CN114330493A - 一种CNN+BiLSTM+Attention风电超短期功率预测方法及系统 - Google Patents
一种CNN+BiLSTM+Attention风电超短期功率预测方法及系统 Download PDFInfo
- Publication number
- CN114330493A CN114330493A CN202111422863.4A CN202111422863A CN114330493A CN 114330493 A CN114330493 A CN 114330493A CN 202111422863 A CN202111422863 A CN 202111422863A CN 114330493 A CN114330493 A CN 114330493A
- Authority
- CN
- China
- Prior art keywords
- ultra
- wind power
- data
- short term
- power generation
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种CNN+BiLSTM+Attention风电超短期功率预测方法及系统，所述方法包括：采集风力发电设备对应的预测时段的气象要素数据，并对所述数据进行处理；将所述处理后的数据输入预先训练好的风电超短期功率预测模型中，得到所述风力发电设备预测时段对应的超短期功率数据。本发明提供的技术方案，可以准确地预测风力发电设备的超短期功率，进而保障了供电系统的稳定运行，降低了新能源发电功率预测的误差现象。
Description
技术领域
本发明涉及人工智能、深度学习、神经网络、自然语言处理、新能源、碳中和、碳达峰及风电超短期功率预测领域，具体涉及一种CNN+BiLSTM+Attention风电超短期功率预测方法及系统。
背景技术
伴随深度学习与新能源快速融合，对新能源功率预测提出了更大的挑战，例如：如何对风电超短期功率进行精准预测，特别是目前电网供应紧张阶段，因此风电超短期功率精准预测对新能源供电的平衡及稳定至关重要。纵观过去文献，一般来讲风电超短期功率方法有物理方法、统计方法这两种为主，但是这两种方法普通存在风电功率预测精度不高，过去方法的问题有：要么对数据特征挖掘不足、不充分，要么考虑到数据特征的前向序列和未考虑到后项序列，等等。这些方法如对风力超短期功率预测不准，给供电系统带来诸多弊端，例如增加不必要备份设备等运营成本增加，间接增加了人力等支出。随着人工智能技术的快速落地应用，构建深度学习网络模型有助于风电超短期功率预测这一关键性问题的提升，为新能源发电系统的智能化、数字化、系统化进行创新升级，降低及减少发电设备各项运营成本。
因此，针对所获取的数据对风电超短期功率预测这一解决方案，如何高效提取文本特征、如何获得上下文信息的文本特征及文本所含词权重信息进而提高风电超短期功率预测的准确性是目前亟需解决的问题。
发明内容
本申请提供一种CNN+BiLSTM+Attention风电超短期功率预测方法及系统，以至少解决相关技术中不能够准确预测风电超短期功率的技术问题。
本申请第一方面实施例提出一种CNN+BiLSTM+Attention风电超短期功率预测方法，所述方法包括：
采集风力发电设备对应的预测时段的气象要素数据，并对所述数据进行处理；
将所述处理后的数据输入预先训练好的风电超短期功率预测模型中，得到所述风力发电设备预测时段对应的超短期功率数据；
其中，所述预先训练好的风电超短期功率预测模型是基于处理后的历史时段内所述风力发电设备对应的气象要素数据进行训练得到的；
所述预先训练好的风电超短期功率预测模型包括：卷积神经网络CNN层、BiLSTM层、Attention层、全连接层和输出层。
本申请第二方面实施例提出一种CNN+BiLSTM+Attention风电超短期功率预测系统，所述系统包括：
采集模块，用于采集风力发电设备对应的预测时段的气象要素数据，并对所述数据进行处理；
预测模块，用于将所述处理后的数据输入预先训练好的风电超短期功率预测模型中，得到所述风力发电设备预测时段对应的超短期功率数据；
其中，所述预先训练好的风电超短期功率预测模型是基于处理后的历史时段内所述风力发电设备对应的气象要素数据进行训练得到的；
所述预先训练好的风电超短期功率预测模型包括：卷积神经网络CNN层、BiLSTM层、Attention层、全连接层和输出层。
本申请第三方面实施例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，实现如本申请第一方面的预测方法。
本申请第四方面实施例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申请第一方面的预测方法。
本申请的实施例提供的技术方案至少带来以下有益效果：
本发明提供的一种CNN+BiLSTM+Attention风电超短期功率预测方法及系统，所述方法包括：采集风力发电设备对应的预测时段的气象要素数据，并对所述数据进行处理；将所述处理后的数据输入预先训练好的风电超短期功率预测模型中，得到所述风力发电设备预测时段对应的超短期功率数据。本发明提供的技术方案，可以准确地预测风力发电设备的超短期功率，进而保障了供电系统的稳定运行，降低了新能源发电功率预测的误差现象。
本申请附加的方面以及优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面以及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是根据本申请一个实施例提供的一种CNN+BiLSTM+Attention风电超短期功率预测方法的流程图；
图2是根据本申请一个实施例提供的一种CNN+BiLSTM+Attention风电超短期功率预测方法的具体流程图；
图3是根据本申请一个实施例提供的一种CNN+BiLSTM+Attention风电超短期功率预测系统的结构图；
图4是根据本申请一个实施例提供的一种CNN+BiLSTM+Attention风电超短期功率预测系统中预测模块的结构图。
具体实施方式
下面详细描述本申请的实施例，所述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，旨在用于解释本申请，而不能理解为对本申请的限制。
本申请提出的一种CNN+BiLSTM+Attention风电超短期功率预测方法及系统，所述方法包括：采集风力发电设备对应的预测时段的气象要素数据，并对所述数据进行处理；将所述处理后的数据输入预先训练好的风电超短期功率预测模型中，得到所述风力发电设备预测时段对应的超短期功率数据。本发明提供的技术方案，可以准确地预测风力发电设备的超短期功率，进而保障了供电系统的稳定运行，降低了新能源发电功率预测的误差现象。
实施例1
图1为本公开实施例提供的一种CNN+BiLSTM+Attention风电超短期功率预测方法的流程图，如图1所示，所述方法包括：
步骤1：采集风力发电设备对应的预测时段的气象要素数据，并对所述数据进行处理；
在本公开实施例中，所述对所述数据进行处理，包括：
步骤F1:对采集的风力发电设备对应的预测时段的气象要素数据进行缓存读写操作；
步骤F2:将所述读写后的数据进行解析、数据清洗和格式转化；
步骤F3:将步骤F2得到的数据进行归一化，得到处理后的风力发电设备对应的预测时段的气象要素数据。
示例的，按下式进行气象数据的归一化处理：
式中，w′i为预测时段内的气象要素w的第i数据归一化后的值，wi为预测时段内的气象要素w的第i数据，wmin为预测时段内的气象要素w中的最小值，wmax为预测时段内的气象要素w中的最大值。
步骤2：将所述处理后的数据输入预先训练好的风电超短期功率预测模型中，得到所述风力发电设备预测时段对应的超短期功率数据；
需要说明的是，所述预先训练好的风电超短期功率预测模型包括：卷积神经网络CNN层、BiLSTM层、Attention层、全连接层和输出层。
在本公开实施例中，所述将所述处理后的数据输入预先训练好的风电超短期功率预测模型中，得到所述风力发电设备预测时段对应的超短期功率数据，包括：
将处理后的数据输入预先训练好的风电超短期功率预测模型的卷积神经网络层CNN中，将所述数据进行卷积运算，然后将所得结果进行合并操作，并对合并后的结果进行池化操作，提取得到所述数据对应的时空特征文本；
将所述数据对应的时空特征文本输入预先训练好的发风电超短期功率预测模型的BiLSTM层中，提取出所述时空特征文本的特征向量信息；
将所述提取出的特征向量信息输入预先训练好的发风电超短期功率预测模型的Attention层中，得到分配了不同权重后的特征向量文本信息；
将所述分配了不同权重后的特征向量文本信息输入预先训练好的发风电超短期功率预测模型的全连接层中对输入的特征向量文本信息进行整合，得到整合后的所述特征向量文本信息；
将所述整合后的所述特征向量文本信息输入预先训练好的发风电超短期功率预测模型的输出层中，得到归一化后的所述风力发电设备预测时段对应的超短期功率数据；
将所述归一化后的所述风力发电设备预测时段对应的超短期功率数据反归一化，得到所述风力发电设备预测时段对应的超短期功率数据。
示例的，按下式对所述模型输出的预测时段对应的超短期功率数据反归一化：
P0＝Ppre(Pmax-Pmin)+Pmin
式中，P0为反归一化后的所述风力发电设备预测时段对应的超短期功率数据，Ppre为所述模型输出的归一化后的所述风力发电设备预测时段对应的超短期功率数据，Pmax为所述风力发电设备预测时段对应的超短期功率数据的最大值，Pmin为所述风力发电设备预测时段对应的超短期功率数据的最小值。
需要说明的是，所述预先训练好的风电超短期功率预测模型是基于处理后的历史时段内所述风力发电设备对应的气象要素数据及所述气象要素对应的功率数据进行训练得到的；
具体的，所述预先训练好的风电超短期功率预测模型的训练过程包括：
获取处理后的历史时段内所述风力发电设备对应的气象要素数据；
将所述气象要素数据输入初始风电超短期功率预测模型的卷积神经网络CNN层、BiLSTM层、Attention层、全连接层和输出层，将均方差损失MSE作为模型的损失函数，利用自适应矩阵估计Adam优化算法对所述模型进行训练，得到训练好的风电超短期功率预测模型，其中，采用激活函数ReLU函数作为全连接层Dense的激活函数。
需要说明的是，当模型训练过程中输出的反归一化后的功率数据与历史时段内所述风力发电设备的气象要素数据对应的功率数据的平均绝对误差MAE小于预设的平均绝对值误差阈值时，停止训练，将此时得到的模型作为训练好的风电超短期功率预测模型；或当模型训练过程中输出的反归一化后的功率数据与历史时段内所述风力发电设备的气象要素数据对应的功率数据的方根误差RMSE小于预设的方根误差阈值时，停止训练，将此时得到的模型作为训练好的风电超短期功率预测模型。
在本公开实施例中，在得到所述风力发电设备预测时段对应的超短期功率数据后还包括：
将所述风力发电设备预测时段对应的超短期功率数据进行信息触达；
其中，所述信息触达的方式包括：文本展示、语音播报、外呼终端、短信送达、邮件触达、智能音箱、语音唤醒和大屏展示。
结合上述一种CNN+BiLSTM+Attention风电超短期功率预测方法对本申请的具体方法进行举例说明：
如图2所示提供一种CNN+BiLSTM+Attention风电超短期功率预测方法的具体流程图，所述方法包括：
Step1：数据采集101，完成实时数据采集及相应的解析，便于被计算机处理及计算。
Step2：数据预处理102，完成对所采集的实时数据缓存读写操作、数据清洗及格式转化。
Step3：数据归一化处理103，对所得数据进行归一化处理103，为了提高网络模型的泛化能力，解决了量纲误差，将输入数据进行归一化，示例的，如计算公式(1)按下式进行气象数据的归一化处理：
式中，w′i为预测时段内的气象要素w的第i数据归一化后的值，wi为预测时段内的气象要素w的第i数据，wmin为预测时段内的气象要素w中的最小值，wmax为预测时段内的气象要素w中的最大值。
Step4：利用不同尺度卷积核的卷积神经网络CNN104提取数据的时空特征，提高了网络建模能力，因输入数据为时空数据，因此采用卷积神经网络CNN104完成时空数据的不同尺度特征提取，首先对空间矩阵数据进行卷积运算后所得结果再进行合并操作，然后对合并后的结果再进行池化操作，这是与其它专利方法本质区别的做法，得到文本特征输入至下一层。
Step5：使用BiLSTM网络模型和注意力105，得到有上下文、且能够体现预测关键信息重要性的文本语义信息，并所得文本语义特征输入下一层。
Step6：利用全连接层106对所得文本特征进行局部整合并输入至下一层。
Stept7：输出层107计算预测得分结果，采用激活函数ReLU函数作为Dense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；接着对预测得分结果进行展示108，展示的方式包括：文本展示、语音播报、外呼终端、短信送达、邮件触达、智能音箱、语音唤醒和大屏展示。
其中，按下式对所述模型输出的预测时段对应的超短期功率数据反归一化：P0＝Ppre(Pmax-Pmin)+Pmin--(2)，式中，P0为反归一化后的所述风力发电设备预测时段对应的超短期功率数据，Ppre为所述模型输出的归一化后的所述风力发电设备预测时段对应的超短期功率数据，Pmax为所述风力发电设备预测时段对应的超短期功率数据的最大值，Pmin为所述风力发电设备预测时段对应的超短期功率数据的最小值。
综合上述，本发明提供的一种CNN+BiLSTM+Attention风电超短期功率预测方法，可以准确地预测风力发电设备的超短期功率，进而保障了供电系统的稳定运行，降低了新能源发电功率预测的误差现象。
实施例2
图3为本公开实施例提供的一种CNN+BiLSTM+Attention风电超短期功率预测系统的结构图，如图3所示，所述系统包括：
采集模块，用于采集风力发电设备对应的预测时段的气象要素数据，并对所述数据进行处理；
预测模块，用于将所述处理后的数据输入预先训练好的风电超短期功率预测模型中，得到所述风力发电设备预测时段对应的超短期功率数据；
其中，所述预先训练好的风电超短期功率预测模型是基于处理后的历史时段内所述风力发电设备对应的气象要素数据进行训练得到的；
所述预先训练好的风电超短期功率预测模型包括：卷积神经网络CNN层、BiLSTM层、Attention层、全连接层和输出层。
在本公开实施例中，所述对所述数据进行处理，包括：
步骤E1:对采集的风力发电设备对应的预测时段的气象要素数据进行缓存读写操作；
步骤E2:将所述读写后的数据进行解析、数据清洗和格式转化；
步骤E3:将步骤E2得到的数据进行归一化，得到处理后的风力发电设备对应的预测时段的气象要素数据。
在本公开实施例中，如图4所示，所述预测模块，包括：
第一提取单元，用于将处理后的数据输入预先训练好的风电超短期功率预测模型的卷积神经网络层CNN中，将所述数据进行卷积运算，然后将所得结果进行合并操作，并对合并后的结果进行池化操作，提取得到所述数据对应的时空特征文本；
第二提取单元，用于将所述数据对应的时空特征文本输入预先训练好的发风电超短期功率预测模型的BiLSTM层中，提取出所述时空特征文本的特征向量信息；
分配单元，用于将所述提取出的特征向量信息输入预先训练好的发风电超短期功率预测模型的Attention层中，得到分配了不同权重后的特征向量文本信息；
整合单元，用于将所述分配了不同权重后的特征向量文本信息输入预先训练好的发风电超短期功率预测模型的全连接层中对输入的特征向量文本信息进行整合，得到整合后的所述特征向量文本信息；
输出单元，用于将所述整合后的所述特征向量文本信息输入预先训练好的发风电超短期功率预测模型的输出层中，得到归一化后的所述风力发电设备预测时段对应的超短期功率数据；
反归一化单元，用于将所述归一化后的所述风力发电设备预测时段对应的超短期功率数据反归一化，得到所述风力发电设备预测时段对应的超短期功率数据。
具体的，所述预先训练好的风电超短期功率预测模型的训练过程包括：
获取处理后的历史时段内所述风力发电设备对应的气象要素数据；
将所述气象要素数据输入初始风电超短期功率预测模型的卷积神经网络CNN层、BiLSTM层、Attention层、全连接层和输出层，将均方差损失MSE作为模型的损失函数，利用自适应矩阵估计Adam优化算法对所述模型进行训练，得到训练好的风电超短期功率预测模型。
需要说明的是，在得到所述风力发电设备预测时段对应的超短期功率数据后还包括：
将所述风力发电设备预测时段对应的超短期功率数据进行信息触达；
其中，所述信息触达的方式包括：文本展示、语音播报、外呼终端、短信送达、邮件触达、智能音箱、语音唤醒和大屏展示。
综合上述，本发明提供的一种CNN+BiLSTM+Attention风电超短期功率预测系统，可以准确地预测风力发电设备的超短期功率，进而保障了供电系统的稳定运行，降低了新能源发电功率预测的误差现象。
实施例3
为了实现上述实施例，本公开还提出一种计算机设备。
本实施例提供的计算机设备，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，实现实施例1中的方法。
实施例4
为了实现上述实施例，本公开还提出一种非临时性计算机可读存储介质。
本实施例提供的计算机设备，其上存储有计算机程序，计算机程序被处理器执行时实现实施例1中的方法。
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申请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。
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，并且本申请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，这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请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CNN+BiLSTM+Attention风电超短期功率预测方法，其特征在于，所述方法包括：
采集风力发电设备对应的预测时段的气象要素数据，并对所述数据进行处理；
将所述处理后的数据输入预先训练好的风电超短期功率预测模型中，得到所述风力发电设备预测时段对应的超短期功率数据；
其中，所述预先训练好的风电超短期功率预测模型是基于处理后的历史时段内所述风力发电设备对应的气象要素数据进行训练得到的；
所述预先训练好的风电超短期功率预测模型包括：卷积神经网络CNN层、BiLSTM层、Attention层、全连接层和输出层。
2.如权利要求1所述的方法，其特征在于，所述对所述数据进行处理，包括：
步骤F1:对采集的风力发电设备对应的预测时段的气象要素数据进行缓存读写操作；
步骤F2:将所述读写后的数据进行解析、数据清洗和格式转化；
步骤F3:将步骤F2得到的数据进行归一化，得到处理后的风力发电设备对应的预测时段的气象要素数据。
3.如权利要求1所述的方法，其特征在于，所述将所述处理后的数据输入预先训练好的风电超短期功率预测模型中，得到所述风力发电设备预测时段对应的超短期功率数据，包括：
将处理后的数据输入预先训练好的风电超短期功率预测模型的卷积神经网络层CNN中，将所述数据进行卷积运算，然后将所得结果进行合并操作，并对合并后的结果进行池化操作，提取得到所述数据对应的时空特征文本；
将所述数据对应的时空特征文本输入预先训练好的发风电超短期功率预测模型的BiLSTM层中，提取出所述时空特征文本的特征向量信息；
将所述提取出的特征向量信息输入预先训练好的发风电超短期功率预测模型的Attention层中，得到分配了不同权重后的特征向量文本信息；
将所述分配了不同权重后的特征向量文本信息输入预先训练好的发风电超短期功率预测模型的全连接层中对输入的特征向量文本信息进行整合，得到整合后的所述特征向量文本信息；
将所述整合后的所述特征向量文本信息输入预先训练好的发风电超短期功率预测模型的输出层中，得到归一化后的所述风力发电设备预测时段对应的超短期功率数据；
将所述归一化后的所述风力发电设备预测时段对应的超短期功率数据反归一化，得到所述风力发电设备预测时段对应的超短期功率数据。
4.如权利要求1所述的方法，其特征在于，所述预先训练好的风电超短期功率预测模型的训练过程包括：
获取处理后的历史时段内所述风力发电设备对应的气象要素数据；
将所述气象要素数据输入初始风电超短期功率预测模型的卷积神经网络CNN层、BiLSTM层、Attention层、全连接层和输出层，将均方差损失MSE作为模型的损失函数，利用自适应矩阵估计Adam优化算法对所述模型进行训练，得到训练好的风电超短期功率预测模型。
5.如权利要求1所述的方法，其特征在于，得到所述风力发电设备预测时段对应的超短期功率数据后还包括：
将所述风力发电设备预测时段对应的超短期功率数据进行信息触达；
其中，所述信息触达的方式包括：文本展示、语音播报、外呼终端、短信送达、邮件触达、智能音箱、语音唤醒和大屏展示。
6.一种CNN+BiLSTM+Attention风电超短期功率预测系统，其特征在于，所述系统包括：
采集模块，用于采集风力发电设备对应的预测时段的气象要素数据，并对所述数据进行处理；
预测模块，用于将所述处理后的数据输入预先训练好的风电超短期功率预测模型中，得到所述风力发电设备预测时段对应的超短期功率数据；
其中，所述预先训练好的风电超短期功率预测模型是基于处理后的历史时段内所述风力发电设备对应的气象要素数据进行训练得到的；
所述预先训练好的风电超短期功率预测模型包括：卷积神经网络CNN层、BiLSTM层、Attention层、全连接层和输出层。
7.如权利要求6所述的系统，其特征在于，所述对所述数据进行处理，包括：
步骤E1:对采集的风力发电设备对应的预测时段的气象要素数据进行缓存读写操作；
步骤E2:将所述读写后的数据进行解析、数据清洗和格式转化；
步骤E3:将步骤E2得到的数据进行归一化，得到处理后的风力发电设备对应的预测时段的气象要素数据。
8.如权利要求6所述的系统，其特征在于，所述预测模块，包括：
第一提取单元，用于将处理后的数据输入预先训练好的风电超短期功率预测模型的卷积神经网络层CNN中，将所述数据进行卷积运算，然后将所得结果进行合并操作，并对合并后的结果进行池化操作，提取得到所述数据对应的时空特征文本；
第二提取单元，用于将所述数据对应的时空特征文本输入预先训练好的发风电超短期功率预测模型的BiLSTM层中，提取出所述时空特征文本的特征向量信息；
分配单元，用于将所述提取出的特征向量信息输入预先训练好的发风电超短期功率预测模型的Attention层中，得到分配了不同权重后的特征向量文本信息；
整合单元，用于将所述分配了不同权重后的特征向量文本信息输入预先训练好的发风电超短期功率预测模型的全连接层中对输入的特征向量文本信息进行整合，得到整合后的所述特征向量文本信息；
输出单元，用于将所述整合后的所述特征向量文本信息输入预先训练好的发风电超短期功率预测模型的输出层中，得到归一化后的所述风力发电设备预测时段对应的超短期功率数据；
反归一化单元，用于将所述归一化后的所述风力发电设备预测时段对应的超短期功率数据反归一化，得到所述风力发电设备预测时段对应的超短期功率数据。
9.一种电子设备，其特征在于，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，所述处理器执行所述程序时，实现如权利要求1至5中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111422863.4A CN114330493A (zh) | 2021-11-26 | 2021-11-26 | 一种CNN+BiLSTM+Attention风电超短期功率预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111422863.4A CN114330493A (zh) | 2021-11-26 | 2021-11-26 | 一种CNN+BiLSTM+Attention风电超短期功率预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114330493A true CN114330493A (zh) | 2022-04-12 |
Family
ID=81046042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111422863.4A Pending CN114330493A (zh) | 2021-11-26 | 2021-11-26 | 一种CNN+BiLSTM+Attention风电超短期功率预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114330493A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114881205A (zh) * | 2022-04-20 | 2022-08-09 | 苏州大学 | 盾构姿态预测方法、介质、电子设备及系统 |
| 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 |
-
2021
- 2021-11-26 CN CN202111422863.4A patent/CN114330493A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114881205A (zh) * | 2022-04-20 | 2022-08-09 | 苏州大学 | 盾构姿态预测方法、介质、电子设备及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ghaderi et al. | Deep forecast: Deep learning-based spatio-temporal forecasting | |
| Tian et al. | A combination forecasting model of wind speed based on decomposition | |
| Xiang et al. | Ultra-short term wind power prediction applying a novel model named SATCN-LSTM | |
| CN114330493A (zh) | 一种CNN+BiLSTM+Attention风电超短期功率预测方法及系统 | |
| WO2023093774A1 (zh) | 基于深度学习的风电集群功率预测方法 | |
| 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 | |
| US20230169230A1 (en) | Probabilistic wind speed forecasting method and system based on multi-scale information | |
| CN114970952B (zh) | 一种考虑环境因素的光伏出力短期预测方法及系统 | |
| CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
| CN112465225A (zh) | 基于二次模态分解和级联深度学习的风电功率预测方法 | |
| Kosana et al. | Hybrid wind speed prediction framework using data pre-processing strategy based autoencoder network | |
| Liu et al. | A novel interval forecasting system for uncertainty modeling based on multi-input multi-output theory: A case study on modern wind stations | |
| CN116581755B (zh) | 功率预测方法、装置、设备及存储介质 | |
| Mirza et al. | Quantile-transformed multi-attention residual framework (QT-MARF) for medium-term PV and wind power prediction | |
| CN113222281A (zh) | 基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置 | |
| Liu et al. | Super-resolution perception for wind power forecasting by enhancing historical data | |
| CN112883649B (zh) | 一种电力负荷预测方法、系统、计算机设备及存储介质 | |
| CN112950033B (zh) | 一种基于水库调度规则合成的水库调度决策方法及系统 | |
| CN115205738A (zh) | 应用于城市内涝的应急排水方法和系统 | |
| CN114970979A (zh) | 一种基于功率预测的储能优化方法及系统 | |
| Liu et al. | A novel photovoltaic power output forecasting method based on weather type clustering and wavelet support vector machines regression | |
| Zhao et al. | On the Use of Spatial-temporal Feature Graph Convolutional Network for Ultra-Short Term Prediction of Wind Power Generation | |
| CN110598925A (zh) | 一种基于双q学习算法的储能在交易市场决策优化方法 | |
| CN117713238B (zh) | 光伏发电和储能微电网结合的随机优化运行策略 | |
| CN115833190B (zh) | 一种分布式资源边缘自治控制方法和系统 |
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 |