CN116316600A - 基于季节分型的面向风电功率日前预测自适应滤波方法 - Google Patents

基于季节分型的面向风电功率日前预测自适应滤波方法 Download PDF

Info

Publication number
CN116316600A
CN116316600A CN202310324246.3A CN202310324246A CN116316600A CN 116316600 A CN116316600 A CN 116316600A CN 202310324246 A CN202310324246 A CN 202310324246A CN 116316600 A CN116316600 A CN 116316600A
Authority
CN
China
Prior art keywords
data
wind power
distribution
typing
entropy
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
CN202310324246.3A
Other languages
English (en)
Inventor
杨茂
江任贤
于欣楠
王达
张薇
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.)
Northeast Electric Power University
Original Assignee
Northeast Dianli University
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 Northeast Dianli University filed Critical Northeast Dianli University
Priority to CN202310324246.3A priority Critical patent/CN116316600A/zh
Publication of CN116316600A publication Critical patent/CN116316600A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004Generation forecast, e.g. methods or systems for forecasting future energy generation
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20The dispersed energy generation being of renewable origin
    • H02J2300/28The renewable source being wind energy
    • 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS 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
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems 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)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明是一种基于季节分型的面向风电功率日前预测自适应滤波方法,其特点是,包括基于KL‑VMD‑NLM的深度自适应滤波、季节分型、模型选择、仿真计算和评价指标的步骤,相比传统的VMD分解技术,本发明有效避免了人工选择超参数所造成的误差,非局部均值去噪算法有效剔除了NWP中的噪声影响,同时使用多个备选模型,使得本发明在风电功率日前预测中的预测精度高、适用性强且效果佳。

Description

基于季节分型的面向风电功率日前预测自适应滤波方法
技术领域
本发明涉及风力发电预测技术领域,是一种基于季节分型的面向风电功率日前预测自适应滤波方法。
背景技术
风能作为一种清洁能源,其大规模开发利用不仅是电力行业可持续发展的需求也是世界各国摆脱能源枯竭的重要举措。受风能的波动性、随机性和间歇性影响,大规模风电并网可能对电网造成不利影响。准确的风电功率预测有助于电力部门提前制定调度计划,提高电力系统运行的经济性,降低风电不确定性带来的负面影响。
风电功率日前预测是指自预测时刻起未来24小时的功率预测预报,时间分辨率通常为15分钟。其意义主要在于优化电网调度,减少旋转备用容量,节约燃料等等。
现有的风电日前预测,数值天气预报(Numerical Weather Prediction,NWP)通常被认为是风电功率日前预测的关键输入,但是天气系统随机性导致的干扰分量将限制模型性能,单一的模型也无法适用于所有场景下的预测建模。
发明内容
本发明的目的是克服NWP数据的干扰分量和单一模型的局限性,提供了一种包含季节分型,变分模态分解(Variational Mode Decomposition,VMD)重要参数自适应选择,噪声分量滤波处理,备选模型最优选择的基于季节分型的面向风电功率日前预测自适应滤波方法。所述方法科学合理,适用性强,效果佳,预测精度高,能够有效的减少了模态分解参数选择的人为误差,极大限度缓解了预测模型单一的局限性。
实现本发明目的采用的技术方案是:一种基于季节分型的面向风电功率日前预测自适应滤波方法,其特征是,它包括以下步骤:
1)基于KL-VMD-NLM的深度自适应滤波框架
利用KL(Kullback-Leibler,KL)散度确定VMD分解时的最优分解模态个数K和惩罚因子α,由VMD分解得到多个模态分量;计算各个模态分量的样本熵,根据样本熵的值,识别出噪声主导分量和有效分量;对噪声主导信号使用非局部均值去噪方法进行去噪(Non-Local Means,NLM);将去噪后的信号分量与剩余的有效信号分量进行重构得到去噪信号;
KL散度相关内容为:
KL散度目标是量化数据信息,其中最重要的指标称为熵,记为H,若有两个随机变量p、q,其概率分布分别为p(x)、q(x),定义p(x)为原始分布,q(x)为模拟分布,p的熵定义为:
Figure BDA0004152780780000021
式中,规定当p(xi)=0,p(xi)logp(xi)=0,
对模拟分布q(x)用原始分布p(x)进行编码时所需要的信息量值为交叉熵,定义为:
Figure BDA0004152780780000022
KL散度的定义建立在熵和交叉熵的基础上,能帮助度量模拟分布近似原始分布时所损失的信息量,表示为原始分布中的数据概率与近似分布之间的对数差的期望:
DKL(p||q)=H(p,q)-H(p) (3)
代入(1)和(2)得:
Figure BDA0004152780780000023
变分模态分解(VMD)分解执行步骤为:
①对本征模函数
Figure BDA0004152780780000024
中心频率/>
Figure BDA0004152780780000025
拉格朗日乘子λn进行初始化,将迭代次数n置1;
②对各子信号,更新参数得
Figure BDA0004152780780000026
和λn+1
③判断收敛条件是否满足,若满足,则分解过程结束;否则迭代次数n加1,并返回步骤②;
非局部均值去噪(NLM)计算过程为:
去噪原理表示为:
Figure BDA0004152780780000031
式中,
Figure BDA0004152780780000032
为去噪后的信号,υ(i,j)为原始信号,ω(i,j)为像素的权重,i,j表示像素点在图像矩阵中的位置;
其中,权重计算公式为:
Figure BDA0004152780780000033
式中,vx,vy分别表示以x和y为中心的邻域;║·║2表示欧氏距离;h是权重衰减控制参数,用于控制噪声分量在重建图像中的占比;
原始信号为:
υ(i,j)=u(i,j)+n(i,j) (7)
式中,u是有效分量,n是噪声分量;
2)季节分型
定义5个特征指标:均值μ,方差σ2,变异系数cυ,偏态系数γ1,峰态系数γ2以衡量不同季节NWP风速的时序特性;
每个特征指标定义为:
Figure BDA0004152780780000034
Figure BDA0004152780780000035
Figure BDA0004152780780000036
Figure BDA0004152780780000041
Figure BDA0004152780780000042
式中,n表示NWP数据个数,xi表示第i个NWP风速数据;
3)模型选择
选取随机森林(Random Forest,RF)、LASSO(Least Absolute Shrinkage AndSelection Operator,LASSO)回归、基于机器学习的极限学习机(Extreme LearningMachine,ELM)、多层感知机(Multi-Layer Perceptron,MLP)、基于深度学习的长短期记忆(Long Short-Term Memory,LSTM)神经网络和双向长短期记忆(Bidirectional LongShort-Term Memory,BLSTM)神经网络作为备选预测模型,经过步骤1)和步骤2)之后,得到每个季节分型下处理后的数据集,将数据集划分成训练集、验证集和测试集导入备选模型中,训练集训练模型,验证集预测计算准确率选取准确率最高的模型,最后测试集预测;
4)仿真计算
仿真输入量:每个季节中一个月的历史数值天气预报(NWP)数据和历史风电功率,预测时间的数值天气预报(NWP)数据;数据采样间隔为15min,根据步骤1)至步骤3),从而得到最终的功率日前预测结果;
5)评价指标
选取均方根误差(Root Mean Square Error,RMSE)和准确率(Accuracy,ACC)和平均绝对误差(Mean Absolute Error,MAE)作为预测模型性能的评价指标,计算式分别为:
Figure BDA0004152780780000043
ACC=(1-RMSE)×100% (14)
Figure BDA0004152780780000044
式中,Cap表示风电场装机容量,N表示风电功率数据个数,PMi表示第i个风电功率实际值,PPi表示第i个风电功率预测值;
按步骤4),输入仿真输入量,将模型计算的预测功率同实测功率经过步骤5)中的均方根误差式(13)、准确率式(14)、平均绝对误差式(15)进行误差计算。
本发明的一种基于季节分型的面向风电功率日前预测自适应滤波方法,包括基于KL-VMD-NLM的深度自适应滤波、季节分型、模型选择、仿真计算和评价指标的步骤,相比传统的VMD分解技术,本发明有效避免了人工选择超参数所造成的误差,非局部均值去噪算法有效剔除了NWP中的噪声影响,同时使用多个备选模型,使得本发明在风电功率日前预测中的预测精度高、适用性强且效果佳。
附图说明
图1为KL-VMD-NLM框架流程图;
图2为不同季节NWP风速对比示意图;
图3为季节分型下基于KL-VMD-NLM的深度自适应滤波框架示意图;
图4为不同季节分解效果示意图;
图5为KL-VMD-NLM框架去噪效果示意图;
图6为不同季节不同分解模型预测曲线示意图。
具体实施方式
下面结合附图和具体实施例,对本发明的一种基于季节分型的面向风电功率日前预测自适应滤波方法作进一步说明。
结合图1-图3,本发明的一种基于季节分型的面向风电功率日前预测自适应滤波方法,包括以下步骤:一种基于季节分型的面向风电功率日前预测自适应滤波方法,其特征是,它包括以下步骤:
1)基于KL-VMD-NLM的深度自适应滤波框架
利用KL(Kullback-Leibler,KL)散度确定VMD分解时的最优分解模态个数K和惩罚因子α,由VMD分解得到多个模态分量;计算各个模态分量的样本熵,根据样本熵的值,识别出噪声主导分量和有效分量;对噪声主导信号使用非局部均值去噪方法进行去噪(Non-Local Means,NLM);将去噪后的信号分量与剩余的有效信号分量进行重构得到去噪信号;
KL散度相关内容为:
KL散度目标是量化数据信息,其中最重要的指标称为熵,记为H,若有两个随机变量p、q,其概率分布分别为p(x)、q(x),定义p(x)为原始分布,q(x)为模拟分布,p的熵定义为:
Figure BDA0004152780780000061
式中,规定当p(xi)=0,p(xi)logp(xi)=0,
对模拟分布q(x)用原始分布p(x)进行编码时所需要的信息量值为交叉熵,定义为:
Figure BDA0004152780780000062
KL散度的定义建立在熵和交叉熵的基础上,能帮助度量模拟分布近似原始分布时所损失的信息量,表示为原始分布中的数据概率与近似分布之间的对数差的期望:
DKL(p||q)=H(p,q)-H(p) (3)
代入(1)和(2)得:
Figure BDA0004152780780000063
变分模态分解(VMD)分解执行步骤为:
①对本征模函数
Figure BDA0004152780780000064
中心频率/>
Figure BDA0004152780780000065
拉格朗日乘子λn进行初始化,将迭代次数n置1;
②对各子信号,更新参数得
Figure BDA0004152780780000066
和λn+1
③判断收敛条件是否满足,若满足,则分解过程结束;否则迭代次数n加1,并返回步骤②;
非局部均值去噪(NLM)计算过程为:
去噪原理表示为:
Figure BDA0004152780780000071
式中,
Figure BDA0004152780780000072
为去噪后的信号,υ(i,j)为原始信号,ω(i,j)为像素的权重,i,j表示像素点在图像矩阵中的位置;
其中,权重计算公式为:
Figure BDA0004152780780000073
式中,vx,vy分别表示以x和y为中心的邻域;║·║2表示欧氏距离;h是权重衰减控制参数,用于控制噪声分量在重建图像中的占比;
原始信号为:
υ(i,j)=u(i,j)+n(i,j) (7)
式中,u是有效分量,n是噪声分量;
2)季节分型
定义5个特征指标:均值μ,方差σ2,变异系数cυ,偏态系数γ1,峰态系数γ2以衡量不同季节NWP风速的时序特性;
每个特征指标定义为:
Figure BDA0004152780780000074
Figure BDA0004152780780000075
Figure BDA0004152780780000076
Figure BDA0004152780780000077
Figure BDA0004152780780000081
式中,n表示NWP数据个数,xi表示第i个NWP风速数据;
3)模型选择
选取随机森林(Random Forest,RF)、LASSO(Least Absolute Shrinkage AndSelection Operator,LASSO)回归、基于机器学习的极限学习机(Extreme LearningMachine,ELM)、多层感知机(Multi-Layer Perceptron,MLP)、基于深度学习的长短期记忆(Long Short-Term Memory,LSTM)神经网络和双向长短期记忆(Bidirectional LongShort-Term Memory,BLSTM)神经网络作为备选预测模型,经过步骤1)和步骤2)之后,得到每个季节分型下处理后的数据集,将数据集划分成训练集、验证集和测试集导入备选模型中,训练集训练模型,验证集预测计算准确率选取准确率最高的模型,最后测试集预测;
4)仿真计算
仿真输入量:每个季节中一个月的历史数值天气预报(NWP)数据和历史风电功率,预测时间的数值天气预报(NWP)数据;数据采样间隔为15min,根据步骤1)至步骤3),从而得到最终的功率日前预测结果;
5)评价指标
选取均方根误差(Root Mean Square Error,RMSE)和准确率(Accuracy,ACC)和平均绝对误差(Mean Absolute Error,MAE)作为预测模型性能的评价指标,计算式分别为:
Figure BDA0004152780780000082
ACC=(1-RMSE)×100% (14)
Figure BDA0004152780780000083
式中,Cap表示风电场装机容量,N表示风电功率数据个数,PMi表示第i个风电功率实际值,PPi表示第i个风电功率预测值;
按步骤4),输入仿真输入量,将模型计算的预测功率同实测功率经过步骤5)中的均方根误差式(13)、准确率式(14)、平均绝对误差式(15)进行误差计算。
具体算例分析
本发明以某地区风电场的实测数据以及数值天气预报(NWP)数据为例进行分析,采样间隔为15min。将全年数据分为春夏秋冬四个季节,分别选取3、6、9、12月为不同季节的代表月,将该月前15d作为训练集;将随后5d设置为验证集,用于在多种模型中验证最优模型;将剩余10d设置为测试集,对各模型的有效性进行测试。该风电场的装机容量为249.9MW。实例计算过程中的结果如图4、图5所示,预测得到的结果如图6所示。图4为不同季节分解效果,图5为KL-VMD-NLM框架去噪效果;图6为不同季节不同分解模型预测曲线,具体评价指标如表1。能够看出所用的KL-VMD-NLM框架相比其它方法预测效果更加精确。同时在表2中可以看出多个备选模型的使用,使得在每个季节都能选择最优模型。
表1不同分解模型的ACCTable 1ACC ofdifferent decomposition models
Figure BDA0004152780780000091
Figure BDA0004152780780000101
表2验证集备选模型指标Table 2Validation SetAlternative Model Metrics
Figure BDA0004152780780000102
本发明具体实施方式并非穷举,并不构成对权利要求保护范围的限定,本领域技术人员根据本发明实施例获得的启示,不经过创造性劳动就能够想到其它实质上等同的替代,均在本发明保护范围内。

Claims (1)

1.一种基于季节分型的面向风电功率日前预测自适应滤波方法,其特征是,它包括以下步骤:
1)基于KL-VMD-NLM的深度自适应滤波框架
利用KL(Kullback-Leibler,KL)散度确定VMD分解时的最优分解模态个数K和惩罚因子α,由VMD分解得到多个模态分量;计算各个模态分量的样本熵,根据样本熵的值,识别出噪声主导分量和有效分量;对噪声主导信号使用非局部均值去噪方法进行去噪(Non-LocalMeans,NLM);将去噪后的信号分量与剩余的有效信号分量进行重构得到去噪信号;
KL散度相关内容为:
KL散度目标是量化数据信息,其中最重要的指标称为熵,记为H,若有两个随机变量p、q,其概率分布分别为p(x)、q(x),定义p(x)为原始分布,q(x)为模拟分布,p的熵定义为:
Figure FDA0004152780770000011
式中,规定当p(xi)=0,p(xi)logp(xi)=0,
对模拟分布q(x)用原始分布p(x)进行编码时所需要的信息量值为交叉熵,定义为:
Figure FDA0004152780770000012
KL散度的定义建立在熵和交叉熵的基础上,能帮助度量模拟分布近似原始分布时所损失的信息量,表示为原始分布中的数据概率与近似分布之间的对数差的期望:
Figure FDA0004152780770000013
代入(1)和(2)得:
Figure FDA0004152780770000014
变分模态分解(VMD)分解执行步骤为:
①对本征模函数
Figure FDA0004152780770000015
中心频率/>
Figure FDA0004152780770000016
拉格朗日乘子λn进行初始化,将迭代次数n置1;
②对各子信号,更新参数得
Figure FDA0004152780770000017
和λn+1
③判断收敛条件是否满足,若满足,则分解过程结束;否则迭代次数n加1,并返回步骤②;
非局部均值去噪(NLM)计算过程为:
去噪原理表示为:
Figure FDA0004152780770000021
式中,
Figure FDA0004152780770000022
为去噪后的信号,υ(i,j)为原始信号,ω(i,j)为像素的权重,i,j表示像素点在图像矩阵中的位置;
其中,权重计算公式为:
Figure FDA0004152780770000023
式中,vx,vy分别表示以x和y为中心的邻域;║·║2表示欧氏距离;h是权重衰减控制参数,用于控制噪声分量在重建图像中的占比;
原始信号为:
υ(i,j)=u(i,j)+n(i,j) (7)
式中,u是有效分量,n是噪声分量;
2)季节分型
定义5个特征指标:均值μ,方差σ2,变异系数cυ,偏态系数γ1,峰态系数γ2以衡量不同季节NWP风速的时序特性;
每个特征指标定义为:
Figure FDA0004152780770000024
Figure FDA0004152780770000025
Figure FDA0004152780770000026
Figure FDA0004152780770000027
Figure FDA0004152780770000031
式中,n表示NWP数据个数,xi表示第i个NWP风速数据;
3)模型选择
选取随机森林(Random Forest,RF)、LASSO(Least Absolute Shrinkage AndSelectionOperator,LASSO)回归、基于机器学习的极限学习机(Extreme LearningMachine,ELM)、多层感知机(Multi-Layer Perceptron,MLP)、基于深度学习的长短期记忆(Long Short-Term Memory,LSTM)神经网络和双向长短期记忆(Bidirectional LongShort-Term Memory,BLSTM)神经网络作为备选预测模型,经过步骤1)和步骤2)之后,得到每个季节分型下处理后的数据集,将数据集划分成训练集、验证集和测试集导入备选模型中,训练集训练模型,验证集预测计算准确率选取准确率最高的模型,最后测试集预测;
4)仿真计算
仿真输入量:每个季节中一个月的历史数值天气预报(NWP)数据和历史风电功率,预测时间的数值天气预报(NWP)数据;数据采样间隔为15min,根据步骤1)至步骤3),从而得到最终的功率日前预测结果;
5)评价指标
选取均方根误差(Root Mean Square Error,RMSE)和准确率(Accuracy,ACC)和平均绝对误差(Mean Absolute Error,MAE)作为预测模型性能的评价指标,计算式分别为:
Figure FDA0004152780770000032
ACC=(1-RMSE)×100%(14)
Figure FDA0004152780770000033
式中,Cap表示风电场装机容量,N表示风电功率数据个数,PMi表示第i个风电功率实际值,PPi表示第i个风电功率预测值;
按步骤4),输入仿真输入量,将模型计算的预测功率同实测功率经过步骤5)中的均方根误差式(13)、准确率式(14)、平均绝对误差式(15)进行误差计算。
CN202310324246.3A 2023-03-30 2023-03-30 基于季节分型的面向风电功率日前预测自适应滤波方法 Pending CN116316600A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310324246.3A CN116316600A (zh) 2023-03-30 2023-03-30 基于季节分型的面向风电功率日前预测自适应滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310324246.3A CN116316600A (zh) 2023-03-30 2023-03-30 基于季节分型的面向风电功率日前预测自适应滤波方法

Publications (1)

Publication Number Publication Date
CN116316600A true CN116316600A (zh) 2023-06-23

Family

ID=86823959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310324246.3A Pending CN116316600A (zh) 2023-03-30 2023-03-30 基于季节分型的面向风电功率日前预测自适应滤波方法

Country Status (1)

Country Link
CN (1) CN116316600A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117081064A (zh) * 2023-09-01 2023-11-17 国电南瑞科技股份有限公司 一种基于误差评估的风电功率组合预测方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117081064A (zh) * 2023-09-01 2023-11-17 国电南瑞科技股份有限公司 一种基于误差评估的风电功率组合预测方法和系统
CN117081064B (zh) * 2023-09-01 2024-03-26 国电南瑞科技股份有限公司 一种基于误差评估的风电功率组合预测方法和系统

Similar Documents

Publication Publication Date Title
CN112766078B (zh) 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN108445435B (zh) 一种电能表检定装置误差在线评估方法
CN111639783A (zh) 一种基于lstm神经网络的线损预测方法及系统
CN114548509B (zh) 一种多能源系统多类型负荷联合预测方法及系统
CN114154716B (zh) 一种基于图神经网络的企业能耗预测方法及装置
CN114912077B (zh) 一种融合随机搜索与混合分解误差订正的海浪预报方法
CN111144644A (zh) 基于变分异方差高斯过程回归的短期风速预测方法
CN115186923A (zh) 光伏发电功率的预测方法、装置及电子设备
CN116316600A (zh) 基于季节分型的面向风电功率日前预测自适应滤波方法
CN114169639A (zh) 一种企业用电量预测方法
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
CN117543544A (zh) 一种负荷预测方法、装置、设备及存储介质
CN116960978A (zh) 基于风速-功率组合分解重构的海上风电功率预测方法
CN116707331A (zh) 基于模型预测的逆变器输出电压高精度调节方法及系统
CN111709585A (zh) 一种空调负荷预测方法、装置及存储介质
CN115796351A (zh) 基于变分模态分解和微波衰减的降雨短临预测方法及装置
CN116227554A (zh) 一种气象数据的模拟数据修正方法及装置、电子设备
CN118040678A (zh) 一种短期海上风电功率组合预测方法
CN117833231A (zh) 基于Bi-LSTM和双重注意力机制的负荷预测方法
CN113610268A (zh) 一种基于居住区空间形态的碳排放量预测方法
CN116937565A (zh) 一种分布式光伏发电功率预测方法、系统、设备及介质
CN110909492A (zh) 一种基于极端梯度提升算法的污水处理过程软测量方法
CN116247658A (zh) 一种基于dlrm深度学习模型的光伏发电量预测方法
CN115809725A (zh) 一种多因素短期电量预测方法及装置

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