CN114444763A - 基于afsa-gnn的风电功率预测方法 - Google Patents
基于afsa-gnn的风电功率预测方法 Download PDFInfo
- Publication number
- CN114444763A CN114444763A CN202111540671.3A CN202111540671A CN114444763A CN 114444763 A CN114444763 A CN 114444763A CN 202111540671 A CN202111540671 A CN 202111540671A CN 114444763 A CN114444763 A CN 114444763A
- Authority
- CN
- China
- Prior art keywords
- wind power
- afsa
- data
- power
- rnn
- 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
- 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/08—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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
Abstract
本申请实施例提出了基于AFSA‑GNN的风电功率预测方法,包括将得到的风电数据进行清洗,进行归一化处理;搭建RNN模型,确定RNN模型的隐含层节点个数;基于得到的RNN模型进行回归运算得到预测功率,结合预测功率与实测功率的均方根误差最小构建目标函数;初始化AFSA算法的各项参数,利用AFSA算法步骤对RNN模型的权值进行优化;向优化后的RNN模型中输入处理后的风电数据进行风电功率预测,得到风电输出功率预测值。通过利用人工鱼群算法的出色寻优能力,以RMSE最小为目标函数,快速实现对脊波神经网络连接权重的寻优,利用脊波神经网络对高维数据的快速逼近能力,从而建立风电的输出功率预测模型,能有效提高预测精度。
Description
技术领域
本申请涉及风电领域,尤其涉及基于AFSA-GNN的风电功率预测方法。
背景技术
开发利用可再生能源、推动经济低碳绿色转型的广泛共识,风能作为一种清洁的可再生能源受到了越来越广泛的应用。但是由于风能自身存在间歇性、波动性和随机性,使得风电的输出功率波动较大、变化速度较快,风电接入电网后将对电力系统的稳定运行带来巨大挑战。因此,对风电的输出功率进行精确预测可以有效改善对电力系统的冲击,为电力调度部门合理安排常规能源发电与风能发电、及时调整发电计划提供依据。
目前,国内外现有的风电功率预测技术主要分为统计法和物理法。统计法是对历史数据进行统计分析,采用人工智能算法建立数值天气预报(NWP)数据与风电场发电功率之间的映射关系,再进行预测的方法;物理法不需要历史功率数据,以风电场地形、地表粗糙度、风电机组功率曲线等气象预测数据作为输入变量,利用物理方程进行预测,可用于不同时间尺度的功率预测。其中,基于统计方法的人工神经网络预测模型应用较为广泛,如灰色神经网络、反馈性神经网络、RBF神经网络和小波神经网络等预测模型,采用这些模型可以进行对风电的功率预测。风电出力的大小与风电场所处位置的风速、风向、气压、温度等天气因素有很大影响。多维函数的处理及运算将大大降低模型的速度和精确程度,且人工神经网络预测模型普遍存在网络本身易陷入局部极值、收敛速度慢等问题,同时神经网络隐含层的节点个数如何确定、权重的选取均对风电预测的结果存在影响。
发明内容
本申请实施例提出了基于AFSA-GNN的风电功率预测方法,通过AFSA算法对神经网络中的权重进行优化计算,以均方根误差(Root Mean Square Error,RMSE)最小为目标函数,得到最优权重,从而建立RNN的预测模型,实现对风电输出功率的精确预测。
具体的,本申请实施例提出的基于AFSA-GNN的风电功率预测方法,包括:
S1,将得到的风电数据进行清洗,进行归一化处理;
S2,搭建RNN模型,确定RNN模型的隐含层节点个数;
S3,基于得到的RNN模型进行回归运算得到预测功率,结合预测功率与实测功率的均方根误差最小构建目标函数;
S4,初始化AFSA算法的各项参数,利用AFSA算法步骤对RNN模型的权值进行优化;
S5,向优化后的RNN模型中输入经步骤S1处理后的风电数据进行风电功率预测,得到风电输出功率预测值。
可选的,所述S1包括:
S11,采用3σ原则对数据进行清洗,将其中的风向数据转换为对应的正弦值和余弦值;
S12,对除风向数据外的剩余数据进行归一化处理。
可选的,所述S1还包括:
风电输出功率与数值天气预报数据大致服从于正态分布,由正态分布的定义可知,数值分布在(μ-3σ,μ+3σ)外的概率为P(|X-μ|>3σ)<=0.003;
将数据与数值期望超过3倍标准差的数据视为异常值进行剔除。
可选的,所述S2包括:
其中,γ=(a,u,b)表示参数空间,a表示脊波尺度,u表示脊波方向,b表示脊波位置,a,b∈R,a>0,u∈Sd-1,Sd-1表示d-1维空间,||u||=1;
S22,将脊波函数作为神经网络隐含层的激励函数搭建RNN模型,通过公式二确定隐含层节点数s,
其中,m和n分别表示神经网络的输入层节点数和输出层节点数,a为0~10之间的常数。
可选的,所述S3包括:
S31,利用清洗后的风电输出功率与数值天气预报数据对RNN进行训练,将数值天气预报数据作为特征指标,风电输出功率作为输出指标;设立RNN隐含层节点数、迭代次数、误差阈值等指标,利用AFSA算法优化RNN的权重,得到预测模型;此后可利用未来时间的数值天气预报实现对未来风电输出功率的精确预测;
S32,基于预测功率与实测功率得到均方根误差,构建如公式三所示的目标函数
其中,PMi为i时刻的实测功率,PPi为i时刻的预测功率,m为预测样本的数量。
可选的,所述S4包括:
S41,将误差函数RMSE作为食物浓度,对RNN网络的权值进行更新优化;
S41,当RMSE满足精度要求后,AFSA算法便退出迭代,得到满足精度要求的RNN网络权值,得到训练的预测模型。
可选的,所述S5包括:
S51,当获取未来时间的数值天气预报数据后,带入预测模型,得到预测的未来风电输出功率。
有益效果:
将人工鱼群算法与脊波神经网络模型相结合,利用AFSA实现对RNN网络连接权重的寻优,从而建立风电输出功率的精确预测模型。AFSA具有较强的寻优能力,相比于一般的粒子群算法,具有不易陷入局部极值、初值不敏感的特点,同时AFSA的内在并行计算方式,能够更好的搜索到多个较优解,大大提高了模型的优化速率。RNN通过对小波基函数添加一个方向向量,将脊函数作为隐含层的激励函数,对于处理影响风电输出功率的多种因素,RNN具有非线性、高维函数的快速逼近能力。本发明提出的AFSA-RNN模型能利用人工鱼群算法的出色寻优能力,以RMSE最小为目标函数,快速实现对脊波神经网络连接权重的寻优,利用脊波神经网络对高维数据的快速逼近能力,从而建立风电的输出功率预测模型,能有效提高预测精度。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提出的基于AFSA-GNN的风电功率预测方法的流程示意图;
图2为本申请实施例提出的在AFSA算法的流程示意图。
具体实施方式
为使本申请的结构和优点更加清楚,下面将结合附图对本申请的结构作进一步地描述。
具体的,本申请实施例提出的基于AFSA-GNN的风电功率预测方法,如图1所示,包括:
S1,将得到的风电数据进行清洗,进行归一化处理;
S2,搭建RNN模型,确定RNN模型的隐含层节点个数;
S3,基于得到的RNN模型进行回归运算得到预测功率,结合预测功率与实测功率的均方根误差最小构建目标函数;
S4,初始化AFSA算法的各项参数,利用AFSA算法步骤对RNN模型的权值进行优化;
S5,向优化后的RNN模型中输入经步骤S1处理后的风电数据进行风电功率预测,得到风电输出功率预测值。
在实施中,针对现有风电功率预测技术的精确度不足问题,提出了一种基于AFSA-GNN的风电功率预测方法。人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)于2002年首先提出,是一种模拟鱼群觅食行为的智能优化算法。通过鱼群中各个体的觅食、聚群和追尾行为实现对整个搜索区域的全局寻优。脊波神经网络(ridgelet neuralnetwork,RNN)利用脊波函数作为神经网络隐含层的激励函数,神经元具有方向性,对解决非线性、高维函数的逼近具有很好的效果。本发明通过AFSA算法对神经网络中的权重进行优化计算,以均方根误差(Root Mean Square Error,RMSE)最小为目标函数,得到最优权重,从而建立RNN的预测模型,实现对风电输出功率的精确预测。
S11,采用3σ原则对数据进行清洗,将其中的风向数据转换为对应的正弦值和余弦值;
S12,对除风向数据外的剩余数据进行归一化处理。
风电输出功率与数值天气预报数据大致服从于正态分布,由正态分布的定义可知,数值分布在(μ-3σ,μ+3σ)外的概率为P(|X-μ|>3σ)<=0.003;
将数据与数值期望超过3倍标准差的数据视为异常值进行剔除。
风电输出功率与数值天气预报数据都是通过数据采集设备采集得到的。由于设备在数据采集和传输过程中可能存在故障,因此获得的原始数据中可能存在异常数据,需对其进行清洗剔除。
本专利采用3σ原则对数据进行清洗。由于风电输出功率与数值天气预报数据大致服从于正态分布,由正态分布的定义可知,数值分布在(μ-3σ,μ+3σ)外的概率为
P(|X-μ|>3σ)<=0.003
由于其概率极小,因此可以认定,当数据值与数值期望超过3倍标准差时,可以将该数据视为异常值进行剔除。
风电输出功率与数值天气预报数据往往具有不同的量纲和量纲单位,这样会影响到数据分析的结果,为了消除指标之间的量纲影响,需要对数据进行归一化处理。另一方面,神经网络使用非线性激活函数,其输出限于[0,1]或[-1,1],为了防止使用原始数据导致的神经元饱和,也需要对数据进行归一化处理,将多种变量的数据统一缩放到[0,1]范围内,采用下式对数据进行归一化处理。
其中,xmax为原始序列的最大值,xmin为原始序列的最小值,x为当前点的值,x*为归一化后的数值。
由于风向具有的角度特性,选择将风向转换为对应的正弦值和余弦值,而不对其进行归一化处理。
可选的,所述S2包括:
其中,γ=(a,u,b)表示参数空间,a表示脊波尺度,u表示脊波方向,b表示脊波位置,a,b∈R,a>0,u∈Sd-1,Sd-1表示d-1维空间,||u||-1;
S22,将脊波函数作为神经网络隐含层的激励函数搭建RNN模型,通过公式二确定隐含层节点数s,
其中,m和n分别表示神经网络的输入层节点数和输出层节点数,a为0~10之间的常数。
可选的,所述S3包括:
S31,利用清洗后的风电输出功率与数值天气预报数据对RNN进行训练,将数值天气预报数据作为特征指标,风电输出功率作为输出指标;设立RNN隐含层节点数、迭代次数、误差阈值等指标,利用AFSA算法优化RNN的权重,得到预测模型;此后可利用未来时间的数值天气预报实现对未来风电输出功率的精确预测;
S32,基于预测功率与实测功率得到均方根误差,构建如公式三所示的目标函数
其中,PMi为i时刻的实测功率,PPi为i时刻的预测功率,m为预测样本的数量。
可选的,所述S4包括:
S41,将误差函数RMSE作为食物浓度,对RNN网络的权值进行更新优化;
S41,当RMSE满足精度要求后,AFSA算法便退出迭代,得到满足精度要求的RNN网络权值,得到训练的预测模型。
技术方案图如图2所示。在AFSA算法中,将误差函数RMSE作为食物浓度,对RNN网络的权值进行更新优化。人工鱼通过觅食行为、聚群行为、追尾行为等不同行为进行食物浓度与位置的更新,当RMSE满足精度要求后,AFSA算法便退出迭代,得到满足精度要求的RNN网络权值,进而得到训练的预测模型。
AFSA算法介绍如下:
人工鱼的总数表示为N,人工鱼个体的状态表示为X=(xk,k=1,2,…,n),其中xk为待寻优的控制变量,n为待寻优变量的个数。人工鱼个体i当前所在位置的食物浓度表示为Yi=f(Xi),Yi为目标函数。人工鱼个体之间的距离表示为dij=||Xi-Xj||,人工鱼的感知距离表示为dvisual,人工鱼移动的最大步长表示为S,鱼群的拥挤度表示为δ。
人工鱼群算法主要包括觅食行为、聚群行为和追尾行为。
1)觅食行为。觅食是鱼的基本行为,鱼通过感知水中的食物浓度来选择移动方向。设人工鱼的当前状态为Xi,在其感知范围内(dij≤dvisual)随机选择另一个状态Xj,如果得到的状态食物浓度(目标函数)Yj大于当前的状态Yi,则向新选择的状态靠近一步;反之,则重新选取新状态,并判断是否满足条件。选择次数达到一定只后,若仍不满足条件,则随机移动一步。用数学表达式表示为
其中,k=1,2,…,n,xjk、xik、xi′k分别表示状态向量Xj、Xi和下一步状态向量的第k个元素。
2)聚群行为。鱼通过聚集成群进行集体觅食和躲避敌害,这是鱼进化出的一种生存方式。设人工鱼的当前状态为Xi,探索感知范围内(dij≤dvisual)的同伴数量nf,并计算同伴的中心位置Xc和中心位置的食物浓度Yc。
其中,xck、xjk分别表示中心位置状态向量Xc和第j个同伴状态向量Xj的第k个元素。
否则人工鱼执行觅食行为。
3)追尾行为。当一条鱼或几条鱼发现食物后,附近的鱼会尾随而来。设人工鱼的当前状态为Xi,探索感知范围内(dij≤dvisual)食物浓度Y最大的同伴Xmax,若满足Ymax>δYi,表明同伴Xmax处食物浓度较高且不太拥挤,则朝同伴的位置Xmax移动一步
其中,xmaxk表示状态向量Xmax的第k个元素。若不满足条件,则人工鱼执行觅食行为。
公告牌用以记录最优人工鱼个体状态及该位置的食物浓度值。每条人工鱼在执行完一次迭代后将自身当前状态与公告牌中记录的状态进行比较,如果优于公告牌中的状态则用自身状态更新公告牌中的状态,否则公告牌的状态不变。当整个算法的迭代结束后,公告牌的值就是最优解。
所述S5包括:
S51,当获取未来时间的数值天气预报数据后,带入预测模型,得到预测的未来风电输出功率。
以上所述仅为本申请的实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (7)
1.基于AFSA-GNN的风电功率预测方法,其特征在于,所述方法包括:
S1,将得到的风电数据进行清洗,进行归一化处理;
S2,搭建RNN模型,确定RNN模型的隐含层节点个数;
S3,基于得到的RNN模型进行回归运算得到预测功率,结合预测功率与实测功率的均方根误差最小构建目标函数;
S4,初始化AFSA算法的各项参数,利用AFSA算法步骤对RNN模型的权值进行优化;
S5,向优化后的RNN模型中输入经步骤S1处理后的风电数据进行风电功率预测,得到风电输出功率预测值。
2.根据权利要求1所述的基于AFSA-GNN的风电功率预测方法,其特征在于,所述S1包括:
S11,采用3σ原则对数据进行清洗,将其中的风向数据转换为对应的正弦值和余弦值;
S12,对除风向数据外的剩余数据进行归一化处理。
3.根据权利要求1所述的基于AFSA-GNN的风电功率预测方法,其特征在于,所述S1还包括:
风电输出功率与数值天气预报数据大致服从于正态分布,由正态分布的定义可知,数值分布在(μ-3σ,μ+3σ)外的概率为P(|X-μ|>3σ)<=0.003;
将数据与数值期望超过3倍标准差的数据视为异常值进行剔除。
6.根据权利要求1所述的基于AFSA-GNN的风电功率预测方法,其特征在于,所述S4包括:
S41,将误差函数RMSE作为食物浓度,对RNN网络的权值进行更新优化;
S41,当RMSE满足精度要求后,AFSA算法便退出迭代,得到满足精度要求的RNN网络权值,得到训练的预测模型。
7.根据权利要求1所述的基于AFSA-GNN的风电功率预测方法,其特征在于,所述S5包括:
S51,当获取未来时间的数值天气预报数据后,带入预测模型,得到预测的未来风电输出功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111540671.3A CN114444763A (zh) | 2021-12-16 | 2021-12-16 | 基于afsa-gnn的风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111540671.3A CN114444763A (zh) | 2021-12-16 | 2021-12-16 | 基于afsa-gnn的风电功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114444763A true CN114444763A (zh) | 2022-05-06 |
Family
ID=81364598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111540671.3A Pending CN114444763A (zh) | 2021-12-16 | 2021-12-16 | 基于afsa-gnn的风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444763A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117039895A (zh) * | 2023-10-09 | 2023-11-10 | 西安热工研究院有限公司 | 一种用于储能辅助黑启动的风功率预测方法及系统 |
-
2021
- 2021-12-16 CN CN202111540671.3A patent/CN114444763A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117039895A (zh) * | 2023-10-09 | 2023-11-10 | 西安热工研究院有限公司 | 一种用于储能辅助黑启动的风功率预测方法及系统 |
CN117039895B (zh) * | 2023-10-09 | 2024-01-26 | 西安热工研究院有限公司 | 一种用于储能辅助黑启动的风功率预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Deep belief network based k-means cluster approach for short-term wind power forecasting | |
CN109063911B (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
CN103164742B (zh) | 一种基于粒子群优化神经网络的服务器性能预测方法 | |
JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
CN109583635B (zh) | 一种面向运行可靠性的短期负荷预测建模方法 | |
CN112598180A (zh) | 一种分布式区域风电功率预测方法 | |
CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
CN114444378A (zh) | 一种区域风电集群的短期功率预测方法 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN113361785A (zh) | 配电网短期负荷预测方法、装置、终端及存储介质 | |
CN114298140A (zh) | 一种考虑机组分类的风电短期功率预测校正方法 | |
Tan et al. | Support vector machine algorithm for artificial intelligence optimization | |
Sun et al. | Short-term load forecasting based on wavelet transform and least squares support vector machine optimized by fruit fly optimization algorithm | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN110738363B (zh) | 一种光伏发电功率预测方法 | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN115995810A (zh) | 一种考虑气象波动自适应匹配的风电功率预测方法及系统 | |
CN116307291A (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
Shen et al. | Short-term load forecasting of power system based on similar day method and PSO-DBN | |
Liu et al. | Soil water content forecasting by ANN and SVM hybrid architecture | |
CN114444763A (zh) | 基于afsa-gnn的风电功率预测方法 | |
Sang et al. | Ensembles of gradient boosting recurrent neural network for time series data prediction | |
Lu et al. | The linguistic forecasting of time series based on fuzzy cognitive maps | |
Rahaman et al. | Bayesian optimization based ANN model for short term wind speed forecasting in newfoundland, Canada |
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 |