CN116577843A - 一种分布式声雷达风功率预测方法 - Google Patents
一种分布式声雷达风功率预测方法 Download PDFInfo
- Publication number
- CN116577843A CN116577843A CN202310235248.5A CN202310235248A CN116577843A CN 116577843 A CN116577843 A CN 116577843A CN 202310235248 A CN202310235248 A CN 202310235248A CN 116577843 A CN116577843 A CN 116577843A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- speed data
- sequence
- representing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- SDIXRDNYIMOKSG-UHFFFAOYSA-L disodium methyl arsenate Chemical compound [Na+].[Na+].C[As]([O-])([O-])=O SDIXRDNYIMOKSG-UHFFFAOYSA-L 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 66
- 230000003044 adaptive effect Effects 0.000 claims abstract description 42
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 29
- 238000009792 diffusion process Methods 0.000 claims description 99
- 239000013598 vector Substances 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 6
- 230000003121 nonmonotonic effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- HOWHQWFXSLOJEF-MGZLOUMQSA-N systemin Chemical compound NCCCC[C@H](N)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(O)=O)C(=O)OC(=O)[C@@H]1CCCN1C(=O)[C@H]1N(C(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCCN=C(N)N)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H]2N(CCC2)C(=O)[C@H]2N(CCC2)C(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](C)N)C(C)C)CCC1 HOWHQWFXSLOJEF-MGZLOUMQSA-N 0.000 claims 1
- 108010050014 systemin Proteins 0.000 claims 1
- 238000012937 correction Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 54
- 238000004891 communication Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000009499 grossing Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/885—Meteorological systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Health & Medical Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Atmospheric Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及风功率预测的技术领域,公开了一种分布式声雷达风功率预测方法,所述方法包括:确定风速数据序列分解方法;构建自适应高度风速预测模型以及参数优化目标函数,基于所采集风速数据时序序列以及参数优化目标函数对自适应高度风速预测模型进行参数优化,得到最优自适应高度风速预测模型;将当前不同高度下的风速数据序列分量输入到最优自适应高度风速预测模型中,预测得到不同高度下的风速数据,并将风速数据预测结果转换为风功率预测结果。本发明通过融合风速时序变化以及风速数据空间信息得到风速数据预测结果,将不同高度下风速数据预测结果转换为风功率预测结果,实现风功率预测,并采用自适应步长修正方式快速得到最优模型。
Description
技术领域
本发明涉及风功率预测的技术领域,尤其涉及一种分布式声雷达风功率预测方法。
背景技术
作为可再生能源领域技术最成熟和最具有应用价值的发电方式之一,风力发电在全球范围内得到广泛的应用。随着风电产业的飞速发展和年新增装机容量的不断增加,风电大规模并网所占比重越来越大。然而受风力发电随机性、波动性以及间歇性等缺陷的影响,风电大规模并网过程中存在的波动性和随机性等特点严重影响电力系统的潮流平衡,甚至会影响大电网动态运行过程中的安全性和可靠性,更严重者导致大量风电场脱网。为有效解决风电大规模并网过程中的“并网难”和“弃风”等难题,保证风电的平滑可靠并网,风功率预测成为重要技术手段。但是不同高度情况下,风功率存在较大差异,现有方式主要是通过间隔探测的方式,存在较大误差,针对该问题,本发明提出一种分布式声雷达风功率预测方法。
发明内容
有鉴于此,本发明提供一种分布式声雷达风功率预测方法,目的在于:1)针对历史风速数据波动幅度较大,若进行风速预测可能为存在较大误差的问题,对不同高度的风速数据序列进行序列分解,提取表征风速时序变化的不同风速数据序列分量,减弱历史风速数据浮动范围过大或过小对风速预测结果的影响,进而构建自适应高度风速预测模型,利用风速扩散模型对不同风速数据序列分量进行分布式合成,得到历史风速数据在风速数据空间的扩散空间向量,进而融合风速时序变化以及风速数据空间信息得到风速数据预测结果,将不同高度下风速数据预测结果转换为风功率预测结果,实现风功率预测;2)采用自适应步长修正的自适应高度风速预测模型参数优化方法进行参数优化,在参数迭代过程中,实时根据迭代梯度变化对迭代方向进行修正,提高参数优化迭代速度,快速得到最优模型参数以及构建最优自适应高度风速预测模型,并利用平滑参数使得参数迭代步长平滑,避免迭代步长过大错过最优参数解。
实现上述目的,本发明提供的一种分布式声雷达风功率预测方法,包括以下步骤:
S1:采集不同高度下的风速数据时序序列构成风速原始数据序列集合,其中风速原始数据序列集合中包括不同高度的风速数据序列;
S2:对风速原始数据序列集合中不同高度的风速数据序列进行序列分解,得到风速数据序列分量;
S3:构建自适应高度风速预测模型以及参数优化目标函数,所构建模型包括风速扩散模型和风速逆扩散模型两部分,其中风速扩散模型以高度和对应高度下所有风速数据序列分量为输入,以分布式合成的扩散空间向量为输出,风速逆扩散模型以扩散空间向量为输入,以预测得到的风速数据为输出;
S4:基于所采集风速数据时序序列以及参数优化目标函数对自适应高度风速预测模型进行参数优化,得到最优自适应高度风速预测模型;
S5:将当前不同高度下的风速数据序列分量输入到最优自适应高度风速预测模型中,预测得到不同高度下的风速数据,并将不同高度下风速数据预测结果转换为风功率预测结果。
作为本发明的进一步改进方法:
可选地,所述S1步骤中采集不同高度下的风速数据时序序列构成风速原始数据序列集合,包括:
利用声雷达采集不同高度下的风速数据时序序列构成风速原始数据序列集合,其中风速原始数据序列集合中包括不同高度的风速数据序列,所构成风速原始数据序列集合为:
;
其中:
表示高度/>下的风速数据序列,/>,H表示所采集高度的类别数量,相邻高度之差为预设置的定值/>,/>;
表示在高度/>下/>时刻所采集的风速数据,/>表示风速数据采集的初始时刻,/>表示风速数据采集的截止时刻。
可选地,所述S2步骤中对风速原始数据序列集合中不同高度的风速数据序列进行序列分解,包括:
对风速原始数据序列集合中不同高度的风速数据序列进行序列分解,其中对风速原始数据序列集合中风速数据序列的序列分解流程为:
S21:遍历风速数据序列,得到风速数据序列的峰值点,峰值点包括极大峰值点以及极小峰值点,其中极大峰值点定义为:
若,则/>为极大峰值点,/>;
极小峰值点定义为:
若,则/>为极小峰值点,/>;
S22:连接风速数据序列中的所有极大峰值点得到极大包络线,连接风速数据序列中的所有极小峰值点得到极小包络线,并基于包络线得到对应的极大包络函数以及极小包络函数/>,/>表示包络函数的自变量,对应风速数据的时序信息,其中基于包络线的包络函数求解流程为:
对于包络线,其中/>表示包络线中第一个风速数据,n表示包络线中风速数据的总数,/>,表示不同风速数据的对应时刻,初始化包络线L的包络函数/>:
;
其中:
表示包络函数的自变量,对应风速数据的时序信息,若/>小于0,则令/>;
表示包络函数的参数;
采用插值的方式得到对应包络函数的参数,将基于n个时刻风速数据的包络线扩展为包含若干个时刻风速数据的包络函数,其中基于插值方式的包络函数计算流程为:
;
;
对上述矩阵等式进行求解,得到矩阵M,并根据矩阵M中的元素计算得到包络函数参数,其中:
;
;
S23:计算得到均值包络函数:;
S24:将均值包络函数作为/>的初始风速数据序列分量/>,其中,将风速数据序列/>减去初始风速数据序列分量得到残差序列,若残差序列为非单调序列,则将残差序列作为待遍历序列,重复S21-S24,将残差序列的均值包络函数作为分解到的风速数据序列分量;
直到当前残差序列为单调序列,得到风速数据序列的风速数据序列分量向量,其中/>。
可选地,所述S3步骤中构建自适应高度风速预测模型,包括:
构建自适应高度风速预测模型,所构建模型包括风速扩散模型和风速逆扩散模型两部分,其中风速扩散模型以高度和对应高度下所有风速数据序列分量为输入,以分布式合成的扩散空间向量为输出,风速逆扩散模型以扩散空间向量为输入,以预测得到的风速数据为输出;
风速扩散模型为神经网络结构,包含三层隐藏层,风速逆扩散模型为神经网络结构,包含两层隐藏层以及一层全连接层;
其中基于自适应高度风速预测模型的风速预测流程为:
S31:将高度和对应高度下风速数据序列x的所有风速数据序列分量输入到风速扩散模型中,其中风速数据序列x的风速数据序列分量向量,/>表示风速数据序列x所序列分解得到的第/>个风速数据序列分量;
S32:风速扩散模型对风速数据序列分量向量进行编码表示,得到扩散空间向量Z,其中扩散空间向量Z的计算公式为:
;
;
;
;
其中:
表示第k个风速数据序列分量对应的扩散空间分量,/>,对应/>的分布/>满足/>,其中/>表示单位矩阵;
表示添加的噪声,/>表示噪声/>符合高斯分布,/>表示逐元素相乘;
表示风速扩散模型中三层隐藏层的权重系数,/>表示风速扩散模型中三层隐藏层的偏置量;
S33:将扩散空间向量Z输入到风速逆扩散模型中,风速逆扩散模型计算得到扩散空间向量Z对应的风速数据作为预测结果,其中风速逆扩散模型的计算公式为:
;
其中:
表示风速逆扩散模型中两层隐藏层的权重系数,/>表示风速逆扩散模型中两层隐藏层的偏置量;
Y表示扩散空间向量Z对应的风速数据,即预测得到的风速数据;
表示激活函数;
W表示风速逆扩散模型中全连接层的权重,T表示转置。
可选地,所述S3步骤中构建自适应高度风速预测模型的参数优化目标函数,包括:
构建自适应高度风速预测模型的参数优化目标函数,其中待优化参数为,/>表示风速扩散模型待优化参数,/>表示风速逆扩散模型待优化参数,T表示转置;对所采集不同高度的风速数据序列进行处理,得到高度风速预测模型的训练集,其中处理流程为:
将所采集不同高度的历史风速数据序列中最后一个时刻的风速数据作为真实风速数据,其余风速数据作为历史风速数据序列,并对历史风速数据序列进行序列分解,得到历史风速数据序列对应的风速数据序列分量向量,将风速数据序列分量向量以及真实风速数据构成一组训练数据,并重新对处理后的历史风速数据序列进行处理,直到每个高度均得到U组训练数据,将所得到UH组训练数据构成高度风速预测模型的训练集;
所构建参数优化目标函数为:
;
其中:
表示使得/>达到最小的参数/>;
表示高度/>下第u组训练数据的真实风速数据;
表示将高度/>下第u组训练数据中的风速数据序列分量向量输入到基于参数/>的自适应高度风速预测模型中,模型输出的预测风速数据。
可选地,所述S4步骤中基于所采集风速数据时序序列以及参数优化目标函数对自适应高度风速预测模型进行参数优化,包括:
基于所采集风速数据时序序列以及参数优化目标函数对自适应高度风速预测模型进行参数优化,基于优化得到的参数构建最优自适应高度风速预测模型,其中自适应高度风速预测模型的参数优化流程为:
S41:生成一组自适应高度风速预测模型参数;
S42:设定参数优化的当前迭代次数为d,d的初始值为0,最大迭代次数为Max,则第d次迭代的自适应高度风速预测模型参数为;
S43:将代入到参数优化目标函数,计算得到/>对应的参数梯度,若/>小于预设置的阈值/>或达到最大迭代次数,则终止迭代,并将此时的/>作为优化得到的参数,其中/>表示L1范数;
S44:计算得到参数的迭代步长/>:
;
;
;
其中:
表示迭代步长/>的方向控制参数,/>表示基于迭代方向控制的迭代步长/>范围控制参数;
表示平滑指数,将其设置为0.9;
S45:基于参数的迭代步长/>,对参数/>进行迭代:
;
令,返回步骤S43。
可选地,所述S5步骤中将当前不同高度下的风速数据序列分量输入到最优自适应高度风速预测模型中,预测得到不同高度下的风速数据,包括:
采集当前不同高度下的风速数据时序历史数据,构成对应的风速数据序列,并对当前不同高度下的风速数据序列分别进行序列分解,得到不同高度下的风速数据序列分量,将不同高度下的风速数据序列分量依次输入到最优自适应高度风速预测模型中,得到不同高度下的风速数据预测结果:
;
其中:
表示高度/>下的风速数据预测结果。
可选地,所述S5步骤中将不同高度下风速数据预测结果转换为风功率预测结果,包括:
采集不同风力机中心距离地面的高度,其中任意第j台风力机中心距离地面的高度为,/>,/>表示所采集的高度范围集合,则任意第j台风力机的风功率预测结果为:
;
其中:
表示风力机的叶片面积;
表示空气密度;
表示第j台风力机的风功率预测结果。
在本发明实施例中,利用声雷达获取历史风速数据,并根据历史风速数据预测得到不同高度的风速数据,并将不同高度的风电机同对应高度的风速数据预测结果进行匹配,得到风电机的风功率预测结果,实现基于声雷达的风功率预测。
为了解决上述问题,本发明提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;
通信接口,实现电子设备通信;及
处理器,执行所述存储器中存储的指令以实现上述所述的分布式声雷达风功率预测方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的分布式声雷达风功率预测方法。
相对于现有技术,本发明提出一种分布式声雷达风功率预测方法,该技术具有以下优势:
首先,本方案提出一种风速数据序列分解方法,对风速原始数据序列集合中不同高度的风速数据序列进行序列分解,其中对风速原始数据序列集合中风速数据序列的序列分解流程为:遍历风速数据序列/>,得到风速数据序列的峰值点,峰值点包括极大峰值点以及极小峰值点;连接风速数据序列中的所有极大峰值点得到极大包络线,连接风速数据序列中的所有极小峰值点得到极小包络线,并基于包络线得到对应的极大包络函数以及极小包络函数/>,/>表示包络函数的自变量,对应风速数据的时序信息,计算得到均值包络函数:
;将均值包络函数/>作为/>的初始风速数据序列分量/>,其中/>,将风速数据序列/>减去初始风速数据序列分量得到残差序列,若残差序列为非单调序列,则将残差序列作为待遍历序列,重复进行序列分解,直到当前残差序列为单调序列,将残差序列的均值包络函数作为分解到的风速数据序列分量,得到风速数据序列/>的风速数据序列分量向量/>,其中/>。针对历史风速数据波动幅度较大,若进行风速预测可能为存在较大误差的问题,本方案对不同高度的风速数据序列进行序列分解,提取表征风速时序变化的不同风速数据序列分量,减弱历史风速数据浮动范围过大或过小对风速预测结果的影响,进而构建自适应高度风速预测模型,利用风速扩散模型对不同风速数据序列分量进行分布式合成,得到历史风速数据在风速数据空间的扩散空间向量,进而融合风速时序变化以及风速数据空间信息得到风速数据预测结果,将不同高度下风速数据预测结果转换为风功率预测结果,实现风功率预测。
同时,本方案提出一种自适应步长修正的自适应高度风速预测模型参数优化方法,所构建参数优化目标函数为:
;
其中:表示使得/>达到最小的参数;/>表示高度/>下第u组训练数据的真实风速数据;/>表示将高度/>下第u组训练数据中的风速数据序列分量向量输入到基于参数/>的自适应高度风速预测模型中,模型输出的预测风速数据。基于所采集风速数据时序序列以及参数优化目标函数对自适应高度风速预测模型进行参数优化,基于优化得到的参数构建最优自适应高度风速预测模型,其中自适应高度风速预测模型的参数优化流程为:生成一组自适应高度风速预测模型参数/>;设定参数优化的当前迭代次数为d,d的初始值为0,最大迭代次数为Max,则第d次迭代的自适应高度风速预测模型参数为/>;将/>代入到参数优化目标函数,计算得到/>对应的参数梯度/>,若/>小于预设置的阈值/>或达到最大迭代次数,则终止迭代,并将此时的/>作为优化得到的参数,其中/>表示L1范数;计算得到参数/>的迭代步长/>:
;
;
;
其中:表示迭代步长/>的方向控制参数,/>表示基于迭代方向控制的迭代步长/>范围控制参数;/>表示平滑指数,将其设置为0.9;基于参数/>的迭代步长/>,对参数进行迭代:
;
令进行参数迭代。本方案采用自适应步长修正的自适应高度风速预测模型参数优化方法进行参数优化,在参数迭代过程中,实时根据迭代梯度变化对迭代方向进行修正,提高参数优化迭代速度,快速得到最优模型参数以及构建最优自适应高度风速预测模型,并利用平滑参数使得参数迭代步长平滑,避免迭代步长过大错过最优参数解。
附图说明
图1为本发明一实施例提供的一种分布式声雷达风功率预测方法的流程示意图;
图2为本发明一实施例提供的实现分布式声雷达风功率预测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
实施方式
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。
本申请实施例提供一种分布式声雷达风功率预测方法。所述分布式声雷达风功率预测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述分布式声雷达风功率预测方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例
S1:采集不同高度下的风速数据时序序列构成风速原始数据序列集合,其中风速原始数据序列集合中包括不同高度的风速数据序列。
所述S1步骤中采集不同高度下的风速数据时序序列构成风速原始数据序列集合,包括:
利用声雷达采集不同高度下的风速数据时序序列构成风速原始数据序列集合,其中风速原始数据序列集合中包括不同高度的风速数据序列,所构成风速原始数据序列集合为:
;
其中:
表示高度/>下的风速数据序列,/>,H表示所采集高度的类别数量,相邻高度之差为预设置的定值/>,/>;
表示在高度/>下/>时刻所采集的风速数据,/>表示风速数据采集的初始时刻,/>表示风速数据采集的截止时刻。
S2:对风速原始数据序列集合中不同高度的风速数据序列进行序列分解,得到风速数据序列分量。
所述S2步骤中对风速原始数据序列集合中不同高度的风速数据序列进行序列分解,包括:
对风速原始数据序列集合中不同高度的风速数据序列进行序列分解,其中对风速原始数据序列集合中风速数据序列的序列分解流程为:
S21:遍历风速数据序列,得到风速数据序列的峰值点,峰值点包括极大峰值点以及极小峰值点,其中极大峰值点定义为:
若,则/>为极大峰值点,/>;
极小峰值点定义为:
若,则/>为极小峰值点,/>;
S22:连接风速数据序列中的所有极大峰值点得到极大包络线,连接风速数据序列中的所有极小峰值点得到极小包络线,并基于包络线得到对应的极大包络函数以及极小包络函数/>,/>表示包络函数的自变量,对应风速数据的时序信息,其中基于包络线的包络函数求解流程为:
对于包络线,其中/>表示包络线中第一个风速数据,n表示包络线中风速数据的总数,/>,表示不同风速数据的对应时刻,初始化包络线L的包络函数/>:
;
其中:
表示包络函数的自变量,对应风速数据的时序信息,若/>小于0,则令/>;
表示包络函数的参数;
采用插值的方式得到对应包络函数的参数,将基于n个时刻风速数据的包络线扩展为包含若干个时刻风速数据的包络函数,其中基于插值方式的包络函数计算流程为:
;
;
对上述矩阵等式进行求解,得到矩阵M,并根据矩阵M中的元素计算得到包络函数参数,其中:
;
;
S23:计算得到均值包络函数:;
S24:将均值包络函数作为/>的初始风速数据序列分量/>,其中,将风速数据序列/>减去初始风速数据序列分量得到残差序列,若残差序列为非单调序列,则将残差序列作为待遍历序列,重复S21-S24,将残差序列的均值包络函数作为分解到的风速数据序列分量;
直到当前残差序列为单调序列,得到风速数据序列的风速数据序列分量向量,其中/>。
S3:构建自适应高度风速预测模型以及参数优化目标函数,所构建模型包括风速扩散模型和风速逆扩散模型两部分,其中风速扩散模型以高度和对应高度下所有风速数据序列分量为输入,以分布式合成的扩散空间向量为输出,风速逆扩散模型以扩散空间向量为输入,以预测得到的风速数据为输出。
所述S3步骤中构建自适应高度风速预测模型,包括:
构建自适应高度风速预测模型,所构建模型包括风速扩散模型和风速逆扩散模型两部分,其中风速扩散模型以高度和对应高度下所有风速数据序列分量为输入,以分布式合成的扩散空间向量为输出,风速逆扩散模型以扩散空间向量为输入,以预测得到的风速数据为输出;
风速扩散模型为神经网络结构,包含三层隐藏层,风速逆扩散模型为神经网络结构,包含两层隐藏层以及一层全连接层;
其中基于自适应高度风速预测模型的风速预测流程为:
S31:将高度和对应高度下风速数据序列x的所有风速数据序列分量输入到风速扩散模型中,其中风速数据序列x的风速数据序列分量向量,/>表示风速数据序列x所序列分解得到的第/>个风速数据序列分量;
S32:风速扩散模型对风速数据序列分量向量进行编码表示,得到扩散空间向量Z,其中扩散空间向量Z的计算公式为:
;
;
;
;
其中:
表示第k个风速数据序列分量对应的扩散空间分量,/>,对应/>的分布/>满足/>,其中/>表示单位矩阵;
表示添加的噪声,/>表示噪声/>符合高斯分布,/>表示逐元素相乘;
表示风速扩散模型中三层隐藏层的权重系数,/>表示风速扩散模型中三层隐藏层的偏置量;
S33:将扩散空间向量Z输入到风速逆扩散模型中,风速逆扩散模型计算得到扩散空间向量Z对应的风速数据作为预测结果,其中风速逆扩散模型的计算公式为:
;
表示风速逆扩散模型中两层隐藏层的权重系数,/>表示风速逆扩散模型中两层隐藏层的偏置量;
Y表示扩散空间向量Z对应的风速数据,即预测得到的风速数据;
表示激活函数;
W表示风速逆扩散模型中全连接层的权重,T表示转置。
所述S3步骤中构建自适应高度风速预测模型的参数优化目标函数,包括:
构建自适应高度风速预测模型的参数优化目标函数,其中待优化参数为,/>表示风速扩散模型待优化参数,/>表示风速逆扩散模型待优化参数,T表示转置;
对所采集不同高度的风速数据序列进行处理,得到高度风速预测模型的训练集,其中处理流程为:
将所采集不同高度的历史风速数据序列中最后一个时刻的风速数据作为真实风速数据,其余风速数据作为历史风速数据序列,并对历史风速数据序列进行序列分解,得到历史风速数据序列对应的风速数据序列分量向量,将风速数据序列分量向量以及真实风速数据构成一组训练数据,并重新对处理后的历史风速数据序列进行处理,直到每个高度均得到U组训练数据,将所得到UH组训练数据构成高度风速预测模型的训练集;
所构建参数优化目标函数为:
;
其中:
表示使得/>达到最小的参数/>;
表示高度/>下第u组训练数据的真实风速数据;
表示将高度/>下第u组训练数据中的风速数据序列分量向量输入到基于参数/>的自适应高度风速预测模型中,模型输出的预测风速数据。
S4:基于所采集风速数据时序序列以及参数优化目标函数对自适应高度风速预测模型进行参数优化,得到最优自适应高度风速预测模型。
所述S4步骤中基于所采集风速数据时序序列以及参数优化目标函数对自适应高度风速预测模型进行参数优化,包括:
基于所采集风速数据时序序列以及参数优化目标函数对自适应高度风速预测模型进行参数优化,基于优化得到的参数构建最优自适应高度风速预测模型,其中自适应高度风速预测模型的参数优化流程为:
S41:生成一组自适应高度风速预测模型参数;
S42:设定参数优化的当前迭代次数为d,d的初始值为0,最大迭代次数为Max,则第d次迭代的自适应高度风速预测模型参数为;
S43:将代入到参数优化目标函数,计算得到/>对应的参数梯度,若/>小于预设置的阈值/>或达到最大迭代次数,则终止迭代,并将此时的/>作为优化得到的参数,其中/>表示L1范数;
S44:计算得到参数的迭代步长/>:
;
;/>
;
其中:
表示迭代步长/>的方向控制参数,/>表示基于迭代方向控制的迭代步长/>范围控制参数;
表示平滑指数,将其设置为0.9;
S45:基于参数的迭代步长/>,对参数/>进行迭代:
;
令,返回步骤S43。
S5:将当前不同高度下的风速数据序列分量输入到最优自适应高度风速预测模型中,预测得到不同高度下的风速数据,并将不同高度下风速数据预测结果转换为风功率预测结果。
所述S5步骤中将当前不同高度下的风速数据序列分量输入到最优自适应高度风速预测模型中,预测得到不同高度下的风速数据,包括:
采集当前不同高度下的风速数据时序历史数据,构成对应的风速数据序列,并对当前不同高度下的风速数据序列分别进行序列分解,得到不同高度下的风速数据序列分量,将不同高度下的风速数据序列分量依次输入到最优自适应高度风速预测模型中,得到不同高度下的风速数据预测结果:
;
其中:
表示高度/>下的风速数据预测结果。
所述S5步骤中将不同高度下风速数据预测结果转换为风功率预测结果,包括:
采集不同风力机中心距离地面的高度,其中任意第j台风力机中心距离地面的高度为,/>,/>表示所采集的高度范围集合,则任意第j台风力机的风功率预测结果为:
;
其中:
表示风力机的叶片面积;
表示空气密度;
表示第j台风力机的风功率预测结果。
实施例2:
如图2所示,是本发明一实施例提供的实现分布式声雷达风功率预测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(用于实现分布式声雷达风功率预测的程序12等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接,并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图2示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
采集不同高度下的风速数据时序序列构成风速原始数据序列集合,其中风速原始数据序列集合中包括不同高度的风速数据序列;
对风速原始数据序列集合中不同高度的风速数据序列进行序列分解,得到风速数据序列分量;
构建自适应高度风速预测模型以及参数优化目标函数;
基于所采集风速数据时序序列以及参数优化目标函数对自适应高度风速预测模型进行参数优化,得到最优自适应高度风速预测模型;
将当前不同高度下的风速数据序列分量输入到最优自适应高度风速预测模型中,预测得到不同高度下的风速数据,并将不同高度下风速数据预测结果转换为风功率预测结果。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述,在此不赘述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种分布式声雷达风功率预测方法,其特征在于,所述方法包括:
S1:采集不同高度下的风速数据时序序列构成风速原始数据序列集合,其中风速原始数据序列集合中包括不同高度的风速数据序列;
S2:对风速原始数据序列集合中不同高度的风速数据序列进行序列分解,得到风速数据序列分量;
S3:构建自适应高度风速预测模型以及参数优化目标函数,所构建模型包括风速扩散模型和风速逆扩散模型两部分,其中风速扩散模型以高度和对应高度下所有风速数据序列分量为输入,以分布式合成的扩散空间向量为输出,风速逆扩散模型以扩散空间向量为输入,以预测得到的风速数据为输出;
S4:基于所采集风速数据时序序列以及参数优化目标函数对自适应高度风速预测模型进行参数优化,得到最优自适应高度风速预测模型;
S5:将当前不同高度下的风速数据序列分量输入到最优自适应高度风速预测模型中,预测得到不同高度下的风速数据,并将不同高度下风速数据预测结果转换为风功率预测结果。
2.如权利要求1所述的一种分布式声雷达风功率预测方法,其特征在于,所述S1步骤中采集不同高度下的风速数据时序序列构成风速原始数据序列集合,包括:
利用声雷达采集不同高度下的风速数据时序序列构成风速原始数据序列集合,其中风速原始数据序列集合中包括不同高度的风速数据序列,所构成风速原始数据序列集合为:
;
其中:
表示高度/>下的风速数据序列,/>,H表示所采集高度的类别数量,相邻高度之差为预设置的定值/>,/>;
表示在高度/>下/>时刻所采集的风速数据,/>表示风速数据采集的初始时刻,表示风速数据采集的截止时刻。
3.如权利要求2所述的一种分布式声雷达风功率预测方法,其特征在于,所述S2步骤中对风速原始数据序列集合中不同高度的风速数据序列进行序列分解,包括:
对风速原始数据序列集合中不同高度的风速数据序列进行序列分解,其中对风速原始数据序列集合中风速数据序列的序列分解流程为:
S21:遍历风速数据序列,得到风速数据序列的峰值点,峰值点包括极大峰值点以及极小峰值点,其中极大峰值点定义为:
若,则/>为极大峰值点,/>;
极小峰值点定义为:
若,则/>为极小峰值点,/>;
S22:连接风速数据序列中的所有极大峰值点得到极大包络线,连接风速数据序列中的所有极小峰值点得到极小包络线,并基于包络线得到对应的极大包络函数以及极小包络函数/>,/>表示包络函数的自变量,对应风速数据的时序信息,其中基于包络线的包络函数求解流程为:
对于包络线,其中/>表示包络线中第一个风速数据,n表示包络线中风速数据的总数,/>,表示不同风速数据的对应时刻,初始化包络线L的包络函数/>:
;
其中:
表示包络函数的自变量,对应风速数据的时序信息,若/>小于0,则令/>;
表示包络函数的参数;
采用插值的方式得到对应包络函数的参数,将基于n个时刻风速数据的包络线扩展为包含若干个时刻风速数据的包络函数,其中基于插值方式的包络函数计算流程为:
;
;
对上述矩阵等式进行求解,得到矩阵M,并根据矩阵M中的元素计算得到包络函数参数,其中:
;
;
S23:计算得到均值包络函数:;
S24:将均值包络函数作为/>的初始风速数据序列分量/>,其中/>,将风速数据序列/>减去初始风速数据序列分量得到残差序列,若残差序列为非单调序列,则将残差序列作为待遍历序列,重复S21-S24,将残差序列的均值包络函数作为分解到的风速数据序列分量;
直到当前残差序列为单调序列,得到风速数据序列的风速数据序列分量向量/>,其中/>。
4.如权利要求1所述的一种分布式声雷达风功率预测方法,其特征在于,所述S3步骤中构建自适应高度风速预测模型,包括:
构建自适应高度风速预测模型,所构建模型包括风速扩散模型和风速逆扩散模型两部分,其中风速扩散模型以高度和对应高度下所有风速数据序列分量为输入,以分布式合成的扩散空间向量为输出,风速逆扩散模型以扩散空间向量为输入,以预测得到的风速数据为输出;
风速扩散模型为神经网络结构,包含三层隐藏层,风速逆扩散模型为神经网络结构,包含两层隐藏层以及一层全连接层;
其中基于自适应高度风速预测模型的风速预测流程为:
S31:将高度和对应高度下风速数据序列x的所有风速数据序列分量输入到风速扩散模型中,其中风速数据序列x的风速数据序列分量向量,/>表示风速数据序列x所序列分解得到的第/>个风速数据序列分量;
S32:风速扩散模型对风速数据序列分量向量进行编码表示,得到扩散空间向量Z,其中扩散空间向量Z的计算公式为:
;
;
;
;
其中:
表示第k个风速数据序列分量对应的扩散空间分量,/>,对应/>的分布满足/>,其中/>表示单位矩阵;
表示添加的噪声,/>表示噪声/>符合高斯分布,/>表示逐元素相乘;
表示风速扩散模型中三层隐藏层的权重系数,/>表示风速扩散模型中三层隐藏层的偏置量;
S33:将扩散空间向量Z输入到风速逆扩散模型中,风速逆扩散模型计算得到扩散空间向量Z对应的风速数据作为预测结果,其中风速逆扩散模型的计算公式为:
;
其中:
表示风速逆扩散模型中两层隐藏层的权重系数,/>表示风速逆扩散模型中两层隐藏层的偏置量;
Y表示扩散空间向量Z对应的风速数据,即预测得到的风速数据;
表示激活函数;
W表示风速逆扩散模型中全连接层的权重,T表示转置。
5.如权利要求4所述的一种分布式声雷达风功率预测方法,其特征在于,所述S3步骤中构建自适应高度风速预测模型的参数优化目标函数,包括:
构建自适应高度风速预测模型的参数优化目标函数,其中待优化参数为,/>表示风速扩散模型待优化参数,/>表示风速逆扩散模型待优化参数,T表示转置;
对所采集不同高度的风速数据序列进行处理,得到高度风速预测模型的训练集,其中处理流程为:
将所采集不同高度的历史风速数据序列中最后一个时刻的风速数据作为真实风速数据,其余风速数据作为历史风速数据序列,并对历史风速数据序列进行序列分解,得到历史风速数据序列对应的风速数据序列分量向量,将风速数据序列分量向量以及真实风速数据构成一组训练数据,并重新对处理后的历史风速数据序列进行处理,直到每个高度均得到U组训练数据,将所得到UH组训练数据构成高度风速预测模型的训练集;
所构建参数优化目标函数为:
;
其中:
表示使得/>达到最小的参数/>;
表示高度/>下第u组训练数据的真实风速数据;
表示将高度/>下第u组训练数据中的风速数据序列分量向量输入到基于参数的自适应高度风速预测模型中,模型输出的预测风速数据。
6.如权利要求5所述的一种分布式声雷达风功率预测方法,其特征在于,所述S4步骤中基于所采集风速数据时序序列以及参数优化目标函数对自适应高度风速预测模型进行参数优化,包括:
基于所采集风速数据时序序列以及参数优化目标函数对自适应高度风速预测模型进行参数优化,基于优化得到的参数构建最优自适应高度风速预测模型,其中自适应高度风速预测模型的参数优化流程为:
S41:生成一组自适应高度风速预测模型参数;
S42:设定参数优化的当前迭代次数为d,d的初始值为0,最大迭代次数为Max,则第d次迭代的自适应高度风速预测模型参数为;
S43:将代入到参数优化目标函数,计算得到/>对应的参数梯度/>,若/>小于预设置的阈值/>或达到最大迭代次数,则终止迭代,并将此时的作为优化得到的参数,其中/>表示L1范数;
S44:计算得到参数的迭代步长/>:
;
;
;
其中:
表示迭代步长/>的方向控制参数,/>表示基于迭代方向控制的迭代步长/>范围控制参数;
表示平滑指数,将其设置为0.9;
S45:基于参数的迭代步长/>,对参数/>进行迭代:
;
令,返回步骤S43。
7.如权利要求6所述的一种分布式声雷达风功率预测方法,其特征在于,所述S5步骤中将当前不同高度下的风速数据序列分量输入到最优自适应高度风速预测模型中,预测得到不同高度下的风速数据,包括:
采集当前不同高度下的风速数据时序历史数据,构成对应的风速数据序列,并对当前不同高度下的风速数据序列分别进行序列分解,得到不同高度下的风速数据序列分量,将不同高度下的风速数据序列分量依次输入到最优自适应高度风速预测模型中,得到不同高度下的风速数据预测结果:
;
其中:
表示高度/>下的风速数据预测结果。
8.如权利要求7所述的一种分布式声雷达风功率预测方法,其特征在于,所述S5步骤中将不同高度下风速数据预测结果转换为风功率预测结果,包括:
采集不同风力机中心距离地面的高度,其中任意第j台风力机中心距离地面的高度为,/>,/>表示所采集的高度范围集合,则任意第j台风力机的风功率预测结果为:
;
其中:
表示风力机的叶片面积;
表示空气密度;
表示第j台风力机的风功率预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310235248.5A CN116577843A (zh) | 2023-03-13 | 2023-03-13 | 一种分布式声雷达风功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310235248.5A CN116577843A (zh) | 2023-03-13 | 2023-03-13 | 一种分布式声雷达风功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116577843A true CN116577843A (zh) | 2023-08-11 |
Family
ID=87534764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310235248.5A Pending CN116577843A (zh) | 2023-03-13 | 2023-03-13 | 一种分布式声雷达风功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116577843A (zh) |
Cited By (1)
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 |
-
2023
- 2023-03-13 CN CN202310235248.5A patent/CN116577843A/zh active Pending
Cited By (2)
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 |
---|---|---|
CN107918103B (zh) | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 | |
CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
CN116577843A (zh) | 一种分布式声雷达风功率预测方法 | |
CN113935237A (zh) | 一种基于胶囊网络的输电线路故障类型判别方法及系统 | |
CN111025041A (zh) | 电动汽车充电桩监测方法及其系统、计算机设备、介质 | |
CN104915788B (zh) | 一种考虑多风场相关性的电力系统动态经济调度的方法 | |
CN116934098A (zh) | 一种技术性贸易措施风险量化评估方法 | |
CN110532291B (zh) | 基于最小执行代价的深度学习框架间模型转换方法及系统 | |
CN105024645A (zh) | 一种基于矩阵进化的光伏阵列故障定位方法 | |
CN117114718B (zh) | 碳排放管理方法、装置、电子设备和存储介质 | |
CN111178607A (zh) | 一种核电机组高可用性设计监控方法 | |
CN115796231B (zh) | 一种时态分析的超短期风速预测方法 | |
CN115936926A (zh) | 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质 | |
CN116050250A (zh) | 基于混合驱动模型的电网数字孪生模型建模方法及装置 | |
CN116054135A (zh) | 微电网无功功率预测方法、装置、电子设备及存储介质 | |
CN113128130A (zh) | 一种判断直流配电系统稳定性的实时监测方法及装置 | |
CN115587326B (zh) | 一种噪声环境风电场数据修正方法 | |
CN116930973B (zh) | 一种场景自适应的声雷达风功率精确预测方法 | |
CN112215383A (zh) | 一种分布式光伏发电功率预测方法和系统 | |
CN114418194B (zh) | 基于数据驱动和模型驱动的杆塔损毁预测方法及装置 | |
JP4370263B2 (ja) | 下位系負荷モデルの定数算出方法及び算出プログラム | |
CN110309982A (zh) | 基于矩阵分解的电力负荷预测方法、装置及设备 | |
CN114895196B (zh) | 一种基于人工智能的新能源电池故障诊断方法 | |
CN115293100B (zh) | 一种新能源电池剩余电量精准评估方法 | |
Shang et al. | Integrated power system health assessment of large-scale unmanned surface ships based on convolutional neural network algorithm |
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 |