CN116451873A - 基于多尺度双时空网络区域风力发电功率预测方法及系统 - Google Patents
基于多尺度双时空网络区域风力发电功率预测方法及系统 Download PDFInfo
- Publication number
- CN116451873A CN116451873A CN202310686515.0A CN202310686515A CN116451873A CN 116451873 A CN116451873 A CN 116451873A CN 202310686515 A CN202310686515 A CN 202310686515A CN 116451873 A CN116451873 A CN 116451873A
- Authority
- CN
- China
- Prior art keywords
- time
- space
- data
- power
- wind power
- 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
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 28
- 230000001360 synchronised effect Effects 0.000 claims abstract description 25
- 239000010410 layer Substances 0.000 claims description 63
- 238000012549 training Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 22
- 230000009977 dual effect Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000295 complement effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000002356 single layer Substances 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000005314 correlation function Methods 0.000 claims description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
Abstract
本发明提供一种基于多尺度双时空网络区域风力发电功率预测方法及系统，为了消除高频噪声对风电预测的影响，同时将不同频率的风电数据解耦，采用了基于小波分解的风电功率预测策略，将历史风电功率数据进行小波分解后，对得到的子成分分别预测未来的趋势，并将这些未来趋势求和，作为最终的风电功率预测。本发明提出一个更加高效的模型来学习时空表示。本发明中实现了两种关键的时空相关性层，包括同步时空层和异步时空层。其中同步时空层学习站点时间序列之间的相似性，而异步时空层学习了站点之间的风力传播。为了解决因时间变化而产生的时空相关性偏差，本发明采用了多尺度结构。通过在多个尺度上学习时空相关性，以实现风力站点的鲁棒表示。
Description
技术领域
本发明属于新能源发电、时间序列预测、时空数据挖掘领域，具体涉及一种基于多尺度双时空网络区域风力发电功率预测方法及系统。
背景技术
为了解决全球对减少二氧化碳排放的担忧，正在大力推广风能作为传统化石燃料发电的替代品。然而，风的不确定性和随机性使得风力发电具有不稳定性，这对电网负载平衡和发电调度带来了重大挑战。为了促进风力发电的大规模应用，有必要进行准确的风力发电预测。
在风电场系统运行期间，通常会收集一些运行时信息数据，包括发电记录和天气观测。通过分析信息数据，可以对未来的发电量做出预测。根据实际需求，风力发电预测长度从几分钟到几个月不等。几分钟内的预测任务主要服务于单个发电设备控制；几个小时（或几天）的预测任务主要服务于电网系统的日前调度和电力市场交易；几个月及以上的预测任务主要用于电力系统建设规划。
主要用于风力发电预测的统计模型包括了ARIMA方法、机器学习方法和深度学习方法等。ARIMA方法最早被应用于风力预测，因为它们很容易实现。他们假设在短时间内，风数据的分布是平稳的，并根据观测到的历史数据用最大似然估计（MLE）预测风数据。Rajesh和Krithika提出使用分数ARIMA对四个潜在的风力发电站进行造林，并取得了比原始ARIMA更好的预测性能。Bri-Mathias等人提出使用组合ARIMA来实现更好、更稳健的预测。Camelo等人提出将ARIMA与人工神经网络相结合，并取得了比这些单独模型更好的结果。Liu等人考虑了季节信息，因此使用季节ARIMA对苏格兰近海地区进行预测。然而，基于ARIMA的方法现在很少使用，因为它们通常忽略了一些未记录的特征和难以察觉的特征交互。由于其更强大的特征学习能力，机器学习方法也被用于风力预测。Li等人将各种增强算法与小波包（WPD）和小波包滤波器（WPF）相结合，实现了智能风速预测。Harsh等人通过利用基于小波变换的支持向量回归（SVR）的不同变体，提出了混合智能风力预测模型。使用基于线性回归的模型是因为与ARIMA相比，可以处理更多的特征作为输入。
基于深度学习的模型在风速预测中越来越受欢迎，因为它们采用了更灵活的参数，并且可以大大增强时间序列特征学习能力。基于LSTM、CNN和自注意，提出了许多用于风电预测的深度学习方法。基于LSTM的方法用矢量模拟大气系统的状态，并通过在每个时间步长输入风电数据来更新大气状态。基于CNN的方法使用卷积神经网络来学习一段时间内风电数据的动态，并使用具有不同感受野的多层卷积层来实现更高级的顺序表示。
近年来，基于注意力的模型因其良好的性能而成为时间序列预测中最受欢迎的模型，如Transformer、Sparse Transformer、Informer、Autoformer和Pyraformer。它们可以学习时间步长之间的时间相似性，并实现比以前的模型更高的准确性。然而，Zeng等人和Li等人怀疑在时间序列预测中使用自注意力机制的合理性，认为简单的多层感知器（MLP）实际上可以实现更好的时域编码。造成这种情况的原因在于，这些模型只是降低自注意力计算复杂性，而非针对时间序列特性设计更好的表征方式。
时空数据挖掘旨在收集相邻站点的相关时间序列，分析其空间域相关性，并将其集成到每个时间序列的单独预测中。这些模型随后被引入到风力发电预测中。最初，风力预测采用CNN进行空间相似性学习。但站点之间的空间拓扑被忽略，因此很难在不规则场景中实现精确的空间相似性学习。随后的空间注意力挖掘模型逐渐采用图卷积网络（GCN）和图注意力网络（GAT），并使用LSTM或CNN进行空间域学习。Wang等人提出了一种学习时变空间相关性的时变邻接矩阵的方法。Lars等人将时空挖掘方法与Transformer相结合应用于风力发电预测。当前性能最优的Graph Transformer使用不同的Transformer来分别学习图的边和节点随时间的波动，并使用相关的边信息来聚合站点的空间信息。然而，GraphTransformer类的方法计算复杂度过高，且依赖于良好的大量数据。
发明内容
为解决上述技术问题，本发明提供一种基于多尺度双时空网络区域风力发电功率预测方法及系统，通过简单有效的时空关联性挖掘，实现更加准确的区域风力发电功率预测，并消除高频噪声对于风力发电预测的影响；同时学习时空关联性因时间产生的变化趋势，实现区域内风力状态的鲁棒表示，以及风电功率的稳定预测。
为达到上述目的，本发明采用如下技术方案：
一种基于多尺度双时空网络区域风力发电功率预测方法，包括如下步骤：
步骤1、收集风力发电过程中的发电功率数据，并进行预处理，构建历史发电功率数据，同时收集风电场的经纬度信息；
步骤2、对历史发电功率数据进行小波分解，并舍弃高频分量；
步骤3、将小波分解后的各个分量分别采用对应的多尺度双时空网络，预测其未来的预测值；
步骤4、将所有分量的未来预测值累加，并通过数据逆变换，得到最终的站点功率预测值；
步骤5、根据区域站点的功率预测值与实际值的偏差，更新模型参数；训练完成后，验证模型性能。
进一步地，所述步骤1包括：
收集过去一段时间的发电功率数据；设定区域内风力站点数量为，历史数据长度为/>；构建历史风电数据/>；其中，表示第/>个站点的历史功率；采用归一化方法处理对数据进行数值尺度大小放缩，将数值范围调整为[0,1]；
收集风电场的经纬度信息，记为，其中为站点/>的经纬度坐标，/>。
进一步地，所述步骤2包括：
首先是对于历史观测数据的小波分解。一次分解中对应有一个低频滤波器和一个高频滤波器/>。对每个站点的历史功率/>进行小波分解如下：
，
，
其中，是低频滤波器和高频滤波器的长度，/>,是滤波器中的下标；所得/>为低频分量，/>为高频分量，选定Db4小波基，经过两次分解后，将得到一个低频分量和两个高频分量，并分别进行逆变换得到功率趋势数据/>和周期性数据，/>。
进一步地，所述步骤3包括：
在步骤2已获得历史功率趋势数据以及功率周期性数据/>，采用多尺度的双时空网络，分别对这些数据进行未来一段时间的预测，具体包括：
3.1）双时空网络的实现：设计两种互补的时空层，即同步时空层和异步时空层；同步时空层将学习过往一段时间中的站点间历史功率序列的同步特性，异步时空层将学习过往一段时间中的站点间历史功率序列的时延特性；
3.1.1）同步时空层的实现包括：
给定站点及临近的站点/>，获取它们的历史序列/>和其他边特征，其中，/>表示站点/>的经纬度，/>表示站点/>的经纬度坐标； />表示站点/>与站点/>全部历史序列之间的相关性系数；
应用多层感知机 来计算边编码/>如下：
，
，
，
其中，表示向量拼接操作，/>为/>的正则，/>为/>的正则；
表示正则操作：
，
其中，和/>分别表示/>序列的均值和标准差；由此得到站点/>与其他站点间的边编码/>；多层感知机/>的运算过程如下：
，
其中，是可学习的参数，是多层感知机的内部维度
数，将这些边编码求均值得到场站的邻域同步空间编码：
，
并采用多层感知机更新对应的时间信息如下：
，
所得的包含了站点/>的同步时空信息；
3.1.2）异步时空层的实现包括：
给定站点和站点/>的历史数据，以相关函数计算它们之间的最佳时延；最佳时延指的是对其中一个站点的历史数据进行时域平移后，两站点的历史数据达到最相似时，对应的时域偏移量；假定对站点/>的历史数据进行/>步的时域偏移，并记为/>，其与站点/>历史数据之间的相关系数计算如下：
，
，
，
其中，为输入历史序列/>的长度，/>表示时移的长度和方向，/>对应时序前移，/>对应时序后移；选取最佳的时延/>与对应的权重系数/>如下：
，
，
其中，表示使得括号内表达式达到最大值时的对应值，
表示遍历值后括号内表达式的最大值；融合对应的异步空间信息如下：
，
，
其中，表示/>经过正则操作且/>步时延后的序列；/>表示以自然常数e为底的指数函数；更新对应的时间信息如下：
，
所得的包含了站点/>的异步时空信息；
3.1.3) 时空编码模块的实现包括：
时空编码中包含并行的两种时空层，并将这两个时空层的输出进行融合如下：
，
所得的即是站点/>的时空表征；采用/>来表示上述的单层时空模块的运算，即/>，其中，/>表示所有站点的时空表示；时空编码模块的输入和输出都是/>，因此，叠加多个时空编码模块，以获得更加复杂的时空依赖关系；将上述的所有单个时空编码模块的运算记为：
，
其中，表示网络层数，/>为设定的时空网络总层数；最终，记所有站点的时空表征为/>；
3.2）多尺度的双时空网络的实现包括：
在多尺度的时空编码机制下，给定长度为的历史数据/>，收集其最后/>步， />步，/>步……的数据，则这段历史序列将被扩展为一组长度为的序列集合，记为/> ，其中，/>是超参数，表示设置的尺度数量。对于集合中的一个序列/>，采用3.1)中的双时空编码网络，设置输入维度/>，得到对应尺度下的时空编码；
拼接所有尺度下的时空编码记为操作，并采用一个输出维度为/>的多层感知机预测未来的功率/>，其中，/>表示未来功率的预测时间长度。将本步骤完整的多尺度双时空网络的所有操作记为/>：
。
进一步地，所述步骤4包括：
在运用小波分解的场景下，原始历史数据被分解为功率趋势数据和周期性数据/>，/>；对应地，使用共享参数的多尺度双时空网络，分别对三个历史数据进行预测如下：
，
，
，
再将这三个预测序列求和，得到最终预测结果：
，
其中，为历史功率趋势数据/>的预测序列，/>为功率周期性数据/>的预测序列，/>为功率周期性数据/>的预测序列。
进一步地，所述步骤5包括：
区域内站点的未来发电功率实际值记为，其中，表示站点/>的未来实际功率；由步骤4得到区域内站点的未来发电功率预测值，记为/>，其中，/>表示站点/>的未来预测功率。
进一步地，在采用神经网络进行预测前进行网络训练，训练完成后，将模型用于验证，训练和验证的过程包括：
1）训练过程
训练过程中，在获得区域风力发电功率预测结果之后，采用L2损失函数作为区域风力发电功率预测的损失函数，计算方法为：
，
其中，表示站点/>在时刻/>的风力发电功率实测值，/>表示对站点/>在时刻/>风力发电功率的预测值；
2）验证过程
验证过程中，处理历史功率数据，通过训练完成的预测模型，进行未来的区域风电功率预测；当多尺度双时空网络的预测完成后，结合实测的区域风电功率数据，与预测的风电功率数据值进行对比，评估预测精度；选取平均绝对误差MAE与均方根误差RMSE作为评价指标，计算如下：
，
。
本发明还提供一种基于多尺度双时空网络区域风力发电功率预测系统，包括：
数据收集模块，用于收集区域风力发电功率的历史信息，构建历史功率数据；
功率预测模块，采用多尺度的双时空网络，对历史功率数据进行处理，并对未来一段时间的区域风电功率数据进行预测；
模型优化模块，用于对功率预测模块进行训练优化；在运行中，将定期调用模型优化模块，通过采集近期的历史实测功率数据，构建训练数据，并利用这些数据进行模型训练优化。
有益效果：
1、本发明提出一个更加高效的模型来学习时空表示。本发明中涉及两种互补的时空相关性层，包括同步时空层和异步时空层。其中，同步时空层学习站点时间序列之间的相似性，而异步时空层学习之间的风力传播。
2、为了解决噪声干扰问题，本发明采用了离散小波分解，去除了高频噪声，并解耦高频序列和低频序列的相互影响。
3、为了因时间变化而产生的时空相关性偏差，本发明采用了多尺度结构。通过在多个尺度上学习时空相关性，以实现风力站点的鲁棒表示。
附图说明
图1为本发明的基于多尺度双时空网络的区域风力发电功率预测方法示意图；
图2为本发明中两种时空层的示意图；其中，（a）为同步空间层，（b）为异步空间层；
图3为区域风力发电功率预测系统示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了一种基于多尺度双时空网络的区域风力发电功率预测方法及系统，通过小波分解，消除了高频噪声的干扰；通过双时空网络的设计，实现高效的时空相关性的捕捉；通过多尺度学习策略，捕捉空间相关性变化，实现了站点时空信息的鲁棒表示，提升了预测精度。
本发明的一种基于多尺度双时空网络区域风力发电功率预测方法包括如下阶段：
阶段1、收集历史实测数据，并进行预处理，预处理包含缩放和小波分解；
由于风电场站的装机容量不一致，而装机容量大的场站可能在网络中对其他站点的预测造成过大的影响，需要对其进行缩放，使得所有场站的风电功率数据分布一致。
此外，由于风力瞬时波动、涡轮机结构等因素的干扰，风电数据中通常包含了一定的高频噪声。而这些噪声是不利于时空数据挖掘的。为了避免高频噪声的干扰，本发明采用了小波分解，滤除了高频的信号，同时将不同频段的子成分解耦，用作后续风力数据预测的输入。
阶段2、采用多尺度的双时空网络，挖掘区域的历史风电数据相关性，并对每个小波分量预测未来的功率曲线；
风电站之间存在不同类型的空间关联性。根据周围大气的流动方向，可以将两站点间的空间关联性分为同步关联性和异步关联性。采用双时空网络，可以更加高效地学习这两类空间关联性。同时，由于区域风力随时间的变化，站点间的空间相关性随之变化。为了捕捉空间相关性的变化，采用了多尺度学习的策略。
阶段3、将所有小波的功率预测曲线累加，并转换成最终的风电功率预测值。
为了消除高频噪声对风电预测的影响，同时将不同频率的风电数据解耦，本发明采用了基于小波分解的风电功率预测策略。将历史风电功率数据进行小波分解后，对得到的子成分分别预测未来的趋势，并将这些未来趋势求和，作为最终的风电功率预测。
实施例一
如图1所示，本发明提供了一种基于多尺度双时空网络的区域风力发电功率预测方法，包括如下步骤：
步骤1、收集风力发电过程中的发电功率数据，并进行预处理，构建历史发电功率数据，同时收集风电场的经纬度信息。
步骤2、对历史发电功率数据进行小波分解，并舍弃高频分量。
步骤3、将小波分解后的各个分量分别采用对应的多尺度双时空网络，预测其未来的预测值。
步骤4、将所有分量的未来预测值累加，并通过数据逆变换，得到最终的站点功率预测值。
步骤5、根据区域站点的功率预测值与实际值的偏差，更新模型参数。训练完成后，验证模型性能。
具体地，所述步骤1包括：
收集过去一段时间的发电功率数据。设定区域内风力站点数量为，历史数据长度为/>。于是构建历史风电数据/>。其中，表示第/>个站点的历史功率。采用归一化方法处理对数据进行数值尺度大小放缩，将数值范围调整为[0,1]。
同时，收集风电场的经纬度信息，记为，其中为站点/>的经纬度坐标，/>。
所述步骤2包括：
首先是对于历史观测数据的小波分解。一次分解中对应有一个低频滤波器和一个高频滤波器/>。对每个站点的历史功率/>进行小波分解如下：
，
，
其中，是低频滤波器和高频滤波器的长度，/>,是滤波器中的下标。所得/>为低频分量，/>为高频分量，而低频分量可以继续进行后续的分解。选定Db4小波基，经过两次分解后，将得到一个低频分量和两个高频分量，并分别进行逆变换得到功率趋势数据/>和周期性数据/>，/>。
所述步骤3包括：
在步骤2已获得历史功率趋势数据以及功率周期性数据/>。拟采用多尺度的双时空网络，分别对这些数据进行未来一段时间的预测，具体实现如下。
3.1）双时空网络的实现：
分析风电场数据，通常可知风力场站间的相关性将与大气流动方向有关。当大气流动方向平行于两站点的连线时，两站点的功率波动将呈现时延特性；而当大气流动方向垂直于两站点间的连线时，两站点的功率波动将呈现同步特性。
基于以上观察，本发明设计了两种互补的时空层，即同步时空层和异步时空层。同步时空层将学习过往一段时间中的站点间历史功率序列的同步特性，而异步时空层将学习过往一段时间中的站点间历史功率序列的时延特性。两种空间层的设计如下图2所示。
3.1.1）同步时空层的实现
同步空间层的操作如图2中(a)所示，一个同步时空层的实现则包括了一个同步空间层和后续的一个多层感知机。它采用图神经网络来聚合当前站点附近的空间风信息，并使用多层感知机来更新时间风信息。给定站点及临近的站点/>，获取它们的历史序列和其他边特征/>，其中，/>表示站点/>的经纬度，/>表示站点/>的经纬度坐标，/>表示站点/>与站点/>全部历史序列之间的相关性系数。应用多层感知机(MLP)来计算边编码/>如下：
，
，
，
其中，表示向量拼接操作，/>为/>的正则，/>为/>的正则；/>表示正则操作：
，
其中，和/>分别表示/>序列的均值和标准差。由此得到站点/>与其他站点间的边编码/>。多层感知机/>的运算过程如下：
，
其中，是可学习的参数，/>是MLP的内部维度数，在本发明中统一设置为/>。将这些边编码求均值得到场站/>的邻域同步空间编码：
，
并采用多层感知机(MLP)更新对应的时间信息如下：
，
所得的包含了站点/>的同步时空信息。
3.1.2）异步时空层的实现
异步空间层的实现如图2中(b)所示，一个异步时空层的实现则包括了一个异步空间层和后续的一个多层感知机。给定站点和站点/>的历史数据，以相关函数计算它们之间的最佳时延。最佳时延指的是对其中一个站点的历史数据进行时域平移后，两站点的历史数据达到最相似时，对应的时域偏移量。假定对站点/>的历史数据进行/>步的时域偏移，并记为/>，其与站点/>历史数据之间的相关系数计算如下：
，
，
，
其中，为输入历史序列/>的长度，/>，/>对应时序前移，/>对应时序后移。选取最佳的时延/>与对应的权重系数/>如下：
，
，
其中，表示使得括号内表达式达到最大值时的对应/>值，/>表示遍历/>值后括号内表达式的最大值。融合对应的异步空间信息如下：
，
，
其中，表示/>经过正则操作且/>步时延后的序列，/>表示以自然常数e为底的指数函数。更新对应的时间信息如下：
，/>
所得的包含了站点/>的异步时空信息。
3.1.3) 时空编码模块的实现：
在3.1.1）和3.1.2）分别介绍了两个时空层的实现。由于两个时空层分别学习了两种互补类型的站点间空间相关性，于是构建时空编码模块，模块中包含了并行的两种时空层，并将这两个时空层的输出进行融合如下：
，
所得的即是站点/>的时空表征。采用/>来表示上述的单层时空模块的运算，即/>，其中，/>表示所有站点的时空表示。时空编码模块的输入和输出都是/>，因此，叠加多个时空编码模块，以获得更加复杂的时空依赖关系。将上述的所有单个时空编码模块的运算记为：
，
其中，表示网络层数，/>为设定的时空网络总层数。/>表示上述的单层时空模块的运算。最终，记所有站点的时空表征为。
3.2）多尺度的双时空网络的实现
由于大气流动的方向不稳定，站点之间的同步和异步空间相关性可能会随着时间的推移而剧烈变化。因此，在步历史数据中，使用完整的全序列来学习一个固定的空间相关性是不合理的。在步骤中，本发明提出一种多尺度的时空编码机制，以解决站点之间时空相关性的随时间变化问题。
在多尺度的时空编码机制下，给定长度为的历史数据/>，收集其最后/>步，/>步，/>步……的数据，则这段历史序列将被扩展为一组长度为的序列集合，记为/> ，其中，/>是超参数，表示设置的尺度数量。对于集合中的一个序列/>，采用步骤3.1)中的双时空编码网络，设置输入维度/>，得到对应尺度下的时空编码。
拼接所有尺度下的时空编码记为操作，并采用一个输出维度为/>的多层感知机预测未来的功率/>，其中，/>表示未来功率的预测时间长度。将本步骤完整的多尺度双时空网络的所有操作记为/>：
。
所述步骤4包括：
3.1)和3.2)给出了单尺度下的双时空网络的实现步骤。在运用小波分解的场景下，原始历史数据被分解为功率趋势数/>据和周期性数据，/>。对应地，使用共享参数的多尺度双时空网络，分别对三个历史数据进行预测如下：
，
，
，
再将这三个预测序列求和，得到最终预测结果：
，
所述步骤5包括：
区域内站点的未来发电功率实际值记为，其中，表示站点/>的未来实际功率；由步骤4得到区域内站点的未来发电功率预测值，记为/>，其中，/>表示站点/>的未来预测功率。
由于本发明采用了神经网络进行预测，需要事先进行网络训练。训练完成后，将模型用于验证。训练和验证的过程如下：
1）训练过程
训练过程中，在获得区域风力发电功率预测结果之后，采用L2损失函数作为区域风力发电功率预测的损失函数，计算方法为：
，
其中，表示站点/>在时刻/>的风力发电功率实测值，/>表示对站点/>在时刻/>风力发电功率的预测值。
本发明通过反向传播算法进行训练，选取自适应运动估计算法（Adam）作为优化算法，初始学习率为0.001，批尺寸大小为32。
2）验证过程
验证过程中，处理历史功率数据，通过训练完成的预测模型，进行未来的区域风电功率预测。当多尺度双时空网络的预测完成后，结合实测的区域风电功率数据，与预测的风电功率数据值进行对比，评估预测精度。选取平均绝对误差MAE与均方根误差RMSE作为评价指标，计算如下：
，
，
分别采用本发明的多尺度双时空网络模型(MSDST)和其他深度学习模型(MLP,LSTM, Transformer, Informer, Autoformer, DMSTGCN, STGCN, Graph WaveNet)进行对比。采用滁州市12个风电场站的2021年发电功率数据用作验证。功率数据每5分钟采集一次，每次给定过往4小时的历史数据，预测未来10分钟、1小时/>、4小时以后的未来功率数据。设置尺度数为/>，模型维度为/>。
对比结果如表1所示，其中MAE和RMSE的单位为MW。
表1
可以看出，与其他深度学习模型相比，本发明提出的多尺度双时空网络MSDST取得了更小的MAE和RMSE，说明本发明提出的多尺度双时空网络的预测性能优于其他深度学习预测模型。
实施例二
如图3所示，本发明提供了一种基于多尺度双时空网络的区域风力发电功率预测系统，包括下述模块：
数据收集模块，其功能是收集区域风力发电功率的历史信息，构建历史功率数据。
功率预测模块，其功能是采用多尺度的双时空网络，对历史功率数据进行处理，并对未来一段时间的区域风电功率数据进行预测。
模型优化模块，其功能是对功率预测模块进行训练优化。该区域风力发电功率预测系统的运行中，将定期调用模型优化模块，通过采集近期的历史实测功率数据，构建训练数据，并利用这些数据进行模型训练优化。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。
Claims (8)
1.一种基于多尺度双时空网络区域风力发电功率预测方法，其特征在于，包括如下步骤：
步骤1、收集风力发电过程中的发电功率数据，并进行预处理，构建历史发电功率数据，同时收集风电场的经纬度信息；
步骤2、对历史发电功率数据进行小波分解，并舍弃高频分量；
步骤3、将小波分解后的各个分量分别采用对应的多尺度双时空网络，预测其未来的预测值；
步骤4、将所有分量的未来的预测值累加，并通过数据逆变换，得到最终的站点功率预测值；
步骤5、根据最终的站点功率预测值与实际值的偏差，更新模型参数；训练完成后，验证模型性能。
2.根据权利要求1所述的一种基于多尺度双时空网络区域风力发电功率预测方法，其特征在于，所述步骤1包括：
收集过去一段时间的发电功率数据；设定区域内风力站点数量为，历史数据长度为；构建历史风电数据/>；其中，/>表示第/>个站点的历史功率；采用归一化方法处理对数据进行数值尺度大小放缩，将数值范围调整为[0,1]；
收集风电场的经纬度信息，记为，其中/>为站点/>的经纬度坐标，/>。
3.根据权利要求2所述的一种基于多尺度双时空网络区域风力发电功率预测方法，其特征在于，所述步骤2包括：
首先对历史观测数据进行小波分解；一次分解中对应一个低频滤波器和一个高频滤波器/>；对第/>个站点的历史功率/>进行小波分解如下：
，
，
其中，是低频滤波器和高频滤波器的长度，/>,是滤波器中的下标；所得的/>为低频分量，/>为高频分量，选定Db4小波基，经过两次分解后，得到一个低频分量和两个高频分量，并分别进行逆变换得到历史功率趋势数据/>和功率周期性数据，/>。
4.根据权利要求3所述的一种基于多尺度双时空网络区域风力发电功率预测方法，其特征在于，所述步骤3包括：
在步骤2已获得的历史功率趋势数据以及功率周期性数据/>，采用多尺度的双时空网络，分别对其进行未来一段时间的预测，具体包括：
(3.1)双时空网络的实现：设计两种互补的时空层，即同步时空层和异步时空层；同步时空层学习过往一段时间中的站点间历史功率序列的同步特性，异步时空层学习过往一段时间中的站点间历史功率序列的时延特性；
(3.1.1)同步时空层的实现包括：
给定站点及临近的站点/>，获取它们的历史序列/>和其他边特征，其中/>表示站点/>的经纬度，/>表示站点/>的经纬度坐标；/>表示站点/>与站点/>全部历史序列之间的相关性系数；
应用多层感知机来计算边编码/>如下：
，
，
，
其中，表示向量拼接操作，/>为/>的正则，/>为/>的正则；
表示正则操作：
，
其中，和/>分别表示/>序列的均值和标准差；由此得到站点/>与其他站点间的边编码/>；多层感知机/>的运算过程如下：
，
其中，是可学习的参数，/>是多层感知机的内部维度数，将边编码求均值得到站点/>的邻域同步空间编码：
，
并采用多层感知机更新对应的时间信息如下：
，
所得的包含了站点/>的同步时空信息；
(3. 1.2)异步时空层的实现包括：
给定站点和站点/>的历史数据，以相关函数计算它们之间的最佳时延；最佳时延为对其中一个站点的历史数据进行时域平移后，两站点的历史数据达到最相似时，对应的时域偏移量；假定对站点/>的历史数据进行/>步的时域偏移，并记为/>，其与站点/>历史数据之间的相关系数计算如下：
，
，
，
其中，为输入历史序列/>的长度，/>表示时移的长度和方向，/>对应时序前移，/>对应时序后移；选取最佳的时延/>与对应的权重系数/>如下：
，
，
其中，表示使得括号内表达式达到最大值时的对应/>值，/>表示遍历/>值后括号内表达式的最大值；融合对应的异步空间信息如下：
，
，
其中，表示/>经过正则操作且/>步时延后的序列；/>表示以自然常数e为底的指数函数；更新对应的时间信息如下：
，
所得的包含了站点/>的异步时空信息；
(3.1.3) 时空编码模块的实现包括：
时空编码中包含并行的两种时空层，将两个时空层的输出进行融合如下：
，
所得的即是站点/>的时空表征；采用/>来表示上述的单层时空编码模块的运算，即
，其中，/>表示所有站点的时空表示；时空编码模块的输入和输出都是/>，因此叠加多个时空编码模块以获得更加复杂的时空依赖关系；将上述的所有单层时空编码模块的运算记为：
，
其中，表示网络层数，/>为设定的时空网络总层数；最终，记所有站点的时空表征为/>；
(3.2)多尺度的双时空网络的实现包括：
在多尺度的时空编码机制下，给定长度为的历史数据/>，收集其最后/>步，/>步，/>步……的数据，则历史数据被扩展为一组长度为/>的序列集合，记为/>，其中，/>是超参数，表示设置的尺度数量；对于集合中的一个序列/>，采用3.1)中的双时空编码网络，设置输入维度/>，得到对应尺度下的时空编码/>；
拼接所有尺度下的时空编码，记为操作，并采用一个输出维度为/>的多层感知机预测未来的功率/>，其中，/>表示未来功率的预测时间长度；将3.2）中完整的多尺度双时空网络的所有操作记为/>：
。
5.根据权利要求4所述的一种基于多尺度双时空网络区域风力发电功率预测方法，其特征在于，所述步骤4包括：
在运用小波分解的场景下，原始历史数据被分解为历史功率趋势数据和功率周期性数据/>，/>；对应地，使用共享参数的多尺度双时空网络，分别对其进行预测如下：
，
，
，
再将这三个预测序列求和，得到最终预测结果：
；
其中，为历史功率趋势数据/>的预测序列，/>为功率周期性数据/>的预测序列，/>为功率周期性数据/>的预测序列。
6.根据权利要求5所述的一种基于多尺度双时空网络区域风力发电功率预测方法，其特征在于，所述步骤5包括：
区域内站点的未来发电功率实际值记为，其中，表示站点/>的未来实际功率；由步骤4得到区域内站点的未来发电功率预测值，记为/>，其中，/>表示站点/>的未来预测功率。
7.根据权利要求6所述的一种基于多尺度双时空网络区域风力发电功率预测方法，其特征在于，在采用神经网络进行预测前进行网络训练，训练完成后，将模型用于验证，训练过程和验证过程包括：
训练过程中，在获得区域风力发电功率预测结果之后，采用L2损失函数作为区域风力发电功率预测的损失函数，计算方法为：
，
其中，表示站点/>在时刻/>的风力发电功率实测值，/>表示对站点/>在时刻/>风力发电功率的预测值；
验证过程中，处理历史功率数据，通过训练完成的预测模型，进行未来的区域风电功率预测；当多尺度双时空网络的预测完成后，结合实测的区域风电功率数据，与预测的风电功率数据值进行对比，评估预测精度；选取平均绝对误差MAE与均方根误差RMSE作为评价指标，计算如下：
，
。
8.根据权利要求1-7之一所述的一种基于多尺度双时空网络区域风力发电功率预测方法的预测系统，其特征在于，包括：
数据收集模块，用于收集区域风力发电功率的历史信息，构建历史功率数据；
功率预测模块，采用多尺度的双时空网络，对历史功率数据进行处理，并对未来一段时间的区域风电功率数据进行预测；
模型优化模块，用于对功率预测模块进行训练优化；在运行中，定期调用模型优化模块，通过采集近期的历史实测功率数据，构建训练数据，并利用训练数据进行模型训练优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310686515.0A CN116451873B (zh) | 2023-06-12 | 2023-06-12 | 基于多尺度双时空网络区域风力发电功率预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310686515.0A CN116451873B (zh) | 2023-06-12 | 2023-06-12 | 基于多尺度双时空网络区域风力发电功率预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116451873A true CN116451873A (zh) | 2023-07-18 |
| CN116451873B CN116451873B (zh) | 2023-10-20 |
Family
ID=87132322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310686515.0A Active CN116451873B (zh) | 2023-06-12 | 2023-06-12 | 基于多尺度双时空网络区域风力发电功率预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116451873B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117763314A (zh) * | 2024-02-22 | 2024-03-26 | 安徽大学 | 一种基于时空相关性挖掘的风电功率预测方法 |
| CN117893361A (zh) * | 2024-03-15 | 2024-04-16 | 广东工业大学 | 一种基于多尺度分析器的海上风电功率预测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010034637A1 (en) * | 2000-02-04 | 2001-10-25 | Long-Ji Lin | Systems and methods for predicting traffic on internet sites |
| CN109508360A (zh) * | 2018-11-07 | 2019-03-22 | 武汉大学 | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 |
| US20210150199A1 (en) * | 2019-11-15 | 2021-05-20 | Waymo Llc | Spatio-temporal-interactive networks |
| CN113570859A (zh) * | 2021-07-23 | 2021-10-29 | 江南大学 | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 |
| CN113947237A (zh) * | 2021-09-09 | 2022-01-18 | 国网江苏省电力有限公司电力科学研究院 | 一种基于ams-tcn的风电功率误差修正方法 |
| CN114662807A (zh) * | 2022-05-26 | 2022-06-24 | 国网浙江省电力有限公司电力科学研究院 | 基于序列编码重构的多尺度区域光伏出力预测方法及系统 |
| CN115240425A (zh) * | 2022-07-26 | 2022-10-25 | 西北师范大学 | 一种基于多尺度时空融合图网络的交通预测方法 |
| CN115293415A (zh) * | 2022-07-28 | 2022-11-04 | 三峡大学 | 计及时间演变和空间相关的多风电场短期功率预测方法 |
| CN115828754A (zh) * | 2022-12-09 | 2023-03-21 | 辽宁石油化工大学 | 基于多尺度时空融合网络模型的刀具磨损状态监测方法 |
-
2023
- 2023-06-12 CN CN202310686515.0A patent/CN116451873B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010034637A1 (en) * | 2000-02-04 | 2001-10-25 | Long-Ji Lin | Systems and methods for predicting traffic on internet sites |
| CN109508360A (zh) * | 2018-11-07 | 2019-03-22 | 武汉大学 | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 |
| US20210150199A1 (en) * | 2019-11-15 | 2021-05-20 | Waymo Llc | Spatio-temporal-interactive networks |
| CN113570859A (zh) * | 2021-07-23 | 2021-10-29 | 江南大学 | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 |
| CN113947237A (zh) * | 2021-09-09 | 2022-01-18 | 国网江苏省电力有限公司电力科学研究院 | 一种基于ams-tcn的风电功率误差修正方法 |
| CN114662807A (zh) * | 2022-05-26 | 2022-06-24 | 国网浙江省电力有限公司电力科学研究院 | 基于序列编码重构的多尺度区域光伏出力预测方法及系统 |
| CN115240425A (zh) * | 2022-07-26 | 2022-10-25 | 西北师范大学 | 一种基于多尺度时空融合图网络的交通预测方法 |
| CN115293415A (zh) * | 2022-07-28 | 2022-11-04 | 三峡大学 | 计及时间演变和空间相关的多风电场短期功率预测方法 |
| CN115828754A (zh) * | 2022-12-09 | 2023-03-21 | 辽宁石油化工大学 | 基于多尺度时空融合网络模型的刀具磨损状态监测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117763314A (zh) * | 2024-02-22 | 2024-03-26 | 安徽大学 | 一种基于时空相关性挖掘的风电功率预测方法 |
| CN117763314B (zh) * | 2024-02-22 | 2024-05-17 | 安徽大学 | 一种基于时空相关性挖掘的风电功率预测方法 |
| CN117893361A (zh) * | 2024-03-15 | 2024-04-16 | 广东工业大学 | 一种基于多尺度分析器的海上风电功率预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116451873B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116451873B (zh) | 基于多尺度双时空网络区域风力发电功率预测方法及系统 | |
| Zhu et al. | Using a self-adaptive grey fractional weighted model to forecast Jiangsu’s electricity consumption in China | |
| Duan et al. | A combined short-term wind speed forecasting model based on CNN–RNN and linear regression optimization considering error | |
| Tang et al. | Photovoltaic power forecasting: A hybrid deep learning model incorporating transfer learning strategy | |
| Berrezzek et al. | Efficient Wind Speed Forecasting Using Discrete Wavelet Transform and Artificial Neural Networks. | |
| CN110264012B (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
| CN115065078B (zh) | 微网环境下储能容量配置方法及系统 | |
| Yadav et al. | Short-term PV power forecasting using empirical mode decomposition in integration with back-propagation neural network | |
| CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
| CN112434891A (zh) | 基于wcnn-alstm的太阳辐照度时间序列的预测方法 | |
| Wang et al. | Hybrid deep learning model for short-term wind speed forecasting based on time series decomposition and gated recurrent unit | |
| CN115600722A (zh) | 企业电碳因子长期预测方法 | |
| Wang et al. | A novel wind power prediction model improved with feature enhancement and autoregressive error compensation | |
| CN110837934B (zh) | 一种基于深度学习的智能电网短期住宅负荷预测方法 | |
| CN117175588B (zh) | 基于时空相关性的用电负荷预测方法及装置 | |
| CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
| Zuo et al. | Short-term load forecasting for community battery systems based on temporal convolutional networks | |
| CN114372691A (zh) | 一种基于全息感知的电能替代潜力估算方法 | |
| Liu et al. | Ultra-short-term forecasting method of wind power based on W-BiLSTM | |
| Shen et al. | PV power interval prediction based on EEMD-LSTM method | |
| Ashraf et al. | A Hybrid Statistical Model for Ultra Short Term Wind Speed Prediction | |
| Chen et al. | A Wind Power Prediction Framework for Distributed Power Grids | |
| CN116128130B (zh) | 一种基于图神经网络的短期风能数据预测方法及装置 | |
| Kong et al. | Wind Speed Interval Prediction Model Based on Adaptive Decomposition and Parameter Optimization | |
| Liu et al. | Available power estimation of wind farms based on deep spatio-temporal neural networks |
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 |