CN115796231A - 一种时态分析的超短期风速预测方法 - Google Patents

一种时态分析的超短期风速预测方法 Download PDF

Info

Publication number
CN115796231A
CN115796231A CN202310041861.3A CN202310041861A CN115796231A CN 115796231 A CN115796231 A CN 115796231A CN 202310041861 A CN202310041861 A CN 202310041861A CN 115796231 A CN115796231 A CN 115796231A
Authority
CN
China
Prior art keywords
wind speed
sequence data
speed sequence
decomposition
component
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
Application number
CN202310041861.3A
Other languages
English (en)
Other versions
CN115796231B (zh
Inventor
彭燕
高川
肖科
黄巍
吴自厚
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.)
Hunan Saineng Environmental Measurement Technology Co ltd
Original Assignee
Hunan Saineng Environmental Measurement Technology Co ltd
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 Hunan Saineng Environmental Measurement Technology Co ltd filed Critical Hunan Saineng Environmental Measurement Technology Co ltd
Priority to CN202310041861.3A priority Critical patent/CN115796231B/zh
Publication of CN115796231A publication Critical patent/CN115796231A/zh
Application granted granted Critical
Publication of CN115796231B publication Critical patent/CN115796231B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00Adapting or protecting infrastructure or their operation

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及风速预测的技术领域,揭露了一种时态分析的超短期风速预测方法,所述方法包括:对原始风速序列数据进行相似性类别聚类;对不同类别中的风速序列数据进行多尺度谱密度分解,得到若干风速序列数据分解分量和残余分量;将相似性较高的风速序列数据分解分量进行重构合并;使用超短期风速预测识别模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测;将超短期风速预测识别模型输出的各分量的预测结果进行叠加,得到超短期风速预测结果。本发明将不同类别的风速序列数据进行分解,得到风速序列在不同尺度的规律信息,利用超短期风速预测识别模型对不同分解分量进行预测,从而实现不同尺度的风速序列预测。

Description

一种时态分析的超短期风速预测方法
技术领域
本发明涉及风速预测的技术领域,尤其涉及一种时态分析的超短期风速预测方法。
背景技术
近年来,我国风电装机容量迅速增长,并网规模不断扩大。但由于风能的间歇性和波动性等特点导致并网回馈的电能会对电网的安全运行产生负面影响,造成该影响的重要原因在于无法对风能进行快速精准预测导致无法及时反馈控制,若不能减少风力发电波动带来的负面影响,会对风力发电产生较大影响。针对该问题,本发明提出一种时态分析的超短期风速预测方法,缓解电力系统调峰、调频的压力,增强电网安全运行稳定性。
发明内容
有鉴于此,本发明提供一种时态分析的超短期风速预测方法,目的在于:利用相似性类别方法对原始风速序列数据进行聚类处理,将相似风速数据合并为一类,并构建风速序列数据分解分量相似性度量模型,将所选取类别中相似性较高的风速序列数据分解分量进行重构合并,减少数据维度,提高后续的风速预测效率;利用多尺度谱密度分解方法将不同类别的风速序列数据进行分解,得到风速序列在不同尺度的规律信息,其中不同的尺度分别代表长期趋势信息、周期信息以及噪声信息,分解得到的风速序列数据分解分量蕴含了更多的风速信息,利用超短期风速预测识别模型对不同分解分量进行预测,从而实现不同尺度的风速序列预测,提高预测结果的准确性,并将不同尺度的预测结果进行叠加,得到最终的超短期风速预测结果。
实现上述目的,本发明提供的一种时态分析的超短期风速预测方法,包括以下步骤:
S1:采集原始风速序列数据,并对原始风速序列数据进行相似性类别聚类,得到不同类别的风速序列数据;
S2:分别对不同类别中的风速序列数据进行多尺度谱密度分解,得到若干风速序列数据分解分量和残余分量;
S3:选取最优类别的风速序列数据分解分量和残余分量,构建风速序列数据分解分量相似性度量模型,将所选取类别中相似性较高的风速序列数据分解分量进行重构合并,得到重构合并后的风速序列数据分解分量;
S4:构建超短期风速预测识别模型,使用该模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测;
S5:将超短期风速预测识别模型输出的各分量的预测结果进行叠加,得到超短期风速预测结果。
作为本发明的进一步改进方法:
可选地,所述S1步骤中采集原始风速序列数据,包括:
利用风速传感器采集原始风速序列数据,所述原始风速序列数据
Figure SMS_1
的格式为:
Figure SMS_2
其中:
Figure SMS_3
表示采集到
Figure SMS_4
时刻的风速数据。
在本发明实施例中,所选取风速传感器为三杯风速传感器。
可选地,所述S1步骤中对原始风速序列数据进行相似性类别聚类,包括:
对原始风速序列数据
Figure SMS_5
进行相似性类别聚类,得到不同类别的风速序列数据,所述相似性类别聚类流程为:
S11:从原始风速序列数据
Figure SMS_6
中随机选取k个时刻的风速数据作为初始类别的中心点,计算原始风速序列数据中所有非中心点到中心点的欧式距离,其中所述非中心点表示原始风速序列数据
Figure SMS_7
中未被选取的n-k个时刻的风速数据;
S12:将每个中心点构建为聚类簇,将非中心添加到与自身距离最近的聚类簇中;
S13:计算每个聚类簇中非中心点到其他点的距离和
Figure SMS_8
S14:随机选取每个聚类簇中非中心点作为该簇的候选中心点,计算每个聚类簇中非候选中心点到其他点的距离和
Figure SMS_9
S15:若
Figure SMS_10
,则将聚类簇中的候选中心点作为该聚类簇的中心点,将原中心点作为非中心点,返回步骤S13,否则将候选中心点作为非中心点,返回步骤S13;
重复上述步骤,直到每个聚类簇的中心点均不发生变化,得到K个类别的风速序列数据集合
Figure SMS_11
Figure SMS_12
表示第k个类别的风速序列数据,其中每个类别的风速序列数据包含若干个时刻的风速数据,按照时序顺序对风速进行排序,得到该类别的风速序列数据。
可选地,所述S2步骤中分别对不同类别中的风速序列数据进行多尺度谱密度分解,包括:
对K个类别的风速序列数据集合
Figure SMS_13
中任意第k个类别的风速序列数据
Figure SMS_14
进行多尺度谱密度分解,所述多尺度谱密度分解的流程为:
S21:将风速序列数据
Figure SMS_15
转换为轨迹矩阵
Figure SMS_16
Figure SMS_17
其中:
Figure SMS_18
表示风速序列数据
Figure SMS_19
中的第
Figure SMS_20
个风速数据,
Figure SMS_21
表示风速序列数据
Figure SMS_22
中风速数据的总数;
Figure SMS_23
表示轨迹矩阵
Figure SMS_24
的轨迹窗口大小,
Figure SMS_25
S22:计算矩阵
Figure SMS_26
,其中T表示转置;
S23:计算矩阵
Figure SMS_27
的协方差矩阵
Figure SMS_28
Figure SMS_29
S24:计算得到协方差矩阵
Figure SMS_30
的第u个特征值
Figure SMS_31
Figure SMS_32
其中:
I表示单位矩阵;
选取所计算得到的协方差矩阵
Figure SMS_33
最大的N个特征值
Figure SMS_34
,其中
Figure SMS_35
,特征值
Figure SMS_36
所对应的特征向量
Figure SMS_37
为:
Figure SMS_38
S25:将所选取的N个特征值
Figure SMS_39
中最大的r个特征值分别构建为r个尺度的风速序列数据分解分量,其中特征值
Figure SMS_40
所对应尺度的风速序列数据分解分量
Figure SMS_41
为:
Figure SMS_42
所述构建得到的r个尺度的风速序列数据分解分量集合为:
Figure SMS_43
S26:将其余特征值以及特征向量构建为风速序列数据
Figure SMS_44
的残余分量:
Figure SMS_45
其中:
Figure SMS_46
表示风速序列数据
Figure SMS_47
的残余分量;
所述风速序列数据
Figure SMS_48
的多尺度谱密度分解结果
Figure SMS_49
为:
Figure SMS_50
所述K个类别的风速序列数据的多尺度谱密度分解结果为
Figure SMS_51
可选地,所述S3步骤中选取最优类别的风速序列数据分解分量和残余分量,包括:
计算不同类别风速序列数据的价值,其中风速序列数据
Figure SMS_52
的价值为:
Figure SMS_53
其中:
Figure SMS_54
表示第k个类别的风速序列数据
Figure SMS_55
的价值;
Figure SMS_56
表示风速序列数据
Figure SMS_57
中风速数据的总数;
将价值最大的类别作为最优类别
Figure SMS_59
,所述最优类别
Figure SMS_61
所对应的风速序列数据为
Figure SMS_63
,多尺度谱密度分解结果为
Figure SMS_60
,其中
Figure SMS_62
表示风速序列数据
Figure SMS_64
在第j个特征值尺度上的风速序列数据分解分量,
Figure SMS_65
表示风速序列数据
Figure SMS_58
的残余分量。
可选地,所述S3步骤中构建风速序列数据分解分量相似性度量模型,将最优类别中相似性较高的风速序列数据分解分量进行重构合并,包括:
构建风速序列数据分解分量相似性度量模型,其中所述风速序列数据分解分量相似性度量模型的输入为同一类别风速序列数据中不同尺度的两个风速序列数据分解分量,输出为输入风速序列数据分解分量的相似性,将相似性较高的风速序列数据分解分量进行重构合并,其中重构合并方法为叠加风速序列数据分解分量;
Figure SMS_66
中任意两个风速序列数据分解分量
Figure SMS_67
输入到风速序列数据分解分量相似性度量模型中,其中
Figure SMS_68
,所述相似性度量流程为:
S31:计算风速序列数据分解分量
Figure SMS_69
的长度L,所述任意风速序列数据分解分量的长度均为L;
S32:计算风速序列数据分解分量
Figure SMS_70
之间的分量距离
Figure SMS_71
Figure SMS_72
其中:
Figure SMS_73
表示风速序列数据分解分量
Figure SMS_74
中的第z个值,
Figure SMS_75
表示风速序列数据分解分量
Figure SMS_76
中的第z个值;
S33:对于任意
Figure SMS_77
Figure SMS_78
,计算
Figure SMS_79
的风速序列数据分解分量数量为
Figure SMS_80
,其中
Figure SMS_81
表示容许偏差,并令
Figure SMS_82
S34:计算风速序列数据分解分量
Figure SMS_83
之间的相似度:
Figure SMS_84
Figure SMS_85
,则令
Figure SMS_86
,得到合并后的风速序列数据分解分量,其中
Figure SMS_87
表示相似阈值。
可选地,所述S4步骤中使用超短期风速预测识别模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测,包括:
构建超短期风速预测识别模型,利用超短期风速预测识别模型对重构合并后的风速序列数据分解分量以及残余分量分别进行风速预测;
所述超短期风速预测识别模型包括输入层、记忆层以及输出层,记忆层由8个记忆块串联构成,每个记忆块包括输入门、输出门以及遗忘门,其中输出层用于接收特征分量,所述特征分量包括风速序列数据分解分量以及残余分量,将接收的特征分量输入到记忆层中,并在最后一个记忆块输出记忆处理向量,输出层对记忆处理向量进行映射,得到特征分量对应的风速预测结果。在本发明实施例中,所述记忆层的结构为LSTM模型,通过采集历史风速数据对LSTM模型进行训练,得到可用模型,所述模型参数的训练方法为ADAM算法。
可选地,所述S5步骤中将各分量的预测结果进行叠加,得到超短期风速预测结果,包括:
所述基于风速序列分解分量的风速预测结果为
Figure SMS_88
,所述基于残余分量的风速预测结果为
Figure SMS_89
,所述各分量的预测结果叠加公式为:
Figure SMS_90
其中:
Figure SMS_91
表示超短期风速预测结果。
为了解决上述问题,本发明提供一种时态分析的超短期风速预测装置,所述装置包括:
数据采集处理模块,用于采集原始风速序列数据,并对原始风速序列数据进行相似性类别聚类;
风速分解模块,用于对不同类别中的风速序列数据进行多尺度谱密度分解,得到若干风速序列数据分解分量和残余分量,选取最优类别的风速序列数据分解分量和残余分量,构建风速序列数据分解分量相似性度量模型,将所选取类别中相似性较高的风速序列数据分解分量进行重构合并,得到重构合并后的风速序列数据分解分量;
风速预测模块,用于构建超短期风速预测识别模型,使用该模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测,将超短期风速预测识别模型输出的各分量的预测结果进行叠加,得到超短期风速预测结果。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的时态分析的超短期风速预测方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的时态分析的超短期风速预测方法。
相对于现有技术,本发明提出一种时态分析的超短期风速预测方法,该技术具有以下优势:
首先,本方案提出一种风速序列数据分解方法,对K个类别的风速序列数据集合
Figure SMS_92
中任意第k个类别的风速序列数据
Figure SMS_93
进行多尺度谱密度分解,所述多尺度谱密度分解的流程为:将风速序列数据
Figure SMS_94
转换为轨迹矩阵
Figure SMS_95
Figure SMS_96
其中:
Figure SMS_99
表示风速序列数据
Figure SMS_101
中的第
Figure SMS_104
个风速数据,
Figure SMS_98
表示风速序列数据
Figure SMS_100
中风速数据的总数;
Figure SMS_103
表示轨迹矩阵
Figure SMS_106
的轨迹窗口大小,
Figure SMS_97
;计算矩阵
Figure SMS_102
,其中T表示转置;计算矩阵
Figure SMS_105
的协方差矩阵
Figure SMS_107
Figure SMS_108
计算得到协方差矩阵
Figure SMS_109
的第u个特征值
Figure SMS_110
Figure SMS_111
其中:I表示单位矩阵;选取所计算得到的协方差矩阵
Figure SMS_112
最大的N个特征值
Figure SMS_113
,其中
Figure SMS_114
,特征值
Figure SMS_115
所对应的特征向量
Figure SMS_116
为:
Figure SMS_117
将所选取的N个特征值
Figure SMS_118
中最大的r个特征值分别构建为r个尺度的风速序列数据分解分量,其中特征值
Figure SMS_119
所对应尺度的风速序列数据分解分量
Figure SMS_120
为:
Figure SMS_121
所述构建得到的r个尺度的风速序列数据分解分量集合为:
Figure SMS_122
;将其余特征值以及特征向量构建为风速序列数据
Figure SMS_123
的残余分量:
Figure SMS_124
其中:
Figure SMS_125
表示风速序列数据
Figure SMS_126
的残余分量;所述风速序列数据
Figure SMS_127
的多尺度谱密度分解结果
Figure SMS_128
为:
Figure SMS_129
所述K个类别的风速序列数据的多尺度谱密度分解结果为
Figure SMS_130
。本方案利用多尺度谱密度分解方法将不同类别的风速序列数据进行分解,得到风速序列在不同尺度的规律信息,其中不同的尺度分别代表长期趋势信息、周期信息以及噪声信息,分解得到的风速序列数据分解分量蕴含了更多的风速信息,利用超短期风速预测识别模型对不同分解分量进行预测,从而实现不同尺度的风速序列预测,提高预测结果的准确性,并将不同尺度的预测结果进行叠加,得到最终的超短期风速预测结果。
同时,本方案提出一种数据降维方法,将相似风速数据分解分量合并为一类,减少数据维度,提高后续的风速预测效率,将
Figure SMS_131
中任意两个风速序列数据分解分量
Figure SMS_132
输入到风速序列数据分解分量相似性度量模型中,其中
Figure SMS_133
,所述相似性度量流程为:计算风速序列数据分解分量
Figure SMS_134
的长度L;计算风速序列数据分解分量
Figure SMS_135
之间的分量距离
Figure SMS_136
Figure SMS_137
其中:
Figure SMS_140
表示风速序列数据分解分量
Figure SMS_142
中的第z个值,
Figure SMS_145
表示风速序列数据分解分量
Figure SMS_139
中的第z个值;对于任意
Figure SMS_141
Figure SMS_144
,计算
Figure SMS_147
的风速序列数据分解分量数量为
Figure SMS_138
,其中
Figure SMS_143
表示容许偏差,并令
Figure SMS_146
;计算风速序列数据分解分量
Figure SMS_148
之间的相似度:
Figure SMS_149
Figure SMS_150
,则令
Figure SMS_151
,得到合并后的风速序列数据分解分量,其中
Figure SMS_152
表示相似阈值。
附图说明
图1为本发明一实施例提供的一种时态分析的超短期风速预测方法的流程示意图;
图2为本发明一实施例提供的时态分析的超短期风速预测装置的功能模块图;
图3为本发明一实施例提供的实现时态分析的超短期风速预测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种时态分析的超短期风速预测方法。所述时态分析的超短期风速预测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述时态分析的超短期风速预测方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1:
S1:采集原始风速序列数据,并对原始风速序列数据进行相似性类别聚类,得到不同类别的风速序列数据。
所述S1步骤中采集原始风速序列数据,包括:
利用风速传感器采集原始风速序列数据,所述原始风速序列数据
Figure SMS_153
的格式为:
Figure SMS_154
其中:
Figure SMS_155
表示采集到
Figure SMS_156
时刻的风速数据。
所述S1步骤中对原始风速序列数据进行相似性类别聚类,包括:
对原始风速序列数据
Figure SMS_157
进行相似性类别聚类,得到不同类别的风速序列数据,所述相似性类别聚类流程为:
S11:从原始风速序列数据
Figure SMS_158
中随机选取k个时刻的风速数据作为初始类别的中心点,计算原始风速序列数据中所有非中心点到中心点的欧式距离,其中所述非中心点表示原始风速序列数据
Figure SMS_159
中未被选取的n-k个时刻的风速数据;
S12:将每个中心点构建为聚类簇,将非中心添加到与自身距离最近的聚类簇中;
S13:计算每个聚类簇中非中心点到其他点的距离和
Figure SMS_160
S14:随机选取每个聚类簇中非中心点作为该簇的候选中心点,计算每个聚类簇中非候选中心点到其他点的距离和
Figure SMS_161
S15:若
Figure SMS_162
,则将聚类簇中的候选中心点作为该聚类簇的中心点,将原中心点作为非中心点,返回步骤S13,否则将候选中心点作为非中心点,返回步骤S13;
重复上述步骤,直到每个聚类簇的中心点均不发生变化,得到K个类别的风速序列数据集合
Figure SMS_163
Figure SMS_164
表示第k个类别的风速序列数据,其中每个类别的风速序列数据包含若干个时刻的风速数据,按照时序顺序对风速进行排序,得到该类别的风速序列数据。
S2:分别对不同类别中的风速序列数据进行多尺度谱密度分解,得到若干风速序列数据分解分量和残余分量。
所述S2步骤中分别对不同类别中的风速序列数据进行多尺度谱密度分解,包括:
对K个类别的风速序列数据集合
Figure SMS_165
中任意第k个类别的风速序列数据
Figure SMS_166
进行多尺度谱密度分解,所述多尺度谱密度分解的流程为:
S21:将风速序列数据
Figure SMS_167
转换为轨迹矩阵
Figure SMS_168
Figure SMS_169
其中:
Figure SMS_170
表示风速序列数据
Figure SMS_171
中的第
Figure SMS_172
个风速数据,
Figure SMS_173
表示风速序列数据
Figure SMS_174
中风速数据的总数;
Figure SMS_175
表示轨迹矩阵
Figure SMS_176
的轨迹窗口大小,
Figure SMS_177
S22:计算矩阵
Figure SMS_178
,其中T表示转置;
S23:计算矩阵
Figure SMS_179
的协方差矩阵
Figure SMS_180
Figure SMS_181
S24:计算得到协方差矩阵
Figure SMS_182
的第u个特征值
Figure SMS_183
Figure SMS_184
其中:
I表示单位矩阵;
选取所计算得到的协方差矩阵
Figure SMS_185
最大的N个特征值
Figure SMS_186
,其中
Figure SMS_187
,特征值
Figure SMS_188
所对应的特征向量
Figure SMS_189
为:
Figure SMS_190
S25:将所选取的N个特征值
Figure SMS_191
中最大的r个特征值分别构建为r个尺度的风速序列数据分解分量,其中特征值
Figure SMS_192
所对应尺度的风速序列数据分解分量
Figure SMS_193
为:
Figure SMS_194
所述构建得到的r个尺度的风速序列数据分解分量集合为:
Figure SMS_195
S26:将其余特征值以及特征向量构建为风速序列数据
Figure SMS_196
的残余分量:
Figure SMS_197
其中:
Figure SMS_198
表示风速序列数据
Figure SMS_199
的残余分量;
所述风速序列数据
Figure SMS_200
的多尺度谱密度分解结果
Figure SMS_201
为:
Figure SMS_202
所述K个类别的风速序列数据的多尺度谱密度分解结果为
Figure SMS_203
S3:选取最优类别的风速序列数据分解分量和残余分量,构建风速序列数据分解分量相似性度量模型,将所选取类别中相似性较高的风速序列数据分解分量进行重构合并,得到重构合并后的风速序列数据分解分量。
所述S3步骤中构建风速序列数据分解分量相似性度量模型,将最优类别中相似性较高的风速序列数据分解分量进行重构合并,包括:
构建风速序列数据分解分量相似性度量模型,其中所述风速序列数据分解分量相似性度量模型的输入为同一类别风速序列数据中不同尺度的两个风速序列数据分解分量,输出为输入风速序列数据分解分量的相似性,将相似性较高的风速序列数据分解分量进行重构合并,其中重构合并方法为叠加风速序列数据分解分量;
Figure SMS_204
中任意两个风速序列数据分解分量
Figure SMS_205
输入到风速序列数据分解分量相似性度量模型中,其中
Figure SMS_206
,所述相似性度量流程为:
S31:计算风速序列数据分解分量
Figure SMS_207
的长度L,所述任意风速序列数据分解分量的长度均为L;
S32:计算风速序列数据分解分量
Figure SMS_208
之间的分量距离
Figure SMS_209
Figure SMS_210
其中:
Figure SMS_211
表示风速序列数据分解分量
Figure SMS_212
中的第z个值,
Figure SMS_213
表示风速序列数据分解分量
Figure SMS_214
中的第z个值;
S33:对于任意
Figure SMS_215
Figure SMS_216
,计算
Figure SMS_217
的风速序列数据分解分量数量为
Figure SMS_218
,其中
Figure SMS_219
表示容许偏差,并令
Figure SMS_220
S34:计算风速序列数据分解分量
Figure SMS_221
之间的相似度:
Figure SMS_222
Figure SMS_223
,则令
Figure SMS_224
,得到合并后的风速序列数据分解分量,其中
Figure SMS_225
表示相似阈值。
S4:构建超短期风速预测识别模型,使用该模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测。
所述S4步骤中使用超短期风速预测识别模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测,包括:
构建超短期风速预测识别模型,利用超短期风速预测识别模型对重构合并后的风速序列数据分解分量以及残余分量分别进行风速预测;
所述超短期风速预测识别模型包括输入层、记忆层以及输出层,记忆层由8个记忆块串联构成,每个记忆块包括输入门、输出门以及遗忘门,其中输出层用于接收特征分量,所述特征分量包括风速序列数据分解分量以及残余分量,将接收的特征分量输入到记忆层中,并在最后一个记忆块输出记忆处理向量,输出层对记忆处理向量进行映射,得到特征分量对应的风速预测结果。在本发明实施例中,所述记忆层的结构为LSTM模型,通过采集历史风速数据对LSTM模型进行训练,得到可用模型,所述模型参数的训练方法为ADAM算法。
S5:将超短期风速预测识别模型输出的各分量的预测结果进行叠加,得到超短期风速预测结果。
所述S5步骤中将各分量的预测结果进行叠加,得到超短期风速预测结果,包括:
所述基于风速序列分解分量的风速预测结果为
Figure SMS_226
,所述基于残余分量的风速预测结果为
Figure SMS_227
,所述各分量的预测结果叠加公式为:
Figure SMS_228
其中:
Figure SMS_229
表示超短期风速预测结果。
实施例2:
如图2所示,是本发明一实施例提供的时态分析的超短期风速预测装置的功能模块图,其可以实现实施例1中的时态分析的超短期风速预测方法。
本发明所述时态分析的超短期风速预测装置100可以安装于电子设备中。根据实现的功能,所述时态分析的超短期风速预测装置可以包括数据采集处理模块101、风速分解模块102及风速预测模块103。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
数据采集处理模块101,用于采集原始风速序列数据,并对原始风速序列数据进行相似性类别聚类;
风速分解模块102,用于对不同类别中的风速序列数据进行多尺度谱密度分解,得到若干风速序列数据分解分量和残余分量,选取最优类别的风速序列数据分解分量和残余分量,构建风速序列数据分解分量相似性度量模型,将所选取类别中相似性较高的风速序列数据分解分量进行重构合并,得到重构合并后的风速序列数据分解分量;
风速预测模块103,用于构建超短期风速预测识别模型,使用该模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测,将超短期风速预测识别模型输出的各分量的预测结果进行叠加,得到超短期风速预测结果。
详细地,本发明实施例中所述时态分析的超短期风速预测装置100中的所述各模块在使用时采用与上述的图1中所述的时态分析的超短期风速预测方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
实施例3:
如图3所示,是本发明一实施例提供的实现时态分析的超短期风速预测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接,并实现电子设备内部组件之间的连接通信。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(用于超短期风速预测的程序12等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
采集原始风速序列数据,并对原始风速序列数据进行相似性类别聚类,得到不同类别的风速序列数据;
分别对不同类别中的风速序列数据进行多尺度谱密度分解,得到若干风速序列数据分解分量和残余分量;
选取最优类别的风速序列数据分解分量和残余分量,构建风速序列数据分解分量相似性度量模型,将所选取类别中相似性较高的风速序列数据分解分量进行重构合并,得到重构合并后的风速序列数据分解分量;
构建超短期风速预测识别模型,使用该模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测;
将超短期风速预测识别模型输出的各分量的预测结果进行叠加,得到超短期风速预测结果。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述,在此不赘述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种时态分析的超短期风速预测方法,其特征在于,所述方法包括:
S1:采集原始风速序列数据,并对原始风速序列数据进行相似性类别聚类,得到不同类别的风速序列数据;
S2:分别对不同类别中的风速序列数据进行多尺度谱密度分解,得到若干风速序列数据分解分量和残余分量,包括:
对K个类别的风速序列数据集合
Figure QLYQS_1
中任意第k个类别的风速序列数据
Figure QLYQS_2
进行多尺度谱密度分解,所述多尺度谱密度分解的流程为:
S21:将风速序列数据
Figure QLYQS_3
转换为轨迹矩阵
Figure QLYQS_4
Figure QLYQS_5
其中:
Figure QLYQS_6
表示风速序列数据
Figure QLYQS_7
中的第
Figure QLYQS_8
个风速数据,
Figure QLYQS_9
表示风速序列数据
Figure QLYQS_10
中风速数据的总数;
Figure QLYQS_11
表示轨迹矩阵
Figure QLYQS_12
的轨迹窗口大小,
Figure QLYQS_13
S22:计算矩阵
Figure QLYQS_14
,其中T表示转置;
S23:计算矩阵
Figure QLYQS_15
的协方差矩阵
Figure QLYQS_16
Figure QLYQS_17
S24:计算得到协方差矩阵
Figure QLYQS_18
的第u个特征值
Figure QLYQS_19
Figure QLYQS_20
其中:
I表示单位矩阵;
选取所计算得到的协方差矩阵
Figure QLYQS_21
最大的N个特征值
Figure QLYQS_22
,其中
Figure QLYQS_23
,特征值
Figure QLYQS_24
所对应的特征向量
Figure QLYQS_25
为:
Figure QLYQS_26
S25:将所选取的N个特征值
Figure QLYQS_27
中最大的r个特征值分别构建为r个尺度的风速序列数据分解分量,其中特征值
Figure QLYQS_28
所对应尺度的风速序列数据分解分量
Figure QLYQS_29
为:
Figure QLYQS_30
所述构建得到的r个尺度的风速序列数据分解分量集合为:
Figure QLYQS_31
S26:将其余特征值以及特征向量构建为风速序列数据
Figure QLYQS_32
的残余分量:
Figure QLYQS_33
其中:
Figure QLYQS_34
表示风速序列数据
Figure QLYQS_35
的残余分量;
所述风速序列数据
Figure QLYQS_36
的多尺度谱密度分解结果
Figure QLYQS_37
为:
Figure QLYQS_38
所述K个类别的风速序列数据的多尺度谱密度分解结果为
Figure QLYQS_39
S3:选取最优类别的风速序列数据分解分量和残余分量,构建风速序列数据分解分量相似性度量模型,将所选取类别中相似性较高的风速序列数据分解分量进行重构合并,得到重构合并后的风速序列数据分解分量;
S4:构建超短期风速预测识别模型,使用该模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测;
S5:将超短期风速预测识别模型输出的各分量的预测结果进行叠加,得到超短期风速预测结果。
2.如权利要求1所述的一种时态分析的超短期风速预测方法,其特征在于,所述S1步骤中采集原始风速序列数据,包括:
利用风速传感器采集原始风速序列数据,所述原始风速序列数据
Figure QLYQS_40
的格式为:
Figure QLYQS_41
其中:
Figure QLYQS_42
表示采集到
Figure QLYQS_43
时刻的风速数据。
3.如权利要求1所述的一种时态分析的超短期风速预测方法,其特征在于,所述S1步骤中对原始风速序列数据进行相似性类别聚类,包括:
对原始风速序列数据
Figure QLYQS_44
进行相似性类别聚类,得到不同类别的风速序列数据,所述相似性类别聚类流程为:
S11:从原始风速序列数据
Figure QLYQS_45
中随机选取k个时刻的风速数据作为初始类别的中心点,计算原始风速序列数据中所有非中心点到中心点的欧式距离,其中所述非中心点表示原始风速序列数据
Figure QLYQS_46
中未被选取的n-k个时刻的风速数据;
S12:将每个中心点构建为聚类簇,将非中心添加到与自身距离最近的聚类簇中;
S13:计算每个聚类簇中非中心点到其他点的距离和
Figure QLYQS_47
S14:随机选取每个聚类簇中非中心点作为该簇的候选中心点,计算每个聚类簇中非候选中心点到其他点的距离和
Figure QLYQS_48
S15:若
Figure QLYQS_49
,则将聚类簇中的候选中心点作为该聚类簇的中心点,将原中心点作为非中心点,返回步骤S13,否则将候选中心点作为非中心点,返回步骤S13;
重复上述步骤,直到每个聚类簇的中心点均不发生变化,得到K个类别的风速序列数据集合
Figure QLYQS_50
Figure QLYQS_51
表示第k个类别的风速序列数据,其中每个类别的风速序列数据包含若干个时刻的风速数据,按照时序顺序对风速进行排序,得到该类别的风速序列数据。
4.如权利要求1所述的一种时态分析的超短期风速预测方法,其特征在于,所述S3步骤中选取最优类别的风速序列数据分解分量和残余分量,包括:
计算不同类别风速序列数据的价值,其中风速序列数据
Figure QLYQS_52
的价值为:
Figure QLYQS_53
其中:
Figure QLYQS_54
表示第k个类别的风速序列数据
Figure QLYQS_55
的价值;
Figure QLYQS_56
表示风速序列数据
Figure QLYQS_57
中风速数据的总数;
将价值最大的类别作为最优类别
Figure QLYQS_60
,所述最优类别
Figure QLYQS_62
所对应的风速序列数据为
Figure QLYQS_64
,多尺度谱密度分解结果为
Figure QLYQS_59
,其中
Figure QLYQS_61
表示风速序列数据
Figure QLYQS_63
在第j个特征值尺度上的风速序列数据分解分量,
Figure QLYQS_65
表示风速序列数据
Figure QLYQS_58
的残余分量。
5.如权利要求1所述的一种时态分析的超短期风速预测方法,其特征在于,所述S3步骤中构建风速序列数据分解分量相似性度量模型,将最优类别中相似性较高的风速序列数据分解分量进行重构合并,包括:
构建风速序列数据分解分量相似性度量模型,其中所述风速序列数据分解分量相似性度量模型的输入为同一类别风速序列数据中不同尺度的两个风速序列数据分解分量,输出为输入风速序列数据分解分量的相似性,将相似性较高的风速序列数据分解分量进行重构合并,其中重构合并方法为叠加风速序列数据分解分量;
Figure QLYQS_66
中任意两个风速序列数据分解分量
Figure QLYQS_67
输入到风速序列数据分解分量相似性度量模型中,其中
Figure QLYQS_68
,所述相似性度量流程为:
S31:计算风速序列数据分解分量
Figure QLYQS_69
的长度L,所述任意风速序列数据分解分量的长度均为L;
S32:计算风速序列数据分解分量
Figure QLYQS_70
之间的分量距离
Figure QLYQS_71
Figure QLYQS_72
其中:
Figure QLYQS_73
表示风速序列数据分解分量
Figure QLYQS_74
中的第z个值,
Figure QLYQS_75
表示风速序列数据分解分量
Figure QLYQS_76
中的第z个值;
S33:对于任意
Figure QLYQS_77
Figure QLYQS_78
,计算
Figure QLYQS_79
的风速序列数据分解分量数量为
Figure QLYQS_80
,其中
Figure QLYQS_81
表示容许偏差,并令
Figure QLYQS_82
S34:计算风速序列数据分解分量
Figure QLYQS_83
之间的相似度:
Figure QLYQS_84
Figure QLYQS_85
,则令
Figure QLYQS_86
,得到合并后的风速序列数据分解分量,其中
Figure QLYQS_87
表示相似阈值。
6.如权利要求5所述的一种时态分析的超短期风速预测方法,其特征在于,所述S4步骤中使用超短期风速预测识别模型对重构合并后的风速序列数据分解分量以及残余分量进行风速预测,包括:
构建超短期风速预测识别模型,利用超短期风速预测识别模型对重构合并后的风速序列数据分解分量以及残余分量分别进行风速预测;
所述超短期风速预测识别模型包括输入层、记忆层以及输出层,记忆层由8个记忆块串联构成,每个记忆块包括输入门、输出门以及遗忘门,其中输出层用于接收特征分量,所述特征分量包括风速序列数据分解分量以及残余分量,将接收的特征分量输入到记忆层中,并在最后一个记忆块输出记忆处理向量,输出层对记忆处理向量进行映射,得到特征分量对应的风速预测结果。
7.如权利要求6所述的一种时态分析的超短期风速预测方法,其特征在于,所述S5步骤中将各分量的预测结果进行叠加,得到超短期风速预测结果,包括:
所述基于风速序列分解分量的风速预测结果为
Figure QLYQS_88
,所述基于残余分量的风速预测结果为
Figure QLYQS_89
,所述各分量的预测结果叠加公式为:
Figure QLYQS_90
其中:
Figure QLYQS_91
表示超短期风速预测结果。
CN202310041861.3A 2023-01-28 2023-01-28 一种时态分析的超短期风速预测方法 Active CN115796231B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310041861.3A CN115796231B (zh) 2023-01-28 2023-01-28 一种时态分析的超短期风速预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310041861.3A CN115796231B (zh) 2023-01-28 2023-01-28 一种时态分析的超短期风速预测方法

Publications (2)

Publication Number Publication Date
CN115796231A true CN115796231A (zh) 2023-03-14
CN115796231B CN115796231B (zh) 2023-12-08

Family

ID=85429001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310041861.3A Active CN115796231B (zh) 2023-01-28 2023-01-28 一种时态分析的超短期风速预测方法

Country Status (1)

Country Link
CN (1) CN115796231B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195059A (zh) * 2023-11-06 2023-12-08 上海炯测环保技术有限公司 一种供水管网水体污染快速检测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102539822A (zh) * 2011-12-31 2012-07-04 东北电力大学 一种短期风速预测方法
JP2013222423A (ja) * 2012-04-19 2013-10-28 Hitachi Power Solutions Co Ltd 発電量予測方法及びそのシステム並びに風力発電設備の健康管理方法及びそのシステム
CN109657646A (zh) * 2019-01-07 2019-04-19 哈尔滨工业大学(深圳) 生理时间序列的特征表示与提取方法、装置及存储介质
CN109753632A (zh) * 2018-11-01 2019-05-14 北京理工大学 一种基于数据挖掘的表面粗糙度监测模型及构建方法
CN110458316A (zh) * 2019-05-21 2019-11-15 武汉大学 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法
EP3709250A1 (en) * 2019-03-14 2020-09-16 Kabushiki Kaisha Toshiba Prediction device, prediction method, and computer program
CN112417028A (zh) * 2020-11-26 2021-02-26 国电南瑞科技股份有限公司 一种风速时序特征挖掘方法及短期风电功率预测方法
CN112948462A (zh) * 2021-02-26 2021-06-11 武汉大学 一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法
CN113673452A (zh) * 2021-08-25 2021-11-19 南京航空航天大学 一种辛几何模态分解的感应屑末传感器特征信号提取方法
CN114139777A (zh) * 2021-11-15 2022-03-04 北京华能新锐控制技术有限公司 一种风电功率预测方法及装置
CN115456312A (zh) * 2022-11-09 2022-12-09 广东电网有限责任公司肇庆供电局 基于辛几何模态分解的短期电力负荷预测方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102539822A (zh) * 2011-12-31 2012-07-04 东北电力大学 一种短期风速预测方法
JP2013222423A (ja) * 2012-04-19 2013-10-28 Hitachi Power Solutions Co Ltd 発電量予測方法及びそのシステム並びに風力発電設備の健康管理方法及びそのシステム
CN109753632A (zh) * 2018-11-01 2019-05-14 北京理工大学 一种基于数据挖掘的表面粗糙度监测模型及构建方法
CN109657646A (zh) * 2019-01-07 2019-04-19 哈尔滨工业大学(深圳) 生理时间序列的特征表示与提取方法、装置及存储介质
EP3709250A1 (en) * 2019-03-14 2020-09-16 Kabushiki Kaisha Toshiba Prediction device, prediction method, and computer program
CN110458316A (zh) * 2019-05-21 2019-11-15 武汉大学 一种基于集合经验模态分解与lstm网络的海上风电功率短期预测方法
CN112417028A (zh) * 2020-11-26 2021-02-26 国电南瑞科技股份有限公司 一种风速时序特征挖掘方法及短期风电功率预测方法
CN112948462A (zh) * 2021-02-26 2021-06-11 武汉大学 一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法
CN113673452A (zh) * 2021-08-25 2021-11-19 南京航空航天大学 一种辛几何模态分解的感应屑末传感器特征信号提取方法
CN114139777A (zh) * 2021-11-15 2022-03-04 北京华能新锐控制技术有限公司 一种风电功率预测方法及装置
CN115456312A (zh) * 2022-11-09 2022-12-09 广东电网有限责任公司肇庆供电局 基于辛几何模态分解的短期电力负荷预测方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"A novel combination forecasting model for wind power integrating least square support vector machine, deep belief network, singular spectrum analysis and locality-sensitive hashing", ENERGY, pages 558 - 572 *
PING JIANG: "Research and application of an innovative combined model based on a modified optimization algorithm for wind speed forecasting", MEASUREMENT, pages 395 - 412 *
刘蕾: "基于谱分析的大规模风电场功率超短期概率区间预测研究", 中国优秀硕士论文全文数据库工程科技Ⅱ辑, pages 042 - 355 *
程正阳: "辛几何模态分解方法及其分解能力研究", 《振动与冲击》, vol. 39, no. 13, pages 27 - 35 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195059A (zh) * 2023-11-06 2023-12-08 上海炯测环保技术有限公司 一种供水管网水体污染快速检测方法
CN117195059B (zh) * 2023-11-06 2024-02-27 上海炯测环保技术有限公司 一种供水管网水体污染快速检测方法

Also Published As

Publication number Publication date
CN115796231B (zh) 2023-12-08

Similar Documents

Publication Publication Date Title
CN110377984B (zh) 一种工业设备剩余有效寿命预测方法、系统及电子设备
Wu et al. Data-driven remaining useful life prediction via multiple sensor signals and deep long short-term memory neural network
CN115796231B (zh) 一种时态分析的超短期风速预测方法
CN115619005A (zh) 一种智能用电网络资源优化配置方法及系统
CN116934098A (zh) 一种技术性贸易措施风险量化评估方法
CN113869456A (zh) 采样监测方法、装置、电子设备及存储介质
CN116910625A (zh) 一种精准脑机信号监测识别方法
CN113469237B (zh) 用户意图识别方法、装置、电子设备及存储介质
CN114139803A (zh) 一种风电场站短期功率的预测方法、系统、设备和介质
CN113888265A (zh) 产品推荐方法、装置、设备及计算机可读存储介质
CN112734205A (zh) 模型置信度分析方法、装置、电子设备及计算机存储介质
CN113515591A (zh) 文本不良信息识别方法、装置、电子设备及存储介质
CN114895196B (zh) 一种基于人工智能的新能源电池故障诊断方法
CN115293100B (zh) 一种新能源电池剩余电量精准评估方法
CN111667340A (zh) 基于大数据的目标物推荐方法、装置及计算机可读存储介质
CN116541766B (zh) 脑电数据修复模型的训练方法、脑电数据修复方法及装置
CN111414452A (zh) 搜索词匹配方法、装置、电子设备及可读存储介质
Xiao-lan et al. Short-term wind speed forecast of wind farm based on V-system and LSSVM
CN115167641B (zh) 一种惯性自适应温控方法及系统
CN117114495B (zh) 一种能力生成分析的职业本科教育质量评估方法
CN117743810B (zh) 一种脑电信号监测的意图理解分析方法
CN115587326B (zh) 一种噪声环境风电场数据修正方法
CN111475719B (zh) 基于数据挖掘的信息推送方法、装置及存储介质
CN116701937A (zh) 一种脑机模型训练样本快速生成方法
CN117992851A (zh) 电网电能质量扰动分类方法、装置、电子设备和存储介质

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
GR01 Patent grant
GR01 Patent grant