CN114330097A - 一种异构数据与深度学习的风电集群功率预测方法及设备 - Google Patents
一种异构数据与深度学习的风电集群功率预测方法及设备 Download PDFInfo
- Publication number
- CN114330097A CN114330097A CN202111421723.5A CN202111421723A CN114330097A CN 114330097 A CN114330097 A CN 114330097A CN 202111421723 A CN202111421723 A CN 202111421723A CN 114330097 A CN114330097 A CN 114330097A
- Authority
- CN
- China
- Prior art keywords
- wind power
- data
- prediction
- cluster
- heterogeneous data
- 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
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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Abstract
本发明提出一种异构数据与深度学习的风电集群功率预测方法及设备,该方法通过构建风电集群功率预测网络模型,通过特征提取网络对异构数据进行特征提取,将提取的特征基于注意力机制进行关键信息预测后,采用多模态融合策略融合生成多模态融合特征,根据生成的多模态融合特征进行风电集群功率预测。通过本发明,能够提高预测风电集群功率的精准性和稳定性,有利于电网系统运行调度及系统优化工作。
Description
技术领域
本发明涉及深度学习、人工智能、神经网络、自然语言处理和新能源领域技术领域,尤其涉及一种异构数据与深度学习的风电集群功率预测方法、装置、计算机设备及存储介质。
背景技术
伴随深度学习与智能风电场技术相结合发展,对电力系统供电调度及运行提出了更大的挑战,例如:如何对风电集群功率进行精准预测,保障电力系统稳定及调度运行的最佳运营方案等问题,特别是目前大规模集群内的区域风电功率预测准确性问题关系整体供电系统的安全运营。因此风电集群功率精准预测对新能源供电的智能运行及调度至关重要。当前风电功率方法有物理方法、统计方法这两种为主,但是这些方法普遍有局限性,比如风电集群功率预测不准确,过去方法的问题有:要么对某一来源数据,要么仅考虑到时空数据的特征,要么构建单一时空数据特征的神经网络模型方法,等等。这些方法对风力集群功率预测不够准、误差偏高,同时,也不能满足现有电网供应及调度的要求,给供电系统带来诸多不便,例如增加旋转备用量等运营成本增加,间接增加了人力等支出。随着深度学习技术的快速落地应用,利用异构数据构建深度学习融合模型有助于风电集群功率预测这一关键性科学问题的提高及优化,为电网系统的调度、运行等方面智能化、数字化、系统化创新升级,降低风力发电设备各项运营成本。
发明内容
本发明提供一种异构数据与深度学习的风电集群功率预测方法、装置、计算机设备及存储介质,旨在规避发电设备异常检测过程中的漏报误报、错报现象,提升预测发电设备异常检测准确率。
为此,本发明的第一个目的在于提出一种异构数据与深度学习的风电集群功率预测方法,包括:
获取风电集群历史异构数据并进行数据预处理,将预处理后的风电集群异构历史数据作为训练集;
构建风电集群功率预测网络模型,并通过所述训练集对构建的所述风电集群功率预测网络模型进行训练;其中,所述风电集群功率预测网络模型包括依序连接的特征提取模块、关键信息预测模块、特征融合模块和结果预测模块;
将实时的风电集群异构数据预处理后输入训练完成的所述风电集群功率预测网络模型中,输出结果作为风电集群功率预测结果。
其中,获取风电集群历史异构数据并进行数据预处理的步骤中,包括步骤:
数据格式解析:对不同数据格式的风电集群历史异构数据进行数据格式解析和标量纲处理,转换为统一格式;其中,所述风电集群历史异构数据是从SCADA系统提取的实时风电集群功率数据、历史风电集群功率数据、NWP数据及对应的地理数据;
归一化处理,依据公式(1)对风电集群历史异构数据进行归一化;
其中,w’归一化后的值,w代表样本真值,wmin和wmax代表所选所在的最小值和最大值。
其中,风电集群功率预测网络模型包括特征提取模块、关键信息预测模块、特征融合模块和结果预测模块;其中,
所述特征提取模块,为特征提取神经网络,用于对数据预处理后的风电集群历史异构数据进行特征提取;
所述关键信息预测模块,用于得到风电集群历史异构数据各自特征内部交互特征及数据间的关联性特征;
所述特征融合模块,用于对风电集群历史异构数据的特征进行特征融合拼接,得到多模态特征融合信息;
所述结果预测模块,用于根据所述特征融合信息计算预测结果,完成风电集群功率预测。
其中,特征提取神经网络为CNN+BiLSTM结合神经网络;借助CNN擅长获得时空数据特征及结合BiLSTM对时序数据获得前后向序列,从而完成异构数据的特征提取。
其中,关键信息预测模块利用注意力机制,得到风电集群历史异构数据各自特征内部交互特征及数据间的关联性特征;所述特征融合模块通过合并所述风电集群历史异构数据的特征,得到含有上下文的时空互补性及关联性特点的多模态融合特征。
其中,通过所述训练集对构建的所述风电集群功率预测网络模型进行训练的步骤包括:
将预处理后的训练集数据输入特征提取模块的特征提取神经网络,借助CNN擅长获得时空数据特征及结合BiLSTM对时序数据获得前后向序列,从而完成异构数据的特征提取;
利用注意力得到异构数据各自特征内部交互特征及数据间的关联性特征,输入关键信息预测模块的全连接层,得到预测关键特征;
将预测关键特征进行合并操作,得到含有上下文时空互补性和关联性特点的融合特征,输入功率预测模块,计算预测结果,与实际风电集群功率结果进行对比,以均方误差作为损失函数,网络训练优化采用Adam算法,通过不断调整网络函数和参数,直至预测结果与标记的功率结果一致时,完成网络训练。
其中,在获取风电集群功率预测结果之后,还包括将预测结果进行展示的步骤;展示方式至少包括:文本显示、语音播报、外呼终端、邮件、短信提醒、智能音箱。
本发明的第二个目的在于提出一种异构数据与深度学习的风电集群功率预测装置,包括:
数据获取模块,用于获取风电集群历史异构数据并进行数据预处理,将预处理后的风电集群异构历史数据作为训练集;
模型构建模块,用于构建风电集群功率预测网络模型,并通过所述训练集对构建的所述风电集群功率预测网络模型进行训练;其中,所述风电集群功率预测网络模型包括依序连接的特征提取模块、关键信息预测模块、特征融合模块和结果预测模块;
功率预测模块,用于将实时的风电集群异构数据预处理后输入训练完成的所述风电集群功率预测网络模型中,输出结果作为风电集群功率预测结果。
本发明的第三个目的在于提出一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现如前述技术方案的方法。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现前述技术方案的方法。
区别于现有技术,本发明提供的异构数据与深度学习的风电集群功率预测方法,构建风电集群功率预测网络模型,通过特征提取网络对异构数据进行特征提取,将提取的特征基于注意力机制进行关键信息预测后,采用多模态融合策略融合生成多模态融合特征,根据生成的多模态融合特征进行风电集群功率预测。通过本发明,能够提高预测风电集群功率的精准性和稳定性,有利于电网系统运行调度及系统优化工作。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明提供的一种异构数据与深度学习的风电集群功率预测方法的流程示意图。
图2是本发明提供的一种异构数据与深度学习的风电集群功率预测方法的风电集群功率预测网络模型的结构示意图。
图3是本发明提供的一种异构数据与深度学习的风电集群功率预测装置的结构示意图。
图4是本发明提供的一种非临时性计算机可读存储介质的结构示意图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
图1为本发明实施例所提供的一种异构数据与深度学习的风电集群功率预测方法的流程示意图。该方法包括以下步骤:
步骤101,获取风电集群历史异构数据并进行数据预处理,将预处理后的风电集群异构历史数据作为训练集。
本发明中,风电集群历史异构数据取自SCADA系统数据库。风电集群历史异构数据具体包括从SCADA系统提取的实时风电集群功率数据、历史风电集群功率数据、NWP数据及对应的地理数据,NWP是对应采集实时风电集群功率数据和历史风电集群功率数据时的天气预报数据。提取数据后进行数据预处理的步骤,如图2中101所示,具体包括:
对不同数据格式的风电集群历史异构数据进行数据格式解析和标量纲处理,转换为统一格式。
转换格式后,进行归一化处理,依据公式(1)对风电集群历史异构数据进行归一化;
其中,w’归一化后的值,w代表样本真值,wmin和wmax代表所选所在的最小值和最大值。
异构数据划分为训练集和测试集,取最近1年输出功率数据为训练集,也可以SCADA系统实时数据为测试集。
数据预处理完成后进入步骤102。
步骤102:构建风电集群功率预测网络模型,并通过所述训练集对构建的所述风电集群功率预测网络模型进行训练。
针对所收集的异构数据如何获得有效融合特征中含有上下文的时空互补性及关联性进而提高预测风电集群功率准确性等关键问题,构建了基于异构数据和深多模态深度学习的风电集群功率预测模型。本发明构建的风电集群功率预测网络模型的网络结构如图2所示,包括特征提取模块102、关键信息预测模块103、特征融合模块104和结果预测模块105;其中,
特征提取模块102,为特征提取神经网络,用于对数据预处理后的风电集群历史异构数据进行特征提取;特征提取神经网络为CNN+BiLSTM结合神经网络;借助CNN擅长获得时空数据特征及结合BiLSTM对时序数据获得前后向序列,从而完成异构数据的特征提取。
关键信息预测模块103,用于得到风电集群历史异构数据各自特征内部交互特征及数据间的关联性特征;关键信息预测模块利用注意力机制,得到风电集群历史异构数据各自特征内部交互特征及数据间的关联性特征。
特征融合模块104,用于对风电集群历史异构数据的特征进行特征融合拼接,得到多模态特征融合信息;特征融合模块通过合并所述风电集群历史异构数据的特征,得到含有上下文的时空互补性及关联性特点的多模态融合特征。
结果预测模块105,用于根据特征融合信息计算预测结果,完成风电集群功率预测。
结果预测模块105采用全连接层计算预测得分结果,采用激活函数ReLU函数作为全连接层的激活函数,计算得到预测结果用归一化还原函数计算公式(2)而获得其原有大小;选择平均绝对误差MAE和均方根误差RMSE作为损失函数。
wo=wpre(wmax-wmin)+wmin (2)
其中wpre为网络模型预测输出值,Wo代表还原后的功率预测值。
通过所述训练集对构建的所述风电集群功率预测网络模型进行训练的步骤包括:
将预处理后的训练集数据输入特征提取模块的特征提取神经网络,借助CNN擅长获得时空数据特征及结合BiLSTM对时序数据获得前后向序列,从而完成异构数据的特征提取;
利用注意力得到异构数据各自特征内部交互特征及数据间的关联性特征,输入关键信息预测模块的全连接层,得到预测关键特征;
将预测关键特征进行合并操作,得到含有上下文时空互补性和关联性特点的融合特征,输入功率预测模块,计算预测结果,与实际风电集群功率结果进行对比,以均方误差作为损失函数,网络训练优化采用Adam算法,通过不断调整网络函数和参数,直至预测结果与标记的功率结果一致时,完成网络训练。
如图2所示,分别对四类异构数据进行采集,采集完成后进行预处理,本发明中分别针对每一类异构数据进行预处理,预处理完成后,将每一类异构数据输入至一特征提取网络,特征提取网络包括连接的CNN网络模型和BiLSTM网络模型,通过特征提取网络输出提取的每一类异构数据的特征;关键信息预测模块包括注意力机制网络和全连接层,将特征提取网络输出的四类异构数据的特征分别输入至一注意力机制网络,输出结果输入全连接层,输出每类异构数据的关键信息特征。四类异构数据的关键信息特征输入特征融合模块104进行特征融合,融合完成后将融合特征输入功率预测模块105进行预测。在本发明中,通过将历史数据输入构建的模型中,对网络模型进行训练,若通过输入历史数据输出的风电集群功率数据与实际数据一致,则训练完成。
S103:将实时的风电集群异构数据预处理后输入训练完成的所述风电集群功率预测网络模型中,输出结果作为风电集群功率预测结果。
具体的,本发明从SCADA系统中选取5年的历史数据及实时采集的文本数据,通过以上步骤计算子集群内输出功率预测,整个集群功率则将子集群进行和运算即可。本发明专利为场站区域出力的预测对电力系统制定调度计划、旋转备用容量都具有重要的意义。
若得到发电设备异常检测结果,则将异常检测结果进行展示;展示方式至少包括:文本显示、语音播报、外呼终端、邮件、短信提醒、智能音箱。
为了实现上述实施例,本发明还提出一种异构数据与深度学习的风电集群功率预测装置,如图3所示,包括:
数据获取模块310,用于获取风电集群历史异构数据并进行数据预处理,将预处理后的风电集群异构历史数据作为训练集;
模型构建模块320,用于构建风电集群功率预测网络模型,并通过所述训练集对构建的所述风电集群功率预测网络模型进行训练;其中,所述风电集群功率预测网络模型包括依序连接的特征提取模块、关键信息预测模块、特征融合模块和结果预测模块;
功率预测模块330,用于将实时的风电集群异构数据预处理后输入训练完成的所述风电集群功率预测网络模型中,输出结果作为风电集群功率预测结果。
为了实现上述实施例,本发明还提出另一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现如本发明实施例的风电集群功率预测。
如图4所示,非临时性计算机可读存储介质包括指令的存储器810,接口830,上述指令可由异构数据与深度学习的风电集群功率预测装置的处理器820执行以完成上述方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
为了实现上述实施例,本发明还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如本发明实施例的风电集群功率预测。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种异构数据与深度学习的风电集群功率预测方法,其特征在于,包括:
获取风电集群历史异构数据并进行数据预处理,将预处理后的风电集群异构历史数据作为训练集;
构建风电集群功率预测网络模型,并通过所述训练集对构建的所述风电集群功率预测网络模型进行训练;其中,所述风电集群功率预测网络模型包括依序连接的特征提取模块、关键信息预测模块、特征融合模块和结果预测模块;
将实时的风电集群异构数据预处理后输入训练完成的所述风电集群功率预测网络模型中,输出结果作为风电集群功率预测结果。
3.根据权利要求2所述的异构数据与深度学习的风电集群功率预测方法,其特征在于,所述风电集群功率预测网络模型包括特征提取模块、关键信息预测模块、特征融合模块和结果预测模块;其中,
所述特征提取模块,为特征提取神经网络,用于对数据预处理后的风电集群历史异构数据进行特征提取;
所述关键信息预测模块,用于得到风电集群历史异构数据各自特征内部交互特征及数据间的关联性特征;
所述特征融合模块,用于对风电集群历史异构数据的特征进行特征融合拼接,得到多模态特征融合信息;
所述结果预测模块,用于根据所述特征融合信息计算预测结果,完成风电集群功率预测。
4.根据权利要求3所述的异构数据与深度学习的风电集群功率预测方法,其特征在于,所述特征提取神经网络为CNN+BiLSTM结合神经网络;借助CNN擅长获得时空数据特征及结合BiLSTM对时序数据获得前后向序列,从而完成异构数据的特征提取。
5.根据权利要求3所述的异构数据与深度学习的风电集群功率预测方法,其特征在于,所述关键信息预测模块利用注意力机制,得到风电集群历史异构数据各自特征内部交互特征及数据间的关联性特征;所述特征融合模块通过合并所述风电集群历史异构数据的特征,得到含有上下文的时空互补性及关联性特点的多模态融合特征。
6.根据权利要求4所述的异构数据与深度学习的风电集群功率预测方法,其特征在于,通过所述训练集对构建的所述风电集群功率预测网络模型进行训练的步骤包括:
将预处理后的训练集数据输入特征提取模块的特征提取神经网络,借助CNN擅长获得时空数据特征及结合BiLSTM对时序数据获得前后向序列,从而完成异构数据的特征提取;
利用注意力得到异构数据各自特征内部交互特征及数据间的关联性特征,输入关键信息预测模块的全连接层,得到预测关键特征;
将预测关键特征进行合并操作,得到含有上下文时空互补性和关联性特点的融合特征,输入功率预测模块,计算预测结果,与实际风电集群功率结果进行对比,以均方误差作为损失函数,网络训练优化采用Adam算法,通过不断调整网络函数和参数,直至预测结果与标记的功率结果一致时,完成网络训练。
7.根据权利要求1所述的异构数据与深度学习的风电集群功率预测方法,其特征在于,在获取风电集群功率预测结果之后,还包括将预测结果进行展示的步骤;展示方式至少包括:文本显示、语音播报、外呼终端、邮件、短信提醒、智能音箱。
8.一种异构数据与深度学习的风电集群功率预测装置,其特征在于,包括:
数据获取模块,用于获取风电集群历史异构数据并进行数据预处理,将预处理后的风电集群异构历史数据作为训练集;
模型构建模块,用于构建风电集群功率预测网络模型,并通过所述训练集对构建的所述风电集群功率预测网络模型进行训练;其中,所述风电集群功率预测网络模型包括依序连接的特征提取模块、关键信息预测模块、特征融合模块和结果预测模块;
功率预测模块,用于将实时的风电集群异构数据预处理后输入训练完成的所述风电集群功率预测网络模型中,输出结果作为风电集群功率预测结果。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-7中任一所述的方法。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,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1-7中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111421723.5A CN114330097A (zh) | 2021-11-26 | 2021-11-26 | 一种异构数据与深度学习的风电集群功率预测方法及设备 |
PCT/CN2022/133796 WO2023093774A1 (zh) | 2021-11-26 | 2022-11-23 | 基于深度学习的风电集群功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111421723.5A CN114330097A (zh) | 2021-11-26 | 2021-11-26 | 一种异构数据与深度学习的风电集群功率预测方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330097A true CN114330097A (zh) | 2022-04-12 |
Family
ID=81047058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111421723.5A Pending CN114330097A (zh) | 2021-11-26 | 2021-11-26 | 一种异构数据与深度学习的风电集群功率预测方法及设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114330097A (zh) |
WO (1) | WO2023093774A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115204522A (zh) * | 2022-09-13 | 2022-10-18 | 华北电力大学 | 区域发电功率预测方法、装置、设备及存储介质 |
WO2023093774A1 (zh) * | 2021-11-26 | 2023-06-01 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度学习的风电集群功率预测方法 |
WO2023093010A1 (zh) * | 2021-11-26 | 2023-06-01 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度学习融合模型的风电功率预测方法及设备 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822370B (zh) * | 2023-07-11 | 2024-02-20 | 东南大学溧阳研究院 | 数据驱动下风电集群超短期出力预测方法 |
CN117110700A (zh) * | 2023-08-23 | 2023-11-24 | 易集康健康科技(杭州)有限公司 | 一种射频电源脉冲功率检测方法及系统 |
CN117013534B (zh) * | 2023-09-26 | 2024-02-20 | 宁德时代新能源科技股份有限公司 | 发电功率预测方法、功率预测模型训练方法、装置和设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016114254A1 (de) * | 2016-08-02 | 2018-02-08 | Wobben Properties Gmbh | Verfahren zum Ausgeben eines Reglersollwerts für einen Energieerzeuger sowie Vorrichtung dazu und System damit |
CN106875033B (zh) * | 2016-12-26 | 2020-06-02 | 华中科技大学 | 一种基于动态自适应的风电集群功率预测方法 |
CN112529282A (zh) * | 2020-12-03 | 2021-03-19 | 清华大学 | 基于时空图卷积神经网络的风电场集群短期功率预测方法 |
CN114330097A (zh) * | 2021-11-26 | 2022-04-12 | 中国华能集团清洁能源技术研究院有限公司 | 一种异构数据与深度学习的风电集群功率预测方法及设备 |
-
2021
- 2021-11-26 CN CN202111421723.5A patent/CN114330097A/zh active Pending
-
2022
- 2022-11-23 WO PCT/CN2022/133796 patent/WO2023093774A1/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023093774A1 (zh) * | 2021-11-26 | 2023-06-01 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度学习的风电集群功率预测方法 |
WO2023093010A1 (zh) * | 2021-11-26 | 2023-06-01 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度学习融合模型的风电功率预测方法及设备 |
CN115204522A (zh) * | 2022-09-13 | 2022-10-18 | 华北电力大学 | 区域发电功率预测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023093774A1 (zh) | 2023-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114330097A (zh) | 一种异构数据与深度学习的风电集群功率预测方法及设备 | |
CN114330495A (zh) | 一种基于深度学习融合模型的风电功率预测方法及设备 | |
CN114463594A (zh) | 多模态深度学习的发电设备异常一体化识别方法及设备 | |
CN110175324B (zh) | 一种基于数据挖掘的电网运行操作指令校验方法及系统 | |
US20240094693A1 (en) | Prediction method of wind power output, electronic device, storage medium, and system | |
CN110110095A (zh) | 一种基于长短期记忆循环神经网络的电力指令文本匹配方法 | |
CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
CN112612819A (zh) | 一种抽水蓄能电站大数据分析挖掘方法及系统 | |
CN116910633A (zh) | 一种基于多模态知识混合推理的电网故障预测方法 | |
CN114358371A (zh) | 一种基于深度学习的光伏短期功率预测方法及设备 | |
CN105117980B (zh) | 一种电网设备状态的自动评价方法 | |
CN114330493A (zh) | 一种CNN+BiLSTM+Attention风电超短期功率预测方法及系统 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
CN115048528A (zh) | 新能源电场运行数据的知识图谱构建方法及装置 | |
Zhang et al. | Named Entity Recognition for Smart Grid Operation and Inspection Domain using Attention Mechanism | |
CN109767062B (zh) | 一种电网任务处置方案的动态生成方法 | |
CN112579429A (zh) | 一种问题定位方法和装置 | |
CN116128130B (zh) | 一种基于图神经网络的短期风能数据预测方法及装置 | |
CN117250439B (zh) | 一种面向多源接地故障的三层式研判分析系统 | |
CN112257411B (zh) | 配电网调度交接班的方法及装置 | |
CN113539267B (zh) | 一种计量采集运维装置和方法 | |
CN117039855B (zh) | 一种电力系统的负荷智能预测方法及系统 | |
CN117330865A (zh) | 基于电力芯片的变压器故障检测方法、装置、设备及介质 | |
CN112257411A (zh) | 配电网调度交接班的方法及装置 | |
CN116522921A (zh) | 电网故障报警信息处理方法、系统、电子设备及存储介质 |
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 |