CN115828441A - 基于条件生成对抗网络的风机出力场景生成和缩减方法 - Google Patents
基于条件生成对抗网络的风机出力场景生成和缩减方法 Download PDFInfo
- Publication number
- CN115828441A CN115828441A CN202210808212.7A CN202210808212A CN115828441A CN 115828441 A CN115828441 A CN 115828441A CN 202210808212 A CN202210808212 A CN 202210808212A CN 115828441 A CN115828441 A CN 115828441A
- Authority
- CN
- China
- Prior art keywords
- scene
- generator
- discriminator
- scenes
- output
- 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 62
- 230000009467 reduction Effects 0.000 title claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000001360 synchronised effect Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 238000005315 distribution function Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 238000011946 reduction process Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims 2
- 238000005259 measurement Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 4
- 241000039077 Copula Species 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect 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
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
基于条件生成对抗网络的风机出力场景生成和缩减方法,包括如下步骤:随机初始化生成器网络参数,从正态高斯分布中提取随机噪声,将噪声批量输入生成器网络,生成器生成样本;随机初始化鉴别器网络参数,归一化处理真实样本,将生成样本和真实样本批量输入鉴别器网络,鉴别器输出判别值;计算生成器与鉴别器的损失函数,采用RMSprop优化算法更新生成器与鉴别器的权重参数;若训练未结束,即损失函数未收敛,则返回下一轮训练;当训练次数达到给定次数时或损失函数收敛,停止训练并保存生成器网络最优的参数;输入随机噪声,生成器输出风机出力场景;为提高计算速度,采取同步回代场景缩减方法生成具有时空相关性的各工业园区风机出力场景。
Description
技术领域
本发明涉及一种方法,尤其是涉及一种基于条件生成对抗网络的风机出力场景生成和缩减方法。
背景技术
在当今的电力系统中,由于风电机组的巨大经济与环保价值,风电机组成为一种越来越重要的替代传统的发电方式。然而,风电机组具有间歇性、不确定性,不同风电机组的出力具有时空相关性,以上特性会对电力系统的正确决策带来挑战,如经济调度、机组组合、多能源系统的优化运行等。因此,合理考虑风电机组出力规律的时空相关特性,精确描述风电机组出力规律的不确定性成为克服上述挑战的关键。
场景生成的常用方法可分为参数法和非参数法两大类。参数化方法基于概率分布的假设,然后从概率分布中采样。有研究采用威布尔分布对负荷进行建模,应用蒙特卡洛样生成场景,然而上述方法会忽略柔性负荷运行规律的时间相关性。有研究假设不同时刻风电机组出力功率服从多元高斯分布,通过逆变换生成场景,然而多元高斯分布的假设在实际情况中可能并不成立。相较于高斯结构,Copula方法可以被用于更精确地捕获依赖结构。尽管Copula能捕获时空依赖结构,但应用Copula方法生成场景在高维情况下较为复杂且耗时。
综上,参数法具有以下局限性:风电机组出力规律具有时变特性且存在复杂的空间相关关系,难以对其精确建模;特定的统计假设(例如多元高斯分布)可能难以应用于实际;同时,从高维分布中采样也会影响生成场景的质量。相比于参数法,非参数法无需假设柔性负荷运行规律数据的概率分布。
因此,在含有风电机组出力规律的电力系统规划问题中,精确的风电机组出力场景生成具有重要意义。考虑到风电机组出力运行规律功率序列具有时间自相关性,区域风电机组出力规律功率序列具有空间相关性,因此生成具有时空依赖结构的风电机组出力场景有利于更好地模拟风电机组出力规律的随机过程。
发明内容
为了解决现有技术中的不足,本发明公开一种基于条件生成对抗网络的风机出力场景生成和缩减方法,其技术方案如下:
基于条件生成对抗网络的风机出力场景生成和缩减方法,其特征为:包括如下步骤:
步骤1:随机初始化生成器网络参数,从正态高斯分布中提取随机噪声,将噪声批量输入生成器网络,生成器生成样本;
步骤2:随机初始化鉴别器网络参数,归一化处理真实样本,将生成样本和真实样本批量输入鉴别器网络,鉴别器输出判别值;
步骤3:计算生成器与鉴别器的损失函数,采用RMSprop优化算法更新生成器与鉴别器的权重参数;若训练未结束,即损失函数未收敛,则返回步骤1进行下一轮训练;
步骤4:当训练次数达到给定次数时或损失函数收敛,停止训练并保存生成器网络最优的参数;输入随机噪声,生成器输出风机出力场景;
步骤5:为提高计算速度,采取同步回代场景缩减方法生成典型具有时空相关性的各工业园区风机出力场景。
与现有技术相比,本发明的有益效果是:
1、本方法采用条件生成对抗网络,一般回归模型主要针对线性关系进行构建,忽略了气候、日期类型等因素对风机出力的影响。本文把历史负荷数据、气候、日期类型等负荷影响因素作为条件与噪声输入生成模型,把预测数据与真实数据分别输入判别模型,通过CGAN的博弈训练,使生成模型以出力影响因素为条件生成预测负荷数据,生成更贴近真实分布的场景,同时避免了过拟合问题的出现。使用实际风电机组出力规律数据对所提方法进行测试,本方法具有更高的精度。
2、为从不同的方面描述生成场景的好坏,进一步引入BS指标,BS指标结合了事件诊断的方法,首先要定义需要诊断的事件,主要从两个方面来考虑,一是风电机组功率场景在确定时间内的波动情况,二是风电机组功率场景大于确定出力的持续时间。BS指标侧重于计算某一事件在场景与实测值中发生概率的差值,故BS指标越小,说明场景与实测值出力的波动特性越接近。
附图说明
图1为条件生成对抗网络模型;
图2为本发明的模型结构与训练流程图。
具体实施方式
以下结合附图对本发明提供的具体实施方式进行详细说明。
如图2所示,一种基于生成对抗网络的工业园区柔性负荷时空相关场景生成和缩减方法,包括如下步骤:
步骤1:随机初始化生成器网络参数,从正态高斯分布中提取随机噪声,将噪声批量输入生成器网络,生成器输出数据为生成样本。
步骤2:随机初始化鉴别器网络参数,归一化处理真实样本,将生成样本和真实样本批量输入鉴别器网络,鉴别器输出判别值。
步骤3:计算生成器与鉴别器的损失函数,采用RMSprop优化算法更新生成器与鉴别器的权重参数;若训练未结束,即损失函数未收敛,则返回步骤1进行下一轮训练。
步骤4:当训练次数达到给定次数时,停止训练并保存生成器网络最优的参数。输入随机噪声以及条件数据,生成器输出工业园区柔性负荷运行场景。
步骤5:为提高计算速度,采取同步回代场景缩减方法生成典型具有时空相关性的各工业园区风机出力场景。
具体过程如下:
基于条件生成对抗网络的风机出力场景生成和缩减方法,包括如下步骤:
步骤1:随机初始化生成器网络参数,从正态高斯分布中提取随机噪声,正态高斯分布如下式:
步骤2:随机初始化鉴别器网络参数,归一化处理真实样本,归一化公式如下,将生成样本和真实样本批量输入鉴别器网络,鉴别器输出判别值;
所述的步骤1和步骤2具体包括如下:
在条件生成对抗网络中,生成网络的输入除噪声外,还有条件,本文根据分析研究已有数据集的特性,确定影响因素包括:预测日各时刻温度、湿度、风速、气压值,并采用这些数据当作网络训练时的条件。
设风机出力运行规律数据的分布为真实分布Pr,可作为真实样本输入网络进行训练;设随机噪声z的分布为PZ,随机噪声可以被轻易获取,为了方便后续对原理的阐述,设生成器网络为G(·,θ(G)),其中θ(G)代表生成器网络的参数;设鉴别器网络为D(·,θ(D)),其中θ(D)代表鉴别器网络的参数;
生成器:在训练过程中,生成器获取随机噪声以及温度、适度、风速等条件值作为输入,输出为生成样本即场景,设为G(z,θ(G)),生成分布PG,生成器的目标是尽可能输出遵循真实分布Pr的场景;
鉴别器:鉴别器和生成器同时进行训练,鉴别器的输入来自真实样本和生成器的输出,输出值Preal反映输入样本属于真实样本的程度;
Preal=D(x;θ(D))
其中x代表鉴别器的输入,鉴别器的目标是尽可能区分真实分布Pr与生成分布PZ。
步骤3:计算生成器与鉴别器的损失函数,采用RMSprop优化算法更新生成器与鉴别器的权重参数;若训练未结束,则返回步骤1进行下一轮训练;
在条件生成对抗网络模型训练方面,应用沃瑟斯坦Wasserstein距离作为鉴别器的损失函数,Wasserstein距离W(Pr,PG)直接衡量真实分布与生成分布之间的差异,公式如下,
其中Pr为真实分布,PG为生成分布,x代表鉴别器的负荷数据输入,sup代表最小上界,生成样本输出即场景设为G,随机噪声z的分布为PZ,鉴别器网络为D,E表示对应分布的期望值;鉴别器函数需要满足Lipschitz约束,即:
D(x1)-D(x2)≤|x1-x2|
x1和x2为两种出力历史时序数据,应用Wasserstein距离作为衡量分布差异的指标要求鉴别器网络满足Lipschitz约束;
其中G(z)′,G(z)”为生成域样本处的采样点,d代表在输入空间上的度量,D_(·)代表鉴别器的倒数第二层,M′是一个有界常数;
综上,网络模型的总损失函数为:
步骤4:当训练次数达到给定次数时,停止训练并保存生成器网络最优的参数;输入随机噪声和温度等条件信息,生成器的输出为风机出力场景;
场景生成过程形成了大量的离散化场景来近似风电机组出力过程,但在概率测度P下的场景集过于庞大,因此引入场景缩减概念,采用一个仅含有少数场景组成的概率测度Q,来近似P下的场景,获取最佳简化场景集即为场景缩减过程;采用同步回代缩减方法,是通过迭代的方法在每一步中缩减一个场景,同时改变其他场景的概率,直到场景集剩下指定数目的场景;
首先用Kantorovich康托洛维奇距离定义两场景之间的距离,即场景之间的2-范数如下:
风电机组出力的随机过程可视为一个随时间变化的向量P=(P1,P2,…,Pt)T,t为预测长度,Ci为聚类算法第i个类簇场景集合,s(i)和s(j)分别为场景集合Ci和Cj中的场景;和分别为s(i)和s(j)在场景集合Ci和Cj中的概率;d(s(i),s(j))为场景s(i)和s(j)的欧氏距离;具体场景缩减步骤如下:
1)确定原始场景概率:在原始场景个数为N,且每个场景具有相同的概率1/N;
2)根据下式两两计算场景之间的距离,确定需要剔除的场景
通过下式计算概率距离找出与其他场景距离最近的场景,同时考虑计算距离与概率,使得保留下来的场景概率大且具有代表性;
P(s(i))P(s-(j))min d(s(i),-(j))=min P(s-(j))
{min P(s(i))d(s(i),-(j))}
3)改变场景的总数以及相应场景对应概率:场景总数N=N-1,将剔除场景的概率加到离该场景最近的场景上,保证保留场景概率和为1;
4)若剩余场景总数N大于指定保留场景个数,返回步骤1),直到缩减至指定保留场景个数。
步骤5:为提高计算速度,采取同步回代场景缩减方法生成典型具有时空相关性的各工业园区风机出力场景,在缩减过程中采用ES指标和BS指标进行评估。
生成回代场景的好坏可通过相应的评价指标来评估,在传统的ES指标中考虑概率距离并结合BS指标进行场景评价,ES指标Et如下式:
其中:pt为实测风电机组出力;为工业园区柔性负荷场预测场景出力;Pi和Pj为场景概率;由上式可看出,ES指标着重于风电机组场景与实测值累积分布函数的距离,其值越小,则表明两者越接近,那么生成场景的更符合实际;
为从不同的方面描述生成场景的好坏,进一步引入BS指标,BS指标结合了事件诊断的方法,首先定义需要诊断的事件,从两个方面来考虑,一是风电机组功率场景在确定时间内的波动情况,二是风电机组功率场景大于确定出力的持续时间;针对以上两个方面,分别有定义如下式所示。
式中:θ为定义的一个事件;sd表示第d个时间轨迹,即一个缩减后的典型场景;k为长度为h的时间区间的中间位置;b{}.算子当满足括号内条件输出为1,否则为0。
以上公式应用于单一场景,对整个缩减后的场景集合发生某一事件θ的概率如下式所示:
式中:g(sd;θ)表示第j个场景是否发生了事件θ;pj表示第j个场景的概率;J表示场景总数。
最终得到布莱尔分数指标如下式所示:
式中:g(z;θ)表示实测时间轨迹是否发生了事件θ;D为考核的时间轨迹数目。
BS指标侧重于计算某一事件在场景与实测值中发生概率的差值,故BS指标越小,说明场景与实测值出力的波动特性越接近;针对日前调度场景生成问题,上述事件具体为如下4个诊断事件:
1)事件1:风电机组功率在1小时的时间内的波动量大于10%;
2)事件2:风电机组功率在2小时的时间内的波动量大于10%;
3)事件3:风电机组功率在4小时的时间内的出力值持续大于30%;
4)事件4:风电机组功率在4小时的时间内的出力值持续大于40%。
本方法提出了一种改进条件生成对抗网络,通过增加新的惩罚项来加强训练过程中鉴别器的Lipschitz连续性,从而提高网络捕获风机出力运行规律数据时空特性的能力,生成更贴近真实分布的场景,同时避免了过拟合问题的出现。使用实际风机运行规律数据对所提方法进行测试,本方法具有更高的精度。
梯度惩罚项GP和一致性项CT都难以使鉴别器在全域范围内满足Lipschitz约束,从而影响条件生成对抗网络模型的性能。为此本方法提出了一种改进式生成对抗网络,应用Wasserstein距离作为鉴别器损失函数衡量分布差异的同时,为鉴别器损失函数增加新的惩罚项来加强训练过程中鉴别器的Lipschitz连续性,提高了条件生成对抗网络模型的性能,解决了条件生成对抗网络存在的问题,避免了过拟合问题的发生。
为从不同的方面描述生成场景的好坏,进一步引入BS指标,BS指标结合了事件诊断的方法,首先要定义需要诊断的事件,主要从两个方面来考虑,一是工业园区柔性负荷功率场景在确定时间内的波动情况,二是工业园区柔性负荷功率场景大于确定出力的持续时间。BS指标侧重于计算某一事件在场景与实测值中发生概率的差值,故BS指标越小,说明场景与实测值出力的波动特性越接近
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (9)
1.基于条件生成对抗网络的风机出力场景生成和缩减方法,其特征为:包括如下步骤:
步骤1:随机初始化生成器网络参数,从正态高斯分布中提取随机噪声,将噪声批量输入生成器网络,生成器生成样本;
步骤2:随机初始化鉴别器网络参数,归一化处理真实样本,将生成样本和真实样本批量输入鉴别器网络,鉴别器输出判别值;
步骤3:计算生成器与鉴别器的损失函数,采用RMSprop优化算法更新生成器与鉴别器的权重参数;若训练未结束,即损失函数未收敛,则返回步骤1进行下一轮训练;
步骤4:当训练次数达到给定次数时或损失函数收敛,停止训练并保存生成器网络最优的参数;输入随机噪声,生成器输出风机出力场景;
步骤5:为提高计算速度,采取同步回代场景缩减方法生成典型具有时空相关性的各工业园区风机出力场景。
2.根据权利要求1所述的基于条件生成对抗网络的风机出力场景生成和缩减方法,其特征为:
生成器:在训练过程中,生成器获取随机噪声以及温度、适度、风速条件值作为输入,输出为生成样本即场景,设为G(z,θ(G)),生成分布PG,生成器的目标是尽可能输出遵循真实分布Pr的场景;
鉴别器:鉴别器和生成器同时进行训练,鉴别器的输入来自真实样本和生成器的输出,输出值Preal反映输入样本属于真实样本的程度;
Preal=D(x;θ(D))
其中x代表鉴别器的输入,鉴别器的目标是尽可能区分真实分布Pr与生成分布Pz。
3.根据权利要求1所述的基于条件生成对抗网络的风机出力场景生成和缩减方法,其特征为:所述步骤3进一步包括如下内容,应用沃瑟斯坦Wasserstein距离作为鉴别器的损失函数,Wasserstein距离W(Pr,PG)直接衡量真实分布与生成分布之间的差异,
其中Pr为真实分布,PG为生成分布,x代表鉴别器的负荷数据输入,sup代表最小上界,生成样本输出即场景设为G,随机噪声z的分布为Pz,鉴别器网络为D,E表示对应分布的期望值;
x1和x2为两种出力历史时序数据,应用Wasserstein距离作为衡量分布差异的指标要求鉴别器网络满足Lipschitz约束;
其中G(z)’,G(z)”为生成域样本处的采样点,d代表在输入空间上的度量,D_(·)代表鉴别器的倒数第二层,M′是一个有界常数;
综上,网络模型的总损失函数为:
4.根据权利要求1所述的基于条件生成对抗网络的风机出力场景生成和缩减方法,其特征为:所述步骤4进一步包括如下内容:出力场景生成过程形成了大量的离散化场景来近似风电机组出力过程,但在概率测度P下的场景集过于庞大,因此引入场景缩减概念,采用一个仅含有少数场景组成的概率测度Q,来近似P下的场景,获取最佳简化场景集即为场景缩减过程;采用同步回代缩减方法,是通过迭代的方法在每一步中缩减一个场景,同时改变其他场景的概率,直到场景集剩下指定数目的场景。
6.根据权利要求5所述的基于条件生成对抗网络的风机出力场景生成和缩减方法,其特征为:具体场景缩减步骤如下:
1)确定原始场景概率:在原始场景个数为N,且每个场景具有相同的概率1/N;
2)根据下式两两计算场景之间的距离,确定需要剔除的场景
通过下式计算概率距离找出与其他场景距离最近的场景,同时考虑计算距离与概率,使得保留下来的场景概率大且具有代表性;
P(s (i))P(s-(j))min d(s(i),-(j))=min P(s-(j)){min P(s(i))d(s(i),-(j)};
通过计算概率距离找出与其他场景距离最近的场景,同时考虑计算距离与概率,使得保留下来的场景概率大且具有代表性;
3)改变场景的总数以及相应场景对应概率:场景总数N=N-1,将剔除场景的概率加到离该场景最近的场景上,保证保留场景概率和为1;
4)若剩余场景总数N大于指定保留场景个数,返回步骤1),直到缩减至指定保留场景个数。
8.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至7中任意一项所述的方法。
9.一种电子装置,其特征在于,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210808212.7A CN115828441A (zh) | 2022-07-10 | 2022-07-10 | 基于条件生成对抗网络的风机出力场景生成和缩减方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210808212.7A CN115828441A (zh) | 2022-07-10 | 2022-07-10 | 基于条件生成对抗网络的风机出力场景生成和缩减方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115828441A true CN115828441A (zh) | 2023-03-21 |
Family
ID=85522797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210808212.7A Pending CN115828441A (zh) | 2022-07-10 | 2022-07-10 | 基于条件生成对抗网络的风机出力场景生成和缩减方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115828441A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227751A (zh) * | 2023-05-09 | 2023-06-06 | 国网吉林省电力有限公司经济技术研究院 | 配电网优化配置方法及装置 |
-
2022
- 2022-07-10 CN CN202210808212.7A patent/CN115828441A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227751A (zh) * | 2023-05-09 | 2023-06-06 | 国网吉林省电力有限公司经济技术研究院 | 配电网优化配置方法及装置 |
CN116227751B (zh) * | 2023-05-09 | 2023-07-07 | 国网吉林省电力有限公司经济技术研究院 | 配电网优化配置方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Using Bayesian deep learning to capture uncertainty for residential net load forecasting | |
Gao et al. | A neural network-based joint prognostic model for data fusion and remaining useful life prediction | |
Coble | Merging data sources to predict remaining useful life–an automated method to identify prognostic parameters | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
CN112116198B (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
Huang et al. | A novel Bayesian deep dual network with unsupervised domain adaptation for transfer fault prognosis across different machines | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
Huang et al. | An experimental method to estimate running time of evolutionary algorithms for continuous optimization | |
CN111881574A (zh) | 一种基于分布函数优选的风电机组关键部件可靠性建模方法 | |
CN113983646A (zh) | 基于生成对抗网络的空调互动末端能耗预测方法及空调 | |
CN110097205A (zh) | 一种建筑负荷预测用气象预报数据预处理方法 | |
CN115392037A (zh) | 设备故障预测方法、装置、设备及存储介质 | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN115828441A (zh) | 基于条件生成对抗网络的风机出力场景生成和缩减方法 | |
US10803218B1 (en) | Processor-implemented systems using neural networks for simulating high quantile behaviors in physical systems | |
Wibawa et al. | Long Short-Term Memory to Predict Unique Visitors of an Electronic Journal | |
CN113222263A (zh) | 一种基于长短期记忆神经网络的光伏发电功率预测方法 | |
CN110991741A (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
CN115936062A (zh) | 基于场景生成与深度学习的光伏功率日前区间预测方法 | |
Song et al. | Probabilistic modeling of long-term joint wind and wave load conditions via generative adversarial network | |
Dai et al. | Life prediction method of hydrogen energy battery based on MLP and LOESS | |
CN111027680B (zh) | 基于变分自编码器的监控量不确定性预测方法及系统 |
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 |