CN117114192A - 基于多尺度时空图变换网络的海上风电功率预测方法及装置 - Google Patents

基于多尺度时空图变换网络的海上风电功率预测方法及装置 Download PDF

Info

Publication number
CN117114192A
CN117114192A CN202311103993.0A CN202311103993A CN117114192A CN 117114192 A CN117114192 A CN 117114192A CN 202311103993 A CN202311103993 A CN 202311103993A CN 117114192 A CN117114192 A CN 117114192A
Authority
CN
China
Prior art keywords
time
space
module
wind power
model
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
CN202311103993.0A
Other languages
English (en)
Inventor
钱诗婕
张楚
李茜
李燕妮
彭甜
孙娜
黄小龙
陈杰
王政
张学东
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.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202311103993.0A priority Critical patent/CN117114192A/zh
Publication of CN117114192A publication Critical patent/CN117114192A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Water Supply & Treatment (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)

Abstract

本发明公开了一种基于多尺度时空图变换网络的海上风电功率预测方法及装置，首先，采集海上多个风电场的历史数据，进行小样本增强；其次，建立由多时间尺度自相关特征提取模块、时空特征提取模块和预测输出模块组成的多尺度时空图变换网络模型MSSTGTN，自适应地提取高分辨率历史数据中不同时间尺度的自相关特征，通过时空特征提取模块中的混合膨胀图卷积网络和变体Transformer来提取复杂的时空特征，最后通过预测输出模块预测风电功率；采用多目标贝叶斯算法优化模型的超参数以及时间与形状失真损失函数的权重，从而得到更准确的风电功率预测结果。本发明捕捉复杂的时空关系，考虑多个目标指标，适应海上风电场的动态变化，提高预测的准确性和稳定性。

Description

基于多尺度时空图变换网络的海上风电功率预测方法及装置
技术领域
本发明属于多任务风电场群功率集中式预测、数据处理技术领域，具体涉及一种基于多尺度时空图变换网络的海上风电功率预测方法及装置。
背景技术
风力发电作为一种清洁、可再生的能源形式，正逐渐成为全球能源转型的重要组成部分。然而，由于风速的不确定性和变化性，风力发电场的稳定供电仍面临挑战。我国风能资源主要分布在北部、西北部和东部沿海地区。然而，由于东部沿海地区的土地政策限制和陆地资源有限，陆上风电的大规模开发面临挑战。为了充分利用风能资源并满足东部负荷中心的需求，海上风电功率预测成为当前研究的热门方向，实现可持续发展的同时，准确预测海上风电功率输出对于优化电网调度、提高发电效益和可靠性至关重要。
传统的风电功率预测方法通常采用物理模型方法或统计模型方法。物理模型方法是基于数值天气预报系统(NWP)提供的气象预报值，结合风电场的地理环境和风电场的物理信息，最后根据建立的模型进行功率预测。但建模过程复杂、难度大，预测精度低。统计模型法采用一般数理统计方法，预测过程中不考虑风速、风角等气候因素的变化过程。然而，由于统计模型的非线性拟合能力较差，其预测性能也受到很大限制。针对现有的预测模型只能处理单尺度时间序列，难以充分提取高分辨率数据中的其他时间尺度信息问题，还需要考虑历史数据在不同时间尺度下的自相关性，同时考虑不同空间尺度(风电机组/场站/集群)下的时空关联特性，研究基于多尺度时空图变换网络的海上风电功率预测方法，可进一步提高风电功率预测精度，是海上风电功率预测领域非常具有前景的研究方向。
发明内容
发明目的：针对现有技术存在的问题，本发明提供一种基于多尺度时空图变换网络的海上风电功率预测方法及装置，捕捉复杂的时空关系，同时考虑多个目标指标，适应海上风电场的动态变化，提高预测的准确性和稳定性，从而实现更好的功率预测效果。
技术方案：本发明所述的一种基于多尺度时空图变换网络的海上风电功率预测方法，包括以下步骤：
(1)采集海上多个风电场的历史数据，并对数据进行小样本增强，获取高分辨率数据；
(2)构建多尺度时空图变换网络模型MSSTGTN，所述MSSTGTN模型包括多时间尺度自相关特征提取模块，时空特征提取模块以及预测输出模块；
(3)利用多时间尺度自相关特征提取模块对经过数据增强的历史数据构造不同预测时间长度的卷积算子，自适应地提取高分辨率历史数据中不同时间尺度的自相关特征；
(4)通过时空特征提取模块中的混合膨胀图卷积网络和变体Transformer来提取复杂的时空特征；并引入门控融合机制模块来增强MSSTGTN模型对数据中时空交融性的学习能力；
(5)在MSSTGTN模型中引入无导数优化算法对其超参数进行动态调整，引入时间与形状失真损失函数作为MSSTGTN模型的附加损失函数，采用多目标贝叶斯算法建立最小化时间与形状失真损失的优化目标函数，优化MSSTGTN模型的超参数以及时间与形状失真损失函数的权重；
(6)将所提取到的自相关特征和时空特征通过预测输出模块输出预测风电功率，得到预测结果。
进一步地，步骤(1)所述历史数据包括历史风电功率数据、NWP数据、地理潜在依赖数据序列、临近数据序列、周期性重复数据序列以及历史气象要素数据序列。
进一步地，所述步骤(2)实现过程如下：
通过多尺度自适应特征提取层的一维卷积算子自适应提取不同时间尺度的风速数据的自相关特征，作为后续时空特征提取模块的输入特征，其中，一维卷积算子数学公式描述如下：
其中，F表示激活函数，表示输入的高分辨历史数据向量，/>表示特征映射的偏差，/>是第k个卷积核的权重，L是卷积算子的长度，/>是由L和步长S确定的高分辨率历史数据的元素。
进一步地，所述步骤(4)包括以下步骤：
(41)时空特征提取模块包括四个时空卷积块，分别对地理潜在依赖序列、临近序列、周期性重复序列以及历史气象要素序列进行特征提取，每个时空卷积块都包含一个空间特征提取子模块、一个时间特征提取子模块和一个门控融合机制模块；
(42)利用空间特征提取子模块中的混合膨胀图卷积网络自适应捕获区域内风电机组之间的空间依赖性；
(43)利用时间特征提取子模块中的变体Transformer有效捕捉时间序列中不同时间尺度下的时间依赖性；
(44)在时空模块的融合中，第一层的输入为上一层的输出，然后依次叠加；输入矩阵H(l)分别进入空间特征提取子模块、时间特征提取子模块以及两个Linear层，然后将从空间和时间两个特征提取子模块输出的结果分别和权重矩阵进行点乘，将两者求和得到输出H(l+1)：
H(l+1)＝z⊙Xξ+(1-z)⊙(Xτ)T (2)
z＝σ(Linear(H(l))+Linear((H(l))T)) (3)
其中，z表示控制门控融合机制模块中两个Linear层的比例；
(45)对于每个子模块，在每个网络层的输入和输出之间添加一个恒等映射，即不对原始输入做任何改变，只对输出求和，其表达式如下：
H(x)＝F(x)+x (4)
其中，x表示残差块的输1入，H(x)表示残差块的输出，F(x)表示添加的恒等映射。
进一步地，步骤(42)中所述空间特征提取子模块的具体步骤如下：
(421)将区域内风电机组之间的位置信息抽象为图G＝(V,E,A)，其中V和E分别代表风电机组的节点和节点之间的连接，A是风电机组之间具有欧氏距离的邻接矩阵，矩阵中元素的具体计算式如下：
其中,vi和vj代表区域内任意两个节点i和j，(0,1)表示两者之间的关联程度值Ai,j的大小在0～1范围内；
(422)以在t时刻的图G中的输入数据为例，整个图的信号表示为x∈RN×C，并且卷积核定义为gθ(L)，gθ(L)在傅里叶域中卷积的公式为：
gθ(L)*x＝Ugθ(UTx) (6)
其中，θ为模型的参数，U为归一化拉普拉斯矩阵的特征向量，UTx表示对x的傅里叶变换；通过卷积核gθ提取图中每个节点的0到(K－1)阶邻域的信息；最后的卷积公式表示为：
其中，为递归公式Tk(x)＝2Tk-1(x)-Tk-2(x)的最大特征值，其中T0＝1，T1＝x；
(423)将得到的图卷积核作用在图G的每一个节点上，捕获到图中的一阶相邻信息；图卷积网络由一层混合膨胀卷积层和一层Add-Norm共同构成，在图卷积之后添加一个前馈神经网络模块，空间特征提取子模块的前馈神经网络层表示为：
FFN(xm)＝max(0,xmW1+b1)W2+b2 (8)
其中，xm∈RN×T为输入矩阵。
进一步地，所述步骤(43)包括以下步骤：
(431)在时间维度上进行建模，变体Transformer网络由位置和时间嵌入模块与多头注意力模块两个部分组成；
(432)对输入序列使用相对位置嵌入法，生成一个位置矩阵Dp，并将其整合到节点特征中，通过与相对位置编码类似的方式将时间嵌入为节点的特征，对采样的绝对时间进行编码；将日、小时和分钟分别编码为Dd、Dh和Dt，然后求和作为最终的绝对时间嵌入Dτ：
Dτ＝Dd+Dh+Dt (9)
(433)将时间序列数据的编码X、相对位置编码Dp和绝对时间嵌入Dτ这3种编码求和得到一个含有位置信息的矩阵Xτ：
Xτ＝X+Dp+Dτ (10)
(434)将位置和时间嵌入模块的输出作为多头注意力模块的输入；在多头注意力模块中，将一个时间片的空间的所有信息组成一个词向量，学习不同时间片之间的相关性；将输入特征矩阵按照T×N×C的形式输入，通过前馈神经网络映射到具有可学习性的潜在子空间中；多头注意力机制将输入分成同源的3个部分，分别为Query、Key、Value；并对它们进行线性变换：
Query＝XτWQuery，Key＝XτWKey,Value＝XτWValue (11)
其中，线性变换，且在自注意力机制中，/>
(435)将3个同源矩阵输入到放缩点积注意力模块中，得到自注意力矩阵：
(436)重复(434)到(435)，每次只进行一个自注意力操作，每次变换时参数W不同，则整个多头注意力模块表示为：
O＝MultiH(Query,Key,Value)＝Concat(h1,…,hn)W (14)
其中，O为多头注意力输出矩阵，n为注意力的头数，hi表示每次进行注意力运算的结果。
进一步地，所述步骤(5)实现过程如下：
(51)训练样本Train＝{(Xi,Yi)|i＝1,2,..,N}，其中Xi＝[Xi1,Xi2,...,Xip]T∈Rp表示MSSTGTN模型的输入数据集，Yi＝[Yi1,Yi2,...,Yiq]T∈Rq为预测风电功率数据集；时间与形状失真损失DILATE函数表示为：
其中，为预测风电功率数据集的预测值，γ为平滑参数，为规整路径，α∈[0,1]为控制平衡的参数，/>为欧氏距离方阵，Ω为损失方阵；考虑可靠性和准确性要求的多目标MSSTGTN模型表示为：
式中，LMSE和LDILATE表示多目标MSSTGTN模型的目标函数；λ是由多目标MSSTGTN模型的超参数组成的决策变量；S为多目标优化问题的可行域；
(52)初始化算法参数：设置样本点个数n，最大迭代次数K，代理模型GPR(x)，采集函数UCB(x|D)；其中，代理模型采用高效的高斯过程回归模型GPs，观测到的函数值yl通过如下的形式产生：
得到高斯似然函数形式如下：
其中，f(x)服从如下分布：
f(x)～GP(m(x),kθ(x,x')) (20)
式中，m(x)为均值函数，kθ(x,x')为核函数，θ为核函数的超参数；
采集函数是根据后验分布Pθ(f(·)|D)来构造，选取GPs作为代理模型条件下，其后验分布仍然是高斯分布：
Pθ(f(x1:q)|D)＝N(μθ(x1:q),∑θ(x1:q)) (21)
则采集函数UCB(x|D)表示如下：
其中，γθ(xj)＝f(xj)-μθ(xj)，μθ(xj)是后续点的后验均值；
(53)初始化样本点：在可行域S中使用拉丁超立方采样生成n个样本点的集合Xinit＝{x1,x2,...,xn}；
(54)计算适应度值：对Xinit＝{x1,x2,...,xn}进行适应度值计算得到f(Xinit)，初始化评估点集D0＝{Xinit,f(Xinit)}，令t＝n,Dt--1＝D0；
(55)根据当前获得的评估点集，构建代理模型GPR(x)；
(56)更新评估点：基于代理模型GPR(x)，最大化采集函数UCB(x|Dt-1)，获得下一个评估点：
xt＝argminUCB(x|Dt-1) (23)
(57)更新适应度值：计算评估点xt的适应度值f(xt)，并将其添加到当前评估点集合中：
Dt＝Dt-1∪{xt,f(xt)} (24)
(58)输出最优解：通过非支配排序算法得到当前最优Pareto解集，若t<N，则跳转步骤(55)；否则停止迭代输出优化问题的Pareto最优解集；利用最优解集对MSSTGTN模型的超参数进行动态调整。
进一步地，步骤(6)所述的预测输出模块为一个两层的全连接前馈神经网络。
本发明所述的一种装置设备，包括存储器和处理器，其中：
存储器，用于存储能够在处理器上运行的计算机程序；
处理器，用于在运行所述计算机程序时，执行上述基于多尺度时空图变换网络的海上风电功率预测方法的步骤。
本发明所述的一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现上述基于多尺度时空图变换网络的海上风电功率预测方法的步骤。
有益效果：与现有技术相比，本发明的有益效果：1、本发明建立多尺度时空图变换网络预测模型MSSTGTN，将区域内多个风电场的时间序列数据作为模型输入，不仅将多源NWP时间序列数据作为输入，还将历史时间序列数据和单个机组的功率预测结果作为输入，以协助预测和校准误差，然后通过混合膨胀图卷积网络和变体Transformer提取NWP数据和历史数据的时空特征，并将其通过融合模块结合起来；充分挖掘了海上风电场数据中的多时间尺度自相关特征和复杂的时空特征，并将其应用于风电功率预测任务中；具有提高特征表达能力、捕捉时空关系、自适应性和鲁棒性等优势，可以提高海上风电功率预测的准确性和稳定性；2、本发明采用多目标贝叶斯优化算法对MSSTGTN模型的超参数进行动态调整，在海上风电功率预测模型结构确定的基础上有效提升预测结果可靠性。
附图说明
图1为本发明提出的多尺度时空图变换网络模型框架图；
图2为本发明提出的基于多目标贝叶斯优化的模型超参数自适应整定流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示，本发明提出了一种基于多尺度时空图变换网络的海上风电功率预测方法，具体包括以下步骤：
步骤1：采集海上多个风电场的历史数据，包括历史风电功率数据、NWP数据、地理潜在依赖数据序列、临近数据序列、周期性重复数据序列以及历史气象要素数据序列；并对数据进行小样本增强，获取高分辨率数据。
步骤2：如图1所示，构建多尺度时空图变换网络模型MSSTGTN，所述MSSTGTN模型包括多时间尺度自相关特征提取模块，时空特征提取模块以及预测输出模块组成。
步骤3：利用多时间尺度自相关特征提取模块对经过数据增强的历史数据构造不同预测时间长度的卷积算子，自适应地提取高分辨率历史数据中不同时间尺度的自相关特征。
获取经过小样本增强的高分辨率数据；然后通过高分辨率数据输入层将经过数据增强的历史数据转化为相同长度的一系列输入单元。通过多尺度自适应特征提取层的一维卷积算子自适应提取不同时间尺度的风速数据的自相关特征，作为后续时空特征提取模块的输入特征，其中，一维卷积算子数学公式描述如下：
其中，F表示激活函数，表示输入的高分辨历史数据向量，/>表示特征映射的偏差，/>是第k个卷积核的权重，L是卷积算子的长度，/>是由L和步长S确定的高分辨率历史数据的元素。
步骤4：通过时空特征提取模块中的混合膨胀图卷积网络和变体Transformer来提取复杂的时空特征；并引入门控融合机制模块来增强MSSTGTN模型对数据中时空交融性的学习能力。
(4.1)设计4个时空卷积块分别对地理潜在依赖序列、临近序列、周期性重复序列以及历史气象要素序列进行特征提取，每个每个时空卷积块都都包含一个空间特征提取子模块、一个时间特征提取子模块和一个门控融合机制模块。
(4.2)利用空间特征提取子模块中的混合膨胀图卷积网络自适应捕获区域内风电机组/风电场站之间的空间依赖性。
将区域内风电机组/场站之间的位置信息抽象为图G＝(V,E,A)，其中V和E分别代表风电机组/场站的节点和节点之间的连接；A是风电机组之间具有欧氏距离的邻接矩阵；矩阵中元素的具体计算式如下：
其中,vi和vj代表区域内任意两个节点i和j，(0,1)表示两者之间的关联程度值Ai,j的大小在0～1范围内。
以在t时刻的图G中的输入数据为例，整个图的信号可以表示为x∈RN×C，并且卷积核定义为gθ(L)，gθ(L)在傅里叶域中卷积的公式为：
gθ(L)*x＝Ugθ(UTx) (6)
其中，θ为模型的参数，U为归一化拉普拉斯矩阵的特征向量，UTx表示对x的傅里叶变换。利用切比雪夫多项式的近似展开来求解这个公式，相当于通过卷积核gθ提取图中每个节点的0到K－1阶邻域的信息。因此最后的卷积公式可以表示为：
其中，为递归公式Tk(x)＝2Tk-1(x)-Tk-2(x)的最大特征值，其中T0＝1，T1＝x。
将得到的图卷积核作用在图G的每一个节点上，从而捕获到图中的一阶相邻信息。图卷积网络由一层混合膨胀卷积层和一层Add-Norm共同构成，此外，为了提高模型的泛化能力，在图卷积模块之后添加一个前馈神经网络模块，空间特征提取子模块的前馈神经网络层可以表示为：
FFN(xm)＝max(0,xmW1+b1)W2+b2 (8)
其中，xm∈RN×T为输入矩阵。
(3.3)利用时间特征提取子模块中的变体Transformer有效捕捉时间序列中不同时间尺度下的时间依赖性。
为了有效捕捉时间序列数据中不同时间尺度下的时间依赖性，提出一种变体Transformer网络，在时间维度上进行建模，主要由位置和时间嵌入模块与多头注意力模块两个部分组成。
首先对输入序列使用相对位置嵌入法，生成一个位置矩阵Dp，并将其整合到节点特征中，通过与相对位置编码类似的方式将时间嵌入为节点的特征，对采样的绝对时间进行编码。将日、小时和分钟分别编码为Dd、Dh和Dt，然后求和作为最终的绝对时间嵌入Dτ，表示如下：
Dτ＝Dd+Dh+Dt (9)
将时间序列数据的编码X、相对位置编码Dp和绝对时间嵌入Dτ这3种编码求和得到一个含有位置信息的矩阵Xτ，表达式如下：
Xτ＝X+Dp+Dτ (10)
将位置和时间嵌入模块的输出作为多头注意力模块的输入。在多头注意力模块中，将一个时间片的空间的所有信息组成一个词向量，学习不同时间片之间的相关性；将输入特征矩阵按照T×N×C的形式输入，通过前馈神经网络映射到具有可学习性的潜在子空间中。多头注意力机制将输入分成同源的3个部分，分别为Query,Key,Value。并对它们进行线性变换，表达式如下：
Query＝XτWQuery，Key＝XτWKey,Value＝XτWValue (11)
其中，线性变换，且在自注意力机制中，/>
将3个同源矩阵输入到放缩点积注意力模块中，得到自注意力矩阵，表达式如下：
以上操作重复多次，每次只进行一个自注意力操作，每次变换时参数W不同，则整个多头注意力模块表示为：
O＝MultiH(Query,Key,Value)＝Concat(h1,…,hn)W (14)
其中，O为多头注意力输出矩阵，n为注意力的头数，hi表示每次进行注意力运算的结果。
(3.4)通过引入门控融合机制模块，增强模型对数据中时空交融性的学习能力，在时空模块的融合中，第一层的输入为上一层的输出(H(0)＝X)，然后依次叠加。输入矩阵H(l)分别进入空间特征提取子模块、时间特征提取子模块以及两个Linear层，然后将从空间和时间两个特征提取子模块输出的结果分别和权重矩阵进行点乘，最后将两者求和得到输出H(l+1)，该步骤的计算式如下：
H(l+1)＝z⊙Xξ+(1-z)⊙(Xτ)T (2)
z＝σ(Linear(H(l))+Linear((H(l))T)) (3)
其中，z表示控制门控融合机制模块中两个Linear层的比例。
(3.5)针对深度神经网络的退化问题，对于每个子模块，在每个网络层的输入和输出之间添加一个恒等映射，即不对原始输入做任何改变，只对输出求和，其表达式如下：
H(x)＝F(x)+x (4)
其中，x表示残差块的输入，H(x)表示残差块的输出，F(x)表示添加的恒等映射。
步骤5：如图2所示，在MSSTGTN模型中引入无导数优化算法对其超参数进行动态调整，引入时间与形状失真损失(DILATE)函数作为预测模型的附加损失函数，采用多目标贝叶斯算法建立最小化时间与形状失真损失(DILATE)的优化目标函数，优化训练模型的超参数以及时间与形状失真损失(DILATE)函数的权重。
(5.1)假设训练样本Train＝{(Xi,Yi)|i＝1,2,..,N}，其中Xi＝[Xi1,Xi2,...,Xip]T∈Rp表示MSSTGTN模型的输入数据集，包含地理潜在依赖序列、临近序列、周期性重复序列、历史气象序列等数据信息，Yi＝[Yi1,Yi2,...,Yiq]T∈Rq为预测目标数据集。则传统的欧几里得损失函数(MSE)表示如下：
其中，为预测目标数据集的预测值。时间与形状失真损失(DILATE)函数表示为：
其中，γ为平滑参数，为规整路径，α∈[0,1]为控制平衡的参数，为欧氏距离方阵，Ω为损失方阵。考虑可靠性和准确性要求的多目标MSSTGTN最优模型可表示为：
式中，LMSE和LDILATE表示多目标MSSTGTN预测模型的目标函数；λ是由多目标MSSTGTN模型的超参数组成的决策变量；S为多目标优化问题的可行域。
(5.2)初始化算法参数。设置样本点个数n，最大迭代次数K，代理模型GPR(x)，采集函数UCB(x|D)；其中，代理模型采用高效的高斯过程回归模型(GPs)，假设观测到的函数值yl通过如下的形式产生：
进而，可以得到高斯似然函数形式如下：
其中，f(x)服从如下分布：
f(x)～GP(m(x),kθ(x,x')) (20)
式中，m(x)为均值函数，kθ(x,x')为核函数，θ为核函数的超参数。
采集函数是根据后验分布Pθ(f(·)|D)来构造的。选取GPs作为代理模型条件下，其后验分布仍然是高斯分布：
Pθ(f(x1:q)|D)＝N(μθ(x1:q),∑θ(x1:q)) (21)
则采集函数UCB(x|D)表示如下：
其中，γθ(xj)＝f(xj)-μθ(xj)，μθ(xj)是后续点的后验均值。
(5.3)初始化样本点。在可行域S中使用拉丁超立方采样生成n个样本点的集合Xinit＝{x1,x2,...,xn}。
(5.4)计算适应度值。对Xinit＝{x1,x2,...,xn}进行适应度值计算得到f(Xinit)，初始化评估点集D0＝{Xinit,f(Xinit)}，令t＝n,Dt--1＝D0。
(5.5)构建代理模型。根据当前获得的评估点集，构建代理模型GPR(x)。
(5.6)更新评估点。基于代理模型GPR(x)，最大化采集函数UCB(x|Dt-1)，获得下一个评估点：
xt＝argminUCB(x|Dt-1) (23)
(5.7)更新适应度值。计算评估点xt的适应度值f(xt)，并将其添加到当前评估点集合中：
Dt＝Dt-1∪{xt,f(xt)} (24)
(5.8)输出最优解。通过非支配排序算法得到当前最优Pareto解集，若t<N，则跳转步骤(5.5)；否则停止迭代输出优化问题的Pareto最优解集。
步骤6：将所提取到的特征通过全连接预测输出模块预测风电功率，得到预测结果。
经过步骤4得到最终的隐藏表示H(l+1)；将这个最终的隐藏表示通过一个两层的全连接前馈神经网络模块进行预测。
本发明还提供一种装置设备，包括存储器和处理器，其中：存储器，用于存储能够在处理器上运行的计算机程序；处理器，用于在运行所述计算机程序时，执行上述基于多尺度时空图变换网络的海上风电功率预测方法的步骤。
本发明还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现上述基于多尺度时空图变换网络的海上风电功率预测方法的步骤。

Claims (10)

1.一种基于多尺度时空图变换网络的海上风电功率预测方法，其特征在于，包括以下步骤：
(1)采集海上多个风电场的历史数据，并对数据进行小样本增强，获取高分辨率数据；
(2)构建多尺度时空图变换网络模型MSSTGTN，所述MSSTGTN模型包括多时间尺度自相关特征提取模块，时空特征提取模块以及预测输出模块；
(3)利用多时间尺度自相关特征提取模块对经过数据增强的历史数据构造不同预测时间长度的卷积算子，自适应地提取高分辨率历史数据中不同时间尺度的自相关特征；
(4)通过时空特征提取模块中的混合膨胀图卷积网络和变体Transformer来提取复杂的时空特征；并引入门控融合机制模块来增强MSSTGTN模型对数据中时空交融性的学习能力；
(5)在MSSTGTN模型中引入无导数优化算法对其超参数进行动态调整，引入时间与形状失真损失函数作为MSSTGTN模型的附加损失函数，采用多目标贝叶斯算法建立最小化时间与形状失真损失的优化目标函数，优化MSSTGTN模型的超参数以及时间与形状失真损失函数的权重；
(6)将所提取到的自相关特征和时空特征通过预测输出模块输出预测风电功率，得到预测结果。
2.根据权利要求1所述的基于多尺度时空图变换网络的海上风电功率预测方法，其特征在于，步骤(1)所述历史数据包括历史风电功率数据、NWP数据、地理潜在依赖数据序列、临近数据序列、周期性重复数据序列以及历史气象要素数据序列。
3.根据权利要求1所述的基于多尺度时空图变换网络的海上风电功率预测方法，其特征在于，所述步骤(2)实现过程如下：
通过多尺度自适应特征提取层的一维卷积算子自适应提取不同时间尺度的风速数据的自相关特征，作为后续时空特征提取模块的输入特征，其中，一维卷积算子数学公式描述如下：
其中，F表示激活函数，表示输入的高分辨历史数据向量，/>表示特征映射的偏差，/>是第k个卷积核的权重，L是卷积算子的长度，/>是由L和步长S确定的高分辨率历史数据的元素。
4.根据权利要求1所述的基于多尺度时空图变换网络的海上风电功率预测方法，其特征在于，所述步骤(4)包括以下步骤：
(41)时空特征提取模块包括四个时空卷积块，分别对地理潜在依赖序列、临近序列、周期性重复序列以及历史气象要素序列进行特征提取，每个时空卷积块都包含一个空间特征提取子模块、一个时间特征提取子模块和一个门控融合机制模块；
(42)利用空间特征提取子模块中的混合膨胀图卷积网络自适应捕获区域内风电机组之间的空间依赖性；
(43)利用时间特征提取子模块中的变体Transformer有效捕捉时间序列中不同时间尺度下的时间依赖性；
(44)在时空模块的融合中，第一层的输入为上一层的输出，然后依次叠加；输入矩阵H(l)分别进入空间特征提取子模块、时间特征提取子模块以及两个Linear层，然后将从空间和时间两个特征提取子模块输出的结果分别和权重矩阵进行点乘，将两者求和得到输出H(l +1)：
H(l+1)＝z⊙Xξ+(1-z)⊙(Xτ)T (2)
z＝σ(Linear(H(l))+Linear((H(l)T)) (3)
其中，z表示控制门控融合机制模块中两个Linear层的比例；
(45)对于每个子模块，在每个网络层的输入和输出之间添加一个恒等映射，即不对原始输入做任何改变，只对输出求和，其表达式如下：
H(x)＝F(x)+x (4)
其中，x表示残差块的输1入，H(x)表示残差块的输出，F(x)表示添加的恒等映射。
5.根据权利要求4所述的基于多尺度时空图变换网络的海上风电功率预测方法，其特征在于，步骤(42)中所述空间特征提取子模块的具体步骤如下：
(421)将区域内风电机组之间的位置信息抽象为图G＝(V,E,A)，其中V和E分别代表风电机组的节点和节点之间的连接，A是风电机组之间具有欧氏距离的邻接矩阵，矩阵中元素的具体计算式如下：
其中,vi和vj代表区域内任意两个节点i和j，(0,1)表示两者之间的关联程度值Ai,j的大小在0～1范围内；
(422)以在t时刻的图G中的输入数据为例，整个图的信号表示为x∈gN×C，并且卷积核定义为gθ(L)，gθ(L)在傅里叶域中卷积的公式为：
gθ(L)*x＝Ugθ(UTx) (6)
其中，θ为模型的参数，U为归一化拉普拉斯矩阵的特征向量，UTx表示对x的傅里叶变换；通过卷积核gθ提取图中每个节点的0到(K－1)阶邻域的信息；最后的卷积公式表示为：
其中，为递归公式Tk(x)＝2Tk-1(x)-Tk-2(x)的最大特征值，其中T0＝1，T1＝x；
(423)将得到的图卷积核作用在图G的每一个节点上，捕获到图中的一阶相邻信息；图卷积网络由一层混合膨胀卷积层和一层Add-Norm共同构成，在图卷积之后添加一个前馈神经网络模块，空间特征提取子模块的前馈神经网络层表示为：
FFN(xm)＝max(0,xmW1+b1)W2+b2 (8)
其中，xm∈RN×T为输入矩阵。
6.根据权利要求4所述的基于多尺度时空图变换网络的海上风电功率预测方法，其特征在于，所述步骤(43)包括以下步骤：
(431)在时间维度上进行建模，变体Transformer网络由位置和时间嵌入模块与多头注意力模块两个部分组成；
(432)对输入序列使用相对位置嵌入法，生成一个位置矩阵Dp，并将其整合到节点特征中，通过与相对位置编码类似的方式将时间嵌入为节点的特征，对采样的绝对时间进行编码；将日、小时和分钟分别编码为Dd、Dh和Dt，然后求和作为最终的绝对时间嵌入Dτ：
Dτ＝Dd+Dh+Dt (9)
(433)将时间序列数据的编码X、相对位置编码Dp和绝对时间嵌入Dτ这3种编码求和得到一个含有位置信息的矩阵Xτ：
Xτ＝X+Dp+Dτ (10)
(434)将位置和时间嵌入模块的输出作为多头注意力模块的输入；在多头注意力模块中，将一个时间片的空间的所有信息组成一个词向量，学习不同时间片之间的相关性；将输入特征矩阵按照T×N×C的形式输入，通过前馈神经网络映射到具有可学习性的潜在子空间中；多头注意力机制将输入分成同源的3个部分，分别为Query、Key、Value；并对它们进行线性变换：
Query＝XτWQuery，Key＝XτWKey，Value＝XτWValue (11)
其中，线性变换，且在自注意力机制中，/>
(435)将3个同源矩阵输入到放缩点积注意力模块中，得到自注意力矩阵：
(436)重复(434)到(435)，每次只进行一个自注意力操作，每次变换时参数W不同，则整个多头注意力模块表示为：
O＝MultiH(Query，Key，Value)＝Concat(h1，…，hn)W (14)
其中，O为多头注意力输出矩阵，n为注意力的头数，hi表示每次进行注意力运算的结果。
7.根据权利要求1所述的基于多尺度时空图变换网络的海上风电功率预测方法，其特征在于，所述步骤(5)实现过程如下：
(51)训练样本Train＝{(Xi，Yi)|i＝1，2，..，N}，其中Xi＝[Xi1，Xi2，...，Xup]T∈Rp表示MSSTGTN模型的输入数据集，Yi＝[Yi1，Yi2，...，Yiq]T∈Rq为预测风电功率数据集；时间与形状失真损失DILATE函数表示为：
其中，为预测风电功率数据集的预测值，γ为平滑参数，为规整路径，α∈[0,1]为控制平衡的参数，/>为欧氏距离方阵，Ω为损失方阵；考虑可靠性和准确性要求的多目标MSSTGTN模型表示为：
式中，LMSE和LDILATE表示多目标MSSTGTN模型的目标函数；λ是由多目标MSSTGTN模型的超参数组成的决策变量；S为多目标优化问题的可行域；
(52)初始化算法参数：设置样本点个数n，最大迭代次数K，代理模型GPR(x)，采集函数UCB(x|D)；其中，代理模型采用高效的高斯过程回归模型GPs，观测到的函数值yl通过如下的形式产生：
得到高斯似然函数形式如下：
其中，f(x)服从如下分布：
f(x)～GP(m(x),kθ(x,x')) (20)
式中，m(x)为均值函数，kθ(x,x')为核函数，θ为核函数的超参数；
采集函数是根据后验分布Pθ(f(·)|D)来构造，选取GPs作为代理模型条件下，其后验分布仍然是高斯分布：
Pθ(f(x1:q)|D)＝N(μθ(x1:q),∑θ(x1:q)) (21)
则采集函数UCB(x|D)表示如下：
其中，γθ(xj)＝f(xj)-μθ(xj)，μθ(xj)是后续点的后验均值；
(53)初始化样本点：在可行域S中使用拉丁超立方采样生成n个样本点的集合Xinit＝{x1,x2,...,xn}；
(54)计算适应度值：对Xinit＝{x1,x2,...,xn}进行适应度值计算得到f(Xinit)，初始化评估点集D0＝{Xinit,f(Xinit)}，令t＝n,Dt--1＝D0；
(55)根据当前获得的评估点集，构建代理模型GPR(x)；
(56)更新评估点：基于代理模型GPR(x)，最大化采集函数UCB(x|Dt-1)，获得下一个评估点：
xt＝arg min UCB(x|Dt-1) (23)
(57)更新适应度值：计算评估点xt的适应度值f(xt)，并将其添加到当前评估点集合中：
Dt＝Dt-1∪{xt,f(xt)} (24)
(58)输出最优解：通过非支配排序算法得到当前最优Pareto解集，若t<N，则跳转步骤(55)；否则停止迭代输出优化问题的Pareto最优解集；利用最优解集对MSSTGTN模型的超参数进行动态调整。
8.根据权利要求1所述的基于多尺度时空图变换网络的海上风电功率预测方法，其特征在于，步骤(6)所述的预测输出模块为一个两层的全连接前馈神经网络。
9.一种装置设备，其特征在于，包括存储器和处理器，其中：
存储器，用于存储能够在处理器上运行的计算机程序；
处理器，用于在运行所述计算机程序时，执行如权利要求1-8任一项所述的基于多尺度时空图变换网络的海上风电功率预测方法步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如权利要求1-8任一项所述的基于多尺度时空图变换网络的海上风电功率预测方法步骤。
CN202311103993.0A 2023-08-29 2023-08-29 基于多尺度时空图变换网络的海上风电功率预测方法及装置 Pending CN117114192A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311103993.0A CN117114192A (zh) 2023-08-29 2023-08-29 基于多尺度时空图变换网络的海上风电功率预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311103993.0A CN117114192A (zh) 2023-08-29 2023-08-29 基于多尺度时空图变换网络的海上风电功率预测方法及装置

Publications (1)

Publication Number Publication Date
CN117114192A true CN117114192A (zh) 2023-11-24

Family

ID=88799737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311103993.0A Pending CN117114192A (zh) 2023-08-29 2023-08-29 基于多尺度时空图变换网络的海上风电功率预测方法及装置

Country Status (1)

Country Link
CN (1) CN117114192A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117490908A (zh) * 2023-12-31 2024-02-02 武汉华康世纪医疗股份有限公司 一种用于负压病房的负压检测方法及系统
CN117874500A (zh) * 2024-03-13 2024-04-12 广东工业大学 一种多视角融合海上风电场机群功率预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114564838A (zh) * 2022-03-01 2022-05-31 南京工程学院 考虑时空相关性的多风电场风速模拟方法及系统
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
CN116070778A (zh) * 2023-03-02 2023-05-05 长沙理工大学 一种基于多尺度空间特征挖掘的交通流量预测方法
CN116311921A (zh) * 2023-03-01 2023-06-23 中国矿业大学 一种基于多空间尺度时空Transformer的交通速度预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114564838A (zh) * 2022-03-01 2022-05-31 南京工程学院 考虑时空相关性的多风电场风速模拟方法及系统
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
CN116311921A (zh) * 2023-03-01 2023-06-23 中国矿业大学 一种基于多空间尺度时空Transformer的交通速度预测方法
CN116070778A (zh) * 2023-03-02 2023-05-05 长沙理工大学 一种基于多尺度空间特征挖掘的交通流量预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RAN TIAN ET AL: "MFSTGN: a multi-scale spatial-temporal fusion graph network for traffic prediction", 《APPLIED INTELLIGENCE》, vol. 53, 30 June 2023 (2023-06-30), pages 22582 *
侯越: "基于深度学习的交通流时空预测方法研究", 《万方数据知识服务平台》, 24 February 2023 (2023-02-24), pages 1 - 127 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117490908A (zh) * 2023-12-31 2024-02-02 武汉华康世纪医疗股份有限公司 一种用于负压病房的负压检测方法及系统
CN117490908B (zh) * 2023-12-31 2024-04-09 武汉华康世纪医疗股份有限公司 一种用于负压病房的负压检测方法及系统
CN117874500A (zh) * 2024-03-13 2024-04-12 广东工业大学 一种多视角融合海上风电场机群功率预测方法
CN117874500B (zh) * 2024-03-13 2024-06-07 广东工业大学 一种多视角融合海上风电场机群功率预测方法

Similar Documents

Publication Publication Date Title
Shamshirband et al. A survey of deep learning techniques: application in wind and solar energy resources
Rayi et al. Adaptive VMD based optimized deep learning mixed kernel ELM autoencoder for single and multistep wind power forecasting
Raza et al. An ensemble framework for day-ahead forecast of PV output power in smart grids
Wang et al. Research and application of a combined model based on multi-objective optimization for multi-step ahead wind speed forecasting
Ren et al. Ensemble methods for wind and solar power forecasting—A state-of-the-art review
Ren et al. A comparative study of empirical mode decomposition-based short-term wind speed forecasting methods
Kavousi-Fard A hybrid accurate model for tidal current prediction
CN117114192A (zh) 基于多尺度时空图变换网络的海上风电功率预测方法及装置
Pan et al. Short-term wind speed forecasting based on spatial-temporal graph transformer networks
Khodayar et al. Deep learning for pattern recognition of photovoltaic energy generation
Dolatabadi et al. Hybrid deep learning-based model for wind speed forecasting based on DWPT and bidirectional LSTM network
Rodríguez et al. Forecasting intra-hour solar photovoltaic energy by assembling wavelet based time-frequency analysis with deep learning neural networks
Li et al. Deep spatio-temporal wind power forecasting
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
D Chandra et al. Adaptive wavelet neural network based wind speed forecasting studies
Kosana et al. A novel hybrid framework for wind speed forecasting using autoencoder‐based convolutional long short‐term memory network
Nezzar et al. Mid-Long Term Load Forecasting using Multi-Model Artificial Neural Networks.
Kim et al. Solar radiation forecasting based on the hybrid CNN-CatBoost model
Surendran et al. Wind Speed Prediction Using Chicken Swarm Optimization with Deep Learning Model.
Huang et al. Short-term load forecasting based on a hybrid neural network and phase space reconstruction
CN107844872B (zh) 一种用于风力发电的短期风速预报方法
Sabri et al. Photovoltaic power forecasting with a long short-term memory autoencoder networks
Zhou et al. A short-term power prediction method based on temporal convolutional network in virtual power plant photovoltaic system
Wang et al. A robust spatial-temporal prediction model for photovoltaic power generation based on deep learning
Zhao et al. Missing interpolation model for wind power data based on the improved CEEMDAN method and generative adversarial interpolation network

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