CN113988414B - 一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法 - Google Patents

一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法 Download PDF

Info

Publication number
CN113988414B
CN113988414B CN202111258373.5A CN202111258373A CN113988414B CN 113988414 B CN113988414 B CN 113988414B CN 202111258373 A CN202111258373 A CN 202111258373A CN 113988414 B CN113988414 B CN 113988414B
Authority
CN
China
Prior art keywords
wind power
value
error
prediction
power output
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.)
Active
Application number
CN202111258373.5A
Other languages
English (en)
Other versions
CN113988414A (zh
Inventor
王永生
武煜昊
刘利民
邢红梅
徐昊
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.)
Inner Mongolia University of Technology
Original Assignee
Inner Mongolia University of Technology
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 Inner Mongolia University of Technology filed Critical Inner Mongolia University of Technology
Priority to CN202111258373.5A priority Critical patent/CN113988414B/zh
Publication of CN113988414A publication Critical patent/CN113988414A/zh
Application granted granted Critical
Publication of CN113988414B publication Critical patent/CN113988414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Landscapes

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

Abstract

本发明提供一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法。该方法包括基于主成分分析的数据降维方法和时间滑动窗口的输入数据集构建方法，用于对原始风电数据集进行数据降维和构建输入数据集；以及基于P_LSTNet模型的初步风电输出功率预测方法，用于通过输入的初始风电数据预测初步风电输出功率预测值，充分提取原始数据中的短期特征、长期特征及线性特征；以及基于加权Markov和K‑means++算法的误差值校验，用于提高现有模型预测精准度低下的问题。该发明在充分提取历史风电功率数据的基础上，初步高精度的预测了风电输出功率，并结合加权Markov chain链进一步校验预测误差，并进行误差填补，进一步提高了风电输出功率预测的精准度。

Description

一种基于P_LSTNet与加权Markov校验的风电输出功率预测 方法
技术领域
本发明属于机器学习、大数据分析与应用技术及电网技术混合交叉领域，涉及风电输出功率预测及风电场的风电并网，特别涉及一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法。
背景技术
风电场通过开展风电功率预测来进行电力市场竞价和风电场运行维护，通过风电功率预测系统的预测结果，电网调度部门进行合理的发电计划安排，减少系统的旋转备用容量，提高电网运行的经济性，同时通过提前预测风电功率的波动，合理的安排运行方式和应对措施，提高电网的安全性和可靠性。但是由于目前不同风电场所存有的数据差异，不同形式的风电输出功率预测模型并不完全适用于每一个风电场，且现有预测模型的预测精准度和时效性等无法满足真实的生产生活需要，故根据不同风电场特点需建立相应的高精度风电输出功率预测模型。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法，通过P_LSTNet模型的初步预测，并结合k-means++算法与加权Markov chain进行误差值校验修正，提高现有模型预测的精准度，为真实的生产生活需要提供高精度的预测模型支持。
为了实现上述目的，本发明采用的技术方案是：
一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法，包括如下步骤：
步骤1，将风电场中所接收的原始风电数据集采用主成分分析法(PCA)进行特征提取，并采用时间滑动窗口构建得到初始的风电功率预测输入数据集，所述原始风电数据集包含天气预报数据和历史风电输出功率数据；
步骤2，将所述初始的风电功率预测输入数据集输入至P_LSTNet模型(改进的LSTNet模型)中，获得初步的风电输出功率预测值；
步骤3，将所述初步的风电输出功率预测值与真实风电输出功率做差，得出每个预测时刻点的预测误差值，并将该预测误差值采用K-means++算法来进行初始聚类的设置，获得聚类中心及聚类集，再采用加权Markov chain进行误差状态估计，将概率值最大的聚类中心值作为误差校验值进行填补，获得风电输出功率的最终预测值。
所述步骤3中，利用k-means++算法和加权Markov chain进行误差校验操作，其中k-means++算法的所划分的簇作为加权Markov chain的状态集。
与现有技术相比，本发明针对目前实际风电场预测精准度低，无法满足真实生产生活需求的现象，采用P_LSTNet和加权Markov chain的方法，将现有历史天气预报数据和风电输出功率数据进行数据预处理和输入数据集的构建，对初步预测中所存在的误差值进行校验修正，最终获得高精度的风电输出功率，达到风电场所需的高精度预测模型。采用本发明，可极大程度上提高风电输出功率预测的精准度，为电网调度部门和风电场提高提供更精准的预测数据支持。
附图说明
图1是本发明整体流程示意图。
图2是本发明实施例中风电输出功率真实值与风电输出功率校验值的可视化对比示意图。
图3是本发明实施例中风电输出功率真实值与风电输出功率校验值及未校验值的可视化对比示意图。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
本发明为一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法，通过改进的P_LSTNet模型进行风电输出功率的初步预测，并计算该初步预测值与真实风电输出功率值之间的误差值。使用k-means++算法对历史误差数据集进行聚类初始状态划分，并采用加权马尔科夫链进行误差状态校正，将所预测的误差状态所处的聚类中心值作为校正值填补至初步预测值中，得到最终风电输出功率预测值。参考图1，其具体步骤如下：
步骤1，将风电场中所接收的原始风电数据集(含天气预报数据和历史风电输出功率数据)采用主成分分析法(PCA)进行特征提取，并采用时间滑动窗口构建得到初始的风电功率预测输入数据集。
其中，原始风电数据处理方法如下：
步骤1.1，原始风电数据包含天气预报中的温度、湿度、风速等数据信息及历史风电输出功率数据信息。由于原始风电数据维数较多，增加后期预测运算时间，因此在尽可能保存原有风电时序特征的同时，采用主成分分析法进行数据降维操作，并采用时间滑动窗口进行初始的风电功率预测输入数据集的构建。
步骤2，将初始的风电功率预测输入数据集输入至P_LSTNet模型(改进的LSTNet模型)中，获得初步的风电输出功率预测值。具体方法如下：
步骤2.1，将初始的风电功率预测输入数据集分别输入至P_LSTNet模型中的线性预测部分和非线性预测部分，其中非线性预测部分包括循环神经网络和循环跨越神经网络；
步骤2.2，将步骤2.1线性预测中的循环神经网络预测结果与循环跨越神经网络预测结果进行结合，得出非线性预测的初步预测结果；
步骤2.3，由上述步骤2.1得出线性预测中的初步预测结果，并将该预测结果与步骤2.2中非线性预测的初步预测结果进行结合，得出，得出初步的风电输出功率预测值。
具体的，P_LSTNet模型中的线性预测部分采用AR进行线性特征提取，以弥补神经网络对时间序列数据中线性部分不敏感的问题。该模型中非线性预测部分中，循环神经网络采用CNN+LSTM，循环跨越神经网络采用CNN+LSTM-skip，其中CNN用于提取风电功率预测输入数据集中的短期特征，同时加快预测运算速率。LSTM用于提取相近时刻的特征，但由于LSTM中内置存储空间小的缺点，采用LSTM-skip可以很好的改善这一不足，能够改善内置存储空间小的缺点。通过将非线性部分的两个初步预测值按照输出维度进行连接，并将非线性部分的输出值与线性部分预测值按照对应元素进行相加，得到初步风电输出功率的预测值。
步骤3，将初步的风电输出功率预测值与真实风电输出功率做差，得出每个预测时刻点的预测误差值，并将该预测误差值采用K-means++算法来进行初始聚类的设置，获得聚类中心及聚类集，再采用加权Markov chain进行误差状态估计，将概率值最大的聚类中心值作为误差校验值进行填补，获得风电输出功率的最终预测值。具体方法如下：
步骤3.1，将步骤2.3中所获得的初步的风电输出功率预测值与真实风电输出功率做差，得到由每个预测时刻点的预测误差值构成的误差数据集。误差计算如下式所示：
y_error＝y_test-y_hat
其中：y_error表示误差值；y_test为真实风电输出功率值；y_hat为初步的风电输出功率预测值。
步骤3.2，使用k-means++算法对步骤3.1中获得的误差数据集进行初始聚类，得到n个聚类中心，并将误差集中的误差值聚类至对应的簇中，将每个聚类簇作为一个独立的状态。
步骤3.3，计算状态i经过一步状态转换至状态j的初始状态转移概率pij；pij表示由当前所处状态i经一步状态转移至状态j情况下的概率值。
步骤3.4，根据步骤3.3中所得的状态转移概率pij构成状态转移概率矩阵P，P如下式所示：
其中
步骤3.5，计算误差数据集的平均值根据下式计算相关系数rk：
其中：k表示步长阶数；y_errort+k表示t+k时刻的预测误差值，表示误差数据集的平均值；y_errork表示k时刻的预测误差值；y_errort表示t时刻的预测误差值；
步骤3.6，根据下式计算权重ωk的值：
其中，|rk|为相关系数rk的绝对值；h表示多步状态转移矩阵相关系数的数量，即k的取值范围为[1,h]。
步骤3.7，根据下式更新状态转移概率P的值：
其中P(k)＝Pk；
其中，Pk表示P的k次幂；
步骤3.8，确定t时刻的误差值所处状态y_errort＝si，则过渡到t+1时刻的误差值所处状态y_errort+1＝sj的状态转移概率pij为状态si转移到状态sj中概率最大值，即pij＝max{pi0,pi1,…,pin}；
步骤3.9，将步骤3.8中确定的t+1时刻的误差值所处状态所处的聚类中心值作为误差校验值填补回初步预测的风电输出功率值y_hat上，即：
y_final_hat＝y_error_verify+y_hat
其中，y_final_hat表示校正后的风电输出功率预测值，y_error_verify表示预测时刻的误差值所处状态处的聚类中心值(所处状态由加权马尔科夫链预测得出)，y_hat表示预测时刻初步的风电输出功率预测值。
步骤3.10，依次进行步骤3.2-3.97，当达到预测最终时刻时，预测校验结束，输出最终校验后的风电输出功率预测值。
在本发明的一个具体实施例中，硬件为一台计算机，配置包含硬件环境：CPU：2颗Intel Xeon 6130处理器(2.1GHz/16c)/2666MHz/10.4GT；GPU：6块16G_TESLA-P100_4096b_P_CAC；内存：16根32G ECC Registered DDR42666；软件环境：操作系统：Ubantu 16.04；深度学习框架：Tensorflow，pandas，scikit-learn；语言及开发环境：Python 3.6、Anaconda3、pycharm2020。
本实施例以2019年内蒙古东部某风电厂所采集的数据为分析对象，得到了风电原始数据集，其中包含天气预报数据(NWP)和对应时刻历史风电输出功率数据两部分。原始风电数据中天气预报数据中包含日期、时间、层高、风速、风向、湿度、温度、气压、空气密度数据，天气预报数据部分样式如表1所示。原始风电数据中历史风电输出功率数据包含日期、时间、风场编号、集电线编号、短期原始、短期预测功率等，数据部分样式如表2所示。并按照上述步骤进行输入数据集的构建、初步风电输出功率预测及初步预测误差值校验修正操作，并将校验后的误差值填补至初步风电输出功率上，得到最终的预测结果。本发明实施例中风电输出功率真实值与风电输出功率校验值的可视化对比如图2所示。风电输出功率真实值与风电输出功率校验值及未校验值的可视化对比如图3所示。
表1原始风电数据中天气预报数据
表2原始风电数据中历史风电输出功率
表3模型预测效果评估对比
预测模型 MSE R2
CNN+LSTM 12.7 0.930
P_LSTNet 9.5 0.940
P_LSTNet+加权Markov 6.6 0.973
通过本发明的实施步骤，由表3及说明书附图中的图2和图3可以看出本发明将实例中采用P_LSTNet进行初步预测后并采用加权Markov chain进行误差值校验修正，可以更好的提高模型的预测精准度，进一步为电力调度部门等提供了更准确的预测结果。
虽然本发明已经通过优选实施例进行了描述，然而本发明并非局限于这里所描述的实施例，在不脱离本发明范围的情况下还包括所作出的各种改变以及变化。

Claims (6)

1.一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法，其特征在于，包括如下步骤：
步骤1，将风电场中所接收的原始风电数据集采用主成分分析法进行特征提取，并采用时间滑动窗口构建得到初始的风电功率预测输入数据集，所述原始风电数据集包含天气预报数据和历史风电输出功率数据；
步骤2，将所述初始的风电功率预测输入数据集输入至P_LSTNet模型中，获得初步的风电输出功率预测值；
步骤3，将所述初步的风电输出功率预测值与真实风电输出功率做差，得出每个预测时刻点的预测误差值，并将该预测误差值采用K-means++算法来进行初始聚类的设置，获得聚类中心及聚类集，再采用加权Markov chain进行误差状态估计，将概率值最大的聚类中心值作为误差校验值进行填补，获得风电输出功率的最终预测值；
其中，将所述初步的风电输出功率预测值与真实风电输出功率做差，得到由每个预测时刻点的预测误差值构成的误差数据集，误差计算如下式所示：
y_error＝y_test-y_hat
其中：y_error表示误差值；y_test为真实风电输出功率值；y_hat为初步的风电输出功率预测值；
在得到预测误差值后执行如下步骤：
步骤3.1，采用K-means++算法进行初始聚类得到n个聚类中心，并将误差集中的误差值聚类至对应的簇中，将每个聚类簇作为一个独立的状态；
步骤3.2，计算状态i经过一步状态转换至状态j的初始状态转移概率pij；pij表示由当前所处状态i经一步状态转移至状态j情况下的概率值；
步骤3.3，基于状态转移概率pij构成状态转移概率矩阵P，P如下式所示：
其中/>
步骤3.4，计算误差数据集的平均值根据下式计算相关系数rk：
其中：k表示步长阶数；y_errort+k表示t+k时刻的预测误差值，表示误差数据集的平均值；y_errork表示k时刻的预测误差值；y_errort表示t时刻的预测误差值；
步骤3.5，根据下式计算权重ωk的值：
其中，|rk|为相关系数rk的绝对值；h表示多步状态转移矩阵相关系数的数量，即k的取值范围为[1,h]；
步骤3.6，根据下式更新状态转移概率矩阵P的值：
其中P(k)＝Pk；
其中，Pk表示P的k次幂；
步骤3.7，确定t时刻的误差值所处状态y_errort＝si，则过渡到t+1时刻的误差值所处状态y_errort+1＝sj的状态转移概率pij为状态si转移到状态sj中概率最大值，即pij＝max{pi0,pi1,…,pin}；
步骤3.8，将t+1时刻的误差值所处状态处的聚类中心值作为误差校验值填补回初步预测的风电输出功率值y_hat上，即：
y_final_hat＝y_error_verify+y_hat
其中，y_final_hat表示校正后的风电输出功率预测值，y_error_verify表示预测时刻的误差值所处状态处的聚类中心值；
步骤3.9，依次进行步骤3.1-3.8，当达到预测最终时刻时，预测校验结束，输出最终校验后的风电输出功率预测值。
2.根据权利要求1所述基于P_LSTNet与加权Markov校验的风电输出功率预测方法，其特征在于，所述步骤1中，天气预报数据至少包括温度、湿度以及风速。
3.根据权利要求1所述基于P_LSTNet与加权Markov校验的风电输出功率预测方法，其特征在于，所述步骤2中，利用P_LSTNet模型获得初步的风电输出功率预测值的方法如下：
步骤1.1，将所述初始的风电功率预测输入数据集分别输入至P_LSTNet模型中的线性预测部分和非线性预测部分，其中所述非线性预测部分包括循环神经网络和循环跨越神经网络；
步骤1.2，将步骤1.1非线性预测中的循环神经网络预测结果与循环跨越神经网络预测结果进行结合，得出非线性预测的初步预测结果；
步骤1.3，由步骤1.1得出线性预测中的初步预测结果，并将该预测结果与步骤1.2中非线性预测的初步预测结果进行结合，得出初步的风电输出功率预测值y_hat。
4.根据权利要求3所述基于P_LSTNet与加权Markov校验的风电输出功率预测方法，其特征在于，所述P_LSTNet模型的线性预测部分，采用AR进行线性特征提取，以弥补神经网络对时间序列数据中线性部分不敏感的问题。
5.根据权利要求3所述基于P_LSTNet与加权Markov校验的风电输出功率预测方法，其特征在于，所述P_LSTNet模型的非线性预测部分，循环神经网络采用CNN+LSTM，循环跨越神经网络采用CNN+LSTM-skip，其中CNN用于提取风电功率预测输入数据集中的短期特征，同时加快预测运算速率，LSTM-skip用于提取相近时刻的特征，并改善内置存储空间小的缺点；
通过将非线性部分的两个预测值按照输出维度进行对应连接，并将非线性部分的预测值与线性部分预测值对应元素进行相加，得到初步的风电输出功率的预测值。
6.根据权利要求1所述基于P_LSTNet与加权Markov校验的风电输出功率预测方法，其特征在于，所述步骤3中，利用k-means++算法和加权Markov chain进行误差校验操作，其中k-means++算法的所划分的簇作为加权Markov chain的状态集。
CN202111258373.5A 2021-10-27 2021-10-27 一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法 Active CN113988414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111258373.5A CN113988414B (zh) 2021-10-27 2021-10-27 一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111258373.5A CN113988414B (zh) 2021-10-27 2021-10-27 一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法

Publications (2)

Publication Number Publication Date
CN113988414A CN113988414A (zh) 2022-01-28
CN113988414B true CN113988414B (zh) 2024-05-28

Family

ID=79742889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111258373.5A Active CN113988414B (zh) 2021-10-27 2021-10-27 一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法

Country Status (1)

Country Link
CN (1) CN113988414B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116499938B (zh) * 2023-06-29 2023-09-15 天津市疾病预防控制中心 一种职业工作场所气溶胶悬浮物智能监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358060A (zh) * 2017-09-06 2017-11-17 大连理工大学 一种基于隐马尔科夫模型的对风电功率预测误差区间进行估计的方法
CN108932671A (zh) * 2018-06-06 2018-12-04 上海电力学院 一种采用深度q神经网络调参的lstm风电负荷预测方法
CN110276472A (zh) * 2019-05-21 2019-09-24 南方电网调峰调频发电有限公司 一种基于lstm深度学习网络的海上风电功率超短期预测方法
WO2020010717A1 (zh) * 2018-07-13 2020-01-16 南京理工大学 一种基于时空相关性的短时交通流预测方法
CN112686464A (zh) * 2021-01-07 2021-04-20 云南电力技术有限责任公司 短期风电功率预测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358060A (zh) * 2017-09-06 2017-11-17 大连理工大学 一种基于隐马尔科夫模型的对风电功率预测误差区间进行估计的方法
CN108932671A (zh) * 2018-06-06 2018-12-04 上海电力学院 一种采用深度q神经网络调参的lstm风电负荷预测方法
WO2020010717A1 (zh) * 2018-07-13 2020-01-16 南京理工大学 一种基于时空相关性的短时交通流预测方法
CN110276472A (zh) * 2019-05-21 2019-09-24 南方电网调峰调频发电有限公司 一种基于lstm深度学习网络的海上风电功率超短期预测方法
CN112686464A (zh) * 2021-01-07 2021-04-20 云南电力技术有限责任公司 短期风电功率预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周封 ; 金丽斯 ; 王丙全 ; 张再利.基于高阶Markov链模型的风电功率预测性能分析.电力系统保护与控制.40(6),全文. *
陆欣 ; 沈艳霞 ; 陈杰 ; 纪志成.考虑风力发电随机性的超短期风电功率区间预测研究.太阳能学报.38(5),全文. *

Also Published As

Publication number Publication date
CN113988414A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN108898251B (zh) 考虑气象相似性和功率波动的海上风电场功率预测方法
CN110909919A (zh) 融合注意力机制的深度神经网络模型的光伏功率预测方法
CN114792156B (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN111695736B (zh) 一种基于多模型融合的光伏发电短期功率预测方法
CN110942194A (zh) 一种基于tcn的风电预测误差区间评估方法
CN114757427B (zh) 自回归修正的lstm智能风电场超短期功率预测方法
US20240146057A1 (en) Multi-energy integrated short-term load forecasting method and system
CN113988414B (zh) 一种基于P_LSTNet与加权Markov校验的风电输出功率预测方法
CN115759389A (zh) 基于天气类型的相似日组合策略的日前光伏功率预测方法
CN116629416A (zh) 光伏电站功率预测方法及装置
CN116611702A (zh) 一种面向楼宇综合能源管理的集成学习光伏发电预测方法
CN117350161A (zh) 一种基于条件生成对抗网络的风电功率极端场景生成方法
CN110717623B (zh) 融合多种天气状况的光伏发电功率预测方法及装置、设备
CN105760895B (zh) 一种光伏出力波动类型的划分方法
CN115544895B (zh) 光伏电站年出力保证率模型优化方法
CN116565840A (zh) 一种用于风电场风功率预测的高精度风速软测量方法
CN116738269A (zh) 基于自适应dbscan聚类的风功率无效数据识别方法、系统、电子设备和存储介质
CN108509537A (zh) 一种输电线路舞动概率预报系统及方法
CN113780644A (zh) 一种基于在线学习的光伏出力预测方法
CN116488158B (zh) 一种基于迁移学习的风电中长期电量预测的方法及装置
CN112257953B (zh) 一种基于极地新能源发电功率预测的数据处理方法
CN116822370B (zh) 数据驱动下风电集群超短期出力预测方法
CN118194918B (zh) 一种用于光伏发电功率预测的lstm模型的构建方法及系统
CN118213966A (zh) 一种基于多通道和卷积神经网络的风电功率预测方法
CN118232318B (zh) 台风场景下的短期风电功率预测方法、系统、介质及设备

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