CN115115090A - 一种基于改进lstm-cnn的风功率短期预测方法 - Google Patents
一种基于改进lstm-cnn的风功率短期预测方法 Download PDFInfo
- Publication number
- CN115115090A CN115115090A CN202210543841.1A CN202210543841A CN115115090A CN 115115090 A CN115115090 A CN 115115090A CN 202210543841 A CN202210543841 A CN 202210543841A CN 115115090 A CN115115090 A CN 115115090A
- Authority
- CN
- China
- Prior art keywords
- wind power
- data
- cnn
- clustering
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004138 cluster model Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 10
- 238000010248 power generation Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 208000013409 limited attention Diseases 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001932 seasonal effect 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
- G06N3/08—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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于改进LSTM‑CNN的风功率短期预测方法,包括获取风电场风功率历史数据和对应时间的数值天气预报数据,并对数据进行预处理和拼接形成多维时序数据集;将数据集按照时间划分为分别代表四个季节的四组样本,利用K‑means算法对每组样本进行聚类,将每组样本划分为若干个聚类类别;选取目标聚类类别的样本划分训练集和测试集,将训练集输入到改进LSTM‑CNN预测模型中进行模型训练;将测试集输入到训练好的预测模型中,得到对应的短期风功率预测数据。通过聚类找到对预测精度影响最大的样本,提高了预测效率,通过改进预测模型提取多尺度特征,弥补传统预测算法对复杂天气情况下风功率预测精度不高的缺陷。
Description
技术领域
本发明涉及风功率预测技术领域,尤其是一种基于改进LSTM-CNN的风功率短期预测方法。
背景技术
风力发电很大程度上依赖于随机的气象因素,如风度、风向、辐照度等,其本质是间歇性的,很难像常规火电厂一样进行控制和调度。因为风力发电的波动性和间歇性,其大规模并网后给电网安全运行和调度带来了严峻的挑战。因此对风机发电功率进行准确预测对保持电网的稳定性、提高风电场利用效率具有重要的意义。
传统的风电功率预测方法一般基于浅层模型,但由于风电经常面临复杂的天气状况,因此浅层模型在实际应用中存在很大的局限性。深度学习的快速发展为风功率预测提供了一种新的思路。现有技术中,基于深度学习的网络预测模型对风功率进行预测虽然能够建立比较完整的映射关系,但是由于没有考虑输入数据不确定性、以及特征提取单一尺度等问题对预测精度造成的影响,导致准确性不高。
发明内容
针对现有技术的不足,本发明提供一种基于改进LSTM-CNN的风功率短期预测方法,目的是提高预测的准确性。
本发明采用的技术方案如下:
一种基于改进LSTM-CNN的风功率短期预测方法,包括:
S1、获取风电场全年的风功率历史数据和对应时间的数值天气预报数据,并对数据进行预处理,对处理后的数值天气预报数据和风功率数据进行拼接,形成多维时序数据集;
S2、将数据集按照时间划分为分别代表四个季节的四组样本,利用K-means算法对每组样本进行聚类,将每组样本划分为若干个聚类类别;
S3、选取目标聚类类别的样本,划分训练集和测试集,将训练集输入到改进LSTM-CNN预测模型中进行参数迭代,建立天气参数与风功率之间的映射关系,当损失函数满足迭代终止条件时停止更新;
所述改进LSTM-CNN预测模型前半部分为LSTM网络,后半部分为CNN网络;
CNN网络由一个卷积—池化对、一个多尺度特征提取层、一个自注意力机制层和一个全连接层组成;
所述多尺度特征提取层包含两个不同大小的卷积核,以捕获信号的多尺度特征,并产生不同感受野的级联特征;
S4、将测试集输入到训练好的改进LSTM-CNN预测模型中,得到对应的短期风功率预测数据。
进一步技术方案为:
利用K-means算法对每组样本进行聚类,包括:
S21、采用手肘法根据误差平方和确定每组样本的聚类类别数,计算式为:
式中,SSE是样本的聚类误差,m是样本中簇的总数即所述聚类类别数,Ci是第i个簇,p是Ci的样本点,mi是Ci的质心;
S22、将每组样本的聚类类别数m和对应的样本数据输入到K-means模型中,随机选取m个初始聚类中心;
S23、计算样本数据与各初始取聚类中心的欧氏距离,按照距离最近原则将样本数据划分为最近的初始聚类中心所对应的类别;
S24、计算每个类别中所有样本数据的均值,并将该均值作为每个类别新的聚类中心;
S25、重复步骤S23和步骤S24,直至聚类中心不再发生变化,从而得到最佳聚类模型。
所述自注意力机制层用于给不同价值的特征分配权重,计算公式如下:
式中,Q、K、V分别代表查询向量矩阵、键向量矩阵和值向量矩阵,是通过把输入向量矩阵分别乘以三个矩阵Wq,Wk,Wv而得到的,Wq,Wk,Wv为自注意力机制层的参数;n为矩阵Q、K的维度。
所述损失函数采用均方误差函数MSE,当损失函数低于设置的阈值或者达到所设置的最大迭代次数时停止训练,均方误差函数MSE计算公式如下:
所述LSTM网络包括两个隐层,隐层节点分别为128和256。
所述卷积—池化对中卷积核的大小为5,池化层的滑动窗口为2,多尺度特征提取层中的两个卷积核大小分别为3和5。
本发明的有益效果如下:
本发明融合了K-means聚类方法和基于多尺度和自注意力机制的改进LSTM-CNN网络,通过聚类找到了对预测精度影响最大的样本,提高了预测效率,有效弥补风功率预测过程中由于数据差距过大而导致的风功率预测效率低的问题,又利用改进神经网络有效提取多尺度特征,实现对特征的自适应加权而获得关键有效特征,弥补了传统预测算法在面对复杂天气情况下风功率预测精度不高的缺陷,进一步提高了预测精度。
本发明所利用的改进LSTM-CNN预测模型,在传统模型基础上添加多尺度特征提取层和自注意力机制层,不仅利用深度神经网络提取数据的空间特征和时域信息特征并将其融合用于风功率预测,有利于提高预测精度,并且通过多尺度特征提取层捕获数据中不同感受野的特征,提取了多尺度特征,通过自注意力机制融合层对特征进行自适应加权,适应性强,应用价值高。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
附图说明
图1是本发明的流程图。
图2是本发明实施例的改进LSTM-CNN模型结构图。
图3是本发明实施例的短期风功率预测结果示意图。
具体实施方式
以下结合附图说明本发明的具体实施方式。
参见图1,本实施例的一种基于改进LSTM-CNN的风功率短期预测方法,包括:
S1、获取风电场全年的风功率历史数据和对应时间的数值天气预报(NWP)数据,并对数据进行预处理,对处理后的数值天气预报数据和风功率数据进行拼接,形成多维时序数据集;
对数据进行预处理,具体包括:
检测和处理异常值,如应保持风向数据在0~360°之间,超过额定功率的数据以额定功率替换等;
对于缺失的数据,采用线性插值的方法进行数据的填补。
利用标准方差归一化方法对数据进行归一化处理。
S2、将数据集按照时间划分为分别代表四个季节的四组样本,利用K-means算法对每组样本进行聚类,将每组样本划分为若干个聚类类别,具体包括:
S21、采用手肘法根据误差平方和确定每组样本的聚类类别数,计算式为:
式中,SSE是样本的聚类误差,代表聚类效果的好坏,m是样本中簇的总数即聚类类别数,Ci是第i个簇,p是Ci的样本点,mi是Ci的质心;
在手肘法中,随着聚类类别数m的增大,样本划分会更加精细,每个簇的聚合程度会逐渐提高,误差平方和SSE会逐渐变小。
当m小于真实聚类数时,由于m增大会大幅增加每个簇的聚合程度,故SSE下降幅度很大,当m到达真实聚类数时,再增加m所得到的聚合程度回报会迅速变小,所以SSE的下降幅度会骤减,然后随着m值的继续增大而趋于平缓。也就是说SSE和m的关系图是一个手肘形状,而这个手肘对应的m值即为数据的真实聚类数;
S22、将每组样本的聚类类别数m和对应的样本数据输入到K-means模型中,随机选取m个初始聚类中心;
S23、计算样本数据与各初始取聚类中心的欧氏距离,按照距离最近原则将样本数据划分为最近的初始聚类中心所对应的类别;
S24、计算每个类别中所有样本数据的均值,并将该均值作为每个类别新的聚类中心;
S25、重复步骤S23和步骤S24,直至聚类中心不再发生变化,从而得到最佳聚类模型。
S3、选取目标聚类类别的样本,划分训练集和测试集,将训练集输入到改进LSTM-CNN预测模型中进行参数迭代,建立天气参数与风功率之间的映射关系,当损失函数满足迭代终止条件时停止更新。
通过考虑输入数据不确定性和季节性,通过K-means聚类可提前确定所要预测样本所属的聚类类别,从而获得对预测精度影响最大的样本作为训练集进行训练,可提高模型的预测效率,缩短预测时间。
参见图2,所述改进LSTM-CNN预测模型前半部分为LSTM网络,后半部分为CNN网络;
CNN网络由一个卷积—池化对、一个多尺度特征提取层、一个自注意力机制层和一个全连接层组成;
所述多尺度特征提取层包含两个不同大小的卷积核,以捕获信号的多尺度特征,并产生不同感受野的级联特征;
具体的,所述LSTM网络包括两个隐层,隐层节点分别为128和256。
所述卷积—池化对中卷积核的大小为5,池化层的滑动窗口为2,多尺度特征提取层中的卷积核大小分别为3和5。
所述自注意力机制层用于给不同价值的特征分配权重,计算公式如下:
式中,Q、K、V三个矩阵通过把输入向量矩阵分别乘以三个矩阵Wq,Wk,Wv得到,Q、K、V分别代表查询向量矩阵、键向量矩阵和值向量矩阵;Wq,Wk,Wv分别为自注意力机制层中的参数,n为矩阵Q、K的维度;
具体的,所述损失函数采用均方误差函数MSE,当损失函数低于设置的阈值或者达到所设置的最大迭代次数时停止训练,均方误差函数MSE计算公式如下:
S4、将测试集输入到训练好的改进LSTM-CNN预测模型中,得到对应的短期风功率预测数据。
传统网络中每一层仅使用一个尺寸的卷积核,本申请方法采用的改进LSTM-CNN预测模型,采用的多尺度特征提取层具有两个不同大小的卷积核,通过该多尺度特征提取层可捕获信号的多尺度特征,并产生不同感受野的级联特征,丰富网络中原始数据的特征信息。
自注意力机制层的融入可在有限的注意力资源的情况下,有效筛选和提炼大量复杂冗余信息中的高质量内容。
以下以一具体实例进一步说明本申请方法的有效性。
以江苏某风电场2020年1月1日至12月31日之间的全年风功率历史数据以及相对应的NWP数据作为预测模型所用的数据,时间分辨率为15分钟。
考虑季节因素将数据划分为4个季节,在每个季节中,利用K-means聚类后,选取所要预测样本(即测试集)所属的聚类类别,并将该聚类类别中的其他样本作为训练集。
得到的短期风功率预测测试结果如图3所示。由图可知预测结果与实际风功率结果趋势大概相同,所开发模型具有较好的短期风功率预测能力。
本领域普通技术人员可以理解:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于改进LSTM-CNN的风功率短期预测方法,其特征在于,包括:
S1、获取风电场全年的风功率历史数据和对应时间的数值天气预报数据,并对数据进行预处理,对处理后的数值天气预报数据和风功率数据进行拼接,形成多维时序数据集;
S2、将数据集按照时间划分为分别代表四个季节的四组样本,利用K-means算法对每组样本进行聚类,将每组样本划分为若干个聚类类别;
S3、选取目标聚类类别的样本,划分训练集和测试集,将训练集输入到改进LSTM-CNN预测模型中进行参数迭代,建立天气参数与风功率之间的映射关系,当损失函数满足迭代终止条件时停止更新;
所述改进LSTM-CNN预测模型前半部分为LSTM网络,后半部分为CNN网络;
CNN网络由一个卷积—池化对、一个多尺度特征提取层、一个自注意力机制层和一个全连接层组成;
所述多尺度特征提取层包含两个不同大小的卷积核,以捕获信号的多尺度特征,并产生不同感受野的级联特征;
S4、将测试集输入到训练好的改进LSTM-CNN预测模型中,得到对应的短期风功率预测数据。
2.根据权利要求1所述的基于改进LSTM-CNN的风功率短期预测方法,其特征在于,利用K-means算法对每组样本进行聚类,包括:
S21、采用手肘法根据误差平方和确定每组样本的聚类类别数,计算式为:
式中,SSE是样本的聚类误差,m是样本中簇的总数即所述聚类类别数,Ci是第i个簇,p是Ci的样本点,mi是Ci的质心;
S22、将每组样本的聚类类别数m和对应的样本数据输入到K-means模型中,随机选取m个初始聚类中心;
S23、计算样本数据与各初始取聚类中心的欧氏距离,按照距离最近原则将样本数据划分为最近的初始聚类中心所对应的类别;
S24、计算每个类别中所有样本数据的均值,并将该均值作为每个类别新的聚类中心;
S25、重复步骤S23和步骤S24,直至聚类中心不再发生变化,从而得到最佳聚类模型。
5.根据权利要求1所述的基于改进LSTM-CNN的风功率短期预测方法,其特征在于,所述LSTM网络包括两个隐层,隐层节点分别为128和256。
6.根据权利要求1所述的基于改进LSTM-CNN的风功率短期预测方法,其特征在于,所述卷积—池化对中卷积核的大小为5,池化层的滑动窗口为2,多尺度特征提取层中的两个卷积核大小分别为3和5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210543841.1A CN115115090A (zh) | 2022-05-18 | 2022-05-18 | 一种基于改进lstm-cnn的风功率短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210543841.1A CN115115090A (zh) | 2022-05-18 | 2022-05-18 | 一种基于改进lstm-cnn的风功率短期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115115090A true CN115115090A (zh) | 2022-09-27 |
Family
ID=83327133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210543841.1A Pending CN115115090A (zh) | 2022-05-18 | 2022-05-18 | 一种基于改进lstm-cnn的风功率短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115090A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116028838A (zh) * | 2023-01-09 | 2023-04-28 | 广东电网有限责任公司 | 一种基于聚类算法的能源数据处理方法、装置及终端设备 |
CN117353302A (zh) * | 2023-12-04 | 2024-01-05 | 北京东润环能科技股份有限公司 | 新能源发电功率的预测方法、装置、设备及介质 |
CN117829383A (zh) * | 2024-03-06 | 2024-04-05 | 山东高速新能源开发有限公司 | 一种零碳隧道能源优化配置方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753893A (zh) * | 2020-06-12 | 2020-10-09 | 国网福建省电力有限公司 | 一种基于聚类和深度学习的风电机组功率集群预测方法 |
CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
CN113642225A (zh) * | 2021-05-24 | 2021-11-12 | 国网新疆电力有限公司经济技术研究院 | 一种基于attention机制的CNN-LSTM短期风电功率预测方法 |
-
2022
- 2022-05-18 CN CN202210543841.1A patent/CN115115090A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753893A (zh) * | 2020-06-12 | 2020-10-09 | 国网福建省电力有限公司 | 一种基于聚类和深度学习的风电机组功率集群预测方法 |
CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
CN113642225A (zh) * | 2021-05-24 | 2021-11-12 | 国网新疆电力有限公司经济技术研究院 | 一种基于attention机制的CNN-LSTM短期风电功率预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116028838A (zh) * | 2023-01-09 | 2023-04-28 | 广东电网有限责任公司 | 一种基于聚类算法的能源数据处理方法、装置及终端设备 |
CN116028838B (zh) * | 2023-01-09 | 2023-09-19 | 广东电网有限责任公司 | 一种基于聚类算法的能源数据处理方法、装置及终端设备 |
CN117353302A (zh) * | 2023-12-04 | 2024-01-05 | 北京东润环能科技股份有限公司 | 新能源发电功率的预测方法、装置、设备及介质 |
CN117353302B (zh) * | 2023-12-04 | 2024-02-13 | 北京东润环能科技股份有限公司 | 新能源发电功率的预测方法、装置、设备及介质 |
CN117829383A (zh) * | 2024-03-06 | 2024-04-05 | 山东高速新能源开发有限公司 | 一种零碳隧道能源优化配置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108564192B (zh) | 一种基于气象因子权重相似日的短期光伏功率预测方法 | |
CN115115090A (zh) | 一种基于改进lstm-cnn的风功率短期预测方法 | |
CN106447098B (zh) | 一种光伏超短期功率预测方法及装置 | |
CN110619360A (zh) | 一种考虑历史样本相似性的超短期风功率预测方法 | |
CN110503153B (zh) | 基于差分进化算法和支持向量机的光伏系统故障诊断方法 | |
CN110263998B (zh) | 多源数值天气预报集合双层修正方法 | |
CN111709454B (zh) | 一种基于最优copula模型的多风电场出力聚类评估方法 | |
CN110263834B (zh) | 一种新能源电能质量异常值的检测方法 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN111861023A (zh) | 基于统计学的混合风电功率预测方法、装置 | |
CN112561139A (zh) | 一种短期光伏发电功率预测方法和系统 | |
CN111091236A (zh) | 一种按桨距角分类的多分类深度学习短期风功率预测方法 | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
CN111027229B (zh) | 基于稀疏异方差多样条回归的风功率曲线拟合的方法 | |
CN115978466A (zh) | 一种基于类别不平衡改进孪生支持向量机的流体管道泄漏检测方法 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
CN110020680B (zh) | 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
CN113837096B (zh) | 一种基于ga随机森林的滚动轴承故障诊断方法 | |
CN115344996A (zh) | 一种基于改进K-means算法的多特征量指标下风电典型场景构建方法及系统 | |
Qiao et al. | Study on K-means method based on Data-Mining |
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 |