CN117878928B - 一种基于深度学习的风电功率预测方法及装置 - Google Patents
一种基于深度学习的风电功率预测方法及装置 Download PDFInfo
- Publication number
- CN117878928B CN117878928B CN202410275016.7A CN202410275016A CN117878928B CN 117878928 B CN117878928 B CN 117878928B CN 202410275016 A CN202410275016 A CN 202410275016A CN 117878928 B CN117878928 B CN 117878928B
- Authority
- CN
- China
- Prior art keywords
- data
- grid
- wind power
- weather forecast
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 230000006870 function Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 3
- 230000002123 temporal effect Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 23
- 238000012360 testing method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于深度学习的风电功率预测方法及装置，获取风电场历史并网功率数据，获取与风电场历史并网功率数据同时段的风电场代表点的气象预报数据X，获取与风电场历史并网功率数据同时段的覆盖全部风电场范围的网格化数值天气预报数据G，构建CNN‑TCN模型，输出风电场的预测发电功率。本发明能够有效地处理风电场周边数值天气预报数据的空间和时间特征，提高复杂地形和天气条件下的风电功率预测准确性。
Description
技术领域
本发明属于电力功率预测技术领域，特别是涉及到一种基于深度学习的风电功率预测方法及装置。
背景技术
目前高精度的风电功率预测仍然是解决风电不确定性和波动性最有效的方法之一。准确的风电预测既能够确保电力系统的稳定运行，提高风电消纳空间，又有利于提高风电在电力市场中的竞争力。
短期风电功率预测技术已经取得了显著的进展，其核心是利用数值天气预报数据NWP（如：风速和风向）以及历史风电场数据，预测一定时期内的风电功率输出。预测的时间范围通常在二十几小时到几天之间。短期风电功率的主要预测方法有：统计方法、物理方法、人工智能方法及组合方法。物理方法是通过风电场及其周围环境信息构建出与功率对应的物理模型，其受环境因素较大。统计方法主要是通过建立风电场历史数据和风电功率对应的映射关系来进行预测，较依赖于历史数据。深度神经网络比浅层机器学习预测精度更高，但是与浅层机器学习相比又存在着模型复杂和训练时间长的问题。将多种模型进行组合，能够获得更优越的性能。虽然上述的每种方法都有其特定的应用场景，但是每种模型往往都难以获得最优预测结果。
总的来说，机器学习方法在最近几年得到了广泛的研究和应用，短期风电功率预测技术也已经取得了显著的进步。但是由于影响风电出力的数值天气预报具有很大的不确定性，无论使用哪种方法，预测的准确性仍然是一个挑战，尤其是在山地等复杂地形和极端天气条件下。
发明内容
本发明提出一种基于深度学习的风电功率预测方法及装置，能够有效地处理风电场周边数值天气预报数据的空间和时间特征，提高复杂地形和天气条件下的风电功率预测准确性。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于深度学习的风电功率预测方法，包括：
S1、获取风电场历史并网功率数据，通过数据清洗剔除异常数据，归一化后记为并网功率数据y：，n为并网功率数据y的长度，然后划分训练集和训练集；
S2、获取与风电场历史并网功率数据同时段的风电场代表点的气象预报数据X，记为，t范围为[1,n]，/>；其中分别代表t时刻的风速、风向、温度、大气压强、湿度，并同时段对应划分训练集和验证集；
S3、获取与风电场历史并网功率数据同时段的覆盖全部风电场范围的网格化数值天气预报数据G，记为；/>为t时刻/>大小的矩阵；N为经向网格点数，M为纬向网格点数，c是每个网格点的气象特征数量，并同时段对应划分训练集和验证集；
S4、构建CNN-TCN模型，将所述网格化数值天气预报数据G作为一个四维张量(n,N,M,c)输入到CNN模块中,将每个样本的特征转化为一维向量，将所述一维向量的样本与所述气象预报数据X、并网功率数据y通过合并层合并接入TCN模块，TCN模块的输出通过全连接层和输出层输出风电场的预测发电功率。
进一步的，所述CNN模块有两个卷积块，每个卷积块中，有一个带有c个特征的2D卷积层，每个核的大小为3x3，步长为1，填充方式为 "same"，对卷积层的输出使用激活函数ReLU和2x2的最大池化层，每个卷积块后，特征c的数量增加一倍。最后将特征输出到一个平展层，将每个样本的特征转化为一维向量。
进一步的，所述TCN模块设置一个64的滤波器，内核大小为2，步长为1，使用ReLU作为激活函数。
进一步的，所述CNN-TCN模型以平均绝对误差 MAE作为损失函数，优化器使用Adam，学习率设定为0.1，优化网络参数；
；其中i为序号，yi表示预测值，xi表示真实值。
本发明另一方面还提出了一种基于深度学习的风电功率预测装置，包括：
并网功率数据单元：获取风电场历史并网功率数据，通过数据清洗剔除异常数据，归一化后记为并网功率数据y：，n为并网功率数据y的长度，然后划分训练集和训练集；
气象预报数据单元：获取与风电场历史并网功率数据同时段的风电场代表点的气象预报数据X，记为，t范围为[1,n]，/>；其中/>分别代表t时刻的风速、风向、温度、大气压强、湿度，并同时段对应划分训练集和验证集；
网格化预报数据单元：获取与风电场历史并网功率数据同时段的覆盖全部风电场范围的网格化数值天气预报数据G，记为；/>为t时刻大小的矩阵；N为经向网格点数，M为纬向网格点数，c是每个网格点的气象特征数量，并同时段对应划分训练集和验证集；
模型单元：构建CNN-TCN模型，将所述网格化数值天气预报数据G作为一个四维张量(n,N,M,c)输入到CNN模块中,将每个样本的特征转化为一维向量，将所述一维向量的样本与所述气象预报数据X、并网功率数据y通过合并层合并接入TCN模块，TCN模块的输出通过全连接层和输出层输出风电场的预测发电功率。
进一步的，所述模型单元中，CNN模块有两个卷积块，每个卷积块中，有一个带有c个特征的2D卷积层，每个核的大小为3x3，步长为1，填充方式为 "same"，对卷积层的输出使用激活函数ReLU和2x2的最大池化层，每个卷积块后，特征c的数量增加一倍。最后将特征输出到一个平展层，将每个样本的特征转化为一维向量。
进一步的，所述模型单元中，所述TCN模块设置一个64的滤波器，内核大小为2，步长为1，使用ReLU作为激活函数。
进一步的，所述模型单元中，所述CNN-TCN模型以平均绝对误差 MAE作为损失函数，优化器使用Adam，学习率设定为0.1，优化网络参数；
；其中i为序号，yi表示预测值，xi表示真实值。
与现有技术相比，本发明具有如下的有益效果：
本发明通过CNN-TCN（Convolutional Neural Networks-TemporalConvolutional Networks）结构，结合了CNN和TCN的特性，能同时处理空间和时间序列数据。TCN的引入改善了CNN对时间序列数据的处理能力有限的问题，大大提高了计算效率，能够有效地处理风电场周边数值天气预报数据的空间和时间特征，提高复杂地形和天气条件下的风电功率预测准确性。
附图说明
图1是本发明实施例的流程示意图；
图2是本发明实施例的预测效果图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本发明的设计思想基于CNN与TCN结合。首先卷积神经网络模型（CNN）是一种深度神经网络，在处理涉及大量数据的复杂非线性任务方面特别有效，能够借助分层预训练从高维数据中学习特征，从而缓解梯度扩散问题。其次TCN（TemporalConvolutionalNetwork）是一种基于卷积神经网络的时序预测算法，相比于传统的RNN等序列模型，TCN利用卷积神经网络的特点，能够在更短的时间内对长期依赖进行建模，并且具有更好的并行计算能力。TCN模型由多个卷积层和残差连接组成，其中每个卷积层的输出会被输入到后续的卷积层中，从而实现对序列数据的逐层抽象和特征提取。TCN还采用了类似于ResNet的残差连接技术，可有效地减少梯度消失和模型退化等问题，而通过调整卷积核大小、步长和扩张率等参数，可以扩大卷积核的感受野，从而提高模型的鲁棒性和准确性。
因此，本发明的具体方案如图1所示，包括：
1、获取风电场历史并网功率数据，并剔除异常数据，如连续相同的值，超出装机容量的值，及其他异常情况等。归一化至[0,1]区间，作为输出并网功率数据：，并划分训练集和验证集。
2、获取同时间段的两种数据结构的数值天气预报数据作为输入，一种是风电场代表点的气象预报数据，记为，其中/>，t范围为[1,n]，/>分别代表t时刻的风速、风向、温度、大气压强、湿度。另外一种是覆盖全部风电场范围的网格化数值天气预报数据，记为/>，为t时刻/>大小的矩阵，N为经向网格点数，M为纬向网格点数，c是每个网格点的特征数量，包括如风速、温度、湿度等，并按照风电场历史并网功率数据的训练集和验证集对应的时段划分训练集和验证集。
3、构建CNN-TCN模型，提取与气象特征数据的局部特征和时序特征并将特征融合后输入到全链接网络中进行学习预测。
卷积神经网络模型（CNN）是一种深度神经网络，可以用于从数据中提取空间信息，通常由多个层组成，包括输入层、卷积层、池化层、完全连接层和输出层。在CNN模型的卷积层中，使用卷积内核或滤波器在滑动步骤中对输入数据进行卷积运算。卷积操作的结果是一张特征图，可从输入数据中捕获重要的空间信息。在CNN模型的池化层中，将诸如最大值或平均值之类的汇总统计数据应用于先前卷积层的特征图，以生成修改后的输出。在CNN模型中使用卷积层和池化层是过滤和锐化原始输入数据的有效方法，可以提高模型预测的准确性。
本实施例中CNN模块有两个卷积块，目的是提取气象预报数据的隐含特征以及网格气象数据的关联信息。将长度为n的数值天气预报数据G，即一个四维张量(n, N，M，c)输入到CNN模型中，在每个卷积块中，有一个带有c个特征的2D卷积层，每个核的大小为3x3，步长为1，填充方式为 "same"，以保持空间尺寸不变，对卷积层的输出使用激活函数ReLU(Rectified Linear Unit)和2x2的最大池化层（max-pooling），每个卷积块后，特征c的数量增加一倍。最后将特征输出到一个平展层，将每个样本的特征转化为一维向量。其中，max-pooling层减小了卷积层输出的空间大小，有助于减少模型中的参数数量并防止过度拟合。在训练期间，dropout层会随机过滤掉该层中的一些神经元，这可以迫使网络学习更强大的功能来帮助防止过度拟合。使用ReLU作为激活函数有助于将非线性引入模型，提高捕获数据中复杂模式的能力。
将一维向量与气象预报数据X、归一化的并网功率数据y一起在合并层合并接入TCN模块，处理序列数据。设置一个64的滤波器，内核大小为2，步长为1，使用ReLU作为激活函数。
最后，一个全连接层，使用ReLU激活函数。然后是一个输出层，只有一个节点，为风电场的发电功率，使用线性激活函数。
本模型以平均绝对误差 (MAE)作为损失函数，优化器使用Adam（Adaptive MomentEstimation algorithm），学习率设定为0.1，优化网络参数；；其中i为序号，yi表示预测值，xi表示真实值。
为了对比测试，将只是用CNN的预测方法和本发明提出的CNN-TCN预测方法应用在某风电场，获取该风电场在2022年4月到2022年11月共8个月历史并网功率，数据时间尺度为15分钟。经数据预处理后，识别、剔除明显错误数据后，共得到20844组数据，将前7个月共18338组数据作为训练集，最后一个月2506组数据作为测试集。
1、按照本发明的方法构建CNN-TCN模型；
获取数值天气预报数据，得到四维张量[18338，18，18，3]的数据作为模型输入，气象要素为100米风速、温度、湿度，数值预报空间分辨率为3*3km。
CNN-TCN模型中的CNN模块有两个卷积块，第一个卷积块中的过滤器数量为32，卷积核的大小为3x3，步长为1，padding设为"same"，以保持空间尺寸不变，对卷积层的输出使用激活函数ReLU(Rectified Linear Unit)和2x2的最大池化层，第二个卷积块中的过滤器数量为64，卷积核的大小为3x3，步长为1。最后将特征输出到一个平展层，将每个样本的特征转化为一维向量。
再获取风电场代表点的气象预报数据，将所述一维向量与气象预报数据、历史并网功率合并输入TCN模块，处理序列数据。TCN模块设置一个64的滤波器，内核大小为2，步长为1，使用ReLU作为激活函数。
2、与本发明对比测试的CNN模型架构由两个卷积块和两个全连接层组成，卷积块的设置相同，第一个全连接层含有128个节点，第二个全连接层含有1个节点，激活函数选用“ReLU”。
将训练好的两种模型分别在测试集上生成预测结果，并用均方根精度进行评估，如图2所示为预测效果对比图，CNN和CNN-TCN模型的平均均方根精度分别为84.47%和85.67%，可见，与CNN相比，本发明提出的CNN-TCN模型方法的稳定性和预报准确性更高。
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、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的风电功率预测方法，其特征在于，包括：
S1、获取风电场历史并网功率数据，通过数据清洗剔除异常数据，归一化后记为并网功率数据y：，n为并网功率数据y的长度，然后划分训练集和验证集；
S2、获取与风电场历史并网功率数据同时段的风电场代表点的气象预报数据X，记为, t范围为[1,n]，/>；其中分别代表t时刻的风速、风向、温度、大气压强、湿度，并同时段对应划分训练集和验证集；
S3、获取与风电场历史并网功率数据同时段的覆盖全部风电场范围的网格化数值天气预报数据G，记为；/>为t时刻/>大小的矩阵；N为经向网格点数，M为纬向网格点数，c是每个网格点的气象特征数量，并同时段对应划分训练集和验证集；
S4、构建CNN-TCN模型，将所述网格化数值天气预报数据G作为一个四维张量(n,N,M,c)输入到CNN模块中,将每个样本的特征转化为一维向量，将所述一维向量的样本与所述气象预报数据X、并网功率数据y通过合并层合并接入TCN模块，TCN模块的输出通过全连接层和输出层输出风电场的预测发电功率。
2.根据权利要求1所述的基于深度学习的风电功率预测方法，其特征在于，所述CNN模块有两个卷积块，每个卷积块中，有一个带有c个特征的2D卷积层，每个核的大小为3x3，步长为1，填充方式为 "same"，对卷积层的输出使用激活函数ReLU和2x2的最大池化层，每个卷积块后，特征c的数量增加一倍；最后将特征输出到一个平展层，将每个样本的特征转化为一维向量。
3.根据权利要求1所述的基于深度学习的风电功率预测方法，其特征在于，所述TCN模块设置一个64的滤波器，内核大小为2，步长为1，使用ReLU作为激活函数。
4.根据权利要求1所述的基于深度学习的风电功率预测方法，其特征在于，所述CNN-TCN模型以平均绝对误差 MAE作为损失函数，优化器使用Adam，学习率设定为0.1，优化网络参数；
；其中i为序号，yi表示预测值，xi表示真实值。
5.一种基于深度学习的风电功率预测装置，其特征在于，包括：
并网功率数据单元：获取风电场历史并网功率数据，通过数据清洗剔除异常数据，归一化后记为并网功率数据y：，n为并网功率数据y的长度，然后划分训练集和验证集；
气象预报数据单元：获取与风电场历史并网功率数据同时段的风电场代表点的气象预报数据X，记为，t范围为[1,n]，/>；其中/>分别代表t时刻的风速、风向、温度、大气压强、湿度，并同时段对应划分训练集和验证集；
网格化预报数据单元：获取与风电场历史并网功率数据同时段的覆盖全部风电场范围的网格化数值天气预报数据G，记为；/>为t时刻/>大小的矩阵；N为经向网格点数，M为纬向网格点数，c是每个网格点的气象特征数量，并同时段对应划分训练集和验证集；
模型单元：构建CNN-TCN模型，将所述网格化数值天气预报数据G作为一个四维张量(n,N,M,c)输入到CNN模块中,将每个样本的特征转化为一维向量，将所述一维向量的样本与所述气象预报数据X、并网功率数据y通过合并层合并接入TCN模块，TCN模块的输出通过全连接层和输出层输出风电场的预测发电功率。
6.根据权利要求5所述的基于深度学习的风电功率预测装置，其特征在于，所述模型单元中，CNN模块有两个卷积块，每个卷积块中，有一个带有c个特征的2D卷积层，每个核的大小为3x3，步长为1，填充方式为 "same"，对卷积层的输出使用激活函数ReLU和2x2的最大池化层，每个卷积块后，特征c的数量增加一倍；最后将特征输出到一个平展层，将每个样本的特征转化为一维向量。
7.权利要求5所述的基于深度学习的风电功率预测装置，其特征在于，所述模型单元中，所述TCN模块设置一个64的滤波器，内核大小为2，步长为1，使用ReLU作为激活函数。
8.权利要求5所述的基于深度学习的风电功率预测装置，其特征在于，所述模型单元中，所述CNN-TCN模型以平均绝对误差 MAE作为损失函数，优化器使用Adam，学习率设定为0.1，优化网络参数；
；其中i为序号，yi表示预测值，xi表示真实值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410275016.7A CN117878928B (zh) | 2024-03-12 | 2024-03-12 | 一种基于深度学习的风电功率预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410275016.7A CN117878928B (zh) | 2024-03-12 | 2024-03-12 | 一种基于深度学习的风电功率预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117878928A CN117878928A (zh) | 2024-04-12 |
| CN117878928B true CN117878928B (zh) | 2024-05-14 |
Family
ID=90579516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410275016.7A Active CN117878928B (zh) | 2024-03-12 | 2024-03-12 | 一种基于深度学习的风电功率预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117878928B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
| 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 |
| CN112348292A (zh) * | 2021-01-07 | 2021-02-09 | 中国电力科学研究院有限公司 | 一种基于深度学习网络的短期风电功率预测方法和系统 |
| 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 |
| CN116739172A (zh) * | 2023-06-19 | 2023-09-12 | 河海大学 | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 |
| CN117349622A (zh) * | 2023-09-14 | 2024-01-05 | 常州纺织服装职业技术学院 | 基于混合深度学习机制的风电场风速预测方法 |
| CN117435909A (zh) * | 2023-09-06 | 2024-01-23 | 河南大学 | 一种基于迁移学习和多维度特征提取模型的非侵入式负荷分解方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114021799A (zh) * | 2021-10-29 | 2022-02-08 | 国网辽宁省电力有限公司经济技术研究院 | 风电场日前风电功率预测方法及系统 |
-
2024
- 2024-03-12 CN CN202410275016.7A patent/CN117878928B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
| 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 |
| CN112348292A (zh) * | 2021-01-07 | 2021-02-09 | 中国电力科学研究院有限公司 | 一种基于深度学习网络的短期风电功率预测方法和系统 |
| 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 |
| CN116739172A (zh) * | 2023-06-19 | 2023-09-12 | 河海大学 | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 |
| CN117435909A (zh) * | 2023-09-06 | 2024-01-23 | 河南大学 | 一种基于迁移学习和多维度特征提取模型的非侵入式负荷分解方法 |
| CN117349622A (zh) * | 2023-09-14 | 2024-01-05 | 常州纺织服装职业技术学院 | 基于混合深度学习机制的风电场风速预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于CMAC-BP神经网络的光伏功率短期预测;廖云涛 等;《信息技术与标准化》;20200910;全文 * |
| 基于深度学习网络的风电场功率短期预测研究;潘志刚;刘三明;李莹;朱晓伟;杨阳;;科技与创新;20151005(19);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117878928A (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116307212B (zh) | 一种空气质量预测方法及系统 | |
| CN113935249B (zh) | 基于压缩和激励网络的上层海洋热结构反演方法 | |
| CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
| CN116451594B (zh) | 覆冰预测模型的训练方法、预测方法、装置和电子设备 | |
| CN114792158A (zh) | 基于时空融合图神经网络的多风电场短期功率预测方法 | |
| CN116435998A (zh) | 一种光伏发电功率的预测方法 | |
| Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
| CN115115090A (zh) | 一种基于改进lstm-cnn的风功率短期预测方法 | |
| CN114186412A (zh) | 基于自注意力机制的水电站水轮机顶盖长序列水位预测系统及方法 | |
| CN117878928B (zh) | 一种基于深度学习的风电功率预测方法及装置 | |
| CN117407681A (zh) | 一种基于向量聚类的时序数据预测模型建立方法 | |
| CN113780640A (zh) | 一种基于TCN-Attention的太阳能辐射预测方法 | |
| CN116613740A (zh) | 基于transform与TCN组合模型的智能负荷预测方法 | |
| CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
| CN116611313A (zh) | 一种面向超算平台基于Transformer的风力发电功率预测方法 | |
| CN115766504A (zh) | 一种周期时间序列异常检测方法 | |
| CN111126645A (zh) | 一种基于数据挖掘技术和改进支持向量机的风电预测算法 | |
| CN113537573A (zh) | 基于双重时空特征提取的风电功率运行趋势预测方法 | |
| CN111967577A (zh) | 一种基于变分自编码器的能源互联网场景生成方法 | |
| CN117236201B (zh) | 一种基于Diffusion和ViT的降尺度方法 | |
| CN117633456B (zh) | 基于自适应焦点损失的海上风电天气事件辨识方法和装置 | |
| CN116662766B (zh) | 基于数据二维重构的风速预测方法及装置、电子设备 | |
| CN114037143A (zh) | 一种短期风电功率组合预测方法 | |
| Xue et al. | Research and application of EMD-BiLSTM in bridge data reconstruction | |
| CN117134315A (zh) | 一种基于bert算法的配电变压器负荷预测方法及装置 |
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 |