CN113792919A - 一种基于迁移学习深度学习相结合的风电功率预测方法 - Google Patents

一种基于迁移学习深度学习相结合的风电功率预测方法 Download PDF

Info

Publication number
CN113792919A
CN113792919A CN202111026927.9A CN202111026927A CN113792919A CN 113792919 A CN113792919 A CN 113792919A CN 202111026927 A CN202111026927 A CN 202111026927A CN 113792919 A CN113792919 A CN 113792919A
Authority
CN
China
Prior art keywords
network
sdae
wind power
samples
layer
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
Application number
CN202111026927.9A
Other languages
English (en)
Other versions
CN113792919B (zh
Inventor
彭小圣
李胤寰
李聪
王勃
车建峰
张元鹏
袁帅
程艳
王楠
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.)
Huazhong University of Science and Technology
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
Huazhong University of Science and Technology
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Shandong Electric Power 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 Huazhong University of Science and Technology, State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical Huazhong University of Science and Technology
Priority to CN202111026927.9A priority Critical patent/CN113792919B/zh
Publication of CN113792919A publication Critical patent/CN113792919A/zh
Application granted granted Critical
Publication of CN113792919B publication Critical patent/CN113792919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/045—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
    • G06N3/08—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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

本发明公开一种基于迁移学习深度学习相结合的风电功率预测方法，通过SCADA系统及数值天气预报，提取新建风电场及周边风电场的历史样本，使用新建风电场的少量历史样本训练BP‑NN，再对周边风电场的大量历史样本预测，根据预测结果计算周边风电场每个历史样本的相关系数；根据相关系数将周边风电场的大量历史样本为强相关样本、中相关样本及弱相关样本；分别使用顺序迁移、逆序迁移、无序迁移等三种模型迁移方法，构建用于新建风电场的预测模型并分别给出预测结果；最后使用B‑LSTM网络将三个预测结果集成，输出最终预测结果。本发明通过数据挖掘并结合深度学习算法，利用多层级模型迁移获得适用于新建风电场预测模型，提高新建风电场预测精度，具有推广价值。

Description

一种基于迁移学习深度学习相结合的风电功率预测方法
技术领域
本发明涉及一种基于迁移学习深度学习相结合的风电功率预测方法，属于风电功率预测领域。
背景技术
根据全球风能理事会，2020年全球海上风电装机容量为93GW。风力发电具有很大的波动性和随机性。因此，大规模风电并网将给电力系统带来巨大挑战。风电功率预测可以降低风电的不确定性，为电网调度部门提供依据。然而，每年都有大量新建、扩建和重建的风电场。由于运行时间短，历史数据不足，很难建立高精度的预测模型。这些风电场的预测精度还有很大的改进空间。
制约新建、扩建和改造风电场预测准确性的主要因素有两个：(1)风电场历史数据不足。新风电场没有足够的时间积累历史数据，这导致非常缺乏用于培训的历史样本，需要探索稀缺历史数据的建模方法；(2)传统的浅层神经网络预测精度低。需要开发用于迁移学习的深层神经网络来处理日益复杂的输入信息。目前的迁移学习方法都是独立的样本迁移或是模型迁移，很少有将两种迁移方法相结合的模型。因此，缺少训练数据的新建风电场的风电功率预测需要一种结合数据迁移、模型迁移以及深度学习的多层级预测方法，从而提高迁移成功率，减少预测误差，提高风电场功率预测精度的一种基于迁移学习深度学习相结合的风电功率预测方法。
发明内容
本发明的目的是提供一种基于迁移学习深度学习相结合的风电功率预测方法，以解决上述背景技术中存在的问题。
本发明的目的由以下技术措施实现：
一种基于迁移学习深度学习相结合的风电功率预测方法，其特征在于，包括如下步骤：
步骤一，对新建风电场及其周边风电场的历史样本采用基于神经网络的数据挖掘方法，计算两类样本的相关系数ρXY；
所述的基于神经网络的数据挖掘方法，实现过程如下：
(1)从数据采集与监视控制系统SCADA系统中获取新建风电场现有的少量运行功率及气象数据；
(2)利用获取的新建风电场现的少量历史样本训练BP-NN网络得到训练后的BP-NN网络；
(3)对周边风电场大量的历史样本经训练后的BP-NN网络后做预测，取得预测结果；
(4)根据预测结果计算相关系数ρXY；
所述的相关系数ρXY的计算方法为：
Figure BDA0003243903120000021
其中，ρXY代表相关系数，Ppre代表功率预测值，Preal代表功率实际值，D代表方差，n代表样本数量，
Figure BDA0003243903120000022
代表功率预测平均值，
Figure BDA0003243903120000023
代表功率实际平均值；
步骤二，从SCADA系统及数值天气预报中获取周边风电场的历史功率及气象数据，再根据步骤一得到的相关系数对周边风电场的大量历史样本做数据分级，使用相关性分级方法将所有历史样本分为强相关样本、中相关样本、弱相关样本、不相关样本，将不相关样本丢弃，并将强相关样本、中相关样本、弱相关样本整合为待迁移历史样本；
所述的相关性分级方法为：
(1)相关系数ρXY≥0.9，判定为强相关样本；
(2)相关系数0.8≤ρXY＜0.9，判定为中相关样本；
(3)相关系数0.7≤ρXY＜0.8，判定为弱相关样本；
(4)相关系数ρXY＜0.7，判定为不相关样本；
步骤三，使用步骤二获得的不同级别的相关样本，分别训练一层堆栈去噪自编码器SDAE，再根据顺序迁移方法将各层网络拼接组合，即获得用于缺少训练数据的新建风电场的SDAE预测模型，并给出预测结果。
所述的顺序迁移方法为：
(1)使用弱相关样本训练浅层SDAE网络，其输出作为中层SDAE网络的输入；
(2)使用浅层网络的输出及中相关样本训练中层SDAE网络，其输出作为深层SDAE网络的输入；
(3)使用中层网络的输出及强相关样本训练深层SDAE网络，其输出作为输出层网络的输入；
(4)将浅层SDAE网络、中层SDAE网络、深层SDAE网络依次拼接，即获得顺序迁移下用于缺少训练数据的新建风电场的SDAE预测模型；
步骤四，使用步骤二获得的不同级别的相关样本，分别训练一层SDAE网络，再根据逆序迁移方法将各层网络拼接组合，即获得用于缺少训练数据的新建风电场的SDAE预测模型，并给出预测结果。
所述的逆序迁移方法为：
(1)使用强相关样本训练浅层SDAE网络，其输出作为中层SDAE网络的输入；
(2)使用浅层网络的输出及中相关样本训练中层SDAE网络，其输出作为深层SDAE网络的输入；
(3)使用中层网络的输出及弱相关样本训练深层SDAE网络，其输出作为输出层网络的输入；
(4)将浅层SDAE网络、中层SDAE网络、深层SDAE网络依次拼接，即获得逆序迁移下用于缺少训练数据的新建风电场的SDAE预测模型；
步骤五，使用步骤二获得的不同级别的相关样本，分别训练一层SDAE网络，再根据无序迁移方法将各层网络拼接组合，即获得用于缺少训练数据的新建风电场的SDAE预测模型，并给出预测结果。
所述的无序迁移方法为：
(1)任意选取1/3的待迁移历史样本训练浅层SDAE网络，其输出作为中层SDAE网络的输入；
(2)使用浅层网络的输出及另1/3的待迁移历史样本训练中层SDAE网络，其输出作为深层SDAE网络的输入；
(3)使用中层网络的输出及剩余的1/3的待迁移历史样本训练深层SDAE网络，其输出作为输出层网络的输入；
(4)将浅层SDAE网络、中层SDAE网络、深层SDAE网络依次拼接，即获得无序迁移下用于缺少训练数据的新建风电场的SDAE预测模型；
步骤六，将三种迁移顺序的预测结果输入到双向长短时记忆网络B-LSTM网络，做集成深度学习，取得最终的预测结果。
所述的迁移学习使用数据迁移和模型迁移的方法，从新建风电场周边的风电场中寻找相似样本并迁移，使用这些相似样本分层级地训练模型并组合，构建新建风电场的预测模型；
所述的数据迁移通过新建风电场少量的历史样本训练BP-NN网络，并对周边风电场的大量样本做预测，通过计算相关系数寻找可迁移的样本并分级；
所述的模型迁移将不同相关性级别的相关样本分别训练一层SDAE网络，并采用三种不同顺序组合成最终网络；
所述的深度学习从新建风电场周边的风电场中迁移大量相关样本，并分层级地训练SDAE模型并组合。
本发明达到的有益效果是：本发明利用数据迁移和模型迁移之间的互补性能获得更优质的迁移数据以及更高的迁移成功率。通过基于数据挖掘的数据迁移，最终形成一个待迁移的样本库，通过分层级模型迁移，提高了模型的泛化能力，降低迁移失败比率，提高缺少训练数据的新建风电场的预测精度。
附图说明
图1为本发明的整体流程结构框图。
具体实施方式
下面结合本发明实施方式中的附图进行具体的描述，本发明的目的是提供一种结合数据迁移、模型迁移以及深度学习的多层级预测方法，从而提高迁移成功率，减少预测误差，提高风电场功率预测精度的一种基于迁移学习深度学习相结合的风电功率预测方法。
如图1所示，一种基于迁移学习深度学习相结合的风电功率预测方法，本方法分为六个步骤来实现新建风电场风电功率预测；
使用数据迁移和模型迁移的方法，从新建风电场周边的风电场中寻找相关样本并迁移，使用这些相关样本分层级地训练模型并组合，构建新建风电场的预测模型；
从新建风电场周边的风电场中迁移大量相关样本，并分层级地训练SDAE模型并组合；
通过迁移周边风电场的相关样本，分层级地训练SDAE网络，最终组合成新建风电场的预测模型。
一种基于迁移学习深度学习相结合的风电功率预测方法，其特征在于，包括如下步骤：
步骤一，对新建风电场及其周边风电场的历史样本采用基于神经网络的数据挖掘方法，计算两类样本的相关系数ρXY；
所述的基于神经网络的数据挖掘方法，实现过程如下：
(1)从数据采集与监视控制系统SCADA系统中获取新建风电场现有的少量运行功率及气象数据；
(2)利用获取的新建风电场现的少量历史样本训练BP-NN网络得到训练后的BP-NN网络；
(3)对周边风电场大量的历史样本经训练后的BP-NN网络后做预测，取得预测结果；
(4)根据预测结果计算相关系数ρXY；
所述的相关系数ρXY的计算方法为：
Figure BDA0003243903120000051
其中，ρXY代表相关系数，Ppre代表功率预测值，Preal代表功率实际值，D代表方差，n代表样本数量，
Figure BDA0003243903120000052
代表功率预测平均值，
Figure BDA0003243903120000053
代表功率实际平均值；
步骤二，从SCADA系统及数值天气预报中获取周边风电场的历史功率及气象数据，并使用步骤一的训练后的BP-NN网络做预测，再根据步骤一得到的相关系数对周边风电场的大量历史样本做数据分级，使用相关性分级方法将所有历史样本分为强相关样本、中相关样本、弱相关样本、不相关样本，将不相关样本丢弃，并将强相关样本、中相关样本、弱相关样本整合为待迁移历史样本；
所述的相关性分级方法为：
((1)相关系数ρXY≥0.9，判定为强相关样本；
(2)相关系数0.8≤ρXY＜0.9，判定为中相关样本；
(3)相关系数0.7≤ρXY＜0.8，判定为弱相关样本；
(4)相关系数ρXY＜0.7，判定为不相关样本；
步骤三，使用步骤二获得的不同级别的相关样本，分别训练一层SDAE网络，再根据顺序迁移方法将各层网络拼接组合，即获得用于缺少训练数据的新建风电场的SDAE预测模型，并给出预测结果。
所述的顺序迁移方法为：
(1)使用弱相关样本训练浅层SDAE网络，其输出作为中层SDAE网络的输入；
(2)使用浅层网络的输出及中相关样本训练中层SDAE网络，其输出作为深层SDAE网络的输入；
(3)使用中层网络的输出及强相关样本训练深层SDAE网络，其输出作为输出层网络的输入；
(4)将浅层SDAE网络、中层SDAE网络、深层SDAE网络依次拼接，即获得顺序迁移下用于缺少训练数据的新建风电场的SDAE预测模型；
步骤四，使用步骤二获得的不同级别的相关样本，分别训练一层SDAE网络，再根据逆序迁移方法将各层网络拼接组合，即获得用于缺少训练数据的新建风电场的SDAE预测模型，并给出预测结果。
所述的逆序迁移方法为：
(1)使用强相关样本训练浅层SDAE网络，其输出作为中层SDAE网络的输入；
(2)使用浅层网络的输出及中相关样本训练中层SDAE网络，其输出作为深层SDAE网络的输入；
(3)使用中层网络的输出及弱相关样本训练深层SDAE网络，其输出作为输出层网络的输入；
(4)将浅层SDAE网络、中层SDAE网络、深层SDAE网络依次拼接，即获得逆序迁移下用于缺少训练数据的新建风电场的SDAE预测模型；
步骤五，使用步骤二获得的不同级别的相关样本，分别训练一层SDAE网络，再根据无序迁移方法将各层网络拼接组合，即获得用于缺少训练数据的新建风电场的SDAE预测模型，并给出预测结果。
所述的无序迁移方法为：
(1)任意选取1/3的待迁移历史样本训练浅层SDAE网络，其输出作为中层SDAE网络的输入；
(2)使用浅层网络的输出及另1/3的待迁移历史样本训练中层SDAE网络，其输出作为深层SDAE网络的输入；
(3)使用中层网络的输出及剩余的1/3的待迁移历史样本训练深层SDAE网络，其输出作为输出层网络的输入；
(4)将浅层SDAE网络、中层SDAE网络、深层SDAE网络依次拼接，即获得无序迁移下用于缺少训练数据的新建风电场的SDAE预测模型；
步骤六，将三种迁移顺序的预测结果输入到B-LSTM网络做集成深度学习，取得最终的预测结果。
上述实施例仅说明了本发明的几种实施方式，但并不是用来限制本发明。还要指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
本说明书中未作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 (6)

1.一种基于迁移学习深度学习相结合的风电功率预测方法，其特征在于，包括如下步骤：
步骤一，对新建风电场及其周边风电场的历史样本采用基于神经网络的数据挖掘方法，计算两类样本的相关系数ρXY；
步骤二，从SCADA系统及数值天气预报中获取周边风电场的历史功率及气象数据，再根据步骤一得到的相关系数对周边风电场的大量历史样本做数据分级，使用相关性分级方法将所有历史样本分为强相关样本、中相关样本、弱相关样本、不相关样本，将不相关样本丢弃，并将强相关样本、中相关样本、弱相关样本整合为待迁移历史样本；
步骤三，使用步骤二获得的不同级别的相关样本，分别训练一层堆栈去噪自编码器SDAE，再根据顺序迁移方法将各层网络拼接组合，即获得用于缺少训练数据的新建风电场的SDAE预测模型，并给出预测结果。
步骤四，使用步骤二获得的不同级别的相关样本，分别训练一层SDAE网络，再根据逆序迁移方法将各层网络拼接组合，即获得用于缺少训练数据的新建风电场的SDAE预测模型，并给出预测结果。
步骤五，使用步骤二获得的不同级别的相关样本，分别训练一层SDAE网络，再根据无序迁移方法将各层网络拼接组合，即获得用于缺少训练数据的新建风电场的SDAE预测模型，并给出预测结果。
步骤六，将三种迁移顺序的预测结果输入到B-LSTM网络，做集成深度学习，取得最终的预测结果。
2.根据权利要求1所述的一种基于迁移学习深度学习相结合的风电功率预测方法，其特征在于,步骤一中所述的基于神经网络的数据挖掘方法，实现过程如下：
(1)从数据采集与监视控制系统SCADA系统中获取新建风电场现有的少量运行功率及气象数据；
(2)利用获取的新建风电场现的少量历史样本训练BP-NN网络得到训练后的BP-NN网络；
(3)对周边风电场大量的历史样本经训练后的BP-NN网络后做预测，取得预测结果；
(4)根据预测结果计算相关系数ρXY；
所述的相关系数ρXY的计算方法为：
Figure FDA0003243903110000011
其中，ρXY代表相关系数，Ppre代表功率预测值，Preal代表功率实际值，D代表方差，n代表样本数量，
Figure FDA0003243903110000021
代表功率预测平均值，
Figure FDA0003243903110000022
代表功率实际平均值。
3.根据权利要求2所述的一种基于迁移学习深度学习相结合的风电功率预测方法，其特征在于，步骤二中所述的相关性分级方法为：
(1)相关系数ρXY≥0.9，判定为强相关样本；
(2)相关系数0.8≤ρXY＜0.9，判定为中相关样本；
(3)相关系数0.7≤ρXY＜0.8，判定为弱相关样本；
(4)相关系数ρXY＜0.7，判定为不相关样本；
4.根据权利要求1所述的一种基于迁移学习深度学习相结合的风电功率预测方法，其特征在于，步骤三中所述的顺序迁移方法为：
(1)使用弱相关样本训练浅层SDAE网络，其输出作为中层SDAE网络的输入；
(2)使用浅层网络的输出及中相关样本训练中层SDAE网络，其输出作为深层SDAE网络的输入；
(3)使用中层网络的输出及强相关样本训练深层SDAE网络，其输出作为输出层网络的输入；
(4)将浅层SDAE网络、中层SDAE网络、深层SDAE网络依次拼接，即获得顺序迁移下用于缺少训练数据的新建风电场的SDAE预测模型。
5.根据权利要求1所述的一种基于迁移学习深度学习相结合的风电功率预测方法，其特征在于，步骤四中所述的逆序迁移方法为：
(1)使用强相关样本训练浅层SDAE网络，其输出作为中层SDAE网络的输入；
(2)使用浅层网络的输出及中相关样本训练中层SDAE网络，其输出作为深层SDAE网络的输入；
(3)使用中层网络的输出及弱相关样本训练深层SDAE网络，其输出作为输出层网络的输入；
(4)将浅层SDAE网络、中层SDAE网络、深层SDAE网络依次拼接，即获得逆序迁移下用于缺少训练数据的新建风电场的SDAE预测模型；
6.根据权利要求1所述的一种基于迁移学习深度学习相结合的风电功率预测方法，其特征在于，步骤五中所述的无序迁移方法为：
(1)任意选取1/3的待迁移历史样本训练浅层SDAE网络，其输出作为中层SDAE网络的输入；
(2)使用浅层网络的输出及另1/3的待迁移历史样本训练中层SDAF网络，其输出作为深层SDAE网络的输入；
(3)使用中层网络的输出及剩余的1/3的待迁移历史样本训练深层SDAE网络，其输出作为输出层网络的输入；
(4)将浅层SDAE网络、中层SDAE网络、深层SDAE网络依次拼接，即获得无序迁移下用于缺少训练数据的新建风电场的SDAE预测模型。
CN202111026927.9A 2021-09-02 2021-09-02 一种基于迁移学习深度学习相结合的风电功率预测方法 Active CN113792919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111026927.9A CN113792919B (zh) 2021-09-02 2021-09-02 一种基于迁移学习深度学习相结合的风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111026927.9A CN113792919B (zh) 2021-09-02 2021-09-02 一种基于迁移学习深度学习相结合的风电功率预测方法

Publications (2)

Publication Number Publication Date
CN113792919A true CN113792919A (zh) 2021-12-14
CN113792919B CN113792919B (zh) 2024-02-27

Family

ID=78879485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111026927.9A Active CN113792919B (zh) 2021-09-02 2021-09-02 一种基于迁移学习深度学习相结合的风电功率预测方法

Country Status (1)

Country Link
CN (1) CN113792919B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342077A (zh) * 2023-05-30 2023-06-27 南方电网数字电网研究院有限公司 一种适用于数据缺失场站的新能源功率迁移学习预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268627A (zh) * 2014-09-10 2015-01-07 天津大学 一种基于深度神经网络迁移模型的短期风速预报方法
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning
CN112633632A (zh) * 2020-11-26 2021-04-09 华中科技大学 一种基于信号分解技术的集成短期风电集群功率预测方法
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
CN112949904A (zh) * 2021-01-28 2021-06-11 华中科技大学 一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268627A (zh) * 2014-09-10 2015-01-07 天津大学 一种基于深度神经网络迁移模型的短期风速预报方法
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning
CN112633632A (zh) * 2020-11-26 2021-04-09 华中科技大学 一种基于信号分解技术的集成短期风电集群功率预测方法
CN112949904A (zh) * 2021-01-28 2021-06-11 华中科技大学 一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄睿;杜文娟;王海风;: "计及湍流强度的风电功率短期预测", 电网技术, no. 06 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342077A (zh) * 2023-05-30 2023-06-27 南方电网数字电网研究院有限公司 一种适用于数据缺失场站的新能源功率迁移学习预测方法
CN116342077B (zh) * 2023-05-30 2023-09-15 南方电网数字电网研究院有限公司 一种适用于数据缺失场站的新能源功率迁移学习预测方法

Also Published As

Publication number Publication date
CN113792919B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
CN109902863B (zh) 一种基于多因素时空相关性的风速预测方法及装置
CN110991690B (zh) 一种基于深度卷积神经网络的多时次风速预测方法
CN105574615B (zh) 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法
CN110942194A (zh) 一种基于tcn的风电预测误差区间评估方法
CN103268366A (zh) 一种适用于分散式风电场的组合风电功率预测方法
CN110555551B (zh) 一种智慧城市的空气质量大数据管理方法及系统
CN109086926B (zh) 一种基于组合神经网络结构的短时轨道交通客流预测方法
CN113516304B (zh) 基于时空图网络的区域污染物时空联合预测方法及装置
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
Al-Janabi et al. Development of deep learning method for predicting DC power based on renewable solar energy and multi-parameters function
CN117236674B (zh) 城市河网水动力精准调控和水环境提升方法及系统
CN114049545B (zh) 一种基于点云体素的台风定强方法、系统、设备及介质
Li et al. Deep spatio-temporal wind power forecasting
CN113570132A (zh) 一种时空气象特征提取与深度学习的风电功率预测方法
US20140257577A1 (en) Optimization of a multi-period model for valuation applied to flow control valves
Zhuang et al. Long-lead prediction of extreme precipitation cluster via a spatiotemporal convolutional neural network
CN114777192B (zh) 基于数据关联和深度学习的二级网供热自主优化调控方法
Yao et al. Wave height forecast method with multi-step training set extension LSTM neural network
CN115862324A (zh) 一种智慧交通的时空同步图卷积神经网络及交通预测方法
CN113792919A (zh) 一种基于迁移学习深度学习相结合的风电功率预测方法
Gao et al. A multifactorial framework for short-term load forecasting system as well as the jinan’s case study
CN113240219A (zh) 一种土地利用模拟及预测方法
CN116467933A (zh) 基于深度学习的风暴潮增水预测方法及系统
Wang et al. CNN-BiLSTM-attention model in forecasting wave height over South-East China Seas
CN116187508A (zh) 一种融合知识图谱和深度学习的风电机组故障预测方法

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