CN114510512A - 一种基于深度学习与多重集成的风电短期功率预测方法 - Google Patents
一种基于深度学习与多重集成的风电短期功率预测方法 Download PDFInfo
- Publication number
- CN114510512A CN114510512A CN202111574771.8A CN202111574771A CN114510512A CN 114510512 A CN114510512 A CN 114510512A CN 202111574771 A CN202111574771 A CN 202111574771A CN 114510512 A CN114510512 A CN 114510512A
- Authority
- CN
- China
- Prior art keywords
- wind power
- module
- meteorological data
- data
- method based
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 230000010354 integration Effects 0.000 title claims abstract description 14
- 238000013480 data collection Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000010561 standard procedure Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 230000007246 mechanism Effects 0.000 claims description 18
- 230000006698 induction Effects 0.000 claims description 9
- 230000002457 bidirectional effect Effects 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 7
- 238000005859 coupling reaction Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
- H02J13/00022—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission
-
- 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
- H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K5/00—Casings, cabinets or drawers for electric apparatus
- H05K5/02—Details
- H05K5/0217—Mechanical details of casings
- H05K5/0234—Feet; Stands; Pedestals, e.g. wheels for moving casing on floor
Abstract
本发明公开了一种基于深度学习与多重集成的风电短期功率预测方法，包括以下步骤：步骤一、使用数据收集装置获取待预测风电所在区域的气象数据；步骤二、数据收集装置通过预处理模块对获取的气象数据进行预处理；步骤三、针对气象数据不同变量，采用标准方法进行归一化处理；步骤三、对气象数据不同变量之间的相关性进行分析；步骤四、深度与多重集成式的神经网络结构设计；步骤五、利用训练样本数据对深度与多重集成式的神经网络进行训练；步骤六、在风电短期功率预测模块中，利用训练好的深度与多重集成式的神经网络模型对测试样本的风电短期功率进行预测。本发明便于更加全面的收集区域内的气象数据，使得数据有效性更强，避免数据单一性。
Description
技术领域
本发明涉及风电短期功率预测技术领域，具体涉及一种基于深度学习与多重集成的风电短期功率预测方法。
背景技术
风力发电是指把风的动能转为电能，风能是一种清洁无公害的可再生能源能源。由于风电的间歇性和变异性，任何严重的干扰都会影响风电电网的安全性。因此，准确的对风电短期功率进行预测对于电网的安全性、稳定性和经济效益都具有重要的意义。
为此相关技术领域的技术人员对此进行了改进，如中国专利申请号为202010593532.6，提出的“一种基于深度学习的风电功率短期预测方法，包括以下步骤：步骤1：收集风电功率预测所需数据集并进行预处理；步骤2：针对风电数据不同变量，采用标准方法进行归一化处理；步骤3：对风电数据不同变量之间的相关性进行分析；步骤4：深度神经网络结构设计；步骤5：利用训练样本数据对神经网络进行训练；步骤6：利用训练训练好的神经网络模型对测试样本的风电功率进行预测。”，该发明所提出的系统能够充分提取风电场数据特征，并实现特种融合，能够有效的提升风电功率短期预测的精度。
但上述中对风电场数据的提取，不是进行区域内大面积的数据采集提取的，对区域内的气象数据收集不是很全面，使得数据有效性低，数据存在单一性问题，最后会使得风电功率短期预测的精度有所偏差，为此，我们提出一种基于深度学习与多重集成的风电短期功率预测方法。
发明内容
本发明的目的在于克服现有技术中存在的上述问题，提供一种基于深度学习与多重集成的风电短期功率预测方法，便于更加全面的收集区域内的气象数据，使得数据有效性更强，避免数据单一性。
为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：
一种基于深度学习与多重集成的风电短期功率预测方法，包括数据收集装置，所述数据收集装置包括移动体和气象数据采集雷达，所述移动体是由移动支撑件、控制模块、旋转机构、双向倾斜机构和两组太阳能翼组成；
所述控制模块分别电连接有训练模块、风电短期功率预测模块、预处理模块、数据采集模块、自主导航模块、无线通讯模块、蓄电池模块和气象数据采集雷达；
还包括以下步骤：
步骤一、使用数据收集装置获取待预测风电所在区域的气象数据；
步骤二、在采集到气象数据时，数据收集装置通过预处理模块对获取的气象数据进行预处理；
步骤三、针对气象数据不同变量，采用标准方法进行归一化处理；
步骤三、对气象数据不同变量之间的相关性进行分析；
步骤四、深度与多重集成式的神经网络结构设计；
步骤五、在训练模块中，利用训练样本数据对深度与多重集成式的神经网络进行训练；
步骤六、在风电短期功率预测模块中，利用训练好的深度与多重集成式的神经网络模型对测试样本的风电短期功率进行预测。
优选地，所述移动支撑件包括盒座，所述控制模块位于盒座的内腔底部，所述盒座的底部固接有支撑底架，所述支撑底架的底部四角均设置有移动轮。
基于上述技术特征，通过移动轮在地面上滚动，实现数据收集装置在气象数据收集的区域大范围移动，使得收集的数据更全面。
优选地，两组所述太阳能翼分别位于移动支撑件的左右两侧，所述太阳能翼包括太阳能电池板和电控伸缩杆，所述太阳能电池板与盒座之间转动连接，所述电控伸缩杆与控制模块电性输入连接，所述电控伸缩杆的顶部动力伸缩端与太阳能电池板的底部之间和所述电控伸缩杆的底端与支撑底架之间均转动连接。
基于上述技术特征，在电控伸缩杆进行伸缩调节，能够带动太阳能电池板在支撑底架上进行转动调节。
优选地，所述太阳能电池板的顶部中心处设置有强光感应模块，所述强光感应模块与控制模块电性输出连接。
基于上述技术特征，在太阳能电池板进行转动调节时，通过强光感应模块来感应最强照射位置的太阳光，使得太阳能电池板能够充分利用太阳光。
优选地，所述旋转机构包括旋转电机和承载板，所述承载板转动连接在盒座的内腔顶部，所述旋转电机位于盒座的内腔底部，所述旋转电机的顶部动力输出端与承载板的底部中间相固接。
基于上述技术特征，便于带动承载板在盒座内腔顶部进行转动调节，实现气象数据采集雷达在空间中360°的位置改变。
优选地，所述双向倾斜机构包括两组第二支撑块，两组所述第二支撑块之间转动连接有蜗杆，左侧所述第二支撑块的左侧壁设置有正反转电机，所述正反转电机的右侧动力输出端与蜗杆相连接。
基于上述技术特征，通过正反转电机的正反转运动便于带动蜗杆在两组第二支撑块之间进行转动调节。
优选地，所述蜗杆的前后两侧均设置有第一支撑块，所述第一支撑块和第二支撑块的底部均与承载板相固接，两组所述第一支撑块之间转动连接有轴杆，所述轴杆的外壁前后两侧均固接有支撑杆，所述支撑杆的顶部与气象数据采集雷达相固接，两组所述支撑杆之间设置有蜗轮，所述蜗轮固接在轴杆上，且蜗轮与蜗杆相啮合。
基于上述技术特征，在蜗杆转动时，啮合作用将动力传输到蜗轮上，进一步通过蜗轮带动气象数据采集雷达进行左右倾斜。
与现有技术相比，本发明的有益效果如下：
第一：通过自主导航模块对数据收集装置进行路线自主导航，使其通过移动轮在地面上移动，实现数据收集装置在气象数据收集的区域大范围移动。
第二：通过旋转机构和双向倾斜机构的配合，在数据收集装置在气象数据收集的区域大范围移动的同时，实现气象数据采集雷达在水平位置上的360°全方位转动调节以及左右方向上的倾斜调节，从而使得气象数据采集雷达能够更加全面的收集区域内的气象数据，使得数据有效性更强，避免数据单一性。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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发明的一些实施例，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为本发明的预测方法的模块示意图；
图2为本发明的数据收集装置的结构示意图；
图3为本发明的移动体的结构示意图；
图4为本发明的双向倾斜机构的结构示意图；
附图中，各标号所代表的部件列表如下：
1-移动体，2-气象数据采集雷达，3-太阳能翼，301-强光感应模块，302-太阳能电池板，303-电控伸缩杆，4-移动支撑件，401-盒座，402-支撑底架，403-移动轮，5-控制模块，6-旋转机构，601-承载板，602-旋转电机，7-双向倾斜机构，701-正反转电机，702-第一支撑块，703-蜗轮，704-支撑杆，705-轴杆，706-蜗杆，707-第二支撑块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提供一种技术方案：一种基于深度学习与多重集成的风电短期功率预测方法，包括数据收集装置，数据收集装置包括移动体1和气象数据采集雷达2，移动体1是由移动支撑件4、控制模块5、旋转机构6、双向倾斜机构7和两组太阳能翼3组成(参看说明书附图图2和图3)；
控制模块5分别电连接有训练模块、风电短期功率预测模块、预处理模块、数据采集模块、自主导航模块、无线通讯模块、蓄电池模块和气象数据采集雷达2(参看说明书附图图1)；
移动支撑件4包括盒座401，控制模块5位于盒座401的内腔底部，盒座401的底部固接有支撑底架402，支撑底架402的底部四角均设置有移动轮403，通过移动轮403在地面上滚动，实现数据收集装置在气象数据收集的区域大范围移动，使得收集的数据更全面(参看说明书附图图3)；
两组太阳能翼3分别位于移动支撑件4的左右两侧，太阳能翼3包括太阳能电池板302和电控伸缩杆303，太阳能电池板302与盒座401之间转动连接，太阳能电池板302与蓄电池模块电连接，太阳能电池板302将转换的电能都存储在蓄电池模块中，通过蓄电池模块为数据收集装置的工作提供电力，电控伸缩杆303与控制模块5电性输入连接，电控伸缩杆303的顶部动力伸缩端与太阳能电池板302的底部之间和电控伸缩杆303的底端与支撑底架402之间均转动连接，太阳能电池板302的顶部中心处设置有强光感应模块301，强光感应模块301与控制模块5电性输出连接，强光感应模块301实时感应太阳光，在光线照射到在太阳能电池板302上强光感应模块301感应到照射不足时，将信号传输到控制模块5，通过控制模块5控制电控伸缩杆303进行伸缩调节，进而带动太阳能电池板302在支撑底架402上进行转动调节，在进行转动调节时，继续通过强光感应模块301来感应最强照射位置的太阳光，从而使得太阳能电池板302能够被最强光线照射，充分利用可再生资源(参看说明书附图图3)；
旋转机构6包括旋转电机602和承载板601，承载板601转动连接在盒座401的内腔顶部，旋转电机602位于盒座401的内腔底部，旋转电机602的顶部动力输出端与承载板601的底部中间相固接，便于带动承载板601在盒座401内腔顶部进行转动调节，实现气象数据采集雷达2在空间中360°的位置改变(参看说明书附图图3)；
双向倾斜机构7包括两组第二支撑块707，两组第二支撑块707之间转动连接有蜗杆706，左侧第二支撑块707的左侧壁设置有正反转电机701，正反转电机701的右侧动力输出端与蜗杆706相连接，通过正反转电机701的正反转运动便于带动蜗杆706在两组第二支撑块707之间进行转动调节，蜗杆706的前后两侧均设置有第一支撑块702，第一支撑块702和第二支撑块707的底部均与承载板601相固接，两组第一支撑块702之间转动连接有轴杆705，轴杆705的外壁前后两侧均固接有支撑杆704，支撑杆704的顶部与气象数据采集雷达2相固接，两组支撑杆704之间设置有蜗轮703，蜗轮703固接在轴杆705上，且蜗轮703与蜗杆706相啮合，在蜗杆706转动时，啮合作用将动力传输到蜗轮703上，进一步通过蜗轮703带动气象数据采集雷达2进行左右倾斜(参看说明书附图图4)；
还包括以下步骤：
步骤一、使用数据收集装置获取待预测风电所在区域的气象数据：
通过自主导航模块对数据收集装置进行路线自主导航，使其通过移动轮403在地面上移动，实现其在气象数据收集的区域大范围移动，通过旋转电机602带动承载板601在盒座401上转动，进一步带动双向倾斜机构7和气象数据采集雷达2一起转动，实现气象数据采集雷达2在水平位置上的360°全方位调节，然后通过正反转电机701的正反转动带动蜗杆706转动，经过蜗703与蜗杆706的啮合带动轴杆705在两组第一支撑块702之间转动，进一步带动气象数据采集雷达2进行左右方向上的倾斜调节，从而使得气象数据采集雷达2能够更加全面的收集区域内的气象数据，使得数据有效性更强，避免数据单一性，通过数据采集模块对气象数据采集雷达2收集的气象数据进行存储收集，然后通过无线通讯模块传递到终端处的风电短期功率预测模块；
步骤二、在采集到气象数据时，数据收集装置通过预处理模块对获取的气象数据进行预处理；
步骤三、针对气象数据不同变量，采用标准方法进行归一化处理；
步骤三、对气象数据不同变量之间的相关性进行分析；
步骤四、深度与多重集成式的神经网络结构设计；
步骤五、在训练模块中，利用训练样本数据对深度与多重集成式的神经网络进行训练；
步骤六、在终端处的风电短期功率预测模块中，利用训练好的深度与多重集成式的神经网络模型对测试样本的风电短期功率进行预测。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”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一定指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何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.一种基于深度学习与多重集成的风电短期功率预测方法，其特征在于：包括数据收集装置，所述数据收集装置包括移动体(1)和气象数据采集雷达(2)，所述移动体(1)是由移动支撑件(4)、控制模块(5)、旋转机构(6)、双向倾斜机构(7)和两组太阳能翼(3)组成；
所述控制模块(5)分别电连接有训练模块、风电短期功率预测模块、预处理模块、数据采集模块、自主导航模块、无线通讯模块、蓄电池模块和气象数据采集雷达(2)；
还包括以下步骤：
步骤一、使用数据收集装置获取待预测风电所在区域的气象数据；
步骤二、在采集到气象数据时，数据收集装置通过预处理模块对获取的气象数据进行预处理；
步骤三、针对气象数据不同变量，采用标准方法进行归一化处理；
步骤三、对气象数据不同变量之间的相关性进行分析；
步骤四、深度与多重集成式的神经网络结构设计；
步骤五、在训练模块中，利用训练样本数据对深度与多重集成式的神经网络进行训练；
步骤六、在风电短期功率预测模块中，利用训练好的深度与多重集成式的神经网络模型对测试样本的风电短期功率进行预测。
2.根据权利要求1所述的一种基于深度学习与多重集成的风电短期功率预测方法，其特征在于：所述移动支撑件(4)包括盒座(401)，所述控制模块(5)位于盒座(401)的内腔底部，所述盒座(401)的底部固接有支撑底架(402)，所述支撑底架(402)的底部四角均设置有移动轮(403)。
3.根据权利要求1所述的一种基于深度学习与多重集成的风电短期功率预测方法，其特征在于：两组所述太阳能翼(3)分别位于移动支撑件(4)的左右两侧，所述太阳能翼(3)包括太阳能电池板(302)和电控伸缩杆(303)，所述太阳能电池板(302)与盒座(401)之间转动连接，所述电控伸缩杆(303)与控制模块(5)电性输入连接，所述电控伸缩杆(303)的顶部动力伸缩端与太阳能电池板(302)的底部之间和所述电控伸缩杆(303)的底端与支撑底架(402)之间均转动连接。
4.根据权利要求3所述的一种基于深度学习与多重集成的风电短期功率预测方法，其特征在于：所述太阳能电池板(302)的顶部中心处设置有强光感应模块(301)，所述强光感应模块(301)与控制模块(5)电性输出连接。
5.根据权利要求1所述的一种基于深度学习与多重集成的风电短期功率预测方法，其特征在于：所述旋转机构(6)包括旋转电机(602)和承载板(601)，所述承载板(601)转动连接在盒座(401)的内腔顶部，所述旋转电机(602)位于盒座(401)的内腔底部，所述旋转电机(602)的顶部动力输出端与承载板(601)的底部中间相固接。
6.根据权利要求1所述的一种基于深度学习与多重集成的风电短期功率预测方法，其特征在于：所述双向倾斜机构(7)包括两组第二支撑块(707)，两组所述第二支撑块(707)之间转动连接有蜗杆(706)，左侧所述第二支撑块(707)的左侧壁设置有正反转电机(701)，所述正反转电机(701)的右侧动力输出端与蜗杆(706)相连接。
7.根据权利要求6所述的一种基于深度学习与多重集成的风电短期功率预测方法，其特征在于：所述蜗杆(706)的前后两侧均设置有第一支撑块(702)，所述第一支撑块(702)和第二支撑块(707)的底部均与承载板(601)相固接，两组所述第一支撑块(702)之间转动连接有轴杆(705)，所述轴杆(705)的外壁前后两侧均固接有支撑杆(704)，所述支撑杆(704)的顶部与气象数据采集雷达(2)相固接，两组所述支撑杆(704)之间设置有蜗轮(703)，所述蜗轮(703)固接在轴杆(705)上，且蜗轮(703)与蜗杆(706)相啮合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111574771.8A CN114510512B (zh) | 2021-12-21 | 2021-12-21 | 一种基于深度学习与多重集成的风电短期功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111574771.8A CN114510512B (zh) | 2021-12-21 | 2021-12-21 | 一种基于深度学习与多重集成的风电短期功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114510512A true CN114510512A (zh) | 2022-05-17 |
| CN114510512B CN114510512B (zh) | 2023-10-31 |
Family
ID=81548162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111574771.8A Active CN114510512B (zh) | 2021-12-21 | 2021-12-21 | 一种基于深度学习与多重集成的风电短期功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114510512B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007060820A1 (ja) * | 2005-11-28 | 2007-05-31 | Pioneer Corporation | 移動体気象観測装置及び方法 |
| US8450895B1 (en) * | 2009-05-06 | 2013-05-28 | Levitate Ip, Llc | 3-D servo positioning system and method |
| US20140191893A1 (en) * | 2012-04-25 | 2014-07-10 | Raven Industries, Inc. | System and method for wide-area stratospheric surveillance |
| CN104181616A (zh) * | 2014-08-29 | 2014-12-03 | 南京中网卫星通信股份有限公司 | 应急北斗气象站及采集气象数据的方法 |
| US20190127985A1 (en) * | 2017-10-26 | 2019-05-02 | 2KR Systems, LLC | Building rooftop intelligence gathering, decision-support and snow load removal system for protecting buildings from excessive snow load conditions, and automated methods for carrying out the same |
| US20200240267A1 (en) * | 2018-08-07 | 2020-07-30 | Trans Astronautica Corporation | Systems and methods for radiant gas dynamic mining of permafrost for propellant extraction |
| CN111832812A (zh) * | 2020-06-27 | 2020-10-27 | 南通大学 | 一种基于深度学习的风电功率短期预测方法 |
| KR102212091B1 (ko) * | 2019-10-01 | 2021-02-04 | 지꺼정 농업회사법인 주식회사 | 경사각 조정 및 모듈 이동이 가능한 영농형 태양광 발전장치 |
| CN112722331A (zh) * | 2021-01-27 | 2021-04-30 | 东南大学 | 一种月面载人移动车系统的交互装置及交互控制方法 |
| DE102021001813A1 (de) * | 2021-04-08 | 2022-10-13 | Oleg Tchebunin | Bemanntes fahrendes und fliegendes Mondfahrzeug |
-
2021
- 2021-12-21 CN CN202111574771.8A patent/CN114510512B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007060820A1 (ja) * | 2005-11-28 | 2007-05-31 | Pioneer Corporation | 移動体気象観測装置及び方法 |
| US8450895B1 (en) * | 2009-05-06 | 2013-05-28 | Levitate Ip, Llc | 3-D servo positioning system and method |
| US20140191893A1 (en) * | 2012-04-25 | 2014-07-10 | Raven Industries, Inc. | System and method for wide-area stratospheric surveillance |
| CN104181616A (zh) * | 2014-08-29 | 2014-12-03 | 南京中网卫星通信股份有限公司 | 应急北斗气象站及采集气象数据的方法 |
| US20190127985A1 (en) * | 2017-10-26 | 2019-05-02 | 2KR Systems, LLC | Building rooftop intelligence gathering, decision-support and snow load removal system for protecting buildings from excessive snow load conditions, and automated methods for carrying out the same |
| US20200240267A1 (en) * | 2018-08-07 | 2020-07-30 | Trans Astronautica Corporation | Systems and methods for radiant gas dynamic mining of permafrost for propellant extraction |
| KR102212091B1 (ko) * | 2019-10-01 | 2021-02-04 | 지꺼정 농업회사법인 주식회사 | 경사각 조정 및 모듈 이동이 가능한 영농형 태양광 발전장치 |
| CN111832812A (zh) * | 2020-06-27 | 2020-10-27 | 南通大学 | 一种基于深度学习的风电功率短期预测方法 |
| CN112722331A (zh) * | 2021-01-27 | 2021-04-30 | 东南大学 | 一种月面载人移动车系统的交互装置及交互控制方法 |
| DE102021001813A1 (de) * | 2021-04-08 | 2022-10-13 | Oleg Tchebunin | Bemanntes fahrendes und fliegendes Mondfahrzeug |
Non-Patent Citations (5)
| Title |
|---|
| LAURA RAY等: "Autonomous rover for polar science support and remote sensing", 《2014 IEEE GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》, pages 4101 - 4104 * |
| 吴智恒等: "《机械工业可靠性技术应用研究 2019年第四届全国机械工业可靠性技术应用交流大会论文集》", vol. 1, 华南理工大学出版社, pages: 165 * |
| 张舒翔等: "基于SCADA数据驱动的风电机组状态监测", 《电工技术》, no. 22, pages 47 - 50 * |
| 曹庆才等: "基于机器视觉的风机叶片缺陷检测", 《电工技术》, no. 22, pages 74 - 76 * |
| 李正: "高压输电线路自主巡检机器人的研究", 《中国博士学位论文全文数据库》, pages 140 - 36 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114510512B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN215204472U (zh) | 一种带自动充换电功能的5g通讯停机坪 | |
| CN205945625U (zh) | 一种基于gps快速寻光的可移动太阳能电池组 | |
| CN108325896A (zh) | 一种光伏板面清扫车 | |
| CN107102652A (zh) | 用于污水处理的太阳能发电板自动跟踪设备及其使用方法 | |
| CN112525589A (zh) | 一种土壤勘探装置 | |
| CN114510512A (zh) | 一种基于深度学习与多重集成的风电短期功率预测方法 | |
| CN214622600U (zh) | 一种生态环境监测装置 | |
| CN208158517U (zh) | 一种基于太阳能电池板供应电能的机器人小车 | |
| CN214577523U (zh) | 一种智慧农业大棚的风光电互补发电设备 | |
| CN108406793A (zh) | 一种智能排爆排险机器人 | |
| CN206135766U (zh) | 一种可随太阳照射方向转动的光伏发电系统 | |
| CN207032700U (zh) | 一种屋顶光伏电池板方阵的电动清雪装置 | |
| CN201210256Y (zh) | 太阳能收集器的方位角控制装置 | |
| CN110813815A (zh) | 一种分布式光伏电池板阵列无水清扫机器人 | |
| CN220915075U (zh) | 一种推杆驱动装置和光伏太阳能发电架 | |
| CN218805273U (zh) | 太阳能恒温汽车充电仓 | |
| CN204928712U (zh) | 带有倾动及回转功能的等高度抽拉展开式电阳能发电站 | |
| CN204948003U (zh) | 一种带有倾动和回转功能的抽拉展开式太阳能发电站 | |
| CN108526067A (zh) | 一种智能化光伏阵列清洁器 | |
| CN214622364U (zh) | 一种基于智能识别的农作物病害防治系统 | |
| CN220896548U (zh) | 一种风光储一体机发电机设备 | |
| CN220794747U (zh) | 一种小麦育种用水质检测采集装置 | |
| CN220234585U (zh) | 一种单排立柱光伏支架 | |
| CN220188117U (zh) | 一种用于湖水环境监测的自动取样装置 | |
| CN213028284U (zh) | 一种基于物联网的信息采集装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221014 Address after: No. 2, xizhuan Hutong, Caishikou street, Xicheng District, Beijing 100052 Applicant after: Datang renewable energy test and Research Institute Co.,Ltd. Address before: 100041 room a-1725, 2nd floor, building 3, yard 30, Shixing street, Shijingshan District, Beijing Applicant before: CHINA DATANG CORPORATION NEW ENERGY SCIENCE AND TECHNOLOGY RESEARCH INSTITUTE Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |