CN116565840A - 一种用于风电场风功率预测的高精度风速软测量方法 - Google Patents

一种用于风电场风功率预测的高精度风速软测量方法 Download PDF

Info

Publication number
CN116565840A
CN116565840A CN202310427911.1A CN202310427911A CN116565840A CN 116565840 A CN116565840 A CN 116565840A CN 202310427911 A CN202310427911 A CN 202310427911A CN 116565840 A CN116565840 A CN 116565840A
Authority
CN
China
Prior art keywords
data
wind speed
loss
vae
wind
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
CN202310427911.1A
Other languages
English (en)
Inventor
张英杰
阳郁为
陆碧良
李蒲德
丁晨
张彩华
查政悦
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 University
Original Assignee
Hunan 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 Hunan University filed Critical Hunan University
Priority to CN202310427911.1A priority Critical patent/CN116565840A/zh
Publication of CN116565840A publication Critical patent/CN116565840A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种用于风电场风功率预测的高精度风速软测量方法，针对NWP数据具有非线性和强动态性的特点，提出了一种基于VAE的特征学习网络，同时利用熵权法给每个变量损失自适应地赋予不同的权重，从而改进原有VAE模型的损失函数，在高斯混合模型的基本框架上进行非线性的特征提取，同时构建潜隐变量与风速之间的基于BP神经网络的回归器，最终实现对风速的软测量，具备较高的预测精度。

Description

一种用于风电场风功率预测的高精度风速软测量方法
技术领域
本申请属于风功率测量技术领域，具体涉及一种用于风电场风功率预测的高精度风速软测量方法。
背景技术
风能资源，是一种清洁的可再生能源，可以通过风力发电的方式转换为电能，再由电网输送至用电终端。风力发电输出功率的稳定对电网的安全稳定运行至关重要。对风速的精确预测，可以为风资源评估提供有力支撑，也为风电机组的选型和选址提供依据，也为电网的运营维护与调度提供保障。然而风速具有非线性和随机波动性，这些特征会导致电网发电功率的波动，影响电网安全稳定运行，致使风电利用率低，进而影响电网质量。
相关技术中，对风速测量的方法主要是基于风力机机舱风速仪的直接测量方法，该种测量方法容易受到测量环境的影响，导致难以实时准确的测量出实时的风速。
因此，实有必要提供一种用于风电场风功率预测的高精度风速软测量方法以解决上述问题。
发明内容
本申请提供一种用于风电场风功率预测的高精度风速软测量方法，针对NWP数据具有非线性和强动态性的特点，提出了一种基于VAE的特征学习网络，在高斯混合模型的基本框架上进行非线性的特征提取，同时构建潜隐变量与风速之间的基于BP神经网络的回归器，最终实现对风速的软测量，具备较高的预测精度。
为了解决上述技术问题，本申请是这样实现的：
一种用于风电场风功率预测的高精度风速软测量方法，包括如下步骤：
S1：采集风电场与风速相关的数值天气预报数据形成辅助变量数据集，对所述辅助变量数据集进行预处理；
S2：构建VAE特征学习网络，所述VAE特征学习网络包括编码器及解码器，将所述辅助变量数据集作为原始数据送入所述编码器，提取原始数据的潜在特征，将所述潜在特征作为潜隐变量送入所述解码器进行重构，得到生成数据；
S3：构建所述VAE特征学习网络的原始损失函数，所述原始损失函数包括KL散度和重构损失两部分，基于熵权法计算所述原始数据中各个样本的熵权，并赋值给原始损失函数中的重构损失部分，同时为KL散度部分和重构损失部分赋予不同的权重，得到改进后的损失函数，通过最小化改进后的损失函数对所述VAE特征学习网络进行训练，保存训练好的模型参数以及潜隐变量；
S4：将所述辅助变量数据集对应的风速作为所述潜隐变量的标签，并与所述潜隐变量一起构成训练集，将所述训练集作为回归器的输入，采用随机梯度下降算法更新回归器模型参数，完成训练过程；
S5：针对任意一次风速软测量，重复步骤S1-S4，输出风速的预测值。
优选的，所述步骤S1中“与风速相关的数值天气预报数据”包括短期天气类型、降雨类型、气温、体感温度、湿度、风向、能见度、气压及当天天气类型。
优选的，所述步骤S1中“预处理”的过程包括：删除空缺值、将文字数据序列化、去除数据的小数部分以及归一化处理。
优选的，所述步骤S2中，原始数据的潜在特征的提取过程具体为：计算原始数据在潜在空间中所服从分布的均值和方差，通过重参数化技巧，利用上一层的均值和方差采样得到原始数据的潜在特征。
优选的，所述步骤S3具体包括如下步骤：
S31：构建所述VAE特征学习网络生成数据的边际似然函数，将所述边际似然函数的证据下界变换为所述VAE特征学习网络的损失函数，得到原始损失函数：
式中，Loss表示原始损失函数；x表示原始数据；表示重构后的生成数据；表示后验分布；p(z)表示先验分布；/>表示先验分布p(z)与后验分布/>的KL散度，用于衡量先验分布p(z)和后验分布/>的近似程度；表示重构损失；
S32：计算所述原始数据中，第j项指标下第i个样本xij所占的比重，并将其看作相对熵计算中用到的概率pij，依次计算每个指标的信息熵及信息效用值，并将信息效用值归一化得到每个指标的熵权，计算过程表示为：
式中，ej表示第j个指标的信息熵，信息熵越大，其对应的信息量越小；J表示原始数据的维度；dj表示第j个指标的信息效用值；Wj表示第j个指标的熵权；
S33：将各个指标的熵权赋值给损失函数中的重构损失部分，同时为KL散度和重构损失赋值权重α和β，得到改进后的损失函数Loss′，表示为：
式中，α和β均为超参数，且α+β＝1。
本申请有益效果在于：
针对NWP数据具有非线性和强动态性的特点，提出了一种基于VAE的特征学习网络，同时利用熵权法给每个变量损失自适应地赋予不同的权重，从而改进原有VAE模型的损失函数，在高斯混合模型的基本框架上进行非线性的特征提取，同时构建潜隐变量与风速之间的基于BP神经网络的回归器，最终实现对风速的软测量，具备较高的预测精度。
附图说明
图1表示本申请提供的一种用于风电场风功率预测的高精度风速软测量方法的流程图。
图2表示本申请提供的VAE特征学习网络的架构图；
图3表示实施例一中BP模型的预测结果图；
图4表示实施例一中PCA_BP模型的预测结果图；
图5表示实施例一中VAE_BP模型的预测结果图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请结合参阅图1-5，本发明提供一种用于风电场风功率预测的高精度风速软测量方法，包括如下步骤：
S1：采集风电场与风速相关的数值天气预报数据(Numerical WeatherPrediction，NWP)形成辅助变量数据集，对所述辅助变量数据集进行预处理。
“与风速相关的数值天气预报数据”包括短期天气类型、降雨类型、气温、体感温度、湿度、风向、能见度、气压及当天天气类型。
“预处理”的过程包括：删除空缺值、将文字数据序列化、去除数据的小数部分以及归一化处理。
S2：构建VAE特征学习网络，所述VAE特征学习网络包括编码器及解码器，将所述辅助变量数据集作为原始数据送入所述编码器，提取原始数据的潜在特征，将所述潜在特征作为潜隐变量送入所述解码器进行重构，得到最终的生成数据。
请参阅图1，图1表示所述VAE(Variational Autoencode，变分自编码器)特征学习网络的架构图，所述VAE特征学习网络中，编码器是一个推断模型，被参数化为一个参数为/>的神经网络，它将数据映射到低维空间，得到其潜在特征。而对于解码器pθ(x|z)被参数化为另一个参数为θ的神经网络，将所述潜在特征作为潜隐变量z送入所述编码器，所述编码器将潜隐变量z重构为原始数据。
所述步骤S2中，原始数据的潜在特征的提取过程具体为：计算原始数据在潜在空间中所服从分布的均值和方差/>通过重参数化技巧，利用上一层的均值和方差采样得到原始数据的潜在特征。
S3：构建所述VAE特征学习网络的原始损失函数，所述原始损失函数包括KL散度和重构损失两部分，基于熵权法计算所述原始数据中各个样本的熵权，并赋值给原始损失函数中的重构损失部分，同时为KL散度部分和重构损失部分赋予不同的权重，得到改进后的损失函数，通过最小化改进后的损失函数对所述VAE特征学习网络进行训练，保存训练好的模型参数以及潜隐变量。
所述步骤S3具体包括如下步骤：
S31：构建所述VAE特征学习网络生成数据的边际似然函数，将所述边际似然函数的证据下界变换为所述VAE特征学习网络的损失函数，得到原始损失函数：
式中，Loss表示原始损失函数；x表示原始数据；表示重构后的生成数据；表示后验分布；p(z)表示先验分布；/>表示先验分布p(z)与后验分布/>的KL散度，用于衡量先验分布p(z)和后验分布/>的近似程度；表示重构损失。
所述VAE特征学习网络的训练过程，就是最小化其负变分证据下界，从而优化模型网络的参数和θ，最后达到特征学习的目的，因此将证据下界变换后可以直接得到原始损失函数。
其中，原始损失函数的推导过程为：
所述VAE特征学习网络中生成数据的边际似然函数表示为：
最大化边际似然的求解等价于求解：
Maximum L＝∑xlogp(x)；
其中：
根据Jensen不等式中KL散度恒大于等于零的特性，可以得到似然函数logp(x)的证据下界
从上式可以看出，对数似然函数logp(x)的证据下界包括两项，第一项为正则化，指导近似后验分布尽可能接近先验分布，用先验分布p(z)与变分分布的KL散度来表示，其中先验分布p(z)为标准正态分布N(0,1)；第二项则是重构损失，用来保证重构数据与原始数据之间的匹配程度。
最大化证据下界就等价于最小化KL散度和和最小化重构损失，对证据证据下界/>进行变换即可得到原始损失函数。
S32：计算所述原始数据中，第j项指标下第i个样本xij所占的比重，并将其看作相对熵计算中用到的概率pij，依次计算每个指标的信息熵及信息效用值，并将信息效用值归一化得到每个指标的熵权，计算过程表示为：
式中，ej表示第j个指标的信息熵，信息熵越大，其对应的信息量越小；J表示原始数据的维度；dj表示第j个指标的信息效用值；Wj表示第j个指标的熵权；
S33：将各个指标的熵权赋值给损失函数中的重构损失部分，同时为KL散度和重构损失赋值权重α和β，得到改进后的损失函数Loss'，表示为：
式中，α和β均为超参数，且α+β＝1；x代表原始数据，代表重构出的原始数据。
不同地区的NWP数据中，其各项气象特征的变异程度是不一样的，例如有些气象特征几乎常年没有什么变化，因此该特征对预测风速的重要性也相对较低。若VAE特征学习网络同等对待NWP数据中的各项指标，将无法准确的学习到原始数据的潜隐特征表示。因此，本申请的技术方案中，通过熵权法自适应地给各输入变量的损失赋予不同的权重，可以使所述VAE特征学习网络更好的学习到原始数据的潜隐特征；同时，VAE模型原本是用于图像数据集的生成与特征提取，考虑到NWP数据集与图像数据集的差异性，KL散度与重构损失对网络训练的重要性是不一样的，因此本申请中引入两个超参数α和β，为KL散度与重构损失赋予不同的权重，以方便更好的训练网络，进而提升预测的精度。
S4：将所述辅助变量数据集对应的风速作为所述潜隐变量的标签，并与所述潜隐变量一起构成训练集，将所述训练集作为回归器的输入，采用随机梯度下降等算法更新回归器模型参数，完成训练过程。
S5：针对任意一次风速软测量，重复步骤S1-S4，输出风速的预测值。
得到风速的预测值后，即可计算出风功率的预测值，风功率P计算公式为：
式中，ρ表示空气密度；A表示风电机扇叶旋转所形成的圆形面积；v表示风速。
本申请的技术方案中，为NWP数据建立一个基于VAE的特征学习网络，利用高斯混合模型来描述VAE的潜在特征分布，通过非线性映射将原始数据映射到潜在空间，从而提取到非线性的潜隐变量；同时利用熵权法给每个变量损失自适应地赋予不同的权重，从而改进原有VAE模型的损失函数；利用BP神经网络建立潜隐变量与风速变量之间的回归模型，以实现风速的软测量。相比于传统的直接测量，不易受到测量环境的影响，可以准确的测量出实时的风速。
在所述VAE特征学习网络的训练过程中，为了直观地评价该软测量模型的测量性能,本申请使用均方根误差RMSE和实际值和预测值之间的平方相关关系R2两个指标来量化模型的预测效果，RMSE和R2定义如下：
式中，I表示样本个数；yi表示第i个样本的实际输出值；是第i个样本的预测输出值；/>是所有样本实际输出值的平均值；RMSE越小，R2越接近于1,代表模型的软测量测量性能越好。
NWP数据作为一种气象数据集，各气象变量具有非线性和强动态特性，若直接将其用于风速的回归预测，软测量效果并不佳。通过VAE特征学习网络能有效捕捉到影响风速变化的潜在特征，利用该潜在特征去做回归预测能有效提高软测量的精度。
同时考虑到不同地区的NWP数据其各项气象特征的变异程度是不一样的，例如有些气象特征几乎常年没有什么变化，因此该特征对预测风速的重要性也相对较低。若VAE特征学习网络同等对待NWP各项指标，将无法学习到原始数据的有效潜隐特征表示。而熵权法自适应地给各输入变量的损失赋予不同的权重，改进原有VAE模型的损失函数，可以有效解决该问题。
S5：针对任意一次风速软测量，重复步骤S1-S4，输出风速的预测值。
实施例一
本文以比利时塞格德风电场2006年到2016年每间隔一小时测得的数值天气预报(Numerical Weather Prediction，NWP)数据和风速实测数据作为数据集进行仿真测试，NWP数据集如表1所示：
表1 NWP数据辅助变量与主导变量
比利时塞格德风电场所在的位置属于温带海洋性气候，最大的特点就是天气多变，还能出现一天“一天见四季”的情况，因此该风电场的NWP数据是具备非线性和强动态特性的NWP数据的典型代表，有利于验证本申请的可靠性。
经过数据预处理后，本申请所选择的辅助变量都易于测量和短期预测且和主导变量(风速)变化有关。
截取5000个样本用于构建软测量模型，其中175个样本作为测试集，剩余样本作为训练集。为了展现本申请所提出的算法(VAE_BP)的可靠性,同时构建了BP神经网络模型(BP)、基于主成分分析的软测量模型(PCA_BP)模型进行了性能比较。通过试错调参的方法，最终将VAE_BP的编码器设置为单层神经网络，其隐藏层神经元的个数设置为32个，潜隐变量维度为7，解码器的结构与编码器对称，回归器则设置为单层的BP神经网络，其隐藏层神经元的个数为32个。BP神经网络模型则与VAE_BP模型中的回归器中的参数保持一致。PCA_BP模型中潜隐变量的维度同样也设置为7，回归器结构和参数则与VAE_BP的回归器保持一致。
将数据样本分别送入VAE_BP、BP和PCA_BP模型进行训练，得到三种模型的性能评价指标，如表2所示：
表2模型性能评价指标
模型 BP PCA_BP VAE_BP
R2 0.55 -0.03 0.73
RMSE 40.50 71.19 33.72
对比表2可以发现，VAE_BP模型在BP神经网络模型的基础上提升了风速软测量的精度，而PCA_BP模型这种线性特征提取的方法反而降低了风速软测量的精度。请再次参阅图3-5，图1表示BP模型的预测结果图；图2表示PCA_BP模型的预测结果图；图3表示VAE_BP模型的预测结果图。对比参阅3-5可以看出，VAE_BP模型的预测精度在BP模型上有了明显的提升，虽然原有BP神经网络方法也有较好预测能力，但是其预测波动比较大，不能很好地捕捉风速的变化趋势和特点。而对于PCA_BP模型这种基于主成分分析特征提取的软测量方法不但没有提高原有BP神经网络方法的预测精度，反而降低其预测精度，其预测结果整体偏离真实值，这说明主成分分析这种线性的特征提取方法并不能准确提取像NWP这种具有非线性和强动态特性的数据，而本申请提供的的VAE_BP模型则能有效提取到NWP数据的潜隐特征，因此在回归器模型复杂度比较低情况下也能获得比较高的软测量精度，这不仅保证了模型的软测量精度，也保证了模型的泛化能力。
本申请提供的软测量方法可以应用于超短期风速预测、短期风速预测、中期风速预测，只要依次将输入的NWP数据换成超短期、短期、中期的即可。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (5)

1.一种用于风电场风功率预测的高精度风速软测量方法，其特征在于，包括如下步骤：
S1：采集风电场与风速相关的数值天气预报数据形成辅助变量数据集，对所述辅助变量数据集进行预处理；
S2：构建VAE特征学习网络，所述VAE特征学习网络包括编码器及解码器，将所述辅助变量数据集作为原始数据送入所述编码器，提取原始数据的潜在特征，将所述潜在特征作为潜隐变量送入所述解码器进行重构，得到生成数据；
S3：构建所述VAE特征学习网络的原始损失函数，所述原始损失函数包括KL散度和重构损失两部分，基于熵权法计算所述原始数据中各个样本的熵权，并赋值给原始损失函数中的重构损失部分，同时为KL散度部分和重构损失部分赋予不同的权重，得到改进后的损失函数，通过最小化改进后的损失函数对所述VAE特征学习网络进行训练，保存训练好的模型参数以及潜隐变量；
S4：将所述辅助变量数据集对应的风速作为所述潜隐变量的标签，并与所述潜隐变量一起构成训练集，将所述训练集作为回归器的输入，采用随机梯度下降算法更新回归器模型参数，完成训练过程；
S5：针对任意一次风速软测量，重复步骤S1-S4，输出风速的预测值。
2.根据权利要求1所述的用于风电场风功率预测的高精度风速软测量方法，其特征在于，所述步骤S1中“与风速相关的数值天气预报数据”包括短期天气类型、降雨类型、气温、体感温度、湿度、风向、能见度、气压及当天天气类型。
3.根据权利要求1所述的用于风电场风功率预测的高精度风速软测量方法，其特征在于，所述步骤S1中“预处理”的过程包括：删除空缺值、将文字数据序列化、去除数据的小数部分以及归一化处理。
4.根据权利要求1所述的用于风电场风功率预测的高精度风速软测量方法，其特征在于，所述步骤S2中，原始数据的潜在特征的提取过程具体为：计算原始数据在潜在空间中所服从分布的均值和方差，通过重参数化技巧，利用上一层的均值和方差采样得到原始数据的潜在特征。
5.根据权利要求1所述的用于风电场风功率预测的高精度风速软测量方法，其特征在于，所述步骤S3具体包括如下步骤：
S31：构建所述VAE特征学习网络生成数据的边际似然函数，将所述边际似然函数的证据下界变换为所述VAE特征学习网络的损失函数，得到原始损失函数：
式中，Loss表示原始损失函数；x表示原始数据；表示重构后的生成数据；/>表示后验分布；p(z)表示先验分布；/>表示先验分布p(z)与后验分布的KL散度，用于衡量先验分布p(z)和后验分布/>的近似程度；表示重构损失；
S32：计算所述原始数据中，第j项指标下第i个样本xij所占的比重，并将其看作相对熵计算中用到的概率pij，依次计算每个指标的信息熵及信息效用值，并将信息效用值归一化得到每个指标的熵权，计算过程表示为：
式中，ej表示第j个指标的信息熵，信息熵越大，其对应的信息量越小；J表示原始数据的维度；dj表示第j个指标的信息效用值；Wj表示第j个指标的熵权；
S33：将各个指标的熵权赋值给损失函数中的重构损失部分，同时为KL散度和重构损失赋值权重α和β，得到改进后的损失函数Loss′，表示为：
式中，α和β均为超参数，且α+β＝1。
CN202310427911.1A 2023-04-20 2023-04-20 一种用于风电场风功率预测的高精度风速软测量方法 Pending CN116565840A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310427911.1A CN116565840A (zh) 2023-04-20 2023-04-20 一种用于风电场风功率预测的高精度风速软测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310427911.1A CN116565840A (zh) 2023-04-20 2023-04-20 一种用于风电场风功率预测的高精度风速软测量方法

Publications (1)

Publication Number Publication Date
CN116565840A true CN116565840A (zh) 2023-08-08

Family

ID=87502843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310427911.1A Pending CN116565840A (zh) 2023-04-20 2023-04-20 一种用于风电场风功率预测的高精度风速软测量方法

Country Status (1)

Country Link
CN (1) CN116565840A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116930973A (zh) * 2023-09-15 2023-10-24 湖南赛能环测科技有限公司 一种场景自适应的声雷达风功率精确预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116930973A (zh) * 2023-09-15 2023-10-24 湖南赛能环测科技有限公司 一种场景自适应的声雷达风功率精确预测方法
CN116930973B (zh) * 2023-09-15 2023-12-08 湖南赛能环测科技有限公司 一种场景自适应的声雷达风功率精确预测方法

Similar Documents

Publication Publication Date Title
CN109214592B (zh) 一种多模型融合的深度学习的空气质量预测方法
CN109802430B (zh) 一种基于LSTM-Attention网络的风电电网控制方法
CN109002915B (zh) 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法
Huang et al. Two novel hybrid linear and nonlinear models for wind speed forecasting
CN108921339B (zh) 基于分位数回归的遗传支持向量机光伏功率区间预测方法
CN109376951B (zh) 一种光伏概率预测方法
CN113205207A (zh) 一种基于XGBoost算法的用电短期负荷波动预测方法及系统
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
CN104463349A (zh) 一种基于多时段综合相似日的光伏发电功率预测方法
CN106126906A (zh) 基于c‑c与elm的短期风速预测方法
CN113657662B (zh) 一种基于数据融合的降尺度风电功率预测方法
CN112285807A (zh) 一种气象信息预测方法及装置
CN114757427B (zh) 自回归修正的lstm智能风电场超短期功率预测方法
CN106446440A (zh) 基于在线贯序极限学习机的短期光伏发电功率预测方法
CN115759389A (zh) 基于天气类型的相似日组合策略的日前光伏功率预测方法
CN116565840A (zh) 一种用于风电场风功率预测的高精度风速软测量方法
CN116029419A (zh) 基于深度学习的长期新能源日均发电功率预测方法及系统
CN116451821A (zh) 基于深度学习的大区域新能源发电功率预测方法及系统
CN113379142A (zh) 一种基于风速修正和融合模型的短期风电功率预测方法
CN116826737A (zh) 一种光伏功率的预测方法、装置、存储介质及设备
CN116611702A (zh) 一种面向楼宇综合能源管理的集成学习光伏发电预测方法
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
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
Ajagunsegun et al. Machine learning-based system for managing energy efficiency of public buildings: An approach towards smart cities
CN112836876A (zh) 一种基于深度学习的配电网线路负荷预测方法

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