CN114021830A - 一种基于cnn-lstm的多时间范围风速预测方法 - Google Patents
一种基于cnn-lstm的多时间范围风速预测方法 Download PDFInfo
- Publication number
- CN114021830A CN114021830A CN202111337361.1A CN202111337361A CN114021830A CN 114021830 A CN114021830 A CN 114021830A CN 202111337361 A CN202111337361 A CN 202111337361A CN 114021830 A CN114021830 A CN 114021830A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- lstm
- cnn
- training
- neural network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 230000002441 reversible effect Effects 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 54
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000011218 segmentation 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
- G06N3/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于CNN‑LSTM的多时间范围风速预测方法,包括如下步骤:首先获取并清晰传感器记录的历史气象数据与天气预报记录的历史气象数据,然后构建基于CNN‑LSTM的混合神经网络模型,并利用历史气象数据对其进行训练。最后利用模型对未来不同时间段的风速差值进行预测,并对数据进行反向标准化得到真实风速值。该预测算法能够对未来风速进行较准确的预测,无论是对于有效地平衡能源网的供需,还是提高全网数据质量,都至关重要。
Description
技术领域
本发明属于新能源发电领域,尤其涉及各地区未来风速预测问题。
背景技术
近年来,随着可再生能源发电技术的不断成熟,可再生能源领域的短期预测变得越来越重要。由于天气预报与新能源发电具有较强的不确定性,使得能源供应商在管理和平衡能量方面承受了很大的压力。并且,数字孪生电网的建设要求传感器具有更高的精度与更快的采样频率,因此也意味着传感器将消耗更多的电能。精准的风速预测技术能为自供电高性能无线传感器能量管理策略提供重要数据支持,当预计未来能量充沛时,传感器可提高采样精度与时间频率,提前消耗电池电量,提高传感器高性能状态的工作时间,提升全网传感器数据质量。因此,在[1,48]小时的时间范围内进行准确的预测,无论是对于有效地平衡能源网的供需,还是提高全网数据质量,都至关重要。
目前,对地区风速等天气信息的预测多采用数值天气预报技术,通过非线性偏微分方程组来描述已知旋转状态下的地球大气运动中的物理规律,基于给定初始条件,用高性能计算机求解方程组的解来预测未来天气状况。
与此同时,人工智能在近年来发展迅猛,以神经网络为代表的深度学习方法在高维度、大数据量的众多复杂问题中表现优异。为了提高风速预测的精度,本发明提出了一种基于CNN-LSTM的风速预测算法,该预测算法以使用Keras(版本2+)和TensorFlow后端搭建的CNN-LSTM混合神经网络为基础,以风速传感器采集到的和数值天气预报模型预测到的两种气象数据为预测依据,对某一时刻之后的风速与当前风速的差值进行预测,最后将风速差值转换为实际风速值。该预测算法能够对未来风速进行较准确的预测。
发明内容
本发明的目的是通过CNN-LSTM风速预测算法准确预测未来风速信息,是采取以下技术方案实现的:
S1、获取某地区需要预测的风速日期之前M天气象传感器采集的风速、温度、气压等气象数据与传统天气预报记录的风速日期之前M天的风速、温度、气压等气象数据;
S2、对步骤S1中得到的气象数据进行数据预处理及标准化。然后按时间对其进行分割,将需要预测日期前N天的风速等气象数据作为训练集与验证集,其余气象数据作为测试集。
S3、构建CNN-LSTM混合神经网络模型,并使用训练集对其进行训练,使用验证集评估其训练过程中的精度变化情况,最后将测试集输入到训练好的混合神经网络模型,评估其最终训练效果。
S4、利用模型对未来不同时间段的风速差值进行预测,并对数据进行反向标准化得到真实风速值。
其中,所述步骤S1及S4中,M与N均为自然数,且90≤M,0≤N≤3。
进一步的,所述步骤S1中用于获取数据的气象传感器部署在同一位置,传感器周围空间特征随时间变化不大,采样间隔均相等。获取传统天气预报历史数据的目的是帮助考虑气象传感器部署地点外的气象信息。风速等气象数据选为与风速密切相关的气温、降水、相对湿度、气压、风速和风向。
进一步的,所述步骤S2中进行的数据预处理如下:
删去同一地点、同一时间点不同传感器采集到的气象数据中的重复值,同一时间点只保留一个有效值。使用sklearn StandardScale进行标准化,避免一些特征主导步骤S3中CNN-LSTM混合神经网络训练学习过程。
进一步的,所述步骤S3中CNN-LSTM混合神经网络的构建使用Keras(版本2+)和TensorFlow。混合神经网络中的LSTM采用Keras中的无状态配置,这允许LSTM学习时间窗口中帧之间的状态和时间的依赖关系,Keras将自动重置每个训练窗口之间的状态。这意味着在窗口外对训练数据没有排序或连续性要求。
进一步的,所述步骤S3中CNN-LSTM混合神经网络模型的训练方法为:
将训练集与测试集分割成多个样本,每个样本均由K+1天组成,使用前K天作为网络的输入,后一天作为网络的标签和评估模型时的参考值。使用训练集训练步骤S3构建的CNN-LSTM混合神经网络,并使用验证集对训练过程中的模型进行实时评估,检验其训练效果,重复训练过程使网络参数趋于最优,得到对应的深度神经网络模型。
针对所述步骤S3中CNN-LSTM中可能出现的过拟合问题,采取在网络中每层添加Dropout。Dropout为一种正则化方法,它会随机屏蔽神经元,被屏蔽的神经元不会被视为网络中的一部分,即不会参与正向传播的运算。
选用均方误差(Mean Square Error,MSE)作为模型损失函数和预测准确度的评价。MSE的值越小,说明模型预测具有更好的精确度。
为加快所述步骤S3中CNN-LSTM混合神经网络训练,采用RMSProp优化器,即计算之前所有梯度平方对应的平均值,可缓解算法学习率下降较快导致的收敛缓慢问题。
进一步的,所述步骤S4中,由于模型预测输出为风速差值,需转换为实际风速值。未来某时刻的预测风速值为当前时刻实际风速值和当前时刻至未来某时刻之间出现的预测风速差值的和。
本发明的优点和积极效果是:
本发明相较于传统的数值天气预报技术,采取了对高维度、大数据量处理能力优异的人工智能预测算法,构建的CNN-LSTM混合神经网络模型相较于其余单类型神经网络,具有更高的预测精度。将气象传感器采集和数值天气预报模型预测相结合,提高数据丰富度,同时数据种类不仅限于风速这一种,还包括与风速可能存在相互联系的气压等数据种类,利于神经网络模型抓取不同种类数据间的相关特征,解决了风速等天气信息周期性趋势不稳定等问题,提高了模型训练效果和预测精度,最后对输出结果进行了巧妙转换,转换后不同时刻起始后一段时间预测风速值变化清晰可观,且基于当前时刻之前数据来预测当前时刻后短时间内的风速值具有较高的精度。
附图说明
以下将结合附图和实施例来对本发明的技术方案作进一步的详细描述,但是应当知道,这些附图仅是为解释目的而设计的,因此不作为本发明范围的限定。此外,除非特别指出,这些附图仅意在概念性地说明此处描述的结构构造,而不必要依比例进行绘制。
图1为本发明实例提供的CNN-LSTM混合神经网络模型训练损失和验证损失与模型训练轮数关系变化图;
图2为本发明实例提供的分别用预测数据集预测未来1小时后、6小时后、12小时和24小时后的预测风速值与实际风速值的对比图。
具体实施方式
首先,需要说明的是,以下将以示例方式来具体说明本发明的具体结构、特点和优点等,然而所有的描述仅是用来进行说明的,而不应将其理解为对本发明形成任何限制。此外,在本文所提及各实施例中予以描述或隐含的任意单个技术特征,仍然可在这些技术特征(或其等同物)之间继续进行任意组合或删减,从而获得可能未在本文中直接提及的本发明的更多其他实施例。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面就结合图1-2来具体说明本发明。
S1、本部分使用位于巴塞罗那的El Prat机场最近的NOAA气象站提供的天气观测数据和基于NEMS4模型的El Prat机场相同时刻的天气预报数据,数据采样时间为每小时1个点,本实例选取2010年至2016年之间的数据进行神经网络模型的训练、测试和未来某时刻起风速预测。本实例将风速及与风速相关的气温、气压和相对湿度这四种气象特征作为所需数据进行挖掘和提取;
由于数据过多,只展示2010年1月1日0时至12时采集到的风速、气温、相对湿度和气压数据作为范例,如表1。
表1 2010年1月1日0时-12时间每整时刻所采集气象数据
其中,构建的NEMS4数值天气预报模型对El Prat机场相同时刻、相同气象特征的预测数据,如表2。
表2 NEMS4模型2010年1月1日0时-12时间每整时刻所预测气象数据
S2、针对步骤S1中得到风速等气象数据进行清洗,然后按时间进行分割,将需要预测日期的前M天的风速等气象数据作为训练集与验证集,其余日期的气象数据作为测试集;构建CNN-LSTM混合神经网络模型,并使用训练测试数据集对其进行训练,使用验证集实时评估训练过程中的效果。
本实例CNN-LSTM混合神经网络模型训练测试数据集和预测数据集具体分割情况和输入集向量参数设置如表3。本实例将有效数据中的80%作为训练集,10%作为验证集,10%作为测试集。本实例将各个数据集分割成多个样本,每个样本由包含2天数据的输入序列和包含4个数据的输出序列组成。输出序列的4个值代表预测时刻1小时、6小时、12小时和24小时后的风速与当前风速的差值,并有利于步骤S4将差值转换为实际值后比较预测的准确性。
因此,本实例将输入序列长度定义为48小时。特征个数设置为8,即气象传感器采集获取的风速、气温、相对湿度和气压4个特征和NEMS4预测的风速、气温、相对湿度和气压4个特征,共计8个特征。
表3所有数据集详细信息
S3、本实例中CNN-LSTM混合神经网络中网络结构顺序及网络层参数设置如表5。本实例卷积层激活函数选用ReLU,实现如果输入大于0,则输出与输入相等,否则输出为0的功能。池化层选用最大池化,可通过消除非最大值减少上层的计算量。同时利于提取不同区域的局部依赖关系,保留最显著的信息,将获得的区域向量作为LSTM网络的输入。全连接层作为模型输出层,其激活函数选用linear,使输出结果按线性顺序依次输出。本实例优化器选用RMSProp优化器。
表5 CNN-LSTM混合神经网络中网络结构及各层参数设置
本实例CNN-LSTM混合神经网络模型训练过程中每512个样本更新一次模型权重,批量学习相比于单条数据依次输入模型,大大加快了训练的速度和收敛的稳定性。损失函数选用均方误差MSE,训练轮数为50轮,每轮先用训练样本训练模型,进行网络参数更新,再用测试样本验证训练效果,重复训练50轮。训练损失和验证损失与模型训练轮数关系变化如图1。
由图1清晰可见,在每一轮训练中,验证损失均低于训练损失,且随着训练轮数的增加,训练损失和验证损失均不断减小。在训练到第50次左右时,模型达到稳定。
S4、将步骤S3分割好的测试数据集输入到步骤S3中训练好的混合神经网络模型,利用模型对未来不同时间的风速差值进行预测,评估模型的效果;
本实例选择预测未来1小时后、6小时后、12小时和24小时后的风速差值,并选用MSE来考察训练准确度和平均绝对误差(Mean Absolute Error,MAE)来考察预测准确度。
在测试结果中展示了未来不同时刻的风速差值的MSE和MAE,如表6。
表6未来不同时刻的风速差值的MSE和MAE
时间间隔 | MSE | MAE |
1h | 0.707 | 0.628 |
6h | 0.413 | 0.494 |
12h | 0.366 | 0.467 |
24h | 0.622 | 0.605 |
平均值 | 0.527 | 0.548 |
S5、将步骤S4获得的未来不同时刻的风速差值转换为未来不同时刻的预测风速值。然后,计算了未来不同时刻的预测风速值与真实风速值之间的误差。为了更好地理解预测,除MSE和MAE外,还增加了均方根误差(Root-Mean-Square Error,RMSE)用来衡量预测值和真实值之间的误差。具体实验结果如表7所示。
表7未来不同时刻的预测风速值与真实风速值之间的误差
传统时间推移方法假定一段时间后的周围环境条件不会发生改变。本专利对比方法采用了该方法,并将其与本专利所提的CNN-LSTM混合神经网络模型预测效果进行比较。表8为未来不同时刻传统时间推移方法得出的预测风速值与实际风速值的MSE、MAE和RMSE值。
表8两种方法未来不同时刻分你实际风速值与预测风速值的MSE、MAE和RMSE值
时间间隔 | MSE | MAE | RMSE |
1h | 1.685 | 0.948 | 1.298 |
6h | 6.554 | 2.001 | 2.560 |
12h | 8.745 | 2.325 | 2.957 |
24h | 6.024 | 1.842 | 2.454 |
可以看出,本发明的CNN-LSTM模型在所有方面都优于传统时间推移方法。在未来1小时层面,传统时间推移方法精准度较高,因为短时间内的天气变化不大。在未来6小时和12小时层面上,CNN-LSTM模型比传统时间推移方法的精度高出一倍(MAE值大约是传统时间推移方法的一半)。未来24小时层面的预测本专利方法只比传统时间推移方法略好,这表明风速具有一定的周期性,周期接近24小时。
最后,绘制了未来不同时刻的预测风速值与实际风速值的对比图,为每个时刻均绘制了一个图,如图2所示。从图中可以看出,本发明较好地遵循了实际风速信号趋势。同时,由于风速具有非常高的随机性,因此准确地对其高频波动和长期进行建模预测是非常困难的,所以预测的时刻越远,准确度就越低。
Claims (10)
1.一种基于CNN-LSTM的多时间范围风速预测方法,其特征在于:所述风速预测方法包括如下步骤:
S1、获取某地区需要预测的风速日期之前M天气象传感器采集的风速、温度、气压等气象数据与传统天气预报记录的风速日期之前M天的风速、温度、气压等气象数据;
S2、对步骤S1中得到的气象数据进行数据预处理及标准化,然后按时间对其进行分割,将需要预测日期前N天的风速等气象数据作为训练集与验证集,其余气象数据作为测试集;
S3、构建CNN-LSTM混合神经网络模型,并使用训练集对其进行训练,使用验证集评估其训练过程中的精度变化情况,最后将测试集输入到训练好的混合神经网络模型,评估其最终训练效果;
S4、利用模型对未来不同时间段的风速差值进行预测,并对数据进行反向标准化得到真实风速值;
其中,所述步骤S1及S4中,M与N均为自然数,且90≤M,0≤N≤3。
2.根据权利要求1所述的一种基于CNN-LSTM的多时间范围风速预测方法,其特征在于:步骤S1中用于获取数据的气象传感器需要部署在同一位置,且采样间隔均相等。
3.根据权利要求1所述的一种基于CNN-LSTM的多时间范围风速预测方法,其特征在于:步骤S2中进行的数据预处理如下:删去同一地点、同一时间点不同传感器采集到的气象数据中的重复值,同一时间点只保留一个有效值;使用sklearn StandardScale进行标准化,避免一些特征主导步骤S3中CNN-LSTM混合神经网络训练学习过程。
4.根据权利要求1所述的一种基于CNN-LSTM的多时间范围风速预测方法,其特征在于:步骤S3中CNN-LSTM混合神经网络的构建使用Keras(版本2+)和TensorFlow;混合神经网络中的LSTM采用Keras中的无状态配置,这允许LSTM学习时间窗口中帧之间的状态和时间的依赖关系,Keras将自动重置每个训练窗口之间的状态;这意味着在窗口外对训练数据没有排序或连续性要求。
5.根据权利要求1所述的一种基于CNN-LSTM的多时间范围风速预测方法,其特征在于:步骤S3中CNN-LSTM混合神经网络模型的训练方法为:将训练集与测试集分割成多个样本,每个样本均由K+1天组成,使用前K天作为网络的输入,后一天作为网络的标签和评估模型时的参考值;使用训练集训练步骤S3构建的CNN-LSTM混合神经网络,并使用验证集对训练过程中的模型进行实时评估,检验其训练效果,重复训练过程使网络参数趋于最优,得到对应的深度神经网络模型。
6.根据权利要求1所述的一种基于CNN-LSTM的多时间范围风速预测方法,其特征在于:步骤S3中CNN-LSTM中可能出现的过拟合问题,采取在网络中每层添加Dropout;Dropout为一种正则化方法,它会随机屏蔽神经元,被屏蔽的神经元不会被视为网络中的一部分,即不会参与正向传播的运算。
7.根据权利要求1所述的一种基于CNN-LSTM的多时间范围风速预测方法,其特征在于:步骤S4中,由于模型预测输出为风速差值,需转换为实际风速值;未来某时刻的预测风速值为当前时刻实际风速值和当前时刻至未来某时刻之间出现的预测风速差值的和。
9.一种计算设备,其特征在于:包括:
一个或多个处理单元;
存储单元,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理单元执行,使得所述一个或多个处理单元执行如权利要求1至6中任一项所述的方法。
10.一种具有处理器可执行的非易失的程序代码的计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111337361.1A CN114021830A (zh) | 2021-11-12 | 2021-11-12 | 一种基于cnn-lstm的多时间范围风速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111337361.1A CN114021830A (zh) | 2021-11-12 | 2021-11-12 | 一种基于cnn-lstm的多时间范围风速预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114021830A true CN114021830A (zh) | 2022-02-08 |
Family
ID=80063738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111337361.1A Pending CN114021830A (zh) | 2021-11-12 | 2021-11-12 | 一种基于cnn-lstm的多时间范围风速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021830A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114493004A (zh) * | 2022-01-27 | 2022-05-13 | 国网山东省电力公司济南供电公司 | 一种基于机器学习的单点风速短临风速外推方法 |
CN115222199A (zh) * | 2022-05-31 | 2022-10-21 | 中国电子科技集团公司第五十二研究所 | 一种基于胜率预测的空战关键节点确定方法和装置 |
CN115345387A (zh) * | 2022-10-18 | 2022-11-15 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种风场风速预测方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902863A (zh) * | 2019-02-15 | 2019-06-18 | 浙江财经大学 | 一种基于多因素时空相关性的风速预测方法及装置 |
CN109934422A (zh) * | 2019-04-25 | 2019-06-25 | 中国人民解放军国防科技大学 | 一种基于时间序列数据分析的神经网络风速预测方法 |
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 |
CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
CN113095443A (zh) * | 2021-06-07 | 2021-07-09 | 江苏思远集成电路与智能技术研究院有限公司 | 基于lstm-dnn网络模型的实时天气预测算法 |
-
2021
- 2021-11-12 CN CN202111337361.1A patent/CN114021830A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902863A (zh) * | 2019-02-15 | 2019-06-18 | 浙江财经大学 | 一种基于多因素时空相关性的风速预测方法及装置 |
CN109934422A (zh) * | 2019-04-25 | 2019-06-25 | 中国人民解放军国防科技大学 | 一种基于时间序列数据分析的神经网络风速预测方法 |
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 |
CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
CN113095443A (zh) * | 2021-06-07 | 2021-07-09 | 江苏思远集成电路与智能技术研究院有限公司 | 基于lstm-dnn网络模型的实时天气预测算法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114493004A (zh) * | 2022-01-27 | 2022-05-13 | 国网山东省电力公司济南供电公司 | 一种基于机器学习的单点风速短临风速外推方法 |
CN114493004B (zh) * | 2022-01-27 | 2024-01-12 | 国网山东省电力公司济南供电公司 | 一种基于机器学习的单点风速短临风速外推方法 |
CN115222199A (zh) * | 2022-05-31 | 2022-10-21 | 中国电子科技集团公司第五十二研究所 | 一种基于胜率预测的空战关键节点确定方法和装置 |
CN115222199B (zh) * | 2022-05-31 | 2023-11-14 | 中国电子科技集团公司第五十二研究所 | 一种基于胜率预测的空战关键节点确定方法和装置 |
CN115345387A (zh) * | 2022-10-18 | 2022-11-15 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种风场风速预测方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114021830A (zh) | 一种基于cnn-lstm的多时间范围风速预测方法 | |
CN113919231B (zh) | 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统 | |
CN108388962B (zh) | 一种风电功率预测系统及方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN112598180A (zh) | 一种分布式区域风电功率预测方法 | |
CN111428942A (zh) | 基于变网格技术提取微地形因子的线路覆冰厚度预测方法 | |
CN115542429A (zh) | 一种基于XGBoost的臭氧质量预测方法及系统 | |
CN113516271A (zh) | 一种基于时空神经网络的风电集群功率日前预测方法 | |
CN113657662A (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN113283155A (zh) | 一种近地表气温估算方法、系统、存储介质及设备 | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
Qiao et al. | Predicting building energy consumption based on meteorological data | |
CN107358059A (zh) | 短期光伏能量预测方法和装置 | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
Kumar et al. | Forecasting indoor temperature for smart buildings with ARIMA, SARIMAX, and LSTM: A fusion approach | |
Ibrahim et al. | LSTM neural network model for ultra-short-term distribution zone substation peak demand prediction | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
CN115221800B (zh) | 天气发生器和深度学习融合的延伸期径流集合预测方法 | |
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 | |
Nizar et al. | Forecasting of temperature by using LSTM and bidirectional LSTM approach: case study in Semarang, Indonesia | |
CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 |
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 |