CN117394306A - 基于新能源并网的风电功率预测模型建立方法及其应用 - Google Patents
基于新能源并网的风电功率预测模型建立方法及其应用 Download PDFInfo
- Publication number
- CN117394306A CN117394306A CN202311218957.9A CN202311218957A CN117394306A CN 117394306 A CN117394306 A CN 117394306A CN 202311218957 A CN202311218957 A CN 202311218957A CN 117394306 A CN117394306 A CN 117394306A
- Authority
- CN
- China
- Prior art keywords
- wind power
- sequence
- module
- meteorological
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000013507 mapping Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000013506 data mapping Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 8
- 230000000052 comparative effect Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 102000000591 Tight Junction Proteins Human genes 0.000 description 2
- 108010002321 Tight Junction Proteins Proteins 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000001578 tight junction Anatomy 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06N3/04—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- 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]
-
- 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)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于新能源并网的风电功率预测模型建立方法及其应用，属于风电功率预测领域，包括：构建训练数据集；训练数据集中，每一条样本包括历史的气象特征序列以及未来的风电功率序列；构建待训练的初始预测模型，该模型在编码器‑解码器的基础上引入了两个预处理模块，分别用于对输入编码器和输入解码器的数据进行预处理，包括在气象特征序列中的各气象特征中嵌入序列位置和时间戳，得到映射特征序列，并将获取各种气象特征之间的内在联系，得到拓扑图，之后将二者融合；利用训练数据集对初始预测模型进行训练，训练结束后，得到风电功率预测模型。本发明能充分考虑风电预测的特征拓扑相关性和强不确定性，有效提高风电功率预测的精度。
Description
技术领域
本发明属于风电功率预测领域，更具体地，涉及基于新能源并网的风电功率预测模型建立方法及其应用。
背景技术
风能在全球电力市场的渗透率逐年上升。然而，风能是随机的、间歇性的，因此是不可调度的。与传统的基于化石燃料的电力相比，这些特点将导致额外的运营成本和风能的巨大浪费，否则可能会破坏电力系统的稳定运行。为了尽量减少损失，电网运营商需要一个可靠的风功率预测模型。它可以指导他们在电力市场上做出有关调度、实时调度和调节的最佳决策。有鉴于此，开发一个具有高精度的风能预测模型至关重要。
在过去的二十年里，大部分工作都是基于机器学习方法展开的。有研究使用卷积神经网络(CNN)、门控递归单元(GRU)、长短期记忆(LSTM)及其变种来用于预测风力发电。在这些方法通常是在超短期的范围内有效，如单步超前预测(one step ahead prediction)。然而，电力市场的逐步扩大给电力系统的有效和可靠管理带来了越来越大的挑战，这就需要多步超前的风力发电预测，因为它可以比单步超前提供更多的信息，但是，在这种情况下，传统的机器学习方法预测多步超前的风力发电的精度较低。有文献提出一种高预测能力的模型，来解决长序列预测问题，他们使用一种编码器-解码器的结构，并引入自注意力模块，从而能够提取的表征每一个特征的注意力从而提升预测精度。但是，这些方法仅考虑了历史数据与未来数据之间的联系，但并没有考虑特征与特征之间，以及特征与风电够功率之间的内在联系，因而其预测性能仍然受到限制。此外，不同时间尺度下的风电功率预测难度不同，具体来说，时间尺度越长，其预测难度越大，相应地，预测精度也更难以保证。随着风电渗透率的逐渐提升，电网安全经济运行的风险也越来越大，这一风电功率预测方法仍然无法为风力并网电力系统的安全、经济运行提供有效支持。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了基于新能源并网的风电功率预测模型建立方法及其应用，其目的在于，充分考虑风电预测的特征拓扑相关性和强不确定性，动态捕获风电功率的变化趋势，有效提高风电功率预测的精度，为风力并网电力系统的安全、经济运行提供有效支持。
为实现上述目的，按照本发明的一个方面，提供了一种基于新能源并网的风电功率预测模型建立方法，包括：
构建训练数据集；训练数据集中，每一条样本包括预测时刻之前长度为Lx的气象特征序列，以及，以预测时刻为起点、长度为Ly的风电功率序列；
构建待训练的初始预测模型，用于根据历史的气象特征预序列测未来的风电功率序列；初始预测模型为深度学习模型，其包括：两个预处理模块，编码器模块和解码器模块；预处理模块，用于在气象特征序列中的各气象特征中嵌入相应的序列位置和时间戳，得到映射特征序列，并将获取各种气象特征之间的内在联系，得到拓扑图，之后将映射特征序列和拓扑图融合；其中一个预处理模块以输入模型的气象特征序列为输入，输出作为编码器模块的输入，另一个预处模块以输入模型的气象特征序列尾部长度为Lx-Ly的部分为输入，输出作为解码器模块的输入；编码器模块，用于提取输入数据的特征，所提取的特征也作为解码器模块的输入；解码器模块，用于根据输入数据预测风电功率序列；
利用训练数据集对初始预测模型进行训练，训练结束后，得到风电功率预测模型；
其中，气象特征包括风电功率；Lx和Ly均为预设长度，且Lx>Ly。
进一步地，预处理模块包括：
输入数据映射模块，用于在气象特征序列中的各气象特征中嵌入相应的序列位置和时间戳，得到映射特征序列；
动态图推理模块，用于获取各种气象特征之间的内在联系，得到拓扑图；
以及融合模块，用于将映射特征序列和拓扑图融合，得到融合了序列位置信息、时间信息以及拓扑信息的气象特征序列。
进一步地，动态图推理模块包括：
邻接矩阵生成子模块，用于按照生成F×F的邻接矩阵Arow；
稀疏化子模块，用于使用top-k掩码的方法的方法将邻接矩阵Arow各行取值最大的部分元素置为1，而将其余元素置为0，得到动态有向图；
多头图注意力层，用于将动态有向图与气象特征序列相关联，得到初始拓扑图；
以及第一维度校正模块，用于调整初始拓扑图的维度使其与映射特征序列的维度保持一致，得到用于表征各种气象特征之间的内在联系的拓扑图；
其中，M1＝W1Υ1+b1，M2＝W2Υ2+b2，W1和W2为可学习权重，b1和b2为可学习偏置；γ1和γ2为随机生成的长度为F的向量；F表示气象特征种类数；fPR()为参数化整流线性单元激活函数。
进一步地，第一维度校正模块包括依次连接的一层规范化层和两层带有激活层的卷积层。
进一步地，编码器模块包括编码器和第二维度校正模块；
编码器，用于提取输入数据的特征，得到特征图；
第二维度校正模块，用于调整特征图的维度使其与映射特征序列的维度保持一致；
解码器模块包括解码器和第三维度校正模块；
解码器，用于对编码器输出的特征图进行解释，得到以预测时刻为起点、长度为Ly的风电功率序列；
第三维度校正模块，用于调整风电功率序列的维度使其与映射特征序列的维度保持一致，得到风电功率序列预测结果。
进一步地，第二维度校正模块和第三维度校正模块均为紧密连接卷积。
进一步地，构建训练数据集，包括：
从历史数据中收集各时刻的风电功率及与风电功率相关的气象特征，得到原始数据集；
计算利用原始数据集计算各气象特征与风电功率之间的相关性系数，并从中筛选出相关性系数最高的气象特征，作为目标特征；
从原始数据集中剔除各时刻的非目标特征后，通过滚动滑窗的方式利用原始数据集构建训练样本，每一训练条样本包括预测时刻之前长度为Lx的目标特征序列，以及，以预测时刻为起点、长度为Ly的风电功率序列；
将各原始训练样本中的各特征进行特征维度的标准化，由标准化之后的训练样本构成训练数据集。
按照本发明的又一个方面，提供了一种基于新能源并网的风电功率预测方法，包括：
收集预测时刻之前长度为Lx的气象特征序列；
将气象特征序列输入至由本发明提供的基于新能源并网的风电功率预测模型建立方法建立得到的风电功率预测模型；
从风电功率预测模型的输出获取风电功率预测结果。
按照本发明的又一个方面，提供了一种计算机可读存储介质，包括存储的计算机程序；计算机程序被处理器执行时，控制计算机可读存储介质所在设备执行本发明提供的基于新能源并网的风电功率预测模型建立方法，或者，本发明提供的基于新能源并网的风电功率预测方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)本发明在编码器-解码器结构的基础上，对风电功率预测模型进行了改进，在其中引入了输入数据映射模块和动态图处理模块对输入编码器和解码器的数据进行预处理，使其中融合了序列位置信息、时间信息以及拓扑信息，由于气象特征序列中，每个气象特征都蕴含的时间信息和位置信息，这些信息与风电功率的预测密切相关，并且特征之间的内在联系也与风电功率的预测密切相关，因此，模型可以充分挖掘气象特征之间，以及气象特征与风电功率之间的内在联系，并利用这些信息指导风电功率预测，有效提高预测精度。
(2)本发明中，最终由编码器-解码器结构完成风电功率预测，基于编码器-解码器的高预测性能，本发明能实现多时间尺度下的精确预测。
(3)本发明所引入的动态图推理模块，一个不需要先验拓扑信息，可以自动更新边界和权重的动态有向图，在训练过程中更新该图结构以获取最佳的动态图拓扑。通过动态图推理模块自动更新最佳图拓扑能够提取输入特征的之间的内在表征，增强了预测的精度和鲁棒性，可以动态的捕捉随机性强的风电功率输出，对于具有高随机性的时间序列预测研究具有指导意义。本发明中，动态图推理模块所构建的拓扑图，在保持表征能力的基础上，还具有稀疏的特性，因此图结构相对于全连接图具有更少的计算复杂度，因此，计算量更小。
附图说明
图1为本发明实施例提供的基于新能源并网的风电功率预测模型建立方法示意图；
图2为本发明实施例提供的风电数据集功率曲线随时间变化的示意图。
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。
在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
为了有效提高风电功率的预测精度，本发明提供了基于新能源并网的风电功率预测模型建立方法及其应用，其整体思路在于：对基于编码器-解码器的风电功率预测模型的结构进行改进，使模型在进行风电预测预测时，能够充分挖掘出各种气象特征之间，以及气象特征与风电功率之间的内在联系，并利用该信息来风电功率预测，从而有效提高风电功率的预测精度。
以下为实施例。
实施例1：
一种基于新能源并网的风电功率预测模型建立方法，如图1所示，包括：
构建训练数据集；训练数据集中，每一条样本包括预测时刻之前长度为Lx的气象特征序列，以及，以预测时刻为起点、长度为Ly的风电功率序列；其中，气象特征包括风电功率；Lx和Ly均为预设长度，且Lx>Ly。
本实施例所述构建的训练数据集，将用于训练模型。容易理解的是，每一个时刻的气象特征具体包括该时刻与风电功率相关的多种特征，考虑到实际应用中，与风电功率相关的气象特征多种多样，包括风电功率、风速、风向、压强、空气密度、温度等，而不同的气象特征与风电功率之间的相关性不同，为了在保证预测精度的情况下减少计算复杂度，本实施例选取的气象特征具体为与风电功率的相关性较高的气象特征，相应地，本实施例中，构建训练数据集的过程具体如下：
(1)从历史数据中收集各时刻的风电功率及与风电功率相关的气象特征，得到原始数据集；
图2所示，为原始数据集中风电功率随时间变化的曲线，根据图2可以明显看到，风电功率具有随机性和间歇性，因此，对风电功率进行预测具有十分重要的意义，同时也存在较大的难度；
(2)计算利用所述原始数据集计算各气象特征与风电功率之间的相关性系数，并从中筛选出相关性系数最高的气象特征，作为目标特征；
可选地，本实施例利用线性相关系数来衡量各种气象特征与风电功率之间的相关性，以X表示其中一种气象特征，以Y表示风电功率，则该气象特征与风电功率之间的相关系数可以计算为：
其中cov为协方差函数，σXσY分别为X和Y的标准差。相关系数的值越大，特征与目标特征的相关性强；本实施例基于线性相关系数能够筛选出与风电功率强相关的气象特征；
本实施例中，最终筛选出的目标特征具体为风电厂所在地的风电功率、风速、风向、温度压强、湿度和空气密度；
(3)从所述原始数据集中剔除各时刻的非目标特征后，通过滚动滑窗的方式利用原始数据集构建训练样本，每一训练条样本包括预测时刻之前长度为Lx的目标特征序列，以及，以预测时刻为起点、长度为Ly的风电功率序列；
本实施例从原始数据集中剔除各时刻的非目标特征(与风电功率相关性不大的数据集)后，得到一个修正过的数据集，包括了风电功率特征以及与其相关性较大的特征向量，基于该数据集构建训练样本，可在保证模型训练精度的同时提高模型训练效率；
(4)将各原始训练样本中的各特征进行特征维度的标准化，由标准化之后的训练样本构成所述训练数据集；
可选地，本实施例对气象特征进行特征维度的标准化时，使用Min-Max标准化，对于任意时刻的气象特征，其计算公式如下：
其中，为第i个特征，也是数据集中的第i列，N代表了数据集的长度。min(Xi)和max(Xi)则代表了该特征列的最小值和最大值；通过这种方式，可以将的数据集数值缩放到0～1之间，从而能够消除数据量纲对于后期模型训练的影响。
本实施例还包括：构建待训练的初始预测模型，用于根据历史的气象特征预序列测未来的风电功率序列；
初始预测模型为深度学习模型，如图1所示，其包括：两个预处理模块，编码器模块和解码器模块；其中：
预处理模块，用于在气象特征序列中的各气象特征中嵌入相应的序列位置和时间戳，得到映射特征序列，并将获取各种气象特征之间的内在联系，得到拓扑图，之后将映射特征序列和拓扑图融合；其中一个预处理模块以输入模型的气象特征序列为输入，输出作为编码器模块的输入，另一个预处模块以输入模型的气象特征序列尾部长度为Lx-Ly的部分为输入，输出作为解码器模块的输入；
编码器模块，用于提取输入数据的特征，所提取的特征也作为解码器模块的输入；
解码器模块，用于根据输入数据预测风电功率序列。
容易理解的是，因为本实施例中，将风电功率也作为气象特征之一，因此，气象特征之间的内在联系，既包括气象特征之间的内在联系，也包括风电功率与其他气象特征之间的内在联系。
基于上述模型结构，当气象特征序列输入至模型后，输入编码器和解码器的数据将先经过预处理模块的处理，在其中嵌入特征的序列位置信息以及时间信息，同时融合气象特征之间的内在联系，以及气象特征与风电功率之间的内在联系，在这些信息的辅助下，能够有效提高风电功率的预测精度。
以下对本实施例所建立的模型的结构进行详细解释。
如图1所示，本实施例中，预处理模块包括：输入数据映射模块，动态图推理模块以及融合模块；各模块的功能及具体实现如下：
(1)输入数据映射模块，用于在气象特征序列中的各气象特征中嵌入相应的序列位置和时间戳，得到映射特征序列。
由于序列位置信息和时间戳信息对风电功率预测的性能有较大影响，本实施例中的输入数据映射模块则可以很好的捕捉这些信息，容易理解的是，序列位置信息，具体是指气象特征序列中，某一时刻的气象特征在该序列中的位置索引，时间戳信息，则是至该气象特征的具体采集时刻，包括一天中的时间段、一个月中的日期。
(2)动态图推理模块，用于获取各种气象特征之间的内在联系，得到拓扑图。
本实施例中，动态图推理模块旨在图结构的形式递归地引出与风相关的气象特征(如温度、风速等)之间的内在联系，使得模型在风电功率预测中能够充分利用这些信息。在图结构中，风电功率，以及风速、温度等气象特征均作为一个节点，节点之间的边则表征了气象特征之间的联系。
具体而言，动态图推理模块首先通过邻接矩阵生成子模块生成F×F的邻接矩阵Arow；其中，F为特征F表示气象特征种类数，本实施例中，F＝6；给定一个标准化后的数据集其中/>则得到邻接矩阵Araw如下：
其中W1和W2为可学习权重，b1和b2为可学习偏置，γ1和γ2为随机生成的长度为F的向量。为参数化整流线性单元(PReLU)激活函数，其计算公式如下：
fPR(x)＝max(0,x)+αmin(0,x)
其中，其中α是一个可学习的参数，决定PReLU在负轴上的斜率。
接着，通过稀疏化子模块，使用top-k掩码的方法的方法将邻接矩阵Arow各行取值最大的部分元素置为1，而将其余元素置为0，得到动态有向图；通过稀疏化子模块对图结构进行稀疏化处理能够有效简化计算。
再接着，通过多头图注意力层(multi-head GAT)，将动态有向图与气象特征序列相关联，使得的模型能够以图结构的形式递归地引出与风相关的气象特征之间的内在联系，得到初始拓扑图；基于多头图注意力层，对于任意第i个特征hi和第j个特征hj的注意力参数表示如下：
其中表示横向拼接，W和a都是可学习参数；
对于一个图结构V和ε分别表示节点集和边集，根据上述注意力参数可进一步计算出该图结构的边界/>的注意力分数如下所示：
值得注意的是，是节点i在图/>的临近节点集。fLR:R→R是一个非饱和的非线性激活函数，其公式如下：
fLR＝max(0,x)+0.2min(0,x)
因此，第k个GAT的输出为：
其中σ为sigmoid激活函数。
考虑到的图学习模块采用的是多头图注意力模块(Multi-head GAT)，因此最终图学习模块的总输出为：
其中为multi-head GAT中GAT的总个数。最终的输出维度为/>
为了便于将多头图注意力层输出的包含了气象特征间内在联系的拓扑信息融合到输入数据中，本实施例中，动态图推理模块还包括第一维度校正模块，用于调整初始拓扑图的维度使其与映射特征序列的维度保持一致，得到用于表征各种气象特征之间的内在联系的拓扑图；
可选地，本实施例中，第一维度校正模块具体包括依次连接的一层规范化层和两层带有激活层的卷积层。
(3)融合模块，用于将映射特征序列和拓扑图融合，得到融合了序列位置信息、时间信息以及拓扑信息的气象特征序列；
在本实施例中，将映射特征和拓扑图融合的具体方式为：
将映射特征和拓扑图加和，得到融合后的序列；由于这两个序列的维度以及每个维度的长度一致，因此使得该融合可直接通过加和实现；
该融合了序列位置信息、时间信息以及拓扑信息的气象特征序列将作为编码器模块或解码器模块的输入。
本实施例中，动态图推理模块可以自动生成各节点之间的连接矩阵图，并且能随着模型的训练不断更新拓扑结构以得到最好的拟合效果。同时，动态图中的每个边的权重也是可以更新的，这也使的模型不需要数据集的先验知识就可以自动构建图，因此具有较强的自适应性。此外，本发明采用的动态图在保持表征能力的基础上，还具有稀疏的特性，因此图结构相对于全连接图具有更少的计算复杂度，因此相对于全连接图有着更少的计算量。同时，基于本实施例提出的动态图注意力模块，能够捕获任意时间尺度下的拓扑信息，因此，在多时间尺度预测中，均能有效提高预测精度。
编码器-解码器结构在捕捉长期依赖性方面表现出色，与传统的深度学习方法(如CNN和LSTM)相比，具有高预测能力。其中，编码器用来捕捉时间范围内的长期依赖性，并将其投射到一个特征图，解码器则可以提炼出特征图中的信息来产生预测。本实施例中，编码器模块包括编码器和第二维度校正模块；
编码器，用于提取输入数据的特征，得到特征图；
第二维度校正模块，用于调整特征图的维度使其与映射特征序列的维度保持一致；
解码器模块包括解码器和第三维度校正模块；
解码器，用于对编码器输出的特征图进行解释，得到以预测时刻为起点、长度为Ly的风电功率序列；
第三维度校正模块，用于调整风电功率序列的维度使其与映射特征序列的维度保持一致，得到风电功率序列预测结果。
本实施例中，编码器模块和解码器模块中的各部分功能及实现具体如下：
与传统结构类似，本实施例中，编码器的核心部分是Multi-head self attention(MHSA)+dropout，其能够高效的提取到输入数据的表征。以xEnc表示编码器模块的输入，则编码器的输入也为xEnc，编码器的具体公式如下：
其中，ρ表示dropout函数。MHSA的每一个头定义如下：
其中dmodel为模型的维度，维度越大模型的参数越多。WQ,WK,WV为可学习的权重。第二维度校正模块通过紧密连接卷积(Dense Skip Convolution)实现，具体的，采用一个残差链接来跳过MHSA，然后将其送入紧密连接卷积进行输出维度校正。公式如下：
其中和/>均为卷积层，卷积核大小为3。最后，可以得到编码器模块整体的输出为：
YEnc＝Ψ(H(xEnc)+xEnc)+xEnc
就解码器模块而言，它可以解释由编码器得出的特征图，然后利用它与解码器的输入表示产生预测。本实施例中，解码器的核心部分也是Multi-head self attention(MHSA)+dropout，第三维度校正模块也通过紧密连接卷积(Dense Skip Convolution)实现，具体可参考解码器模块中的描述。以xDec表示解码器模块的输出，则编码器模块整体的输出为：
其中，
如图1所示，基于所建立的训练数据集和待训练的初始预测模型，本实施例进一步包括：
利用训练数据集对初始预测模型进行训练，训练结束后，得到风电功率预测模型。
训练过程中，输入模型气象特征序列长度为Lx，那么第t个时刻输入模型的数据块则为模型相应的输出序列为/>值得注意的是，为了避免信息泄露，输入的数据块时间跨度为时间节点t-Lx→t-1，且包括左右端点时间。而输出的数据块时间跨度为t→t+Ly，且包括左右端点。为了简洁表述，在这里使用Xt和Yt来表示输入和输出的数据块，以及其对应的时间信息。
将所有的数据块按照时间顺序排列，并且使用一定的比例将其分割为训练集，验证集和测试集。
对于训练集的数据，将该数据块输入图推理网络，将图推理网络的函数Φ表示为以下形式：
其中，为图推理模型中所有的参数集合。这样，就可以得到一个初始的预测值序列/>同样的，在同一批次的第二个数据块输入时，及输入Xt+1从而得到/>以此类推，将训练集中的所有数据块均输入的图推理网络，可以得到一个预测序列集合/>
将得到的预测值序列与真实值序列进行比对，选定合适的损失函数对比对结果进行量化。可选地，本实施例采用均方误差损失作为的损失函数，即：
通过这种方式，可以得到预测值与真实值的误差，并且以Loss函数的形式进行量化。
得到第一次训练的Loss值后，的目标是在第二次训练中能够尽可能的改变模型参数从而降低训练Loss值。因此，在本发明中采用了一种基于动量的随机梯度下降优化算法，从而使得模型的训练Loss能够在每次训练时都有下降的可能性。
当训练一定的回合后，的训练Loss基本可以收敛至一个较小的值。同时利用每一个回合训练好的模型来在验证集上验证，以得到每次验证的Loss值。将训练和验证的Loss曲线(Loss-回合)进行比对，当训练和验证的Loss曲线较为接近时，可以说的模型拟合的较好。训练Loss远小于验证Loss，称之为过拟合。当训练Loss远大于验证Loss，称之为欠拟合。最后，利用几个回合后收敛的模型对测试集进行测试，以衡量最终模型的泛化能力。
本实施中，模型适用于端到端的训练模式，因此具有较好的可移植性。
总的来说，本实施例在编码器-解码器结构的基础上，对风电功率预测模型进行了改进，在其中引入了输入数据映射模块和动态图处理模块对输入编码器和解码器的数据进行预处理，使其中融合了序列位置信息、时间信息以及拓扑信息的气象特征序列，从而模型可以充分挖掘气象特征之间，以及气象特征与风电功率之间的内在联系，并利用这些信息指导风电功率预测，有效提高预测精度。此外，本实施例提供的模型中，动态图注意力模块，能够捕获任意时间尺度下的拓扑信息，因此，在多时间尺度预测中，均能有效提高预测精度。实验表明，本实施例所建立的模型，在预测未来30分钟到2小时的风力发电功率时，均表现了出了良好的预测性能。
实施例2：
一种基于新能源并网的风电功率预测方法，包括：
收集预测时刻之前长度为Lx的气象特征序列；
将气象特征序列输入至由上述实施例1提供的基于新能源并网的风电功率预测模型建立方法建立得到的风电功率预测模型；
从风电功率预测模型的输出获取风电功率预测结果。
实施例3：
一种计算机可读存储介质，包括存储的计算机程序；计算机程序被处理器执行时，控制计算机可读存储介质所在设备执行上述实施例1提供的基于新能源并网的风电功率预测模型建立方法，或者，上述实施例2提供的基于新能源并网的风电功率预测方法。
以下实例验证对本发明所能取得的有益效果做进一步的解释说明。
选择了位于美国加州东南部(SE)和西北部(NW)的两个地区的风电数据作为的数据集。具体而言，选择了8个来自NW的风电数据集和19个来自SE的风电数据集。这些数据集可在国家可再生能源实验室(NREL)官方网站下载。每个风电数据集均包含5个特征，即功率、风向、风速、温度和密度，其详细描述见表1。具体来说，这些数据集的时间跨度为协调世界时(UTC)的2013年1月1日00:00至2014年12月31日23:00，时间颗粒度为5分钟。
表1数据集特征
| 特征 | 描述 | 单位 |
| 风能 | 风能输出 | MW |
| 风向 | 风机高度的风向 | 度 |
| 风速 | 风机高度的风速 | m/s |
| 温度 | 地面2m的温度 | K |
| 空气密度 | 风机高度的空气密度 | Kg/m3 |
为了验证本发明的性能，选择了六个经典的预测模型作为对比模型，这六个预测模型分别是：门控循环单元(GRU)，卷积神经网络(CNN)，图注意力网络(GAT)，还有三个先进的编码解码结构网络：Transformer，Informer和Autoformer。选取三个评价指标来量化预测性能：均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对比例误差(MAPE)。本发明和对比模型在NW和SE两个数据集共27个风电厂的30分钟时间尺度预测性能如表2和表3所示：
表2本发明和对比模型在NW数据集30分钟时间尺度预测性能
表3本发明和对比模型在SE数据集30分钟时间尺度预测性能
根据表2和表3所示结果可以明显看到，本发明所建立的预测模型的预测性能优于其他对比模型。
为了更清晰的展示本发明在更长预测时间尺度(例如1小时，2小时)的优越预测性能，在表4展现了各模型在NW和SE数据集展现的预测性能对比，且预测时间尺度为1小时和2小时。
表4各模型在NW数据集上的预测性能
值得注意的是，符号\表示超过计算机GPU显存，无法运行。从表4可以看出，在更长时间尺度下，本发明相对于预测模型拥有更好的风电预测性能。
更进一步，为了验证本方法的每个模块组件的有效性，表5在两个数据集上分别验证了编解码模块和动态图推理模块的有效性。构建两个新的对比模型，这里命名为模型1和模型2。对于模型1，不采用编解码模块。对于模型2，不使用动态图推理。因此，模型1和模型2为本发明的非编解码和非图推理版本。采用相同的实验设置，得到实验结果如表5所示。
基于表5所示结果可知，本发明在编解码结构的基础上，引入动态图推理模块，具有最好的预测性能；而相比于非图推理版本的模型(传统的编解码模型)，非编解码版本的模型将具有更好的预测性能，这充分说明了本发明所提出的动态图推理模块能够显著提高风电功率预测模型的预测精度。
表5各模型的预测性能
综上，本发明将风电功率相关的气象特征序列输入编码器对应的数据映射模块提取其中的时间信息与相对位置信息。同时，输入的气象特征序列也将输入动态图推理模块从而获得最佳的特征拓扑结构，再将该拓扑结构和输入数据映射模块的输出同时输入编码器捕捉时间范围内的长期依赖性。对于解码器而言，同样需要将输入数据的目标预测部分进行掩码以防止信息泄露，但是保留其时间信息输入解码器对应的输入数据映射模块和动态推理模块之后，再输入解码器，最后解码器结合编码器的输入生成最后的预测结果。针对动态图推理模块，本发明构建了一个不需要先验拓扑信息，可以自动更新边界和权重的动态有向图。采用梯度下降技术训练并更新该图结构以获取最佳的动态图拓扑。本方法通过编码解码结构以捉长期依赖性，从而得到较高的长序列预测能力。同时通过动态图推理模块自动更新最佳图拓扑以提取输入特征的之间的内在表征，增强了预测的精度和鲁棒性，可以动态的捕捉随机性强的风电功率输出，对于具有高随机性的时间序列预测研究具有指导意义。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于新能源并网的风电功率预测模型建立方法，其特征在于，包括：
构建训练数据集；所述训练数据集中，每一条样本包括预测时刻之前长度为Lx的气象特征序列，以及，以预测时刻为起点、长度为Ly的风电功率序列；
构建待训练的初始预测模型，用于根据历史的气象特征预序列测未来的风电功率序列；所述初始预测模型为深度学习模型，其包括：两个预处理模块，编码器模块和解码器模块；所述预处理模块，用于在气象特征序列中的各气象特征中嵌入相应的序列位置和时间戳，得到映射特征序列，并将获取各种气象特征之间的内在联系，得到拓扑图，之后将所述映射特征序列和所述拓扑图融合；其中一个预处理模块以输入模型的气象特征序列为输入，输出作为所述编码器模块的输入，另一个预处模块以输入模型的气象特征序列尾部长度为Lx-Ly的部分为输入，输出作为所述解码器模块的输入；所述编码器模块，用于提取输入数据的特征，所提取的特征也作为所述解码器模块的输入；所述解码器模块，用于根据输入数据预测风电功率序列；
利用所述训练数据集对所述初始预测模型进行训练，训练结束后，得到风电功率预测模型；
其中，所述气象特征包括风电功率；Lx和Ly均为预设长度，且Lx>Ly。
2.如权利要求1所述的基于新能源并网的风电功率预测模型建立方法，其特征在于，所述预处理模块包括：
输入数据映射模块，用于在气象特征序列中的各气象特征中嵌入相应的序列位置和时间戳，得到映射特征序列；
动态图推理模块，用于获取各种气象特征之间的内在联系，得到拓扑图；
以及融合模块，用于将映射特征序列和拓扑图融合，得到融合了序列位置信息、时间信息以及拓扑信息的气象特征序列。
3.如权利要求2所述的基于新能源并网的风电功率预测模型建立方法，其特征在于，所述动态图推理模块包括：
邻接矩阵生成子模块，用于按照生成F×F的邻接矩阵Arow；
稀疏化子模块，用于使用top-k掩码的方法,将邻接矩阵Arow各行取值最大的部分元素置为1，而将其余元素置为0，得到动态有向图；
多头图注意力层，用于将动态有向图与气象特征序列相关联，得到初始拓扑图；
以及第一维度校正模块，用于调整初始拓扑图的维度使其与映射特征序列的维度保持一致，得到用于表征各种气象特征之间的内在联系的拓扑图；
其中，M1＝W1Υ1+b1，M2＝W2Υ2+b2，W1和W2为可学习权重，b1和b2为可学习偏置；γ1和γ2为随机生成的长度为F的向量；F表示气象特征种类数；fPR()为参数化整流线性单元激活函数。
4.如权利要求3所述的基于新能源并网的风电功率预测模型建立方法，其特征在于，所述第一维度校正模块包括依次连接的一层规范化层和两层带有激活层的卷积层。
5.如权利要求1～4任一项所述的基于新能源并网的风电功率预测模型建立方法，其特征在于，所述编码器模块包括编码器和第二维度校正模块；
所述编码器，用于提取输入数据的特征，得到特征图；
所述第二维度校正模块，用于调整特征图的维度使其与映射特征序列的维度保持一致；
所述解码器模块包括解码器和第三维度校正模块；
所述解码器，用于对所述编码器输出的特征图进行解释，得到以预测时刻为起点、长度为Ly的风电功率序列；
所述第三维度校正模块，用于调整风电功率序列的维度使其与映射特征序列的维度保持一致，得到风电功率序列预测结果。
6.如权利要求5所述的基于新能源并网的风电功率预测模型建立方法，其特征在于，所述第二维度校正模块和所述第三维度校正模块均为紧密连接卷积。
7.如权利要求1～4任一项所述的基于新能源并网的风电功率预测模型建立方法，其特征在于，构建训练数据集，包括：
从历史数据中收集各时刻的风电功率及与风电功率相关的气象特征，得到原始数据集；
计算利用所述原始数据集计算各气象特征与风电功率之间的相关性系数，并从中筛选出相关性系数最高的气象特征，作为目标特征；
从所述原始数据集中剔除各时刻的非目标特征后，通过滚动滑窗的方式利用原始数据集构建训练样本，每一训练条样本包括预测时刻之前长度为Lx的目标特征序列，以及，以预测时刻为起点、长度为Ly的风电功率序列；
将各原始训练样本中的各特征进行特征维度的标准化，由标准化之后的训练样本构成所述训练数据集。
8.一种基于新能源并网的风电功率预测方法，其特征在于，包括：
收集预测时刻之前长度为Lx的气象特征序列；
将所述气象特征序列输入至由权利要求1～7任一项所述的基于新能源并网的风电功率预测模型建立方法建立得到的风电功率预测模型；
从所述风电功率预测模型的输出获取风电功率预测结果。
9.一种计算机可读存储介质，其特征在于，包括存储的计算机程序；所述计算机程序被处理器执行时，控制所述计算机可读存储介质所在设备执行权利要求1～7任一项所述的基于新能源并网的风电功率预测模型建立方法，或者，权利要求8所述的基于新能源并网的风电功率预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311218957.9A CN117394306B (zh) | 2023-09-19 | 2023-09-19 | 基于新能源并网的风电功率预测模型建立方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311218957.9A CN117394306B (zh) | 2023-09-19 | 2023-09-19 | 基于新能源并网的风电功率预测模型建立方法及其应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117394306A true CN117394306A (zh) | 2024-01-12 |
| CN117394306B CN117394306B (zh) | 2024-06-14 |
Family
ID=89436379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311218957.9A Active CN117394306B (zh) | 2023-09-19 | 2023-09-19 | 基于新能源并网的风电功率预测模型建立方法及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117394306B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118070849A (zh) * | 2024-02-07 | 2024-05-24 | 湖南工程学院 | 基于健康评估的Informer风电功率预测模型的优化方法 |
| CN118313463A (zh) * | 2024-06-07 | 2024-07-09 | 中国科学技术大学 | 基于时空增强的预训练大语言模型的风电预测方法及系统 |
| CN118332937A (zh) * | 2024-06-13 | 2024-07-12 | 国能日新科技股份有限公司 | 一种新能源气象大模型构建方法、装置及功率预测方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102945508A (zh) * | 2012-10-15 | 2013-02-27 | 风脉（武汉）可再生能源技术有限责任公司 | 一种基于模型校正的风电功率预测预报系统及方法 |
| CN110288136A (zh) * | 2019-06-11 | 2019-09-27 | 上海电力学院 | 风电功率多步预测模型建立方法 |
| CN111274532A (zh) * | 2020-01-21 | 2020-06-12 | 南方电网科学研究院有限责任公司 | 一种基于ceemd-lzc和流形学习的短期风电功率预测方法和装置 |
| CN111815033A (zh) * | 2020-06-19 | 2020-10-23 | 上海电力大学 | 一种基于rcnn和气象时序特征的海上风电功率预测方法 |
| CN113869604A (zh) * | 2021-10-25 | 2021-12-31 | 山东大学 | 基于wrf风速预测的风电功率预测方法及系统 |
| US20220197233A1 (en) * | 2020-12-18 | 2022-06-23 | Wuhan University | Wind power prediction method and system for optimizing deep transformer network |
| CN114744618A (zh) * | 2022-04-21 | 2022-07-12 | 西安建筑科技大学 | 考虑气象特征的深度学习短期风电功率预测方法及系统 |
| CN115759465A (zh) * | 2022-12-01 | 2023-03-07 | 国网江苏省电力有限公司连云港供电分公司 | 基于多目标协同训练和nwp隐式校正的风电功率预测方法 |
| WO2023093010A1 (zh) * | 2021-11-26 | 2023-06-01 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度学习融合模型的风电功率预测方法及设备 |
| WO2023124287A1 (zh) * | 2021-12-31 | 2023-07-06 | 京东方科技集团股份有限公司 | 风电出力预测方法、电子设备、存储介质及系统 |
| CN116502766A (zh) * | 2023-05-17 | 2023-07-28 | 广东工业大学 | 考虑风速变化特征的短期风电功率区间预测方法 |
| CN116680540A (zh) * | 2023-06-19 | 2023-09-01 | 成都理工大学 | 一种基于深度学习的风电功率预测方法 |
-
2023
- 2023-09-19 CN CN202311218957.9A patent/CN117394306B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102945508A (zh) * | 2012-10-15 | 2013-02-27 | 风脉（武汉）可再生能源技术有限责任公司 | 一种基于模型校正的风电功率预测预报系统及方法 |
| CN110288136A (zh) * | 2019-06-11 | 2019-09-27 | 上海电力学院 | 风电功率多步预测模型建立方法 |
| CN111274532A (zh) * | 2020-01-21 | 2020-06-12 | 南方电网科学研究院有限责任公司 | 一种基于ceemd-lzc和流形学习的短期风电功率预测方法和装置 |
| CN111815033A (zh) * | 2020-06-19 | 2020-10-23 | 上海电力大学 | 一种基于rcnn和气象时序特征的海上风电功率预测方法 |
| US20220197233A1 (en) * | 2020-12-18 | 2022-06-23 | Wuhan University | Wind power prediction method and system for optimizing deep transformer network |
| CN113869604A (zh) * | 2021-10-25 | 2021-12-31 | 山东大学 | 基于wrf风速预测的风电功率预测方法及系统 |
| WO2023093010A1 (zh) * | 2021-11-26 | 2023-06-01 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度学习融合模型的风电功率预测方法及设备 |
| WO2023124287A1 (zh) * | 2021-12-31 | 2023-07-06 | 京东方科技集团股份有限公司 | 风电出力预测方法、电子设备、存储介质及系统 |
| CN114744618A (zh) * | 2022-04-21 | 2022-07-12 | 西安建筑科技大学 | 考虑气象特征的深度学习短期风电功率预测方法及系统 |
| CN115759465A (zh) * | 2022-12-01 | 2023-03-07 | 国网江苏省电力有限公司连云港供电分公司 | 基于多目标协同训练和nwp隐式校正的风电功率预测方法 |
| CN116502766A (zh) * | 2023-05-17 | 2023-07-28 | 广东工业大学 | 考虑风速变化特征的短期风电功率区间预测方法 |
| CN116680540A (zh) * | 2023-06-19 | 2023-09-01 | 成都理工大学 | 一种基于深度学习的风电功率预测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118070849A (zh) * | 2024-02-07 | 2024-05-24 | 湖南工程学院 | 基于健康评估的Informer风电功率预测模型的优化方法 |
| CN118313463A (zh) * | 2024-06-07 | 2024-07-09 | 中国科学技术大学 | 基于时空增强的预训练大语言模型的风电预测方法及系统 |
| CN118332937A (zh) * | 2024-06-13 | 2024-07-12 | 国能日新科技股份有限公司 | 一种新能源气象大模型构建方法、装置及功率预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117394306B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117394306B (zh) | 基于新能源并网的风电功率预测模型建立方法及其应用 | |
| Alencar et al. | Hybrid approach combining SARIMA and neural networks for multi-step ahead wind speed forecasting in Brazil | |
| CN106779223B (zh) | 一种光伏系统发电功率实时预测方法及装置 | |
| CN111784041B (zh) | 一种基于图卷积神经网络的风电功率预测方法及系统 | |
| CN111369057A (zh) | 一种基于深度学习的空气质量预测优化方法及系统 | |
| CN117613883A (zh) | 发电功率预测方法、装置、计算机设备及存储介质 | |
| CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
| CN115688982B (zh) | 基于wgan和鲸鱼优化算法的楼宇光伏数据补全方法 | |
| CN115392595B (zh) | 基于图卷积神经网络和Transformer的时空短期风速预测方法及系统 | |
| CN114781744A (zh) | 基于编码解码器的深度学习多步长辐照度预测方法 | |
| Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
| CN117374956A (zh) | 一种针对综合能源站光伏发电的短期预测方法 | |
| CN114139760A (zh) | 一种预测台风路径的方法、系统、存储介质及设备 | |
| CN113642255A (zh) | 基于多尺度卷积循环神经网络的光伏发电功率预测方法 | |
| CN118153766A (zh) | 一种极端天气场景下的风电出力预测方法、设备及介质 | |
| CN111080001A (zh) | 一种应用于风电场风速的深度神经网络预测方法 | |
| CN108038518A (zh) | 一种基于气象数据的光伏发电功率确定方法及系统 | |
| 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 | |
| CN112734073A (zh) | 一种基于长短期记忆网络的光伏发电功率短期预测方法 | |
| CN116090635A (zh) | 一种气象驱动的新能源发电功率预测方法 | |
| CN115481820A (zh) | 一种自监督风电功率预测方法、装置、设备及介质 | |
| Li et al. | Scenario Generation of Renewable Energy Based on Improved Diffusion Model | |
| Cheikh et al. | Deep CNN-LSTM Autoencoder for Solar Irradiation Prediction | |
| Wang et al. | Optimization of Convolutional Long Short-Term Memory Hybrid Neural Network Model Based on Genetic Algorithm for Weather Prediction | |
| Ali et al. | Machine learning based solar power forecasting techniques: Analysis and comparison |
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 |