CN116205123A - 一种超短期风电场功率预测方法及系统 - Google Patents

一种超短期风电场功率预测方法及系统 Download PDF

Info

Publication number
CN116205123A
CN116205123A CN202211108491.2A CN202211108491A CN116205123A CN 116205123 A CN116205123 A CN 116205123A CN 202211108491 A CN202211108491 A CN 202211108491A CN 116205123 A CN116205123 A CN 116205123A
Authority
CN
China
Prior art keywords
power
prediction
model
lstm
data
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
CN202211108491.2A
Other languages
English (en)
Inventor
乐可定
刘�东
郁冶
王异成
汪明军
何嘉桦
王强
罗坤
樊建人
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.)
Zhejiang Zheneng Guodian Investment Shengsi Offshore Wind Power Generation Co ltd
Zhejiang University ZJU
Hangzhou E Energy Electric Power Technology Co Ltd
Original Assignee
Zhejiang Zheneng Guodian Investment Shengsi Offshore Wind Power Generation Co ltd
Zhejiang University ZJU
Hangzhou E Energy Electric Power 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 Zhejiang Zheneng Guodian Investment Shengsi Offshore Wind Power Generation Co ltd, Zhejiang University ZJU, Hangzhou E Energy Electric Power Technology Co Ltd filed Critical Zhejiang Zheneng Guodian Investment Shengsi Offshore Wind Power Generation Co ltd
Priority to CN202211108491.2A priority Critical patent/CN116205123A/zh
Publication of CN116205123A publication Critical patent/CN116205123A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • Y—GENERAL 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种超短期风电场功率预测方法。本发明基于风电场功率输出历史数据，首先采用拉依达准则剔除不良数据，对数据归一化处理；对经过处理后的数据划分训练集和验证集，并采用长短期记忆神经网络LSTM模型开展预测，获得验证集的实测值和预测值的差值时间序列；基于上述误差时间序列建立差分整合移动平均自回归模型ARIMA误差修正模型，以对误差进行超短期预测；构建LSTM‑ARIMA组合模型，输入数据得到预测结果并对误差进行修正，将预测结果进行反归一化处理，最终获得组合模型的预测结果。本发明的功率预测数据拟合度较好，有效地控制了误差，提高了预测模型的精准度，充分发挥了两种模型的优势，为电力系统的调度和电网的安全运行提供重要基础。

Description

一种超短期风电场功率预测方法及系统
技术领域
本发明属于机器学习预测模型应用领域，具体地说是一种基于拉依达准则和LSTM-ARIMA的超短期风电场功率预测方法及系统。
背景技术
近些年，随着我国对清洁能源需求的不断增大，风能应用研究得到了飞速发展。然而，风力发电本身所特有的间歇性和不确定性，增加了对电网计划和调度的难度。风力发电技术的逐渐成熟以及大规模风电场的规划建设，促使越来越多的学者聚焦于对风电场功率准确预测的研究，主要包含统计方法、学习方法、物理方法等。
差分整合移动平均自回归模型ARIMA(Auto-Regressive Integrated MovingAverage Model)作为功率预测统计方法，寻求历史数据和机组功率输出的映射关系，所用数据单一、预测周期短，对误差的估计不够合理，可用于优化控制的短期预测。此方法对具有非线性和非平稳特性的风电场功率输出数据进行预测，难以取得准确的预测效果。
长短期记忆神经网络LSTM(Long Short-Term Memory)作为功率预测的一种学习方法，通过对数据关系的学习和训练而建立非线性模型，以更好地适应风功率的时间序列特性，具有强大的非线性映射能力、自适应能力、自学习能力、良好的容错性和泛化能力等，也可以解决神经网络中长时间序列的依赖问题，但存在网络层数深、计算量大，对于更长序列处理棘手等问题。
发明内容
基于上述现有技术存在的技术问题，本发明提出一种基于拉依达准则和LSTM-ARIMA的超短期风电场功率预测方法及系统，
为此，本发明采用的一种技术方案为：一种超短期风电场功率预测方法，其包括以下步骤：
步骤S1：根据风力发电机功率的历史数据，以m分钟作为采样频率，得到M个采样点对应的M个功率采样值，构建功率-时间序列；
步骤S2：对于功率-时间序列中的不良数据，利用拉依达准则判断并筛选剔除，并对数据进行归一化处理；
步骤S3：经数据预处理后，将数据集划分为训练集和验证集：取功率-时间序列连续4n个功率采样值，前3n个功率采样值作为训练集，后n个功率采样值作为验证集；
步骤S4：构建长短期记忆神经网络LSTM预测模型，从第3n+1个功率采样值开始滚动预测，获得含n个功率预测值的LSTM预测集；
步骤S5：基于LSTM预测集和验证集，得到含n个误差值的误差序列，构建差分整合移动平均自回归模型ARIMA误差修正模型；
步骤S6：基于LSTM预测模型和ARIMA误差修正模型，构建LSTM-ARIMA组合预测模型，对功率-时间序列进行预测，预测结果反归一化处理，得到最终预测结果。
进一步地，步骤S2中，采用拉依达准则判断功率-时间序列中的不良数据，采用以下公式：
|Vi|＝|Pi-Pave|＞3σ
式中，Pi为第i个采样点的功率采样值；Pave为全部功率采样值的均值；|Vi|为Pi的剩余误差；σ为全部功率采样值的标准差；
遍历全部功率采样值，若某一功率采样值满足上述公式，则判定为不良数据，从功率-时间序列中剔除。
进一步地，步骤S4中，构建LSTM模型开展预测的具体方法是：将训练集数据平稳化处理、转换为监督学习问题、归一化缩放，拟合LSTM模型，在验证集上前向滚动预测。
进一步地，步骤S5中，构建ARIMA误差修正模型的具体方法是：获取LSTM模型预测集与验证集的误差序列，基于AIC最小准则得到最合适的ARIMA模型参数对(p,d,q)，构建ARIMA误差修正模型。
进一步地，步骤S6中，构建LSTM-ARIMA组合预测模型，将功率-时间序列再次划分训练集、验证集，基于LSTM预测结果与ARIMA误差修正结果，相加并反归一化处理获得组合预测模型最终预测结果。
进一步地，评价预测效果好坏的指标为平均绝对误差MAE(Mean AbsoluteError)，平均绝对百分比误差MAPE(Mean Absolute Percentage Error)，均方根误差RMSE(Root Mean Square Error)。
本发明采用的另一种技术方案为：一种超短期风电场功率预测系统，其包括：
功率-时间序列构建单元：根据风力发电机功率的历史数据，以m分钟作为采样频率，得到M个采样点对应的M个功率采样值，构建功率-时间序列；
数据预处理单元：对于功率-时间序列中的不良数据，利用拉依达准则判断并筛选剔除，并对数据进行归一化处理；
数据集划分单元：经数据预处理后，将数据集划分为训练集和验证集：取功率-时间序列连续4n个功率采样值，前3n个功率采样值作为训练集，后n个功率采样值作为验证集；
LSTM预测模型构建单元：构建长短期记忆神经网络LSTM预测模型，从第3n+1个功率采样值开始滚动预测，获得含n个功率预测值的LSTM预测集；
ARIMA误差修正模型构建单元：基于LSTM预测集和验证集，得到含n个误差值的误差序列，构建差分整合移动平均自回归模型ARIMA误差修正模型；
组合预测模型构建单元：基于LSTM预测模型和ARIMA误差修正模型，构建LSTM-ARIMA组合预测模型，对功率-时间序列进行预测，预测结果反归一化处理，得到最终预测结果。
本发明具有的有益效果如下：本发明使风电场输出功率预测结果拟合度较好，有效控制了误差，与单一LSTM模型对比误差更小，充分发挥了两种模型的预测优势，提高了预测的精准度，能够满足实际工程需求，为电力系统并网调控提供重要基础。
附图说明
图1为本发明超短期风电场功率预测方法流程图；
图2为基于LSTM模型和LSTM-ARIMA模型的预测曲线对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1
一种基于拉依达准则和LSTM-ARIMA的超短期风电场功率预测方法，其步骤如下：
步骤S1：根据风力发电机功率的历史数据，以m分钟作为采样频率，得到M个采样点对应的M个功率采样值，构建功率-时间序列；
步骤S2：对于功率-时间序列中的不良数据，利用拉依达准则判断并筛选剔除，并对数据进行归一化处理；
步骤S3：经数据预处理后，将数据集划分为训练集和验证集：取功率-时间序列连续4n个功率采样值，前3n个功率采样值作为训练集，后n个功率采样值作为验证集；
步骤S4：构建长短期记忆神经网络LSTM预测模型，从第3n+1个功率采样值开始滚动预测，获得含n个功率预测值的LSTM预测集；
步骤S5：基于LSTM预测集和验证集，得到含n个误差值的误差序列，构建差分整合移动平均自回归模型ARIMA误差修正模型；
步骤S6：基于LSTM预测模型和ARIMA误差修正模型，构建LSTM-ARIMA组合预测模型，对功率-时间序列进行预测，预测结果反归一化处理，得到最终预测结果。
步骤S2中，采用拉依达准则判断功率-时间序列中的不良数据，采用以下公式：
|Vi|＝|Pi-Pave|＞3σ
式中，Pi为第i个采样点的功率采样值；Pave为全部功率采样值的均值；|Vi|为Pi的剩余误差；σ为全部功率采样值的标准差；
遍历全部功率采样值，若某一功率采样值满足上述公式，则判定为不良数据，从功率-时间序列中剔除。
步骤S4中，构建LSTM模型开展预测的具体方法是：将训练集数据平稳化处理、转换为监督学习问题、归一化缩放，拟合LSTM模型，在验证集上前向滚动预测。
步骤S5中，构建ARIMA误差修正模型的具体方法是：获取LSTM模型预测集与验证集的误差序列，基于AIC最小准则得到最合适的ARIMA模型参数对(p,d,q)，构建ARIMA误差修正模型。
步骤S6中，构建LSTM-ARIMA组合预测模型，将功率-时间序列再次划分训练集、验证集，基于LSTM预测结果与ARIMA误差修正结果，相加并反归一化处理获得组合预测模型最终预测结果。
评价预测效果好坏的指标为平均绝对误差MAE(Mean Absolute Error)，平均绝对百分比误差MAPE(Mean Absolute Percentage Error)，均方根误差RMSE(Root MeanSquare Error)。
基于LSTM模型和LSTM-ARIMA模型的预测曲线对比如图2所示。
对于某一功率序列实例的预测评价指标及改善程度如表1所示。
表1
评价指标 MAE MAPE RMSE
LSTM预测模型 193.71 4.22％ 258.07
LSTM-ARIMA预测模型 68.13 1.48％ 73.11
评价指标改善程度 64.83％ 64.93％ 71.67％
实施例2
一种超短期风电场功率预测系统，其由功率-时间序列构建单元、数据预处理单元、数据集划分单元、LSTM预测模型构建单元、ARIMA误差修正模型构建单元和组合预测模型构建单元组成。
功率-时间序列构建单元：根据风力发电机功率的历史数据，以m分钟作为采样频率，得到M个采样点对应的M个功率采样值，构建功率-时间序列；
数据预处理单元：对于功率-时间序列中的不良数据，利用拉依达准则判断并筛选剔除，并对数据进行归一化处理；
数据集划分单元：经数据预处理后，将数据集划分为训练集和验证集：取功率-时间序列连续4n个功率采样值，前3n个功率采样值作为训练集，后n个功率采样值作为验证集；
LSTM预测模型构建单元：构建长短期记忆神经网络LSTM预测模型，从第3n+1个功率采样值开始滚动预测，获得含n个功率预测值的LSTM预测集；
ARIMA误差修正模型构建单元：基于LSTM预测集和验证集，得到含n个误差值的误差序列，构建差分整合移动平均自回归模型ARIMA误差修正模型；
组合预测模型构建单元：基于LSTM预测模型和ARIMA误差修正模型，构建LSTM-ARIMA组合预测模型，对功率-时间序列进行预测，预测结果反归一化处理，得到最终预测结果。
所述数据预处理单元中，采用拉依达准则判断功率-时间序列中的不良数据，采用以下公式：
|Vi|＝|Pi-Pave|＞3σ
式中，Pi为第i个采样点的功率采样值；Pave为全部功率采样值的均值；|Vi|为Pi的剩余误差；σ为全部功率采样值的标准差；
遍历全部功率采样值，若某一功率采样值满足上述公式，则判定为不良数据，从功率-时间序列中剔除。
所述LSTM预测模型构建单元中，构建LSTM模型开展预测的具体方法是：将训练集数据平稳化处理、转换为监督学习问题、归一化缩放，拟合LSTM模型，在验证集上前向滚动预测。
所述ARIMA误差修正模型构建单元中，获取LSTM模型预测集与验证集的误差序列，基于AIC最小准则得到最合适的ARIMA模型参数对(p,d,q)，构建ARIMA误差修正模型。
所述组合预测模型构建单元中，将功率-时间序列再次划分训练集、验证集，基于LSTM预测结果与ARIMA误差修正结果，相加并反归一化处理获得组合预测模型最终预测结果。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种超短期风电场功率预测方法，其特征在于，包括以下步骤：
步骤S1：根据风力发电机功率的历史数据，以m分钟作为采样频率，得到M个采样点对应的M个功率采样值，构建功率-时间序列；
步骤S2：对于功率-时间序列中的不良数据，利用拉依达准则判断并筛选剔除，并对数据进行归一化处理；
步骤S3：经数据预处理后，将数据集划分为训练集和验证集：取功率-时间序列连续4n个功率采样值，前3n个功率采样值作为训练集，后n个功率采样值作为验证集；
步骤S4：构建长短期记忆神经网络LSTM预测模型，从第3n+1个功率采样值开始滚动预测，获得含n个功率预测值的LSTM预测集；
步骤S5：基于LSTM预测集和验证集，得到含n个误差值的误差序列，构建差分整合移动平均自回归模型ARIMA误差修正模型；
步骤S6：基于LSTM预测模型和ARIMA误差修正模型，构建LSTM-ARIMA组合预测模型，对功率-时间序列进行预测，预测结果反归一化处理，得到最终预测结果。
2.根据权利要求1所述的超短期风电场功率预测方法，其特征在于，步骤S2中，采用拉依达准则判断功率-时间序列中的不良数据，采用以下公式：
Vi＝Pi-Pave＞3σ
式中，Pi为第i个采样点的功率采样值；Pave为全部功率采样值的均值；|Vi|为Pi的剩余误差；σ为全部功率采样值的标准差；
遍历全部功率采样值，若某一功率采样值满足上述公式，则判定为不良数据，从功率-时间序列中剔除。
3.根据权利要求1所述的超短期风电场功率预测方法，其特征在于，步骤S4中，构建LSTM模型开展预测的具体方法是：将训练集数据平稳化处理、转换为监督学习问题、归一化缩放，拟合LSTM模型，在验证集上前向滚动预测。
4.根据权利要求1所述的超短期风电场功率预测方法，其特征在于，步骤S5中，构建ARIMA误差修正模型的具体方法是：获取LSTM模型预测集与验证集的误差序列，基于AIC最小准则得到最合适的ARIMA模型参数对(p,d,q)，构建ARIMA误差修正模型。
5.根据权利要求1所述的超短期风电场功率预测方法，其特征在于，步骤S6中，构建LSTM-ARIMA组合预测模型，将功率-时间序列再次划分训练集、验证集，基于LSTM预测结果与ARIMA误差修正结果，相加并反归一化处理获得组合预测模型最终预测结果。
6.一种超短期风电场功率预测系统，其特征在于，包括：
功率-时间序列构建单元：根据风力发电机功率的历史数据，以m分钟作为采样频率，得到M个采样点对应的M个功率采样值，构建功率-时间序列；
数据预处理单元：对于功率-时间序列中的不良数据，利用拉依达准则判断并筛选剔除，并对数据进行归一化处理；
数据集划分单元：经数据预处理后，将数据集划分为训练集和验证集：取功率-时间序列连续4n个功率采样值，前3n个功率采样值作为训练集，后n个功率采样值作为验证集；
LSTM预测模型构建单元：构建长短期记忆神经网络LSTM预测模型，从第3n+1个功率采样值开始滚动预测，获得含n个功率预测值的LSTM预测集；
ARIMA误差修正模型构建单元：基于LSTM预测集和验证集，得到含n个误差值的误差序列，构建差分整合移动平均自回归模型ARIMA误差修正模型；
组合预测模型构建单元：基于LSTM预测模型和ARIMA误差修正模型，构建LSTM-ARIMA组合预测模型，对功率-时间序列进行预测，预测结果反归一化处理，得到最终预测结果。
7.根据权利要求6所述的超短期风电场功率预测系统，其特征在于，所述数据预处理单元中，采用拉依达准则判断功率-时间序列中的不良数据，采用以下公式：
Vi＝Pi-Pave＞3σ
式中，Pi为第i个采样点的功率采样值；Pave为全部功率采样值的均值；|Vi|为Pi的剩余误差；σ为全部功率采样值的标准差；
遍历全部功率采样值，若某一功率采样值满足上述公式，则判定为不良数据，从功率-时间序列中剔除。
8.根据权利要求6所述的超短期风电场功率预测系统，其特征在于，所述LSTM预测模型构建单元中，构建LSTM模型开展预测的具体方法是：将训练集数据平稳化处理、转换为监督学习问题、归一化缩放，拟合LSTM模型，在验证集上前向滚动预测。
9.根据权利要求6所述的超短期风电场功率预测系统，其特征在于，所述ARIMA误差修正模型构建单元中，获取LSTM模型预测集与验证集的误差序列，基于AIC最小准则得到最合适的ARIMA模型参数对(p,d,q)，构建ARIMA误差修正模型。
10.根据权利要求6所述的超短期风电场功率预测系统，其特征在于，所述组合预测模型构建单元中，将功率-时间序列再次划分训练集、验证集，基于LSTM预测结果与ARIMA误差修正结果，相加并反归一化处理获得组合预测模型最终预测结果。
CN202211108491.2A 2022-09-13 2022-09-13 一种超短期风电场功率预测方法及系统 Pending CN116205123A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211108491.2A CN116205123A (zh) 2022-09-13 2022-09-13 一种超短期风电场功率预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211108491.2A CN116205123A (zh) 2022-09-13 2022-09-13 一种超短期风电场功率预测方法及系统

Publications (1)

Publication Number Publication Date
CN116205123A true CN116205123A (zh) 2023-06-02

Family

ID=86513638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211108491.2A Pending CN116205123A (zh) 2022-09-13 2022-09-13 一种超短期风电场功率预测方法及系统

Country Status (1)

Country Link
CN (1) CN116205123A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117294019A (zh) * 2023-10-11 2023-12-26 中铁十四局集团建筑工程有限公司 一种基于物联网的绿色建筑能耗监测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117294019A (zh) * 2023-10-11 2023-12-26 中铁十四局集团建筑工程有限公司 一种基于物联网的绿色建筑能耗监测方法及系统
CN117294019B (zh) * 2023-10-11 2024-03-22 中铁十四局集团建筑工程有限公司 一种基于物联网的绿色建筑能耗监测方法及系统

Similar Documents

Publication Publication Date Title
CN111027775A (zh) 基于长短期记忆网络的梯级水电站发电量预测方法
CN112149879B (zh) 一种计及宏观波动性分类的新能源中长期电量预测方法
CN110826791A (zh) 一种基于长短时记忆神经网络的混合风功率预测方法
CN111008728A (zh) 一种用于分布式光伏发电系统短期出力的预测方法
CN106126906A (zh) 基于c‑c与elm的短期风速预测方法
CN109523084A (zh) 一种基于主元分析和机器学习的风电功率超短期预测方法
CN102479339A (zh) 基于混合神经网络的风电场短期风速预测方法和系统
CN105354620A (zh) 一种风机发电功率的预测方法
CN110009135B (zh) 一种基于宽度学习的风电功率预测方法
CN104573876A (zh) 基于时序长记忆模型的风电场短期风速预测方法
CN109615124B (zh) 一种基于深度学习的scada主站负荷预测方法
CN114757427B (zh) 自回归修正的lstm智能风电场超短期功率预测方法
CN112736902B (zh) 一种基于stl分解的时间序列短期电力负荷预测方法
CN112669168B (zh) 一种风电功率短期预测方法
CN115271225B (zh) 一种基于小波降噪和神经网络的风力-风功率建模方法
CN116307291B (zh) 一种基于小波分解的分布式光伏发电预测方法及预测终端
CN113112085A (zh) 一种基于bp神经网络的新能源场站发电负荷预测方法
CN116205123A (zh) 一种超短期风电场功率预测方法及系统
CN115511657A (zh) 一种基于组合预测模型的风电出力与光伏出力评估的方法
CN112836876A (zh) 一种基于深度学习的配电网线路负荷预测方法
Huang et al. Elman neural network considering dynamic time delay estimation for short-term forecasting of offshore wind power
CN105046383A (zh) 一种基于集合经验模态分解和相关向量机的风电功率实时预测方法
He et al. Similar day selecting based neural network model and its application in short-term load forecasting
CN105741192B (zh) 一种风电场风电机机舱短期风速组合预报方法
CN109993368A (zh) 基于奇异谱分解和长短期记忆网络的功率预测方法

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