved neural network | |
Chen et al. | Short-Term Photovoltaic Power Prediction Algorithm Based on Improved BP Neural Network | |
CN117556379B (zh) | 领域知识约束下深度特征融合的光伏发电功率预测方法 | |
Li et al. | Research On Wind Speed Prediction Model of Least Squares Support Vector Machine Through Genetic Algorithm Optimization | |
CN116565865B (zh) | 一种基于深度误差反馈学习的风电功率预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |