CN114692950A - 风电功率预测方法 - Google Patents

风电功率预测方法 Download PDF

Info

Publication number
CN114692950A
CN114692950A CN202210209056.2A CN202210209056A CN114692950A CN 114692950 A CN114692950 A CN 114692950A CN 202210209056 A CN202210209056 A CN 202210209056A CN 114692950 A CN114692950 A CN 114692950A
Authority
CN
China
Prior art keywords
data
sequence set
value
time sequence
wind power
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
Application number
CN202210209056.2A
Other languages
English (en)
Inventor
王永生
徐昊
关世杰
武煜昊
邢红梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inner Mongolia University of Technology
Original Assignee
Inner Mongolia University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Inner Mongolia University of Technology filed Critical Inner Mongolia University of Technology
Priority to CN202210209056.2A priority Critical patent/CN114692950A/zh
Publication of CN114692950A publication Critical patent/CN114692950A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种风电功率预测方法，以风电场传感器所接收的原始数据构成原始时间序列集，构建掩码矩阵，然后将原始时间序列集编码至隐藏空间，将隐藏单元传入基于门控循环单元的生成对抗网络，生成伪时间序列集；将伪时间序列集处理后与原始时间序列集通过所述生成对抗网络的鉴别器比对，当均方根误差小于设定阈值时，使用伪时间序列集中的数据插补到原时间序列集的空缺中，形成完整的新时间序列集；利用新时间序列集对风电功率进行预测。本发明可保障短期风电功率预测的运算效率与结果准确度。

Description

风电功率预测方法
技术领域
本发明属于风电技术领域，同时属于时间序列数据分析与挖掘技术领域，亦属于大数据分析与应用技术领域，特别涉及一种风电功率预测方法。
背景技术
风电场通过开展风电功率预测来进行电力市场竞价和风电场运行维护，通过风电功率预测系统的预测结果，电网调度部门进行合理的发电计划安排，减少系统的旋转备用容量，提高电网运行的经济性，同时通过提前预测风电功率的波动，合理的安排运行方式和应对措施，提高电网的安全性和可靠性。但是数据在采集过程中由于传感器等硬件设备所带来的采集误差，对后期风电功率预测带来一定的误差。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种风电功率预测方法，采用了基于生成对抗网络自动编码的多元时间序列插补方法，通过对风电场发电量监测数据缺失值和社区运维系统数据缺失值的插补，尽可能规避了由于多方面原因所带来的异常值现象，提高预测准确性。
为了实现上述目的，本发明采用的技术方案是：
一种风电功率预测方法，包括如下步骤：
步骤1，以风电场传感器所接收的原始数据构成原始时间序列集，所述原始数据包括气象部门监测的温度、压强数据以及风电场监测的风速、风向数据；所述原始时间序列集含缺失值；先以所述原始时间序列集构建掩码矩阵M，然后将原始时间序列集编码至隐藏空间，将隐藏单元传入基于门控循环单元的生成对抗网络，生成伪时间序列集，其中生成对抗网络的生成器即对编码的原始时间序列集进行解码的解码器；
步骤2，将所述伪时间序列集处理后与所述原始时间序列集通过所述生成对抗网络的鉴别器比对，当均方根误差小于设定阈值时，使用伪时间序列集中的数据插补到原时间序列集的空缺中，形成完整的新时间序列集；
步骤3，利用所述新时间序列集，对风电功率进行预测。
与现有技术相比，本发明针对风电数据采集过程中出现的缺失值现象，采用插补的方法，将采集到原始数据中的缺失值进行插补，最终获得输入的特征数据进行预测模型的训练和测试，达到风电场所需的预测模型。采用本发明，可极大程度上解决风电原始数据采集的误差现象，提高预测模型预测的准确性，为电网调度部门和风电场提高更精准的预测数据。
附图说明
图1是本发明整体流程示意图。
图2是本发明工作逻辑图
图3是本发明实施例1中在不同方法的插补数据集上训练不同分类模型预测得分。
图4是本发明实施例2中在不同方法的插补数据集上训练不同分类模型所得的均方根误差。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
如图1所示，本发明为一种风电功率预测方法，包括如下步骤：
步骤1，以风电场传感器所接收的原始数据构成原始时间序列集，原始数据主要包括气象部门监测的温度、压强数据以及风电场监测的风速、风向数据；显然，由于传感器所带来的采集误差，该原始时间序列集容易含有缺失值。
步骤2，检测该原始时间序列集中是否含有缺失值，如没有，则可直接就行预测，但这种概率较低。如有，则需要进行插补，具体地，先以该原始时间序列集构建掩码矩阵M，然后将该原始时间序列集编码至隐藏空间，将隐藏单元传入基于门控循环单元的生成对抗网络(与解码同步进行)，解码生成伪时间序列集，其中生成对抗网络的生成器即对编码的原始时间序列集进行解码的解码器。
在本发明中，构建掩码矩阵M的方法可如下所示：
在原始时间序列集中，若参数j在ti时刻的值存在，则记为
Figure BDA0003530280050000031
若参数j在ti时刻的值不存在，即为缺失值，则记为
Figure BDA0003530280050000032
最终构建掩码矩阵
Figure BDA0003530280050000033
其中，
Figure BDA0003530280050000034
表示在ti时刻j的值是否存在；最终表示形式可示例为：
Figure BDA0003530280050000035
本发明的原始时间序列集的编码基于自编码器实现，编码目标为使数据进入隐藏空间，隐藏空间中存在高斯分布限制的一维矩阵。
具体地，在原始时间序列集编码时，需要重构损失函数计算损失值，并检测编码后解码前的数据和原始时间序列集之间的误差，其中自编码器损失值定义为：LEnc＝||X⊙M-G(z)⊙M||2，解码器损失值定义为：LDec＝||X⊙M-G(z)⊙M||2+λLDisc，其中X表示真实数据，即含缺失值的原始时间序列集，G(z)表示生成数据，即生成的伪时间序列集，⊙表示矩阵乘法，λ表示控制LEnc与LDisc之间比例大小的超参数，LDisc为鉴别器损失值，LDisc＝D(X)-D(G(z))，D(X)指真实数据的分布，D(G(z))指生成数据的分布，原始时间序列集与伪时间序列集之间的Wasserstein距离可记作D。
本发明生成对抗网络可通过如下过程训练：
设定生成器的迭代次数为ncritic；训练样本数量为m；θEnc为自编码器的梯度下降值；θDec为解码器梯度下降值；θDisc为鉴别器梯度下降值；c为梯度限制，若鉴别器更新值大于c，则对其赋值为c，若鉴别器更新值小于-c，则对其赋值为-c，若鉴别器更新值若在-c到c之间，则对其赋值为计算值；
当θDisc未收敛时，从1开始循环更新，直至达到迭代次数ncritic；
则：
Figure BDA0003530280050000041
Figure BDA0003530280050000042
LDec+←LEnc+λLDisc
Figure BDA0003530280050000043
Figure BDA0003530280050000044
Figure BDA0003530280050000045
上式中：+←为更新符号；
Figure BDA0003530280050000046
是指梯度下降值，代表其后面的公式是梯度下降计算公式；M(i)表示第i批数据的掩码矩阵，X(i)表示第i批数据的含缺失值的原始时间序列集，G(z)(i)表示第i批数据的生成数据，Clip()和fw()为限制函数；
Figure BDA0003530280050000047
指解码器梯度下降值；
Figure BDA0003530280050000048
指编码器梯度下降值；
Figure BDA0003530280050000049
指鉴别器梯度下降值。
步骤3，将伪时间序列集处理后与原始时间序列集通过生成对抗网络的鉴别器比对，当均方根误差小于设定阈值时，使用伪时间序列集中的数据插补到原时间序列集的空缺中，形成完整的新时间序列集；否则重复将新的伪时间序列集传入到编码器中，重复步骤2，直至其均方根误差小于设定阈值。
示例地，在本发明中，需要将原始时间序列集中的每个时间序列样本传入自编码器中并编码到潜在空间，从而使之在有高斯分布的限制下降维，使后面生成器的效果更好。将潜在空间中的一维数据输入解码器中以获得G(z)，插补损失收敛到最优解后，使用生成的数据G(z)替换原始时间序列集中的缺失值。
本发明伪时间序列集处理方法为，将伪时间序列集乘以掩码矩阵M，以保证其与原始时间序列集中的数据数量一致，由于M是根据含缺失值的原始时间序列集定义的，其中缺失位置用0表示，但生成的伪时间序列集是不含缺失值的，这个时候若直接和带缺失值的原始时间序列集比对，不严谨，因此要把缺失位置复现，因此，通过处理，可以使伪时间序列集中与原始时间序列集中缺失位置保持一致。
在本步骤中，鉴别器判别可参考LDisc的计算方法。
在本步骤中，伪时间序列集中的数据插补方法如下：
对于每个编码前数据x，即时间序列样本，从其编码的潜在空间z中提取，并将其输入生成器以获得G(z)。插补损失收敛到最优解后，使用生成的数据G(z)部分替换缺失值。其中θEnc，θDec，θDisc对收敛计算起到至关重要的作用。缺失值插补方法为Limputed＝x⊙M+(1-M)⊙G(z)，通过此方法可获得使用生成数据G(z)替换原始时间序列集后得到新时间序列集。
步骤4，利用新时间序列集，输入至现有的机器学习模型，即可对风电功率进行预测。
本发明在生成对抗网络中加入门控循环单元的过程如下：
在编码器(Encoder)、解码器(Decoder)、鉴别器(Discrinimator)中，加入门控循环单元(GRU)，编码器(Encoder)、解码器(Decoder)、鉴别器(Discrinimator)的主体网络都是由三层GRU层和一层Dense层组成，Dense层的隐藏单元不同。
在编码器的全连接层，使输入向量(含缺失值的原始时间序列集)压缩至低维向量z。在解码器的Dense层，使其能够还原解码器输入形状大小。鉴别器的Dense层设置为1。为了防止梯度爆炸或梯度消失发生的发生，在改进的循环门控单元(GRUI)中间加入了LayerNormalization层，以及其GRU中利用了Relu作为激活函数。
由于缺失数据的存在，连续时间滞后可能会发生变化。为了拟合过去不同滞后的衰减效应，使用了GRUI对含缺失值的原始时间序列集的时间不规则性进行建模。
为了记录原始时间序列集的两个值之间的延迟(此处，两个值是指两个时间在同一采集点采集的数据，时滞矩阵的意义是记录两次获得有效数据的时间差)，构建时滞矩阵
Figure BDA0003530280050000051
记录同一参数j当前值与上次有效值之间的时间差，Rn*d表示n行d列的矩阵，与掩码矩阵M大小构造一致，用来记录每个数据和上次有效值的时间差，通过行和列能够找到每一个数据点；
其中，编码器使数据进入隐藏空间；解码器又名生成器，作用为生成伪时间序列集；鉴别器是鉴别伪时间序列集与原始时间序列集的相似性；
时滞矩阵
Figure BDA0003530280050000061
ti时刻的衰减因子
Figure BDA0003530280050000062
的计算方法为
Figure BDA0003530280050000063
隐藏状态更新方法为
Figure BDA0003530280050000064
其中
Figure BDA0003530280050000065
是门控循环单元隐藏状态，Wβ与bβ是需要学习的参数，用隐藏状态乘以衰减因子来更新最新的隐藏状态。
在本发明的具体实施例中，硬件为一台计算机，配置包含硬件环境：CPU：2颗IntelXeon 6130处理器(2.1GHz/16c)/2666MHz/10.4GT；GPU：6块16G_TESLA-P100_4096b_P_CAC；内存：16根32G ECC Registered DDR4 2666；软件环境：操作系统：Ubantu 16.04；深度学习框架：Tensorflow；语言及开发环境：Python 2.7、Anaconda 3。
在两个真实数据集(EGG数据集、IMWP(Inner Mongolia Wind Power)数据集)中对所提出的方法进行了评估。为了证明该方法的插补结果，与简单方法、基于KNN的插补方法和GAN网络插补方法进行了直接和间接比较。数据集基本信息如表1所示。
表1数据集基本信息
数据集 特征数量 样本数 缺失率
EEG 14 14980 0％
IMWP 8 13493 30％
实施例一
EEG数据集是一个使用情绪EEG神经耳机的连续EEG测量。该数据集包括14个传感器信号，如AF3、F7、T7等，以及一个二进制分类标签。类值“1”表示眼睛闭着，“0”表示眼睛睁开的状态。这是一个完整的数据集，共有14980个观测值未丢失。测量的持续时间为117秒。所有值均按时间顺序排列，第一个测量值位于数据顶部。原数据集无缺失值，因此在后续的实验中随机构造缺失值并验证本方法填补数据的合理性。
当模型训练时，编码器和鉴别器的输入样本以及相应的屏蔽矩阵。对于本数据集，输入维度为(20,14)，批量大小为128，GRU的隐藏单元设置为128，解码器压缩的低维向量大小为64。
EEG数据集是一个完整的数据集，可以直接将该方法的结果与其他方法进行比较。比较方法包括平均填充法、基于KNN的插值法和基于原始GAN的插值法。在实验之前，首先对数据集进行标准化。该数据集的超参数为：训练轮次为200轮，学习率为0.002，λ为0.0。表格的第一列是EEG数据集的缺失率。根据百分比随机构造缺失数据，剩余的列通过不同的方法进行插值的均方误差。这里的均方误差是对插值进行去规范化后计算的均方误差，样本数据的平均值约为4000。实验数据如表2所示。
表2在EEG数据集上的插补效果
缺失率 平均值填充法 KNN填充法 GAN填充法 VAE-GAN填充法
90％ 41.93 27.09 23.34 19.89
70％ 38.87 23.91 21.74 19.27
50％ 36.79 21.03 21.45 18.35
30％ 36.64 24.47 20.31 17.79
10％ 27.33 9.91 13.84 11.46
可以看到，当数据集的缺失精度低于30％时，基于KNN插值的方法更好，但在缺失数据较高的情况下，本发明的方法具有更好的填充精度。这是因为基于生成模型的方法可以自动学习样本数据的分布和样本之间的时间关系。这样，所提出的方法不仅可以根据数据分布进行缺失插值，而且可以避免生成网络添加的一些噪声，从而生成新的样本，影响插值效果。
如图3所示，是回归任务的测试结果。本发明使用70％缺失值的EGG数据集，使用不同的方法填充数据集，然后训练随机森林分类器和支持向量机分类器进行二值分类。
从图3可以看出，本发明的方法在分类精度上优于其他方法。
实施例二
IMWP数据集是内蒙古某风电场2019年的真实数据。原始数据分为两部分，一部分是历史天气数据(NWP)，这部分数据由风电场测风塔和历史天气预报报告进行校准。2019年1月1日至5月21日，每15分钟记录近14000条数据。每个数据有7个变量，包括风向、风速、温度和湿度。另一部分是风电场输出功率数据，由风电场运行监测和数据采集系统(SCADA)获取。数据为2019年1月1日至5月21日。采样频率与数值预报数据相同。由于恶劣的环境、SCADA系统传感器异常、通信故障等因素，存在一定的异常和数据缺失，其中缺失数据近4300条(30％)。表3为原始风电数据中天气预报数据(部分示意)，表4为原始风电数据中风电实际功率(部分示意，含缺失值)，表5为原始风电数据中风电实际功率(部分示意，缺失值已填充)。如下：
表3原始风电数据天气预报部分
Figure BDA0003530280050000081
表4原始风电数据中风电实际功率
Figure BDA0003530280050000091
表5原始风电数据中风电实际功率(缺失值已填充)
Figure BDA0003530280050000092
IMWP数据集不完整，无法直接评估插值方法的质量。通过间接测量本发明方法和其他方法的填充精度。本发明方法的超参数为：训练次数为100次，学习率为0.001，λ为0.2。通过不同的方法对结果进行插值，使用随机森林回归模型和LSTM神经网络模型(三层，单元为32、64、94，损耗使用MAE，优化器为Adam)和其他回归模型预测未来风电数据，通过计算预测数据与实际数据之间的均方误差和均方根误差，间接判断填充法的优劣。将IMWP数据集标准化为(0,5)区间，并使用预测风电数据和实际功率数据计算均方根误差。在图4中，可以看到本发明方法总是可以得到最佳的MSE。
通过本发明的实施步骤，由图3和图4可以看出本发明将实例中采集到的原始数据经过缺失值填补之后，很好的解决了数据采集过程中多因素造成的误差，综合了风电数据的连续性，进一步提高了预测的准确性，为电力调度部门等提供了更准确的预测结果。
虽然本发明已经通过优选实施例进行了描述，然而本发明并非局限于这里所描述的实施例，在不脱离本发明范围的情况下还包括所做出的各种改变以及变化。

Claims (8)

1.一种风电功率预测方法，其特征在于，包括如下步骤：
步骤1，以风电场传感器所接收的原始数据构成原始时间序列集，所述原始数据包括气象部门监测的温度、压强数据以及风电场监测的风速、风向数据；所述原始时间序列集含缺失值；先以所述原始时间序列集构建掩码矩阵M，然后将原始时间序列集编码至隐藏空间，将隐藏单元传入基于门控循环单元的生成对抗网络，生成伪时间序列集，其中生成对抗网络的生成器即对编码的原始时间序列集进行解码的解码器；
步骤2，将所述伪时间序列集处理后与所述原始时间序列集通过所述生成对抗网络的鉴别器比对，当均方根误差小于设定阈值时，使用伪时间序列集中的数据插补到原时间序列集的空缺中，形成完整的新时间序列集；
步骤3，利用所述新时间序列集，对风电功率进行预测。
2.根据权利要求1所述风电功率预测方法，其特征在于，所述步骤1，构建掩码矩阵的方法如下：
原始时间序列集中，若参数j在ti时刻的值存在，则记为
Figure FDA0003530280040000011
若参数j在ti时刻的值不存在，即为缺失值，则记为
Figure FDA0003530280040000012
最终构建掩码矩阵
Figure FDA0003530280040000013
3.根据权利要求1所述风电功率预测方法，其特征在于，所述原始时间序列集的编码基于自编码器实现，编码目标为使数据进入隐藏空间，所述隐藏空间中存在高斯分布限制的一维矩阵。
4.根据权利要求1所述风电功率预测方法，其特征在于，所述原始时间序列集编码时，重构损失函数计算损失值，自编码器损失值LEnc＝||X⊙M-G(z)⊙M||2，解码器损失值LDec＝||X⊙M-G(z)⊙M||2+λLDisc，其中X表示真实数据，即含缺失值的原始时间序列集，G(z)表示生成数据，即生成的伪时间序列集，⊙表示矩阵乘法，λ表示控制LEnc与LDisc之间比例大小的超参数，LDisc为鉴别器损失值，LDis＝D(X)-D(G(z))，D(X)指真实数据的分布，D(G(z))指生成数据的分布。
5.根据权利要求4所述风电功率预测方法，其特征在于，所述生成对抗网络通过如下过程训练：
设定生成器的迭代次数为ncritic；训练样本数量为m；θEnc为自编码器的梯度下降值；θDec为解码器梯度下降值；θDisc为鉴别器梯度下降值；c为梯度限制，若鉴别器更新值大于c，则对其赋值为c，若鉴别器更新值小于-c，则对其赋值为-c，若鉴别器更新值若在-c到c之间，则对其赋值为计算值；
当θDisc未收敛时，从1开始循环更新，直至达到迭代次数ncritic；
则：
Figure FDA0003530280040000021
Figure FDA0003530280040000022
LDec+←LEnc+λLDisc
Figure FDA0003530280040000023
Figure FDA0003530280040000024
Figure FDA0003530280040000025
上式中：+←为更新符号；
Figure FDA0003530280040000026
是指梯度下降值，代表其后面的公式是梯度下降计算公式；M(i)表示第i批数据的掩码矩阵，X(i)表示第i批数据的含缺失值的原始时间序列集，G(z)(i)表示第i批数据的生成数据，Clip()和fw()为限制函数；
Figure FDA0003530280040000027
指解码器梯度下降值；
Figure FDA0003530280040000028
指编码器梯度下降值；
Figure FDA0003530280040000029
指鉴别器梯度下降值。
6.根据权利要求1所述风电功率预测方法，其特征在于，所述步骤1，生成对抗网络中加入门控循环单元，过程如下：
在编码器、解码器、鉴别器中，加入门控循环单元，为了记录原始时间序列集的两个值之间的延迟，构建时滞矩阵
Figure FDA00035302800400000210
记录同一参数j当前值与上次有效值之间的时间差，Tn*d表示n行d列的矩阵，与掩码矩阵M大小构造一致，用来记录每个数据和上次有效值的时间差，通过行和列能够找到每一个数据点；
其中，编码器使数据进入隐藏空间；解码器又名生成器，作用为生成伪时间序列集；鉴别器是鉴别伪时间序列集与原始时间序列集的相似性；
时滞矩阵
Figure FDA0003530280040000031
ti时刻的衰减因子
Figure FDA0003530280040000032
的计算方法为
Figure FDA0003530280040000033
隐藏状态更新方法为
Figure FDA0003530280040000034
其中
Figure FDA0003530280040000035
是门控循环单元隐藏状态，Wβ与bβ是需要学习的参数，用隐藏状态乘以衰减因子来更新最新的隐藏状态。
7.根据权利要求1所述风电功率预测方法，其特征在于，所述步骤2，伪时间序列集处理方法为，将伪时间序列集乘以掩码矩阵M，以保证其与原始时间序列集中的数据数量一致，以使伪时间序列集中与原始时间序列集中缺失位置保持一致。
8.根据权利要求1所述风电功率预测方法，其特征在于，所述步骤2，数据插补公式为Limputed＝x⊙M+(1-M)⊙G(z)，其中x为编码前数据。
CN202210209056.2A 2022-03-03 2022-03-03 风电功率预测方法 Pending CN114692950A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210209056.2A CN114692950A (zh) 2022-03-03 2022-03-03 风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210209056.2A CN114692950A (zh) 2022-03-03 2022-03-03 风电功率预测方法

Publications (1)

Publication Number Publication Date
CN114692950A true CN114692950A (zh) 2022-07-01

Family

ID=82137361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210209056.2A Pending CN114692950A (zh) 2022-03-03 2022-03-03 风电功率预测方法

Country Status (1)

Country Link
CN (1) CN114692950A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114911788A (zh) * 2022-07-15 2022-08-16 中国长江三峡集团有限公司 一种数据插补方法、装置及存储介质
CN115169544A (zh) * 2022-09-05 2022-10-11 广东工业大学 一种短期光伏发电功率预测方法及系统
CN115328062A (zh) * 2022-08-31 2022-11-11 济南永信新材料科技有限公司 水刺布生产线智能控制系统
CN115618710A (zh) * 2022-09-08 2023-01-17 济南大学 一种基于gan的风电功率概率性预测方法及系统
WO2024097438A1 (en) * 2022-10-31 2024-05-10 Google Llc Wind power production prediction using machine learning based image processing

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114911788A (zh) * 2022-07-15 2022-08-16 中国长江三峡集团有限公司 一种数据插补方法、装置及存储介质
CN114911788B (zh) * 2022-07-15 2022-09-27 中国长江三峡集团有限公司 一种数据插补方法、装置及存储介质
CN115328062A (zh) * 2022-08-31 2022-11-11 济南永信新材料科技有限公司 水刺布生产线智能控制系统
US11853019B1 (en) 2022-08-31 2023-12-26 Jinan Winson New Materials Technology Co., Ltd. Intelligent control of spunlace production line using classification of current production state of real-time production line data
CN115169544A (zh) * 2022-09-05 2022-10-11 广东工业大学 一种短期光伏发电功率预测方法及系统
CN115618710A (zh) * 2022-09-08 2023-01-17 济南大学 一种基于gan的风电功率概率性预测方法及系统
WO2024097438A1 (en) * 2022-10-31 2024-05-10 Google Llc Wind power production prediction using machine learning based image processing

Similar Documents

Publication Publication Date Title
CN114692950A (zh) 风电功率预测方法
CN112784965B (zh) 面向云环境下大规模多元时间序列数据异常检测方法
CN113298297B (zh) 一种基于孤立森林与wgan网络的风电输出功率预测方法
CN111160620B (zh) 一种基于端到端记忆网络的短期风电功率预测方法
CN111091233A (zh) 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法
CN113420509A (zh) 一种风电机组状态评价方法、装置及存储介质
CN108390380B (zh) 一种变压器状态参量趋势预测方法及系统
CN110570012A (zh) 一种基于Storm的电厂生产设备故障预警方法及系统
CN113485863B (zh) 基于改进生成对抗网络生成异构不平衡故障样本的方法
CN110956309A (zh) 基于crf和lstm的流程活动预测方法
CN112488142A (zh) 一种雷达故障的预测方法、装置及存储介质
CN117290800A (zh) 一种基于超图注意力网络的时序异常检测方法及系统
CN111191823A (zh) 一种基于深度学习的生产物流预测方法
CN115034485A (zh) 一种基于数据空间的风电功率区间预测方法及装置
CN116379360A (zh) 一种基于知识迁移的掺氢天然气管道损伤预测方法及系统
CN117408422A (zh) 基于深度学习的天然气流量计性能评估方法和系统
CN117408394B (zh) 电力系统的碳排放因子预测方法、装置及电子设备
CN116821730B (zh) 风机故障检测方法、控制装置及存储介质
CN114077929A (zh) 基于is-arima-lstm预测模型的风电功率预测方法及系统
CN117744495A (zh) 一种不同退化阶段下多模型驱动的特大型轴承寿命预测方法
CN116933643A (zh) 基于偏鲁棒m回归和多重插补的智能数据监测方法
CN117154680A (zh) 一种基于非平稳Transformer模型的风电功率预测方法
CN116384598A (zh) 一种基于时序事件编码的风电过程预测方法及装置
CN116434884A (zh) 一种聚酯纤维酯化过程的低聚物密度预测方法
CN116451162A (zh) 云边协同场景下基于联邦终身学习的工业建模系统及方法

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