CN114372634A - 基于神经网络不平衡优化的短期风电功率预测方法及系统 - Google Patents
基于神经网络不平衡优化的短期风电功率预测方法及系统 Download PDFInfo
- Publication number
- CN114372634A CN114372634A CN202210028816.XA CN202210028816A CN114372634A CN 114372634 A CN114372634 A CN 114372634A CN 202210028816 A CN202210028816 A CN 202210028816A CN 114372634 A CN114372634 A CN 114372634A
- Authority
- CN
- China
- Prior art keywords
- wind power
- neural network
- time sequence
- layer
- wind
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 236
- 238000005457 optimization Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 96
- 239000013598 vector Substances 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000008878 coupling Effects 0.000 claims description 57
- 238000010168 coupling process Methods 0.000 claims description 57
- 238000005859 coupling reaction Methods 0.000 claims description 57
- 238000012795 verification Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 25
- 230000001186 cumulative effect Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 10
- 239000002245 particle Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000035945 sensitivity 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
- G06N3/045—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
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
Abstract
本发明提出一种基于神经网络不平衡优化的短期风电功率预测方法及系统,涉及风电功率预测的技术领域,首先对风速时间序列、风向时间序列及风电功率时间序列预处理,得到特征向量,并构建神经网络,选定中间特征层,将特征向量作为神经网络的输入,对中间特征层进行特征张量相似性处理,提高了风电功率相近样本的特征相似性,使数据量少的风电功率样本可以依靠风电功率相近样本在神经网络中的传播增强拟合效果,提升了神经网络自身对不平衡风电序列样本的处理能力;对神经网络的训练损失进行多方向的不平衡优化,基于不平衡调整,扩展神经网络训练最优拟合参数的能力,使得神经网络泛化能力增强,提高风电功率的预测精度。
Description
技术领域
本发明涉及风电功率预测的技术领域,更具体地,涉及一种基于神经网络不平衡优化的短期风电功率预测方法及系统。
背景技术
一方面,当前电力负荷日益增长,能源短缺和环境恶化的情况愈发严重,另一方面,国家对清洁能源大力支持,具有污染少、能源利用效率高、安装地点灵活等优点的清洁能源分布式发电及其并网方式受到了越来越多的关注。
风能是典型的清洁能源,在分布式发电及并网中占据重要的地位,风电功率精准预测是实现风电并网以及电网经济调度的关键,因此,及时精准地预测风电功率动态具有重要意义,风电功率预测是指根据风速及相关因素的历史数据和当前状态,定性或定量地推测其此后的演化过程,可按时间尺度分为中长期、短期和超短期预测,其中,短期预测要求较高的精度。
目前,应用深度学习神经网络对风电功率进行预测是比较普遍且受欢迎的方法,如现有技术中公开了一种基于双向注意力和二次优化额度短期风功率预测方法,在该现有技术中,首先将风电功率子序列、风速子序列、风向正弦时间序列及风向余弦时间序列拼接处理形成输入张量,然后建立双向注意力-残差网络-门控循环单元深度学习预测模型,并动态选择单个输入张量作为模型的训练样本进行训练,一方面确保训练样本更具有代表性,另一方面基于双向注意力-残差网络-门控循环单元深度学习预测模型能实现特征选择时的自适应学习,利用双向注意力机制从输入张量的时间维度和特征维度两方面考虑,提高了模型对重要信息的敏感性,最后,二次优化进一步提升了模型的泛化性能,提升短期风电功率预测精度。然而,应用神经网络的方式均离不开神经网络的训练,风能具有很强的间歇性与随机性,体现在风速大的区间小,风速小的区间大,因此,在输入至神经网络训练的风电样本中,风电功率小的样本多,风电功率大的样本少,但在神经网络的训练中,样本量直接决定了样本输出结果的优劣,而样本的不平衡严重影响风电功率预测的精度。现有样本不平衡问题的解决方法主要应用于分类任务,所面向的对象是离散的,不同的样本类别之间边界明显,而风电功率数据样本作为连续序列,相邻的功率之间边界模糊,在神经网络训练中存在相邻耦合关系,因此,目前解决样本不平衡问题的方式不适合于风电序列样本。
发明内容
为解决风电序列样本不平衡导致应用神经网络进行风电功率预测的精度低的问题,本发明提出一种基于神经网络不平衡优化的短期风电功率预测方法及系统,在应用神经网络预测风电功率时,从整体上提高所有风电功率区间的预测精度,特别是数据稀疏的风电功率区间,泛化能力强。
为了达到上述技术效果,本发明的技术方案如下:
一种基于神经网络不平衡优化的短期风电功率预测方法,包括:
S1.采集原始风电场数据,从原始风电场数据中提取风速时间序列、风向时间序列及风电功率时间序列;
S2.对风速时间序列、风向时间序列及风电功率时间序列进行预处理,得到特征向量,并将风电功率时间序列作为风电功率预测目标样本,将特征向量及风电功率时间序列均分别划分为训练集和验证集;
S3.确定风电功率时间序列中风电功率之间的相邻耦合关系,获得耦合关系的累计影响贡献值序列;
S4.构建神经网络,神经网络包括若干层,在若干层中选定中间特征层,以特征向量作为神经网络的输入,依次进入神经网络每一层,获得每一层的特征张量输出,并进行中间特征层的相似性处理,更新中间特征层的特征张量;
S5.基于耦合关系的累计影响贡献值序列,确定神经网络的训练损失,对神经网络的训练损失进行多方向的不平衡优化,利用训练集训练神经网络,并利用验证集验证以选择方向,得到训练好的神经网络;
S6.将特征向量输入训练好的神经网络,获得风电功率预测输出。
在本技术方案中,首先对风速时间序列、风向时间序列及风电功率时间序列预处理,得到特征向量,并构建神经网络,选定中间特征层,将对应风速、风向特征的特征向量作为神经网络的输入,获得每一层的特征张量输出,对中间特征层进行特征张量相似性处理,提高了风电功率相近样本的特征相似性,使数据量少的风电功率样本可以依靠风电功率相近样本在神经网络中的传播增强拟合效果,提升了神经网络自身对不平衡风电序列样本的处理能力;然后,为进一步解决神经网络预测回归的不平衡性,对神经网络的训练损失进行多方向的不平衡优化,从而减轻样本量大的参数学习覆盖样本量小的参数学习的现象,基于不平衡调整,扩展神经网络训练最优拟合参数的能力,使得神经网络泛化能力增强,提高风电功率的预测精度。
优选地,步骤S2的过程包括:
S21.将风向时间序列分解成风向正弦时间序列与风向余弦时间序列,分解公式为:
其中,XWD为风向时间序列;XSWD为风向正弦时间序列,XCWD为风向余弦时间序列;
S22.对风速时间序列、风向正弦时间序列、风向余弦时间序列、风电功率时间序序列进行归一化处理;
S23.进行特征张量处理,提取连续n小时步长的风电功率特征、风速特征、风向正弦特征、风向余弦特征,作为特征向量,表达式为:
其中,i表示时序,xSLWPi为张量中第i小时的风电功率特征,xSLWSi为张量中第i小时的风速特征,xSWDi为张量中第i小时的风向正弦特征,xCWDi为张量中第i小时的风向余弦特征;XINPUT表示特征张量;Xi表示每个步长的特征张量。
优选地,步骤S3中所述确定风电功率时间序列中风电功率之间的相邻耦合关系,获得耦合关系的累计影响贡献值序列的过程为:
S31.设风电功率时间序列为:y=[y1,...,yt,...,yN],设定高斯卷积核功率范围参数为σ,将风电功率时间序列中每两个风电功率大小之间的相邻耦合关系使用高斯卷积核函数k(yi,yj)表示,表达式为:
其中,N表示风电功率时间序列内的样本总数量,yt为风电功率时间序列的t时刻的风电功率大小,yi为风电功率时间序列的i时刻的风电功率大小;yj表示风电功率时间序列的j时刻的风电功率大小;
S32.计算风电功率时间序列的j时刻的风电功率对风电功率时间序列的i时刻的风电功率的耦合关系的累计影响贡献值,过程满足表达式:
得到耦合关系的累计影响贡献值序列表示为:
δ=[δ1,...,δN]
其中,δ表示耦合关系的累计影响贡献值序列。
在此,风电功率数据样本作为连续序列,相邻的功率之间边界模糊,将相邻耦合关系首先考虑在内,为神经网络不平衡优化打下基础,提高风电功率预测的精度。
优选地,步骤S4中所述构建的神经网络为CNN-LSTM深度学习神经网络,CNN-LSTM深度学习神经网络由依次连接的输入层、1通道卷积层Conv1、2通道卷积层Conv2、4通道卷积层Conv3、双层LSTM层、全连接层Linear1、激活函数层、全连接层Linear2和输出层组成,选取CNN-LSTM神经网络中的全连接层Linear1作为中间特征层。
优选地,步骤S4所述的以特征向量作为神经网络的输入,依次进入神经网络每一层,获得每一层的特征张量输出,并进行中间特征层的相似性处理,更新中间特征层的特征张量的过程为:
S41.以特征向量为样本作为神经网络的输入,由输入层依次进入神经网络的每一层,获得每一层的特征张量输出,每一层的特征张量输出作为下一层的输入,统计每次迭代每个特征向量对应的中间特征层的特征张量,并将特征张量按S31中风电功率时间序列排列,得到第e代的中间特征层特征张量序列
S42.将S31中风电功率时间序列作为风电功率预测目标样本,计算风电功率预测目标中位于第i个风电功率yi范围内的风电功率样本yj∈(yi-σ,yi+σ)所对应第e代的特征张量的均值与方差,计算表达式为:
其中,Ni为第i个风电功率功率范围内的样本数量,yi为风电功率时间序列的i时刻的风电功率大小,k(yi,yj)为高斯卷积核函数,μi为第i个风电功率yi功率范围内的特征张量均值,为第i个风电功率yi功率范围内的特征张量方差;S44.对神经网络第e代的中间特征层特征张量进行线性变换,表达式为:
S45.将输出特征张量返回至所选取的中间特征层,替换原来的中间特征层特征张量,从而更新中间特征层的特征张量。
在此,在神经网络本身以及神经网络的层已确定的前提下,特征向量为样本作为神经网络的输入,由输入层依次进入神经网络的每一层,在每一层对应的输出为一个特征张量,上一层的特征张量输出作为下一层的输入,在神经网络各层中通过“前向传播”一层层地计算;将特征张量按S31中风电功率时间序列排列,是将其与风电功率时间序列一一对应绑定,便于更新。
优选地,在步骤S5中,基于耦合关系的累计影响贡献值序列,确定神经网络的训练损失的表达式为:
其中,w表示训练损失权重序列;c表示损失比例因子。
优选地,在步骤S5中,对神经网络的训练损失进行多方向的不平衡优化,训练神经网络,得到训练好的神经网络的过程为:
其中,ymax为风电功率预测目标样本的最大值,ymin为风电功率预测目标样本的最大值,z表示第z个风电功率方向的次序;
S53.获得d个不同的耦合关系序列,并通过d个不同的耦合关系序列计算训练损失权重,得到多方向损失权重序列集合{w′1,...,w′d},表达式为:
S54.随机初始化神经网络的网络参数,将训练集的特征向量输入至神经网络开始前向传播;
S55.确定神经网络训练损失函数MSEloss,并分别将损失权重序列w和多方向失权重序列w′对损失函数进行加权,d+1个不同的损失权重序列对应于神经网络梯度反向传播的d+1个不同的网络参数调整方向,实现多方向梯度反向传播更新网络参数;
S56.设置神经网络训练迭代次数上限值,当神经网络训练迭代次数达到上限值E,获得d+1个不同损失权重序列加权训练下的网络参数,然后将验证集的特征向量输入至神经网络进行一次前向传播,获得验证集预测输出,计算验证集的预测输出与目标输出的均方根误差值:
S57.比较不同损失权重序列加权训练下的均方根误差值,将均方根误差值最小的网络参数作为神经网络的最终网络参数,得到训练好的神经网络。
在此,上一层的特征张量输出作为下一层的输入,在神经网络各层中通过“前向传播”一层层地计算时,每一层的特征张量需要与神经网络的网络参数进行一个融合计算,这个网络参数即是步骤S5进行不平衡优化的网络参数,优化后的神经网络对样本量大的功率区间给予神经网络较小的训练损失权重,以减小学习速率,对样本量小的功率区间给予神经网络较大的训练损失权重,以增大学习速率,从而减轻样本量大的参数学习覆盖了样本量小的参数学习的现象。
优选地,在步骤S55中,网络训练损失函数MSEloss的表达式为:
神经网络反向传播参数满足:
优选地,在对神经网络的训练损失进行多方向的不平衡优化,训练神经网络前,还包括使用纵横交叉算法对神经网络的超参数进行优化,神经网络的超参数包括高斯卷积核功率范围参数σ、损失比例因子c。
在此,对神经网络本身的超参数进行优化,提高神经网络的拟合能力。
本发明申请还提出一种基于神经网络不平衡优化的短期风电功率预测系统,所述系统包括:
数据采集单元,用于采集原始风电场数据,从原始风电场数据中提取风速时间序列、风向时间序列及风电功率时间序列;
预处理单元,用于对风速时间序列、风向时间序列及风电功率时间序列进行预处理,得到特征向量,并将风电功率时间序列作为风电功率预测目标样本,将特征向量及风电功率时间序列均分别划分为训练集和验证集;
相邻耦合关系计算单元,用于确定风电功率时间序列中风电功率之间的相邻耦合关系,获得耦合关系的累计影响贡献值序列;
神经网络构建及相似性处理单元,用于构建神经网络,神经网络包括若干层,在若干层中选定神经网络的中间特征层,以特征向量作为神经网络的输入,依次进入神经网络每一层,进行相似性处理,获得每一层的特征张量输出,并更新中间特征层的特征张量;
不平衡优化单元,基于耦合关系的累计影响贡献值序列,确定神经网络的训练损失,对神经网络的训练损失进行多方向的不平衡优化,利用训练集训练神经网络,并利用验证集验证以选择方向,得到训练好的神经网络;
预测输出单元,用于将特征向量输入训练好的神经网络,获得风电功率预测输出。
与现有技术相比,本发明技术方案的有益效果是:
本发明提出一种基于神经网络不平衡优化的短期风电功率预测方法及系统,首先对风速时间序列、风向时间序列及风电功率时间序列预处理,得到特征向量,并构建神经网络,选定中间特征层,将对应风速、风向特征的特征向量作为神经网络的输入,获得每一层的特征张量输出,对中间特征层进行特征张量相似性处理,提高了风电功率相近样本的特征相似性,使数据量少的风电功率样本可以依靠风电功率相近样本在神经网络中的传播增强拟合效果,提升了神经网络自身对不平衡风电序列样本的处理能力;然后,为进一步解决神经网络预测回归的不平衡性,对神经网络的训练损失进行多方向的不平衡优化,从而减轻样本量大的参数学习覆盖样本量小的参数学习的现象,基于不平衡调整,扩展神经网络训练最优拟合参数的能力,使得神经网络泛化能力增强,从而提高风电功率的预测精度。
附图说明
图1表示本发明实施例1中提出的基于神经网络不平衡优化的短期风电功率预测方法的流程示意图;
图2表示应用本发明实施例2中提出的基于神经网络不平衡优化的短期风电功率预测方法进行风电功率预测与不平衡优化前风电功率预测的误差分布对比图;
图3表示应用本发明实施例2提出的基于不平衡优化的神经网路短期风电功率预测方法进行风电功率预测的效果图。
图4表示本发明实施例3提出的基于神经网络不平衡优化的短期风电功率预测系统的结构图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好地说明本实施例,附图某些部位会有省略、放大或缩小,并不代表实际尺寸;
对于本领域技术人员来说,附图中某些公知内容说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
附图中描述位置关系的仅用于示例性说明,不能理解为对本专利的限制;
实施例1
在本实施例中,如图1所示,本实施例提出一种基于神经网络不平衡优化的短期风电功率预测方法,参见流程图图1,该方法包括以下步骤:
S1.采集原始风电场数据,从原始风电场数据中提取风速时间序列、风向时间序列及风电功率时间序列;此处所述的风电场数据可以通过在实际风电场采集获得,相应各时间序列下的风速、风向及风电功率可以根据原始风电场数据统计拆分。
S2.对风速时间序列、风向时间序列及风电功率时间序列进行预处理,得到特征向量,并将风电功率时间序列作为风电功率预测目标样本,将特征向量及风电功率时间序列均分别划分为训练集和验证集;
S3.确定风电功率时间序列中风电功率之间的相邻耦合关系,获得耦合关系的累计影响贡献值序列;
S4.构建神经网络,神经网络包括若干层,在若干层中选定中间特征层,以特征向量作为神经网络的输入,依次进入神经网络每一层,获得每一层的特征张量输出,并进行中间特征层的相似性处理,更新中间特征层的特征张量;
S5.基于耦合关系的累计影响贡献值序列,确定神经网络的训练损失,对神经网络的训练损失进行多方向的不平衡优化,利用训练集训练神经网络,并利用验证集验证以选择方向,得到训练好的神经网络;
S6.将特征向量输入训练好的神经网络,获得风电功率预测输出。
从整体上,考虑风电序列样本的不平衡问题,首先对风速时间序列、风向时间序列及风电功率时间序列预处理,得到对应风速、风向特征的特征向量,并构建神经网络,选定中间特征层,将对应风速、风向特征的特征向量作为神经网络的输入,获得每一层的特征张量输出,为提高风电功率相近样本的特征相似性,对中间特征层进行特征张量相似性处理,从而使数据量少的风电功率样本可以依靠风电功率相近样本在神经网络中的传播增强拟合效果,提升神经网络自身对不平衡风电序列样本的处理能力;
为进一步解决神经网络预测回归的不平衡性,对神经网络的训练损失进行多方向的不平衡优化,从而减轻样本量大的参数学习覆盖样本量小的参数学习的现象,基于不平衡调整,扩展神经网络训练最优拟合参数的能力,使得神经网络泛化能力增强,提高风电功率的预测精度。
实施例2
在本实施例中,首先对风速时间序列、风向时间序列及风电功率时间序列进行预处理,得到特征向量,该过程包括以下步骤:
S21.将风向时间序列分解成风向正弦时间序列与风向余弦时间序列,分解公式为:
其中,XWD为风向时间序列;XSWD为风向正弦时间序列,XCWD为风向余弦时间序列;
S22.对风速时间序列、风向正弦时间序列、风向余弦时间序列、风电功率时间序序列进行归一化处理;在归一化处理的过程中,设风速时间序列、风向正弦时间序列、风向余弦时间序列、风电功率时间序序列中的某一个特征时间序列用p表示,第p项特征时间序列的归一化处理表达式为:
S23.进行特征张量处理,提取连续n小时步长的风电功率特征、风速特征、风向正弦特征、风向余弦特征,作为特征向量,表达式为:
其中,i表示时序,xSLWPi为张量中第i小时的风电功率特征,xSLWSi为张量中第i小时的风速特征,xSWDi为张量中第i小时的风向正弦特征,xCWDi为张量中第i小时的风向余弦特征;XINPUT表示特征张量;Xi表示每个步长的特征张量。
风电功率数据样本作为连续序列,相邻的功率之间边界模糊,将相邻耦合关系首先考虑在内,所述确定风电功率时间序列中风电功率之间的相邻耦合关系,获得耦合关系的累计影响贡献值序列的过程为:
S31.设风电功率时间序列为:y=[y1,...,yt,...,yN],设定高斯卷积核功率范围参数为σ,将风电功率时间序列中每两个风电功率大小之间的相邻耦合关系使用高斯卷积核函数k(yi,yj)表示,表达式为:
其中,N表示风电功率时间序列内的样本总数量,yt为风电功率时间序列的t时刻的风电功率大小,yi为风电功率时间序列的i时刻的风电功率大小;yj表示风电功率时间序列的j时刻的风电功率大小;
S32.计算风电功率时间序列的j时刻的风电功率对风电功率时间序列的i时刻的风电功率的耦合关系的累计影响贡献值,过程满足表达式:
得到耦合关系的累计影响贡献值序列表示为:
δ=[δ1,...,δN]
其中,δ表示耦合关系的累计影响贡献值序列。
在本实施例中,步骤S4中所述构建的神经网络为CNN-LSTM深度学习神经网络,CNN-LSTM深度学习神经网络由依次连接的输入层、1通道卷积层Conv1、2通道卷积层Conv2、4通道卷积层Conv3、双层LSTM层、全连接层Linear1、激活函数层、全连接层Linear2和输出层组成,选取CNN-LSTM神经网络中的全连接层Linear1作为中间特征层。
在步骤S4中,在神经网络本身以及神经网络的层已确定的前提下,以特征向量作为神经网络的输入,依次进入神经网络每一层,获得每一层的特征张量输出,并进行中间特征层的相似性处理,更新中间特征层的特征张量的过程为:
S41.以特征向量为样本作为神经网络的输入,由输入层依次进入神经网络的每一层,获得每一层的特征张量输出,每一层的特征张量输出作为下一层的输入,统计每次迭代每个特征向量对应的中间特征层的特征张量,并将特征张量按S31中风电功率时间序列排列,得到第e代的中间特征层特征张量序列
S42.将S31中风电功率时间序列作为风电功率预测目标样本,计算风电功率预测目标中位于第i个风电功率yi范围内的风电功率样本yj∈(yi-σ,yi+σ)所对应第e代的特征张量的均值与方差,计算表达式为:
其中,Ni为第i个风电功率功率范围内的样本数量,yi为风电功率时间序列的i时刻的风电功率大小,k(yi,yj)为高斯卷积核函数,μi为第i个风电功率yi功率范围内的特征张量均值,为第i个风电功率yi功率范围内的特征张量方差;
S44.对神经网络第e代的中间特征层特征张量进行线性变换,表达式为:
S45.将输出特征张量返回至所选取的中间特征层,替换原来的中间特征层特征张量,从而更新中间特征层的特征张量。特征向量为样本作为神经网络的输入,由输入层依次进入神经网络的每一层,在每一层对应的输出为一个特征张量,上一层的特征张量输出作为下一层的输入,在神经网络各层中通过“前向传播”一层层地计算;将特征张量按S31中风电功率时间序列排列,是将其与风电功率时间序列一一对应绑定,便于更新。
在本实施例中,基于耦合关系的累计影响贡献值序列,确定神经网络的训练损失的表达式为:
其中,w表示训练损失权重序列;c表示损失比例因子。
在步骤S4指出,上一层的特征张量输出作为下一层的输入,在神经网络各层中通过“前向传播”一层层地计算,在神经网络中,通过“前向传播”一层层地计算时,每一层的特征张量需要与神经网络的网络参数进行一个融合计算,这个网络参数即是步骤S5进行不平衡优化的网络参数,对神经网络的训练损失进行多方向的不平衡优化,训练神经网络,得到训练好的神经网络的过程为:
其中,ymax为风电功率预测目标样本的最大值,ymin为风电功率预测目标样本的最大值,z表示第z个风电功率方向的次序;
S53.获得d个不同的耦合关系序列,并通过d个不同的耦合关系序列计算训练损失权重,得到多方向损失权重序列集合{w′1,...,w′d},表达式为:
S54.随机初始化神经网络的网络参数,将训练集的特征向量输入至神经网络开始前向传播;
S55.确定神经网络训练损失函数MSEloss,并分别将损失权重序列w和多方向失权重序列w′对损失函数进行加权,d+1个不同的损失权重序列对应于神经网络梯度反向传播的d+1个不同的网络参数调整方向,实现多方向梯度反向传播更新网络参数;
网络训练损失函数MSEloss的表达式为:
神经网络反向传播参数满足:
S56.设置神经网络训练迭代次数上限值,当神经网络训练迭代次数达到上限值E,获得d+1个不同损失权重序列加权训练下的网络参数,然后将验证集的特征向量输入至神经网络进行一次前向传播,获得验证集预测输出,计算验证集的预测输出与目标输出的均方根误差值:
S57.比较不同损失权重序列加权训练下的均方根误差值,将均方根误差值最小的网络参数作为神经网络的最终网络参数,得到训练好的神经网络。经过步骤S5优化后的神经网络对样本量大的功率区间给予神经网络较小的训练损失权重,以减小学习速率,对样本量小的功率区间给予神经网络较大的训练损失权重,以增大学习速率,从而减轻样本量大的参数学习覆盖了样本量小的参数学习的现象。
在对神经网络的训练损失进行多方向的不平衡优化,训练神经网络前,还包括使用纵横交叉算法对神经网络的超参数进行优化,神经网络的超参数包括高斯卷积核功率范围参数σ、损失比例因子c,以提高神经网络的拟合能力。具体步骤为:
SA.设置纵横交叉优化算法粒子群大小为P,随机初始化设置所需要确定的超参数,包括高斯卷积核功率范围参数σ、损失比例因子c,将P组随机初始化超参数序列K=[σ,c]作为种群父代,每一随机初始化超参数作为一个种群粒子;
SB.确定粒子群适应度函数,用于寻找出最优粒子,适应度函数公式如下:
其中,K(i)与K(j)为两两配对的第i组与第j组父代超参数序列,随机数r1,r2∈[0,1],随机数c1,c2∈[-1,1];
SD.建立纵向交叉算法,将P组随机初始化参数作为种群父代,对父代任意一超参数序列内的超参数进行两两配对,生成子代,具体表达式为:
σ=r·σ+(1-r)·c或c=r·c+(1-r)·σ
其中,σ为高斯卷积核功率范围参数,c为损失比例因子,随机数r∈[0,1];
SE.使用纵横交叉算法更新P组父代自参数序列,获得P组子代超参数序列,其中,横向交叉概率为θc,纵向交叉概率为θh;
SF.依次应用P组父代和P组子代的超参数,并使用损失权重序列w加权损失函数进行网络参数训练,训练完成后,并根据适应度函数公式计算粒子适应度,适应度优于父代的子代进入下一代,保持种群的大小P;
SG.重复SF,直至纵横交叉法迭代完成,获得适应度最优的高斯卷积核功率范围参数σ、损失比例因子c,并将它们应用于神经网络当中。
为进一步验证本实施例所提出的方法的有效性,对某一风电场进行未来一小时的短期风电功率预测,图2表示应用本发明实施例提出的基于神经网络不平衡优化的短期风电功率预测方法进行风电功率预测与不平衡优化前风电功率预测的误差分布对比图;图3表示应用本发明实施例提出的基于不平衡优化的神经网路短期风电功率预测方法进行风电功率预测的效果图。图2中,横坐标表示风电样本分布窗,纵坐标表示误差值,经不平衡优化后分布误差与不平衡优化前的分布误差对比,整体误差得到减小,精度提升效果明显;图3中实线为风电功率实际值,即将风电功率实际值作为风电功率预测目标,虚线为风电功率预测输出值,可看出风电功率预测输出值非常贴近于风电功率实际值,拟合效果好,预测精度高。以此可知,本申请可获得较好的风电功率预测提升效果。
实施例3
如图4所示,本实施例中基于实施例1提出一种基于神经网络不平衡优化的短期风电功率预测系统,参见图4,所述系统包括:
数据采集单元101,用于采集原始风电场数据,从原始风电场数据中提取风速时间序列、风向时间序列及风电功率时间序列;
预处理单元102,用于对风速时间序列、风向时间序列及风电功率时间序列进行预处理,得到特征向量,并将风电功率时间序列作为风电功率预测目标样本,,将特征向量及风电功率时间序列均分别划分为训练集和验证集;
相邻耦合关系计算单元103,用于确定风电功率时间序列中风电功率之间的相邻耦合关系,获得耦合关系的累计影响贡献值序列;
神经网络构建及相似性处理单元104,用于构建神经网络,神经网络包括若干层,在若干层中选定神经网络的中间特征层,以特征向量作为神经网络的输入,依次进入神经网络每一层,进行相似性处理,获得每一层的特征张量输出,并更新中间特征层的特征张量;
不平衡优化单元105,基于耦合关系的累计影响贡献值序列,确定神经网络的训练损失,对神经网络的训练损失进行多方向的不平衡优化,利用训练集训练神经网络,并利用验证集验证以选择方向,得到训练好的神经网络;
预测输出单元106,用于将特征向量输入训练好的神经网络,获得风电功率预测输出。
显然,本发明的上述实施例仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.基于神经网络不平衡优化的短期风电功率预测方法,其特征在于,包括:
S1.采集原始风电场数据,从原始风电场数据中提取风速时间序列、风向时间序列及风电功率时间序列;
S2.对风速时间序列、风向时间序列及风电功率时间序列进行预处理,得到特征向量,并将风电功率时间序列作为风电功率预测目标样本,将特征向量及风电功率时间序列均分别划分为训练集和验证集;
S3.确定风电功率时间序列中风电功率之间的相邻耦合关系,获得耦合关系的累计影响贡献值序列;
S4.构建神经网络,神经网络包括若干层,在若干层中选定中间特征层,以特征向量作为神经网络的输入,依次进入神经网络每一层,获得每一层的特征张量输出,并进行中间特征层的相似性处理,更新中间特征层的特征张量;
S5.基于耦合关系的累计影响贡献值序列,确定神经网络的训练损失,对神经网络的训练损失进行多方向的不平衡优化,利用训练集训练神经网络,并利用验证集验证以选择方向,得到训练好的神经网络;
S6.将特征向量输入训练好的神经网络,获得风电功率预测输出。
2.根据权利要求1所述的基于神经网络不平衡优化的短期风电功率预测方法,其特征在于,步骤S2的过程包括:
S21.将风向时间序列分解成风向正弦时间序列与风向余弦时间序列,分解公式为:
其中,XWD为风向时间序列;XSWD为风向正弦时间序列,XCWD为风向余弦时间序列;
S22.对风速时间序列、风向正弦时间序列、风向余弦时间序列、风电功率时间序序列进行归一化处理;
S23.进行特征张量处理,提取连续n小时步长的风电功率特征、风速特征、风向正弦特征、风向余弦特征,作为特征向量,表达式为:
其中,i表示时序,xSLWPi为张量中第i小时的风电功率特征,xSLWSi为张量中第i小时的风速特征,xSWDi为张量中第i小时的风向正弦特征,xCWDi为张量中第i小时的风向余弦特征;XINPUT表示特征张量;Xi表示每个步长的特征张量。
3.根据权利要求2所述的基于神经网络不平衡优化的短期风电功率预测方法,其特征在于,步骤S3中所述确定风电功率时间序列中风电功率之间的相邻耦合关系,获得耦合关系的累计影响贡献值序列的过程为:
S31.设风电功率时间序列为:y=[y1,...,yt,...,yN],设定高斯卷积核功率范围参数为σ,将风电功率时间序列中每两个风电功率大小之间的相邻耦合关系使用高斯卷积核函数k(yi,yj)表示,表达式为:
其中,N表示风电功率时间序列内的样本总数量,yt为风电功率时间序列的t时刻的风电功率大小,yi为风电功率时间序列的i时刻的风电功率大小;yj表示风电功率时间序列的j时刻的风电功率大小;
S32.计算风电功率时间序列的j时刻的风电功率对风电功率时间序列的i时刻的风电功率的耦合关系的累计影响贡献值,过程满足表达式:
得到耦合关系的累计影响贡献值序列表示为:
δ=[δ1,...,δN]
其中,δ表示耦合关系的累计影响贡献值序列。
4.根据权利要求3所述的基于神经网络不平衡优化的短期风电功率预测方法,其特征在于,步骤S4中所述构建的神经网络为CNN-LSTM深度学习神经网络,CNN-LSTM深度学习神经网络由依次连接的输入层、1通道卷积层Conv1、2通道卷积层Conv2、4通道卷积层Conv3、双层LSTM层、全连接层Linear1、激活函数层、全连接层Linear2和输出层组成,选取CNN-LSTM神经网络中的全连接层Linear1作为中间特征层。
5.根据权利要求4所述的基于神经网络不平衡优化的短期风电功率预测方法,其特征在于,步骤S4所述的以特征向量作为神经网络的输入,依次进入神经网络每一层,获得每一层的特征张量输出,并进行中间特征层的相似性处理,更新中间特征层的特征张量的过程为:
S41.以特征向量为样本作为神经网络的输入,由输入层依次进入神经网络的每一层,获得每一层的特征张量输出,每一层的特征张量输出作为下一层的输入,统计每次迭代每个特征向量对应的中间特征层的特征张量,并将特征张量按S31中风电功率时间序列排列,得到第e代的中间特征层特征张量序列
S42.将S31中风电功率时间序列作为风电功率预测目标样本,计算风电功率预测目标中位于第i个风电功率yi范围内的风电功率样本yj∈(yi-σ,yi+σ)所对应第e代的特征张量的均值与方差,计算表达式为:
其中,Ni为第i个风电功率功率范围内的样本数量,yi为风电功率时间序列的i时刻的风电功率大小,k(yi,yj)为高斯卷积核函数,μi为第i个风电功率yi功率范围内的特征张量均值,为第i个风电功率yi功率范围内的特征张量方差;
S44.对神经网络第e代的中间特征层特征张量进行线性变换,表达式为:
S45.将输出特征张量返回至所选取的中间特征层,替换原来的中间特征层特征张量,从而更新中间特征层的特征张量。
7.根据权利要求6所述的基于神经网络不平衡优化的短期风电功率预测方法,其特征在于,在步骤S5中,对神经网络的训练损失进行多方向的不平衡优化,训练神经网络,得到训练好的神经网络的过程为:
其中,ymax为风电功率预测目标样本的最大值,ymin为风电功率预测目标样本的最大值,z表示第z个风电功率方向的次序;
S53.获得d个不同的耦合关系序列,并通过d个不同的耦合关系序列计算训练损失权重,得到多方向损失权重序列集合{w′1,...,w′d},表达式为:
S54.随机初始化神经网络的网络参数,将训练集的特征向量输入至神经网络开始前向传播;
S55.确定神经网络训练损失函数MSEloss,并分别将损失权重序列w和多方向失权重序列w′对损失函数进行加权,d+1个不同的损失权重序列对应于神经网络梯度反向传播的d+1个不同的网络参数调整方向,实现多方向梯度反向传播更新网络参数;
S56.设置神经网络训练迭代次数上限值,当神经网络训练迭代次数达到上限值E,获得d+1个不同损失权重序列加权训练下的网络参数,然后将验证集的特征向量输入至神经网络进行一次前向传播,获得验证集预测输出,计算验证集的预测输出与目标输出的均方根误差值:
S57.比较不同损失权重序列加权训练下的均方根误差值,将均方根误差值最小的网络参数作为神经网络的最终网络参数,得到训练好的神经网络。
9.根据权利要求6所述的基于神经网络不平衡优化的短期风电功率预测方法,其特征在于,在对神经网络的训练损失进行多方向的不平衡优化,训练神经网络前,还包括使用纵横交叉算法对神经网络的超参数进行优化,神经网络的超参数包括高斯卷积核功率范围参数σ、损失比例因子c。
10.一种基于神经网络不平衡优化的短期风电功率预测系统,其特征在于,所述系统包括:
数据采集单元,用于采集原始风电场数据,从原始风电场数据中提取风速时间序列、风向时间序列及风电功率时间序列;
预处理单元,用于对风速时间序列、风向时间序列及风电功率时间序列进行预处理,得到特征向量,并将风电功率时间序列作为风电功率预测目标样本,将特征向量及风电功率时间序列均分别划分为训练集和验证集;
相邻耦合关系计算单元,用于确定风电功率时间序列中风电功率之间的相邻耦合关系,获得耦合关系的累计影响贡献值序列;
神经网络构建及相似性处理单元,用于构建神经网络,神经网络包括若干层,在若干层中选定神经网络的中间特征层,以特征向量作为神经网络的输入,依次进入神经网络每一层,进行相似性处理,获得每一层的特征张量输出,并更新中间特征层的特征张量;
不平衡优化单元,基于耦合关系的累计影响贡献值序列,确定神经网络的训练损失,对神经网络的训练损失进行多方向的不平衡优化,利用训练集训练神经网络,并利用验证集验证以选择方向,得到训练好的神经网络;
预测输出单元,用于将特征向量输入训练好的神经网络,获得风电功率预测输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210028816.XA CN114372634B (zh) | 2022-01-11 | 2022-01-11 | 基于神经网络不平衡优化的短期风电功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210028816.XA CN114372634B (zh) | 2022-01-11 | 2022-01-11 | 基于神经网络不平衡优化的短期风电功率预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114372634A true CN114372634A (zh) | 2022-04-19 |
CN114372634B CN114372634B (zh) | 2022-09-16 |
Family
ID=81143998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210028816.XA Active CN114372634B (zh) | 2022-01-11 | 2022-01-11 | 基于神经网络不平衡优化的短期风电功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372634B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114861739A (zh) * | 2022-07-06 | 2022-08-05 | 广东工业大学 | 一种特征通道可选择的多组件系统退化预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574615A (zh) * | 2015-12-16 | 2016-05-11 | 南京理工大学 | 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 |
CN107688863A (zh) * | 2017-07-13 | 2018-02-13 | 天津大学 | 自适应迭代加强的短期风速高精度组合预测方法 |
CN108256683A (zh) * | 2018-01-16 | 2018-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于改进bp神经网络的风电场短期功率预测方法 |
CN110390435A (zh) * | 2019-07-24 | 2019-10-29 | 广东工业大学 | 一种风电功率预测方法、装置、设备及可读存储介质 |
WO2021259622A1 (en) * | 2020-06-26 | 2021-12-30 | Siemens Gamesa Renewable Energy Innovation & Technology S.L. | A method and an apparatus for computer-implemented prediction of power production of one or more wind turbines in a wind farm |
-
2022
- 2022-01-11 CN CN202210028816.XA patent/CN114372634B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574615A (zh) * | 2015-12-16 | 2016-05-11 | 南京理工大学 | 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 |
CN107688863A (zh) * | 2017-07-13 | 2018-02-13 | 天津大学 | 自适应迭代加强的短期风速高精度组合预测方法 |
CN108256683A (zh) * | 2018-01-16 | 2018-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于改进bp神经网络的风电场短期功率预测方法 |
CN110390435A (zh) * | 2019-07-24 | 2019-10-29 | 广东工业大学 | 一种风电功率预测方法、装置、设备及可读存储介质 |
WO2021259622A1 (en) * | 2020-06-26 | 2021-12-30 | Siemens Gamesa Renewable Energy Innovation & Technology S.L. | A method and an apparatus for computer-implemented prediction of power production of one or more wind turbines in a wind farm |
Non-Patent Citations (1)
Title |
---|
殷豪等: "基于二次模式分解和级联式深度学习的超短期风电功率预测", 《电网技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114861739A (zh) * | 2022-07-06 | 2022-08-05 | 广东工业大学 | 一种特征通道可选择的多组件系统退化预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114372634B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109142171B (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
CN110580543A (zh) | 一种基于深度信念网络的电力负荷预测方法及系统 | |
CN115293415A (zh) | 计及时间演变和空间相关的多风电场短期功率预测方法 | |
CN107730044A (zh) | 一种可再生能源发电和负荷的混合预测方法 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
CN109583588B (zh) | 一种短期风速预测方法及系统 | |
CN115115125B (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
CN111523728B (zh) | 一种四阶段混合短时风向预测方法 | |
CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
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 | |
CN114565187A (zh) | 一种基于图时空自编码网络的交通路网数据预测方法 | |
CN114372634B (zh) | 基于神经网络不平衡优化的短期风电功率预测方法及系统 | |
CN114330100A (zh) | 一种短期光伏功率概率区间预测方法 | |
CN116894384A (zh) | 一种多风机风速时空预测方法及系统 | |
CN114219126B (zh) | 基于残差修正的小水电渗透地区网供负荷预测方法 | |
CN115034432A (zh) | 一种风电场风力发电机组风速预测方法 | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
CN116822331A (zh) | 一种多能源融合的风光发电预测方法 | |
CN110059871A (zh) | 光伏发电功率预测方法 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
Ding et al. | Photovoltaic array power prediction model based on EEMD and PSO-KELM |
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 |