CN118296375A - 一种计及时空特征的风电功率超短期集成预测方法 - Google Patents
一种计及时空特征的风电功率超短期集成预测方法 Download PDFInfo
- Publication number
- CN118296375A CN118296375A CN202410381870.1A CN202410381870A CN118296375A CN 118296375 A CN118296375 A CN 118296375A CN 202410381870 A CN202410381870 A CN 202410381870A CN 118296375 A CN118296375 A CN 118296375A
- Authority
- CN
- China
- Prior art keywords
- short
- wind power
- prediction
- term
- output
- 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 37
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 230000015654 memory Effects 0.000 claims abstract description 18
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000003213 activating effect Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种计及时空特征的风电功率超短期集成预测方法，包括以下步骤：S01：导入风电场的历史信息，包括风速数据和历史功率数据，构造输入输出的时空特征矩阵；S02：应用完全自适应噪声集合经验模态分解方法，将原始数据分解为多个具有显著复杂度的子序列；S03：将卷积神经网络与双向长短期记忆网络串联，构建集成预测模型，并预测每个子序列分量的确定性功率值；S04：将模型预测得到的所有确定性分量相互叠加，计算最终的单点预测值，实现风电功率的超短期确定性预测，该预测方法通过综合考虑时空特征，构建了基于深度学习的集成模型，其预测精度明显优于其他传统预测模型，是对传统风电功率预测方法的一种有效改进。
Description
技术领域
本发明涉及新能源发电技术领域，尤其是涉及一种计及时空特征的风电功率超短期集成预测方法。
背景技术
风能作为一种储备充足、分布广泛、低碳排放的环保资源备受关注，由于受到自然气象因素的影响，风能表现出极大的不确定性，同时大规模风电并网使得电网稳定运行的难度大大增加，因此，实现风电功率的高精度预测具有重要意义。
由于风电功率的大小受到天气系统状态的支配，而天气与时间、地理空间之间存在密切的关系，因此风电功率不仅在时间上具有一定的自相关性，而且在空间上也呈现关联性，特定地理位置的风电功率大小受到风场地理位置的影响，同时也受到温度、气压等外部环境条件的制约。在进行风电功率预测时，若能考虑时空特征的相互影响，挖掘风电数据中复杂多变的时空相关性，将有助于提高预测精度，目前主要采用长短期记忆网络的集成模型进行预测，由于长短期记忆网络的集成模型在风电功率预测中具有较强的普适性，但是没有考虑到不同组历史数据之间的特征和差异，不能充分发挥历史数据的潜力，从而不可避免的带来了一些问题，无法对不同特征的多种信号做出有效的处理。
发明内容
为了克服上述问题，本发明的目的是提供一种计及时空特征的风电功率超短期集成预测方法，该方法应用自适应噪声集合经验模态分解，对风速和功率序列分解，输入深度集成模型，预测确定性功率分量，最终叠加得到超短期风电功率预测，所述模型集成了非线性分解技术、强空间特征提取以及强时序数据建模技术，能够更好地处理时空特征数据，考虑风电场的场景关联模式，提高预测精度。
本发明采用的技术方案是：一种计及时空特征的风电功率超短期集成预测方法，包括以下步骤：
S01：导入风电场的历史信息，包括风速数据和历史功率数据，构造输入输出的时空特征矩阵；
S02：应用完全自适应噪声集合经验模态分解方法，将原始数据分解为多个具有显著复杂度的子序列；
S03：将卷积神经网络与双向长短期记忆网络串联，构建集成预测模型，并预测每个子序列分量的确定性功率值；
S04：将模型预测得到的所有确定性分量相互叠加，计算最终的单点预测值，完成风电功率的超短期确定性预测。。
进一步的，所述步骤S01具体包括以下步骤：
S011：获取风速数据和历史功率数据的信息；
S012：数据预处理，采用去除异常值、填充缺失值的方法进行数据预处理；
S013：基于预处理后的数据集，构造输入输出的时空特征矩阵T。
进一步的，所述步骤S013中输入输出的时空特征矩阵T的表达式为：
T＝[vt′,pt-1′,pt′]N
其中，vt表示风速时间序列；pt表示功率时间序列；pt-1表示上一时间单位的时间序列，所述三组时间序列组成时空特征矩阵，N表示样本个数。
进一步的，所述步骤S02具体包括以下步骤：
S021：将白噪声ωi(t)添加到风电原始信号X(t)中，
Xi(t)＝X(t)+ωi(t),i＝1,2,...I
其中，I表示总共加入白噪声的次数；
S022：利用EMD对Xi(t)进行一次分解，得到子分量imf1(t,1)和残差r1(t,1)，重复I次求均值与差值，可得到模态分量IMF1(t)和平均残差R1(t)，计算如下：
X1(t)＝imf1(t,1)+r1(t,1)
R1(t)＝X(t)-IMF1(t)
S023：设En(·)表示EMD分解得到的第n阶分量，在R1(t)中加入噪声信号E1(ωi(t))获得新信号，再次运用EMD分解可得到第二个模态分量IMF2(t)和平均残差R2(t)，计算如下：
R2(t)＝R1(t)-IMF2(t)
S024：重复以上步骤计算第k个本征模态分量及其残差，可得到类似的模态分量IMFk(t)和最终残差Rk(t)，计算如下：
Rk(t)＝Rk-1(t)-IMFk(t)
S025：最终原始信号X(t)可表示为：
进一步的，所述步骤S03具体包括以下步骤：
S031：执行卷积操作，提取空间特征，应用激活函数激活卷积层的输出，获取风速数据和历史功率数据的信息，卷积层计算公式如下：
其中，Y(i,j)表示卷积输出矩阵第i行、第j列的元素；σ表示激活函数；ω表示权重矩阵；X表示输入矩阵；b表示偏置项；k表示卷积核的大小；
S032：执行最大池化操作，计算公式如下：
其中，P(i,j)表示池化输出矩阵第i行、第j列的元素；K表示池化窗口的尺寸；Y表示输入矩阵；
S033：执行序列展开和扁平化操作，将池化层的输出转换为一维向量，为双向长短期记忆网络的输入提供平滑的数据流，输出计算公式如下：
其中，hbi表示双向长短期记忆输出；hfor表示正向输出；hback表示反向输出；表示向量拼接操作；
S034：将双向长短期记忆层的输出连接到全连接层，整合模型学到的时空特征，通过激活函数层生成最终的预测输出Z为：
Z＝σ(W·hbi+B)
其中，σ表示激活函数；W表示权重；B表示偏置向量。
进一步的，所述步骤S04中的模型预测时间尺度为超短期，得到功率的确定性预测值为yp，设yt表示真实风电功率，则预测误差e可表示为：
e＝yp-yt
本发明的有益效果：
本发明一种计及时空特征的风电功率超短期集成预测方法，该方法集成了非线性分解技术、强空间特征提取以及强时序数据建模技术，结合深度集成模型，能够更好地处理时空特征数据；构造时空特征矩阵，考虑风电场的场景关联模式，能够提高预测精度；通过与传统方法的对比，验证了本发明能够有效提升风电功率超短期预测的准确性。
附图说明
图1为本发明提出的一种计及时空特征的风电功率超短期集成预测方法工作流程图；
图2为本发明提出的一种计及时空特征的风电功率超短期集成预测方法风速的完全自适应噪声集合经验模态分解图；
图3为本发明提出的一种计及时空特征的风电功率超短期集成预测方法风电功率的完全自适应噪声集合经验模态分解图；
图4为本发明提出的一种计及时空特征的风电功率超短期集成预测方法超前1小时的预测结果图；
图5为本发明提出的一种计及时空特征的风电功率超短期集成预测方法超前2小时的预测结果图；
图6为本发明提出的一种计及时空特征的风电功率超短期集成预测方法超前4小时的预测结果图。
具体实施方式
下面结合附图及实施例描述本发明的具体实施方式：
需要说明的是，本说明书所附图中示意的结构，比例，大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，任何结构的修饰，比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
同时，本说明书中所引用的如“上”，“下”，“左”，“右”，“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
如图1～6所示，其示出了本发明的具体实施方式：本发明公开的一种计及时空特征的风电功率超短期集成预测方法，包括以下步骤：
S01：导入风电场的历史信息，包括风速数据和历史功率数据等相关信息，构造输入输出的时空特征矩阵；
S02：应用完全自适应噪声集合经验模态分解方法，将原始数据分解为多个具有显著复杂度的子序列；
S03：将卷积神经网络与双向长短期记忆网络串联，构建集成预测模型，并预测每个子序列分量的确定性功率值；
S04：将模型预测得到的所有确定性分量相互叠加，计算最终的单点预测值，完成风电功率的超短期确定性预测。
优选的，所述步骤S01具体包括以下步骤：
S011：获取风速数据和历史功率数据的信息等相关信息；
S012：数据预处理，采用去除异常值、填充缺失值等的方法进行数据预处理；
S013：基于预处理后的数据集，构造输入输出的时空特征矩阵T。
优选的，所述步骤S013中输入输出的时空特征矩阵T的表达式为：
T＝[vt′,pt-1′,pt′]N
其中，vt表示风速时间序列；pt表示功率时间序列；pt-1表示上一时间单位的时间序列，所述三组时间序列组成时空特征矩阵，N表示样本个数。
优选的，所述步骤S02具体包括以下步骤：
S021：将白噪声ωi(t)添加到风电原始信号X(t)中，
Xi(t)＝X(t)+ωi(t),i＝1,2,...I
其中，I表示总共加入白噪声的次数；
S022：利用EMD对Xi(t)进行一次分解，得到子分量imf1(t,1)和残差r1(t,1)，重复I次求均值与差值，可得到模态分量IMF1(t)和平均残差R1(t)，计算如下：
X1(t)＝imf1(t,1)+r1(t,1)
R1(t)＝X(t)-IMF1(t)
S023：设En(·)表示EMD分解得到的第n阶分量，在R1(t)中加入噪声信号E1(ωi(t))获得新信号，再次运用EMD分解可得到第二个模态分量IMF2(t)和平均残差R2(t)，计算如下：
R2(t)＝R1(t)-IMF2(t)
S024：重复以上步骤计算第k个本征模态分量及其残差，可得到类似的模态分量IMFk(t)和最终残差Rk(t)，计算如下：
Rk(t)＝Rk-1(t)-IMFk(t)
S025：最终原始信号X(t)可表示为：
优选的，所述步骤S03具体包括以下步骤：
S031：执行卷积操作，提取空间特征，应用激活函数激活卷积层的输出，获取风速数据和历史功率数据的信息，卷积层计算公式如下：
其中，Y(i,j)表示卷积输出矩阵第i行、第j列的元素；σ表示激活函数；ω表示权重矩阵；X表示输入矩阵；b表示偏置项；k表示卷积核的大小；
S032：执行最大池化操作，计算公式如下：
其中，P(i,j)表示池化输出矩阵第i行、第j列的元素；K表示池化窗口的尺寸；Y表示输入矩阵；
S033：执行序列展开和扁平化操作，将池化层的输出转换为一维向量，为双向长短期记忆网络的输入提供平滑的数据流，输出计算公式如下：
其中，hbi表示双向长短期记忆输出；hfor表示正向输出；hback表示反向输出；表示向量拼接操作；
S034：将双向长短期记忆层的输出连接到全连接层，整合模型学到的时空特征，通过激活函数层生成最终的预测输出Z为：
Z＝σ(W·hbi+B)
其中，σ表示激活函数；W表示权重；B表示偏置向量。
优选的，所述步骤S04中的模型预测时间尺度为超短期，得到功率的确定性预测值为yp，设yt表示真实风电功率，则预测误差e可表示为：
e＝yp-yt
为使技术人员更深入理解本方法，同时验证所提模型的有效性，选择中国西北部某装机容量70MW的某风电场作为案例，使用2021年1月1日至1月30日的历史数据，包括分辨率为15min的风速和功率数据，以超短期为预测时间尺度，将数据按9:1划分为训练集和测试集。
将传统的一些方法，长短期记忆网络(LSTM)、双向长短期记忆网络(BiLSTM)、融合卷积长短期网络(CNN-LSTM)、融合卷积双向长短期网络(CNN-BiLSTM)、完全自适应噪声长短期记忆网络(CEEMDAN-LSTM)作为对比参考模型，误差计算指标为根均方差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)。计算公式如下：
式中：N、yi分别表示样本总数、预测值和真实值。
表1超前1小时预测指标对比
表2超前2小时预测指标对比
表3超前4小时预测指标对比
性能对比如表1至表3所示，从中可以看出本发明所提模型的预测性能是最佳的。
由于BiLSTM能够充分利用序列数据中过去和未来的信息，捕捉长期依赖关系；CNN能够更好地提取空间特征，以帮助LSTM理解序列数据中的关键信息；CEEMDAN分解可以帮助LSTM捕捉不同频率和尺度的数据波动，从而更好地理解数据结构。故以上集成策略均能在一定程度上改善长短期记忆网络的预测性能，从而验证了本发明所提方法的有效性。
在本发明当中，如图2、图3所示，分别展示了风速和功率的分解结果，其中IMF1表示最高频分量，IMF11表示最低频分量，最后一个子序列表示残差。在高频区段(IMF1-IMF6)内，IMF呈明显波动趋势，表明信号在高频范围内迅速变化，突显了信号的不稳定性；在中频区段(IMF7-IMF9)内，IMF的波动频率逐渐降低，开始出现周期波动，表示信号的振幅变化逐渐趋向平稳；在低频区段(IMF10-IMF11)内，IMF的波动更加缓慢，表示信号的振幅呈现平缓的变化，这对于风电功率超短期确定性预测建模是有利的。
在本发明当中，如图4、图5、图6所示，分别展示了超前1小时、超前2小时和超前4小时的预测曲线，从图中可以看出，预测值与真实值在数值上非常接近，存在良好的拟合关系，表明本发明所提方法是一种有效的确定性预测方法。
综上所述，本发明能够实现高精度的风电功率预测，有助于优化风力发电系统的运营和规划。
上面结合附图对本发明优选实施方式作了详细说明，但是本发明不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解，本发明不限于特定的实施方式，本发明的范围由所附权利要求限定。
Claims (6)
1.一种计及时空特征的风电功率超短期集成预测方法，其特征在于，包括以下步骤：
S01：导入风电场的历史信息，包括风速数据和历史功率数据，构造输入输出的时空特征矩阵；
S02：应用完全自适应噪声集合经验模态分解方法，将原始数据分解为多个具有显著复杂度的子序列；
S03：将卷积神经网络与双向长短期记忆网络串联，构建集成预测模型，并预测每个子序列分量的确定性功率值；
S04：将模型预测得到的所有确定性分量相互叠加，计算最终的单点预测值，完成风电功率的超短期确定性预测。
2.根据权利要求1所述的一种计及时空特征的风电功率超短期集成预测方法，其特征在于，所述步骤S01具体包括以下步骤：
S011：获取风速数据和历史功率数据的信息；
S012：数据预处理，采用去除异常值、填充缺失值的方法进行数据预处理；
S013：基于预处理后的数据集，构造输入输出的时空特征矩阵T。
3.根据权利要求2所述的一种计及时空特征的风电功率超短期集成预测方法，其特征在于，所述步骤S013中输入输出的时空特征矩阵T的表达式为：
T＝[vt′,pt-1′,pt′]N
其中，vt表示风速时间序列；pt表示功率时间序列；pt-1表示上一时间单位的时间序列，所述三组时间序列组成时空特征矩阵，N表示样本个数。
4.根据权利要求1所述的一种计及时空特征的风电功率超短期集成预测方法，其特征在于，所述步骤S02具体包括以下步骤：
S021：将白噪声ωi(t)添加到风电原始信号X(t)中，
Xi(t)＝X(t)+ωi(t),i＝1,2,...I
其中，I表示总共加入白噪声的次数；
S022：利用EMD对Xi(t)进行一次分解，得到子分量imf1(t,1)和残差r1(t,1)，重复I次可得到I个子分量，通过求均值和差值确定所求的模态分量IMF1(t)和平均残差R1(t)，计算如下：
X1(t)＝imf1(t,1)+r1(t,1)
R1(t)＝X(t)-IMF1(t)
S023：设En(·)表示EMD分解得到的第n阶分量，在R1(t)中加入噪声信号E1(ωi(t))获得新信号，再次运用EMD分解可得到第二个模态分量IMF2(t)和平均残差R2(t)，计算如下：
R2(t)＝R1(t)-IMF2(t)
S024：重复以上步骤计算第k个本征模态分量及其残差，可得到类似的模态分量IMFk(t)和最终残差Rk(t)，计算如下：
Rk(t)＝Rk-1(t)-IMFk(t)
S025：最终原始信号X(t)可表示为：
5.根据权利要求1所述的一种计及时空特征的风电功率超短期集成预测方法，其特征在于，所述步骤S03具体包括以下步骤：
S031：执行卷积操作，提取空间特征，应用激活函数激活卷积层的输出，获取风速数据和历史功率数据的信息，卷积层计算公式如下：
其中，Y(i,j)表示卷积输出矩阵第i行、第j列的元素；σ表示激活函数；ω表示权重矩阵；X表示输入矩阵；b表示偏置项；k表示卷积核的大小；
S032：执行最大池化操作，计算公式如下：
其中，P(i,j)表示池化输出矩阵第i行、第j列的元素；K表示池化窗口的尺寸；Y表示输入矩阵；
S033：执行序列展开和扁平化操作，将池化层的输出转换为一维向量，为双向长短期记忆网络的输入提供平滑的数据流，输出计算公式如下：
其中，hbi表示双向长短期记忆输出；hfor表示正向输出；hback表示反向输出；表示向量拼接操作；
S034：将双向长短期记忆层的输出连接到全连接层，整合模型学到的时空特征，通过激活函数层生成最终的预测输出Z为：
Z＝σ(W·hbi+B)
其中，σ表示激活函数；W表示权重；B表示偏置向量。
6.根据权利要求1所述的一种计及时空特征的风电功率超短期集成预测方法，其特征在于，所述步骤S04中的模型预测时间尺度为超短期，得到功率的确定性预测值为yp，设yt表示真实风电功率，则预测误差e可表示为：
e＝yp-yt。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410381870.1A CN118296375A (zh) | 2024-04-01 | 2024-04-01 | 一种计及时空特征的风电功率超短期集成预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410381870.1A CN118296375A (zh) | 2024-04-01 | 2024-04-01 | 一种计及时空特征的风电功率超短期集成预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118296375A true CN118296375A (zh) | 2024-07-05 |
Family
ID=91684950
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410381870.1A Pending CN118296375A (zh) | 2024-04-01 | 2024-04-01 | 一种计及时空特征的风电功率超短期集成预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118296375A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118469106A (zh) * | 2024-07-15 | 2024-08-09 | 南京师范大学 | 一种考虑历史相似日与组合权重的光伏功率预测方法 |
-
2024
- 2024-04-01 CN CN202410381870.1A patent/CN118296375A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118469106A (zh) * | 2024-07-15 | 2024-08-09 | 南京师范大学 | 一种考虑历史相似日与组合权重的光伏功率预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Deep learning method based on gated recurrent unit and variational mode decomposition for short-term wind power interval prediction | |
| US20220373984A1 (en) | Hybrid photovoltaic power prediction method and system based on multi-source data fusion | |
| Alencar et al. | Hybrid approach combining SARIMA and neural networks for multi-step ahead wind speed forecasting in Brazil | |
| CN111967679B (zh) | 基于tcn模型的电离层总电子含量预报方法 | |
| CN118296375A (zh) | 一种计及时空特征的风电功率超短期集成预测方法 | |
| CN111079351B (zh) | 考虑风电不确定性的配电网概率潮流获取方法、装置 | |
| 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 | |
| CN114021836B (zh) | 基于不同角度融合的多变量水库入水量预测系统、训练方法及应用 | |
| CN117114192B (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 | |
| CN114330641B (zh) | 基于复杂地形的深度学习的短期风速订正模型的建立方法 | |
| Bui et al. | RNN-based deep learning for one-hour ahead load forecasting | |
| CN112232488A (zh) | 基于深度学习与数据驱动的新能源出力场景生成方法 | |
| 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 | |
| CN116702831A (zh) | 一种考虑数据大量丢失的混合短期风电功率预测方法 | |
| CN115689055A (zh) | 一种短期太阳辐照度预测方法及装置 | |
| Li et al. | Temporal attention based tcn-bigru model for energy time series forecasting | |
| AU2021106200A4 (en) | Wind power probability prediction method based on quantile regression | |
| CN116826727B (zh) | 基于时序表征和多级注意力的超短期风电功率预测方法及预测系统 | |
| CN114819264A (zh) | 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质 | |
| CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
| CN118054394A (zh) | 一种基于深度强化学习的光伏功率预测方法及系统 | |
| CN117665824A (zh) | 一种海面风场重构方法及系统 | |
| Bantupalli et al. | Wind Speed forecasting using empirical mode decomposition with ANN and ARIMA models | |
| CN113962432A (zh) | 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统 | |
| Li et al. | Scenario Generation of Renewable Energy Based on Improved Diffusion Model |
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 |