CN115496264A - 一种风电机组发电功率的预测方法 - Google Patents
一种风电机组发电功率的预测方法 Download PDFInfo
- Publication number
- CN115496264A CN115496264A CN202211031868.9A CN202211031868A CN115496264A CN 115496264 A CN115496264 A CN 115496264A CN 202211031868 A CN202211031868 A CN 202211031868A CN 115496264 A CN115496264 A CN 115496264A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- wind turbine
- historical data
- training
- 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 25
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000007637 random forest analysis Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010606 normalization Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008033 biological extinction Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 230000000007 visual 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
- G06N3/04—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
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (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
本发明公开了一种风电机组发电功率的预测方法，该方法包括以下步骤：S1、获取被测风电机组系统中各项特征因素的历史数据；S2对数据预处理，删除其中的异常数据，并进行归一化操作；S3、利用随机森林模型，对经预处理后的历史数据进行训练，并对高维数据进行降维处理；S4、对筛选及降维处理后的历史数据进行重构，将重构后的历史数据作为数据集，以构建双向长短记忆神经网络模型；S5、利用双向长短记忆神经网络模型进行训练，对指标进行评估，以确定最优模型；S6、利用最优模型对不包含目标值的训练数据进行预测，得到预测结果。本发明风电机组功率预测方法通过建立预测模型得到预测结果，通过指标判断最优模型，得到最佳预测效果。
Description
技术领域
本发明涉及一种电力调度方法，具体地说是一种风电机组发电功率的预测方法。
背景技术
电力系统中风电作为新能源的板块，其对应的数据来源比较丰富，其中机组本身所配备的数据采集与气象局对应的每天气象数据，合理利用这些信息可以实现对风电机组的功率预测，以确保机组的运行可靠性和电能质量，提高机组运行的经济性。
随机森林作为机器学习的方法，机器学习是一门多领域交叉学科，近年来随着机器学习的发展，各种机器学习算法的应用范围不断扩大。在系统结构的研究中，也越来越多地使用相关算法来实现研究目标，目前随机森林算法在工业很多领域的学习皆有涉及。
长短记忆网络(LSTM)是传统递归神经网络RNN(循环神经网络)改良后的成果。相较于普通的RNN，LSTM增加了一个记忆单元(cell)用于判断信息有用与否，从而解决了长序列训练过程中的梯度消失和梯度爆炸问题。这一改进使得其能在更长的序列中有更好的表现。但是，长短记忆网络只是对过去的信息做出判断，而不能对将来信息做出判断，因此，对提高风电机组发电功率预测准确性的作用不大。
目前，在电力系统中负荷功率预测的方法很多，但在实际运用中，考虑到客观因素(如气象因素)等的影响，就会涉及到高维特征。传统的功率预测方法都是基于时间序列而没有考虑到特征因素，只是对历史数据进行训练得到预测结果，这种预测方法的训练周期长，而预测准确性不高，甚至有出现欠拟合或者过拟合的现象。在特征因素参考中，单一使用决策树等进行训练，虽然训练速度快，但预测精度较低。
发明内容
本发明的目的就是提供一种风电机组发电功率的预测方法，以解决现有传统预测方法对风电机组发电功率预测精度不高的问题。
本发明是这样实现的：一种风电机组发电功率的预测方法，包括如下步骤：
S1、数据获取：获取被测风电机组系统中包括温度、湿度、气压、露点温度、风速、风强在内的各项特征因素的历史数据；
S2、数据预处理：对获取的历史数据进行预处理，删除其中的异常数据，并对历史数据进行归一化操作；
S3、数据降维：通过随机森林模型，对经预处理后的历史数据进行训练，利用随机森林模型中的重要性对特征向量进行直观排名，筛选出重要特征，实现对高维数据的降维处理；
S4、模型构建：对筛选及降维处理后的历史数据进行重构，将重构后的历史数据作为数据集，以构建双向长短记忆神经网络模型RF-BiLSTM；
S5、最优模型：利用所构建的双向长短记忆神经网络模型RF-BiLSTM进行训练，然后对预测结果与实际值之间的包括均方误差MSE、均方根误差RMSE、平均绝对误差MAE、确定系数R-squared以及运行时间在内的各指标进行评估，确定最优模型；
S6、结果预测：利用最优模型对不包含目标值的训练数据进行预测，得到预测结果。
进一步地，步骤S3中的高维数据降维处理方式是，将高维数据中排名靠后的特征删除，保留重要特征。
进一步地，步骤S4的具体操作方式是：
S4-1、对经步骤S3筛选及降维处理后的历史数据进行重构，得到新的训练数据组；
S4-2、利用长短记忆神经网络，初步设计步长选取60(即一小时)，一次选取32个数据为一组，建立4层的网络隐含层，迭代50次，以平均绝对误差作为激活函数，构建单一的LSTM模型；
S4-3、加入超参数，取一定的校验数据集，监控验证集的损失函数，容忍度为20，为每个epoch输出一行记录，并且保留最佳模型优化参数；
S4-4、利用单一的长短记忆神经网络迭代后的损失函数，判断选取合理的参数，构建双向长短记忆神经网络模型RF-BiLSTM。
LSTM(长短记忆网络)是传统递归神经网络RNN(循环神经网络)改良后的成果。相较于普通的RNN，LSTM增加了一个记忆单元(cell)用于判断信息有用与否，解决了长序列训练过程中的梯度消失和梯度爆炸问题。这一改进使得其能在更长的序列中有更好的表现。由于只对过去的信息做出判断，而没有对将来信息做出判断，引入双向长短记忆网络，这样进一步提高预测精确度，预测效果更佳。在电力系统中经济调度中有着绝佳的现实意义。
本发明风电机组功率方法从经济性、工业可实施性出发，充分利用工作人员和设备所记录数据，建立风电机组功率预测模型，得到预测结果，通过指标判断最优模型，从而得到最佳预测效果。
附图说明
图1是本发明预测方法的流程框图。
图2是随机森林模型对特征向量做重要特征排名的流程图。
图3是LSTM模型的模型图。
图4是由四个不同方向上的LSTM构成的双向LSTM(即BiLSTM)模型的模型图。
图5是由数据处理后的产量日期分布图。
图6是随机森林中训练中的最小一棵树的决策流程框图。
图7是RF-BiLSTM混合模型损失函数图。
图8是RF-BiLSTM混合模型训练功率对比图。
图9是RF-BiLSTM混合模型测试功率对比图。
具体实施方式
本发明风电机组功率预测方法包括以下步骤：
步骤S1.数据获取：以国外某风力发电厂的运行为例，使用其运行期间2013年4月1日～2017年9月30日的历史数据及气象数据作为数据源，已知风电机组由于在2014年7月到2015年2月存在日志缺失(图5)。因此，最终选择运行期间2015年7月～2017年7月两年的数据作为选定的风电机组初始数据。仔细筛查是否存在重复数据，如果存在就将其删除；如果存在个别数据缺失，则利用线性回归方法补全数据集。该风电机组的气象信息包含了设备温度、温度、云层覆盖率、露点温度、湿度、压力、风强、风速以及发电功率构成的数据集，而历史数据是在该阶段每隔1小时所记录的数据(如表1所示)，该表内的数据为工作人员所记录的初步日志。
表1：初始训练数据
步骤S2.数据预处理：对数据按照公式(1)进行归一化操作，以删除异常数据，避免量纲的错误，提高训练速率：
其中，x为样本数据值，max为样本数据的最大值，min为样本数据的最小值。
当每个数据序列中有缺失数据时，运用公式(2)的线性插值法，补充相应的缺失数据：
其中，X0、Y0、X1、Y1均为已知的统计数据；X为X0到X1之间的任意数据；Y为与数据X相对应的插值数据。
步骤S3.数据降维：通过随机森林模型(图2)对预处理后的数据进行训练，随机森林模型初始随机种子为42，设置600颗树，最大深度为3。划分训练和测试数据集，选取20％的坐具作为测试数据集。在图6所示的随机森林中训练中的最小一棵树的决策过程中，在这颗树中，深度为3，由随机森林的决策判断进行训练特征筛选。将数据放在模型当中进行训练并按照重要性进行排名。在随机森林的单一模型进行训练时，利用自动寻优得到最佳的参数设定，可以通过指标函数分别进行比较。在自动寻优当中找到的模型参数作为模型参数，从而得到图8、图9的训练和测试的对比直观图。
将筛选后的数据进行重构，实现高维数组的降维，由初始的九维数据进行处理后得到5维数据，从一定程度上踢除了不重要的特征向量。在本实施例的数据中，最重要的就是风速，其次是风强、压力等因素，而作为不重要的露点温度、云层覆盖率都很小，所以可以忽略。
在构建模型当中，将输入的五维特征作为输入层，对应的目标值为输出层，中间隐含层为四层，其结构如表2所示。
表2：模型构造
为了更好地预测模型，设置时间步长为60(即1小时)，取一定的校验数据集，加入超参数，监控验证集的损失函数，容忍度为20，为每个epoch输出一行记录，并且保留最佳模型优化参数,迭代次数选取为50次。对应每次中的迭代做一个记录。
利用公式(3)对特征向量进行直观排名，从而筛选出重要特征，实现将高维数据进行降维处理；
其中，VIM为重要特征评分，分母为所有增益之和，分子为基尼系数，最后得到特征性排名。
步骤S4.模型构建：利用筛选后的数据进行重构，利用长短记忆神经网络构建双向长短记忆神经网络模型；其具体操作方式如下：
S4-1、由步骤3得到的数据进行重构，得到新的训练数据组。
S4-2、利用长短记忆神经网络，初步设计步长选取60即一小时，一次选取32个数据为一组，建立4层的网络隐含层，迭代50次、以平均绝对误差作为激活函数，构建单一的LSTM模型。如图7所示，在迭代50次，训练集和验证集都有很好的收敛性，没有存在过拟合和欠拟合的现象，因此训练效果非常好。
S4-3、加入超参数，取一定的校验数据集，监控验证集的损失函数，容忍度为20，为每个epoch输出一行记录，并且保留最佳模型优化参数。
S4-4、利用单一的长短记忆网络迭代后损失函数判断选取合理的参数，构建双向长短记忆神经网络模型。
如图3所示，在LSTM模型中，由t时刻的输入词Xt，细胞状态Ct，临时细胞状态
隐层状态ht，遗忘门ft，记忆门
输出门Ot组成。LSTM的计算过程可以概括为，通过对细胞状态中信息遗忘和记忆新的信息使得对后续时刻计算有用的信息得以传递，而无用的信息被丢弃，并在每个时间步都会输出隐层状态ht，其中遗忘，记忆与输出由通过上个时刻的隐层状态ht-1和当前输入Xt计算出来的遗忘门ft，记忆门
输出门Ot来控制。
遗忘门计算：
ft＝σ(Wf·[ht-1,xt]+bf) (4)
记忆门计算：
更新门计算：
当前时刻细胞状态：
计算输出门和当前隐含层状态：
如图4所示，BiLSTM其在结构上通过2个LSTM相连接，实现结合过去和未来的信息实现对当前时刻的预测，以期对当前时刻的预测精确度得到有效提升。
步骤S5.最优模型：使用步骤S4所建立的BiLSTM模型进行训练，然后对预测结果与实际值之间的包括均方误差MSE、均方根误差RMSE、平均绝对误差MAE、确定系数R-squared以及运行时间这五项评价指标进行评估，以确定最优模型。
各评价指标对应的计算方法如下：
其中，n为总次数，yi为真实值，
预测值。当然如果对应的数值代表训练效果越好，则模型的精度更高。
确定系数R-squared由两个参数SSR和SST所决定。
SSR：预测数据与原始数据均值之差的平方和。
SST：原始数据和均值之差的平方和。
其中，Wi为权重，确定系数是通过数据的变化来表征一个拟合的好坏。由上面的表达式可以知道“确定系数”的正常取值范围为[0,1]，越接近1，表明方程的变量对y的解释能力越强，这个模型对数据拟合的也较好。
步骤S6.结果预测：根据所得的指标函数进行模型化对比，在各项指标中得到最优的模型结果组，结果分析为混合模型。在选取的测试集合当中进项功率预测，由此得到最好的预测结果。
本发明风电机组功率方法从经济性、工业可实施性出发，充分利用工作人员和设备所记录数据，建立风电机组功率预测模型，得到预测结果。通过表3的指标对比可见，本发明混合模型(RF-BiLSTM)的训练时间比LSTM和RF-LSTM的稍长，但比其他模型的缩短，但是均方误差MSE、均方根误差RMSE、平均绝对误差MAE以及确定系数R-squared为相对最小，因而综合考虑可以判断出本发明混合模型(RF-BiLSTM)是最优模型，并可得到最佳预测效果。
表3：各项模型指标对比
Claims (3)
1.一种风电机组发电功率的预测方法，其特征是，包括以下步骤：
S1、数据获取：获取被测风电机组系统中包括温度、湿度、气压、露点温度、风速、风强在内的各项特征因素的历史数据；
S2、数据预处理：对获取的历史数据进行预处理，删除其中的异常数据，并对历史数据进行归一化操作；
S3、数据降维：通过随机森林模型，对经预处理后的历史数据进行训练，利用随机森林模型中的重要性对特征向量进行直观排名，筛选出重要特征，实现对高维数据的降维处理；
S4、模型构建：对筛选及降维处理后的历史数据进行重构，将重构后的历史数据作为数据集，以构建双向长短记忆神经网络模型RF-BiLSTM；
S5、最优模型：利用所构建的双向长短记忆神经网络模型RF-BiLSTM进行训练，然后对预测结果与实际值之间的包括均方误差MSE、均方根误差RMSE、平均绝对误差MAE、确定系数R-squared以及运行时间在内的各指标进行评估，确定最优模型；
S6、结果预测：利用最优模型对不包含目标值的训练数据进行预测，得到预测结果。
2.根据权利要求1所述的风电机组发电功率的预测方法，其特征是，步骤S3中的高维数据降维处理方式是，将高维数据中排名靠后的特征删除，保留重要特征。
3.根据权利要求2所述的风电机组发电功率的预测方法，其特征是，步骤S4的具体操作方式是：
S4-1、对经步骤S3筛选及降维处理后的历史数据进行重构，得到新的训练数据组；
S4-2、利用长短记忆神经网络，初步设计步长选取60，一次选取32个数据为一组，建立4层的网络隐含层，迭代50次，以平均绝对误差作为激活函数，构建单一的LSTM模型；
S4-3、加入超参数，取校验数据集，监控验证集的损失函数，容忍度为20，为每个epoch输出一行记录，并且保留最佳模型优化参数；
S4-4、利用单一的长短记忆神经网络迭代后的损失函数，判断选取合理的参数，构建双向长短记忆神经网络模型RF-BiLSTM。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211031868.9A CN115496264A (zh) | 2022-08-26 | 2022-08-26 | 一种风电机组发电功率的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211031868.9A CN115496264A (zh) | 2022-08-26 | 2022-08-26 | 一种风电机组发电功率的预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115496264A true CN115496264A (zh) | 2022-12-20 |
Family
ID=84466910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211031868.9A Pending CN115496264A (zh) | 2022-08-26 | 2022-08-26 | 一种风电机组发电功率的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115496264A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117034785A (zh) * | 2023-10-09 | 2023-11-10 | 中国华能集团清洁能源技术研究院有限公司 | 风电机组功率预测方法、装置及电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109117864A (zh) * | 2018-07-13 | 2019-01-01 | 华南理工大学 | 基于异构特征融合的冠心病风险预测方法、模型及系统 |
| CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
| CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
| CN112949945A (zh) * | 2021-04-15 | 2021-06-11 | 河海大学 | 一种改进双向长短期记忆网络的风电功率超短期预测方法 |
| CN113158572A (zh) * | 2021-04-27 | 2021-07-23 | 上海交通大学 | 一种短期负荷的预测方法及装置 |
| CN113705922A (zh) * | 2021-09-06 | 2021-11-26 | 内蒙古科技大学 | 一种改进的超短期风电功率预测算法及模型建立方法 |
| CN114118611A (zh) * | 2021-12-02 | 2022-03-01 | 上海华讯网络系统有限公司 | 基于预测算法池的风电功率预测方法和系统 |
| CN114239396A (zh) * | 2021-12-15 | 2022-03-25 | 国网冀北电力有限公司秦皇岛供电公司 | 一种风机齿轮箱状态预测方法及系统 |
-
2022
- 2022-08-26 CN CN202211031868.9A patent/CN115496264A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109117864A (zh) * | 2018-07-13 | 2019-01-01 | 华南理工大学 | 基于异构特征融合的冠心病风险预测方法、模型及系统 |
| CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
| CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
| CN112949945A (zh) * | 2021-04-15 | 2021-06-11 | 河海大学 | 一种改进双向长短期记忆网络的风电功率超短期预测方法 |
| CN113158572A (zh) * | 2021-04-27 | 2021-07-23 | 上海交通大学 | 一种短期负荷的预测方法及装置 |
| CN113705922A (zh) * | 2021-09-06 | 2021-11-26 | 内蒙古科技大学 | 一种改进的超短期风电功率预测算法及模型建立方法 |
| CN114118611A (zh) * | 2021-12-02 | 2022-03-01 | 上海华讯网络系统有限公司 | 基于预测算法池的风电功率预测方法和系统 |
| CN114239396A (zh) * | 2021-12-15 | 2022-03-25 | 国网冀北电力有限公司秦皇岛供电公司 | 一种风机齿轮箱状态预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 王永生: "基于深度学习的短期风电输出功率预测研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
| 董彦军: "基于随机森林与长短期记忆网络的电力负荷预测方法", 《全球能源互联网》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117034785A (zh) * | 2023-10-09 | 2023-11-10 | 中国华能集团清洁能源技术研究院有限公司 | 风电机组功率预测方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108320016B (zh) | 一种建筑能耗短期预测方法 | |
| US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
| 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 | |
| CN108898251A (zh) | 考虑气象相似性和功率波动的海上风电场功率预测方法 | |
| CN114119273B (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
| CN108510180B (zh) | 一种生产设备所处性能区间的计算方法 | |
| CN114580545A (zh) | 一种基于融合模型的风电机组齿轮箱故障预警方法 | |
| CN107292446A (zh) | 一种基于考虑分量关联性小波分解的混合风速预测方法 | |
| CN114429238A (zh) | 一种基于时空特征提取的风电机组故障预警方法 | |
| CN115877483A (zh) | 一种基于随机森林和gru的台风路径预报方法 | |
| CN115294671A (zh) | 一种空压机出口压力预测方法和预测系统 | |
| CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
| CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
| CN115496264A (zh) | 一种风电机组发电功率的预测方法 | |
| CN115096357A (zh) | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 | |
| CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
| CN117522626A (zh) | 一种基于特征选择与异多模型融合光伏出力预测方法 | |
| CN111898822A (zh) | 基于多相关日场景生成的充电负荷区间预测方法 | |
| CN116565850A (zh) | 一种基于qr-blstm的风电功率超短期预测方法 | |
| CN116613732A (zh) | 一种基于shap值选择策略的多元负荷预测方法及系统 | |
| CN113705932B (zh) | 一种短期负荷预测方法及装置 | |
| CN113722970B (zh) | 一种光伏功率超短期在线预测方法 | |
| CN115293406A (zh) | 基于CatBoost和Radam-LSTM的光伏发电功率预测方法 | |
| CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
| CN115296298A (zh) | 一种风电场功率预测方法 |
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 |