CN108448610B - 一种基于深度学习的短期风功率预测方法 - Google Patents
一种基于深度学习的短期风功率预测方法 Download PDFInfo
- Publication number
- CN108448610B CN108448610B CN201810199615.XA CN201810199615A CN108448610B CN 108448610 B CN108448610 B CN 108448610B CN 201810199615 A CN201810199615 A CN 201810199615A CN 108448610 B CN108448610 B CN 108448610B
- Authority
- CN
- China
- Prior art keywords
- wind power
- neural network
- short
- deep
- power prediction
- 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 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000005065 mining Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Images
Classifications
-
- H02J3/386—
-
- 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
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/20—Climate change mitigation technologies for sector-wide applications using renewable energy
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于深度学习的短期风功率预测方法，包括步骤：1)通过计算机输入历史风功率数据以及风速风向等相关天气特征因素，并对获取的数据进行预处理；2)采用卷积神经网络(CNN)对预处理后的数据进行特征提取和挖掘，并形成特征图谱；3)采用深度门控循环单元(GRU)神经网络对特征图谱进行训练建模，通过不断优化调参后建立特征图谱与风电场功率之间的非线性关系，形成短期风功率预测模型；4)利用训练建立的模型，对所需预测的风电场进行一段时间的风功率预测，并产生该风电场的风功率预测结果；5)通过计算机输出风功率预测结果。本发明在预测准确度和预测效率上均有显著提高，为电网合理调度提供依据，具有工业应用价值。
Description
技术领域
本发明涉及电力系统预测与控制的技术领域，尤其是指一种基于深度学习的短期风功率预测方法。
背景技术
风功率预测是风力发电系统中的关键技术，准确地对风电场未来风功率的预测可以有效地减少和避免风电场对电力系统产生的冲击。因此，风功率预测方法对风力发电的可持续发展起着重要的作用。当前的风功率预测方法可以主要分为物理方法、统计学方法、学习方法以及上述方法的混合，每种方法都有各自适应的时间尺度和数据类型。
物理模型是一种间接预测风功率的方法，首先将NWP中的数据作为初值，在计算机上进行数值方法求解大气动力学和热力学方程组得到风速预测，然后根据风力发电机功率曲线来推算出风功率的预测值。统计模型旨在利用统计学的方法，描绘出风功率的预测值与以往的风功率数据的时间序列之间的关系。常用到的统计学方法有时间序列模型、回归分析模型以及卡尔曼滤波模型。统计学模型可以有效地解决预测延迟的问题，但长期预测的准确性较低。学习模型的核心在于通过计算机人工智能算法来构建输入数据与输出数据之间的关系。通过大量数据的训练与学习，使得模型能捕捉到数据中隐含的规律与逻辑，从而做出准确的预测。人工神经网络(Artificial Neural Network,ANN)与支持向量机(Support Vector Machine,SVM)是学习模型中的两种主流方法，但是传统神经网络对长时间序列处理能力较弱且伴随着梯度消失与过拟合等问题，使得这种方法也难以有较高的准确度。支持向量回归算法虽然能够避免陷入局部最优解，但当处理大规模训练样本时会出现收敛速度慢及难以实施的问题。
深度学习作为机器学习的一个分支，它旨在构建更深层的结构来加强模型在海量数据中捕捉隐含特征的能力。与传统的浅层神经网络比较而言，深度学习有一系列能够进行非线性变换的隐含层，从而能够挑战更加复杂的环境与问题。就短期风功率预测问题而言，深度学习模型能够提供更准确的风功率预测值。因此，将深度学习理论应用到电力系统领域，是能源电力转型发展的重要支撑，也是电网技术发展的重要方向。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提出了一种基于深度学习的短期风功率预测方法，基于深度学习中的门控循环单元(GRU)网络和卷积神经网络(CNN)来构建端到端训练的深层神经网络模型，能够更加准确地提供风电场短期风功率的预测值。
为实现上述目的，本发明所提供的技术方案为：一种基于深度学习的短期风功率预测方法，包括以下步骤：
步骤1：通过计算机输入一些相关天气特征因素，包括历史风功率数据以及风速风向，并对获取的数据进行预处理；
步骤2：采用一维卷积神经网络(Convolutional Neural Network,CNN)对步骤1预处理后的数据进行特征提取，挖掘隐含在数据中的潜在特征，并形成特征图谱；
步骤3：采用深度门控循环单元(Gated Recurrent Unit,GRU)神经网络对步骤2中得到的特征图谱进行训练建模，通过不断优化调参后建立特征图谱与风电场功率之间的非线性关系，生成短期风功率预测模型；
步骤4：利用训练建立的短期风功率预测模型，对所需预测的风电场进行一段时间的风功率预测，并产生该风电场的风功率预测结果；
步骤5：通过计算机输出风功率预测结果。
所述短期风功率预测模型表示如下公式：
其中，
为模型的输出量，即t时刻风功率的预测值；pt作为模型的输入量，是一段历史风功率数据；st,dt,ut,vt也是模型的输入，分别为t时刻风速、风向、风的经度分量和纬度分量在数值天气预报(Numerical Weather Prediction,NWP)中的预测值。
在步骤1中，对输入数据进行预处理的方法为min-max归一化法。
在步骤2中的一维卷积神经网络，通过卷积层中的特征探测器的平移卷积运算来产生与之对应的特征图谱，且随着卷积层的堆叠输入数据中的深层特征将被提取并学习。
在步骤3中的深度门控循环单元深度神经网络是循环神经网络的一种新型变体，当前时刻的输出ht不仅取决于当前时刻的输入xt，还取决于前一时刻的隐含层状态量ht-1，其中，所述深度门控循环单元深度神经网络包含重置门和更新门两个关键结构，分别用rt与zt表示，每个门都是一个简单的神经网络，为了使门的输出固定在0到1之间，神经网络的激活函数采用Sigmoid函数，
为经过重置门处理后的输出候选值；
所述深度门控循环单元深度神经网络的参数迭代更新方式用公式表示为：
rt＝σ(Wrhht-1+Wrxxt)
zt＝σ(Wzhht-1+Wzxxt)
其中Wrh与Wrx表示为重置门中的参数，Wzh与Wzx为更新门中的参数，Whh和Whx代表求取输出候选值
过程中的参数，运算符
表示进行数组元素依次相乘，σ表示sigmoid函数；重置门rt能够控制当前输入xt与之前时刻状态ht-1的结合方式，更新门zt决定着有多少前一时刻的状态信息能够进入当前的时刻。
通过构建深层网络结构来获取数据中更深层次的特征，其中一维卷积神经网络为两层，深度门控循环单元神经网络层数为三层。
所述短期风功率预测模型采用的梯度优化算法为适应性矩估计算法(Adam)，模型中采用dropout方法来减少训练过程中的过拟合现象。
本发明与现有技术相比，具有如下优点与有益效果：
本发明所述的基于深度学习的短期风功率预测方法，一方面通过卷积神经网络(Convolutional Neural Network,CNN)对输入数据进行深度特征挖掘，提高模型对原始数据的特征提取和降维能力，并通过引入dropout技术来减少训练过程中的过拟合现象，提高预测准确性；另一方面，深度门控循环单元(Gated Recurrent Unit,GRU)神经网络特有的门结构，使得输入风功率数据时间序列的长度更加灵活，提高了模型对变长度时间序列信息的利用和学习能力，从而进一步提高了预测准确性。
附图说明
图1为本发明方法的总体流程图。
图2为一个二维卷积神经网络的基本结构示意图。
图3为GRU网络的内部结构示意图。
图4为5层GRU神经网络的结构展开图。
图5为本发明方法的框架图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本发明针对当前短期风功率预测准确度不高的问题，在实施例中，将历史风功率数据以及风速风向等相关天气特征因素作为深度神经网络模型的输入，通过深度学习方法进行短期风功率预测。下面将实施的方案进行详细描述。
如图1所示，所述基于深度学习的短期风功率预测方法，包括以下步骤：
步骤1：通过计算机输入历史风功率数据以及风速风向等相关天气特征因素，并对获取的数据进行预处理：具体的，相关天气特征因素包括：风速、风向、风的经度数据和风的纬度数据。上述特征因素数据均有数值天气预报(NWP)提供预报值，结合历史风功率时间序列数据，作为短期风功率预测模型的输入。并且，对于获取的数据，通过min-max归一化法进行数据预处理，减少输入噪声及异常值对预测结果造成的影响。
步骤2：采用一维卷积神经网络(CNN)对步骤1预处理后的数据进行特征提取，挖掘隐含在数据中的潜在特征，并形成特征图谱。一维卷积神经网络能够有效排除不确定因素及离群点的干扰，且提取出的数据特征较为稳定：具体的，参见图2所示，图2展示了一个二维卷积层的基本结构，以3x3的特征捕捉器为例，输入矩阵经过特征捕捉器的平移卷积之后得到特征图谱。即对于输入矩阵元素aij，特征图谱M为：
式中，σ表示为卷积层的激活函数，ωkl是一个3x3的系数矩阵，aij为卷积层的输入i表示行j表示列，b为偏置项。
步骤3：采用深度门控循环单元(GRU)神经网络对步骤2中得到的特征图谱进行训练建模，通过不断优化调参后建立特征图谱与风电场功率之间的非线性关系，生成短期风功率预测模型：具体的，GRU神经网络是循环神经网络(Recurrent Neural Network,RNN)的一种，相比于传统神经网络，RNN能够更好的处理输入为时间序列的任务。因为RNN神经网络能够将之前输入产生的影响保留到模型，并共同参与到对下一步输出的计算中。理论上来讲，RNN神经网络可以利用任意长度的时间序列信息，但是实际中当两个输入之间的步长太大时会很快出现梯度消失或者梯度爆炸现象，从而难以实现。GRU神经网络作为RNN的一种新型变体，它特殊的门结构能够有效地解决长短时间序列上的变化问题。
参见图3所示，为GRU网络内部结构图，ht-1表示为对于当前时刻t，上一时刻的状态。xt与ht分别代表着当前时刻GRU网络的输入和输出。rt与zt代表GRU网络中的两个关键结构，即重置门和更新门，每一个门都是一个简单的神经网络，为了使门的输出固定在0到1之间，神经网络的激活函数采用sigmoid函数。
为经过重置门处理后的输出候选值，用公式来表示GRU网络的结构如下。
rt＝σ(Wrhht-1+Wrxxt)
zt＝σ(Wzhht-1+Wzxxt)
其中Wrh与Wrx表示为重置门中的参数，Wzh与Wzx为更新门中的参数，Whh和Whx代表求取输出候选值
过程中的参数。运算符
表示进行数组元素依次相乘，σ表示sigmoid函数。
故从上式中可以看出，重置门rt可以控制当前输入xt与之前时刻状态ht-1的结合方式，rt越趋近于0则前一时刻的输出状态所占的比例就越小。更新门zt决定着有多少前一时刻的状态信息能够进入现在的时刻。zt越趋近于1，表示当前状态对之前时刻的信息利用的越多。因此，如果把重置门的值设置为1，而更新门的值设置为0，就会得到一个传统的RNN神经网络。
GRU网络的这种独特的门结构，使得输入风功率数据时间序列的长度更加灵活，正因如此更长时间序列的风功率输入可以被采用，从而进一步的提高风功率预测的准确性。GRU网络可以通过堆叠来形成多层GRU神经网络，本发明中构建的5层GRU神经网络的结构展开图参见图4所示。
步骤4：利用训练建立的短期风功率预测模型，对所需预测的风电场进行一段时间的风功率预测，并产生该风电场的风功率预测结果；
步骤5：通过计算机输出风功率预测结果。
参见图5所示，本发明采用历史风功率数据和数值天气预报中的风速，风向以及风的经纬分量作为风功率预测模型的输入数据，风功率的预测值作为输出，进行单步预测。短期风功率预测模型可以表示为如下公式：
其中，
为模型的输出量，即t时刻风功率的预测值。pt作为模型的输入量，是一段历史风功率数据。st,dt ut,vt也是模型的输入，分别为t时刻风速、风向、风的经度分量和纬度分量在数值天气预报(NWP)中的预测值。
从图5可以看出，本发明所述的基于深度学习的短期风功率预测方法由两个主要部分组成，即负责对原始输入数据特征提取和降维的CNN卷积神经网络以及负责对处理后的时间序列进行预测的GRU神经网络。高维的原始输入数据传入CNN卷积神经网络后，通过特征提取器的处理，形成包含历史风功率信息以及风速数据的低维特征图谱。经过处理后的输入信息传入到GRU神经网络中，GRU神经网络中的重置门与更新门在大量训练中不断的调整自身参数，使它能够从复杂无规则的时间序列信息中学习到有效的特征。最后，在模型的末端加入一个激活函数作为线性激活函数的单一神经元L来计算GRU神经网络的预测值，最终整个风功率预测模型的输出值即为这个全连接神经元的输出。
本发明的短期风功率预测模型采用的梯度优化算法为适应性矩估计算法(Adam),模型中采用dropout方法来减少训练过程中的过拟合现象。在训练过程中，dropout技术通过按照一定概率将网络中的隐含神经元随机丢弃，即将该神经元的输入与输出置零，一方面能够有效的减少模型中内部参数的数量，另一方面也相当于变相增加了模型输入数据的多样性，从而一定程度上减轻了过拟合现象。
综上所述，本发明针对当前短期风功率预测中存在准确性及效率不高的问题，提出一种新型的基于深度学习的短期风功率预测方法，一方面构建了包含双卷积层的一维卷积神经网络，并通过其多层特征捕捉器及最大池化结构，对输入的不确定性时间序列进行有效特征挖掘。另一方面，本发明搭建了三层结构的深度GRU神经网络，利用其独特的门结构，提高了模型对变长度时间序列的信息利用和预测能力，具有工程应用价值，值得推广。
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。
Claims (7)
1.一种基于深度学习的短期风功率预测方法，其特征在于，包括以下步骤：
步骤1：通过计算机输入一些相关天气特征因素，包括历史风功率数据以及风速风向，并对获取的数据进行预处理；
步骤2：采用一维卷积神经网络对步骤1预处理后的数据进行特征提取，挖掘隐含在数据中的潜在特征，并形成特征图谱；
步骤3：采用深度门控循环单元神经网络对步骤2中得到的特征图谱进行训练建模，通过不断优化调参后建立特征图谱与风电场功率之间的非线性关系，生成短期风功率预测模型；
步骤4：利用训练建立的短期风功率预测模型，对所需预测的风电场进行一段时间的风功率预测，并产生该风电场的风功率预测结果；
步骤5：通过计算机输出风功率预测结果。
2.根据权利要求1所述的一种基于深度学习的短期风功率预测方法，其特征在于，所述短期风功率预测模型表示如下公式：
其中，
为模型的输出量，即t时刻风功率的预测值；pt作为模型的输入量，是一段历史风功率数据；st,dt,ut,vt也是模型的输入，分别为t时刻风速、风向、风的经度分量和纬度分量在数值天气预报中的预测值。
3.根据权利要求1所述的一种基于深度学习的短期风功率预测方法，其特征在于：在步骤1中，对输入数据进行预处理的方法为min-max归一化法。
4.根据权利要求1所述的一种基于深度学习的短期风功率预测方法，其特征在于：在步骤2中的一维卷积神经网络，通过卷积层中的特征探测器的平移卷积运算来产生与之对应的特征图谱，且随着卷积层的堆叠输入数据中的深层特征将被提取并学习。
5.根据权利要求1所述的一种基于深度学习的短期风功率预测方法，其特征在于：在步骤3中的深度门控循环单元深度神经网络是循环神经网络的一种新型变体，当前时刻的输出ht不仅取决于当前时刻的输入xt，还取决于前一时刻的隐含层状态量ht-1，其中，所述深度门控循环单元深度神经网络包含重置门和更新门两个关键结构，分别用rt与zt表示，每个门都是一个简单的神经网络，为了使门的输出固定在0到1之间，神经网络的激活函数采用Sigmoid函数，
为经过重置门处理后的输出候选值；
所述深度门控循环单元深度神经网络的参数迭代更新方式用公式表示为：
rt＝σ(Wrhht-1+Wrxxt)
zt＝σ(Wzhht-1+Wzxxt)
其中Wrh与Wrx表示为重置门中的参数，Wzh与Wzx为更新门中的参数，Whh和Whx代表求取输出候选值
过程中的参数，运算符
表示进行数组元素依次相乘，σ表示sigmoid函数；重置门rt能够控制当前输入xt与之前时刻状态ht-1的结合方式，更新门zt决定着有多少前一时刻的状态信息能够进入当前的时刻。
6.根据权利要求1所述的一种基于深度学习的短期风功率预测方法，其特征在于：通过构建深层网络结构来获取数据中更深层次的特征，其中一维卷积神经网络为两层，深度门控循环单元神经网络层数为三层。
7.根据权利要求1所述的一种基于深度学习的短期风功率预测方法，其特征在于：所述短期风功率预测模型采用的梯度优化算法为适应性矩估计算法，模型中采用dropout方法来减少训练过程中的过拟合现象。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810199615.XA CN108448610B (zh) | 2018-03-12 | 2018-03-12 | 一种基于深度学习的短期风功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810199615.XA CN108448610B (zh) | 2018-03-12 | 2018-03-12 | 一种基于深度学习的短期风功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108448610A CN108448610A (zh) | 2018-08-24 |
| CN108448610B true CN108448610B (zh) | 2020-05-22 |
Family
ID=63193997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810199615.XA Active CN108448610B (zh) | 2018-03-12 | 2018-03-12 | 一种基于深度学习的短期风功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108448610B (zh) |
Families Citing this family (42)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359511B (zh) * | 2018-08-28 | 2020-09-15 | 中国农业大学 | 一种监测易发芽作物发芽状态的方法及装置 |
| CN109060347B (zh) * | 2018-10-25 | 2020-01-14 | 哈尔滨理工大学 | 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法 |
| CN109657839B (zh) * | 2018-11-22 | 2023-05-26 | 天津大学 | 一种基于深度卷积神经网络的风电功率预测方法 |
| CN109784473A (zh) * | 2018-12-13 | 2019-05-21 | 天津大学 | 一种基于双时序特征学习的短期风功率预测方法 |
| CN109615146B (zh) * | 2018-12-27 | 2023-02-07 | 东北大学 | 一种基于深度学习的超短时风功率预测方法 |
| CN109802430B (zh) * | 2018-12-29 | 2022-06-28 | 上海电力学院 | 一种基于LSTM-Attention网络的风电电网控制方法 |
| US10815972B2 (en) | 2019-03-22 | 2020-10-27 | General Electric Company | System and method for assessing and validating wind turbine and wind farm performance |
| CN110009037B (zh) * | 2019-04-03 | 2020-10-27 | 中南大学 | 一种基于物理信息耦合的工程风速短时预测方法及系统 |
| CN110009427B (zh) * | 2019-04-10 | 2021-07-16 | 国网浙江省电力有限公司 | 一种基于深度循环神经网络的电力销售金额智能预测方法 |
| CN110222899B (zh) * | 2019-06-12 | 2022-04-22 | 哈尔滨工业大学 | 一种越野滑雪赛道风速场预测方法 |
| CN110334870B (zh) * | 2019-07-09 | 2022-05-31 | 福州大学 | 基于门控循环单元网络的光伏电站短期功率预测方法 |
| CN110348632A (zh) * | 2019-07-11 | 2019-10-18 | 广东电网有限责任公司 | 一种基于奇异谱分析和深度学习的风电功率预测方法 |
| CN110458337B (zh) * | 2019-07-23 | 2020-12-22 | 内蒙古工业大学 | 一种基于c-gru的网约车供需预测方法 |
| CN110443725A (zh) * | 2019-08-14 | 2019-11-12 | 国网甘肃省电力公司信息通信公司 | 基于cnn+lstm的风电功率预测模型 |
| CN110782071A (zh) * | 2019-09-25 | 2020-02-11 | 天津大学 | 基于时空特性融合的卷积神经网络进行风电功率预测方法 |
| US10954919B1 (en) | 2019-10-02 | 2021-03-23 | General Electric Company | Machine-learning model-based analytic for monitoring wind farm power performance |
| CN110852498A (zh) * | 2019-10-31 | 2020-02-28 | 西安交通大学 | 一种基于gru神经网络预测数据中心能耗效率值pue的方法 |
| CN111160621B (zh) * | 2019-12-06 | 2022-06-14 | 江苏方天电力技术有限公司 | 一种融合多源信息的短期风电功率预测方法 |
| CN111178500A (zh) * | 2019-12-10 | 2020-05-19 | 上海电机学院 | 一种基于组合深度学习网络的风功率预测系统 |
| CN111784019B (zh) * | 2019-12-26 | 2024-08-06 | 国网北京市电力公司 | 电力负荷处理方法和装置 |
| CN111144663B (zh) * | 2019-12-31 | 2022-06-07 | 上海电力大学 | 计及出力波动过程的海上风电场超短期风功率预测方法 |
| CN111275168A (zh) * | 2020-01-17 | 2020-06-12 | 南京信息工程大学 | 基于卷积全连接的双向门控循环单元的空气质量预测方法 |
| CN113408770B (zh) * | 2020-03-16 | 2022-10-18 | 中国人民解放军陆军装甲兵学院 | 基于深度学习的装备维修时机预测方法 |
| CN111507415B (zh) * | 2020-04-21 | 2023-07-25 | 南京信息工程大学 | 一种基于分布密度的多源大气数据聚类方法 |
| CN111950698A (zh) * | 2020-07-01 | 2020-11-17 | 燕山大学 | 基于卷积-门控循环神经网络的水泥回转窑电耗预测方法 |
| US11231012B1 (en) | 2020-09-22 | 2022-01-25 | General Electric Renovables Espana, S.L. | Systems and methods for controlling a wind turbine |
| CN112348255B (zh) * | 2020-11-06 | 2024-04-09 | 湖南大学 | 基于小波时频图像化的超短期风电功率预测方法 |
| CN112333194B (zh) * | 2020-11-09 | 2022-08-09 | 国网上海市电力公司 | 基于gru-cnn的综合能源网络安全攻击检测方法 |
| CN112801350B (zh) * | 2021-01-13 | 2022-09-06 | 中国电建集团华东勘测设计研究院有限公司 | 基于不确定度的深度学习超短时风电功率预测系统及方法 |
| CN112836434A (zh) * | 2021-02-22 | 2021-05-25 | 中国电建集团华东勘测设计研究院有限公司 | 融合时序特征和统计特征的风电超短期功率预测方法 |
| CN112990553B (zh) * | 2021-02-23 | 2023-11-14 | 中国电建集团华东勘测设计研究院有限公司 | 使用自注意机制和双线性融合的风电超短期功率预测方法 |
| CN113469412B (zh) * | 2021-06-02 | 2024-04-09 | 国核电力规划设计研究院有限公司 | 一种综合能源系统实时运行策略优化方法及系统 |
| CN113191091B (zh) * | 2021-06-03 | 2022-12-09 | 上海交通大学 | 基于混合深度学习机制的风速预测方法及系统、设备 |
| US11649804B2 (en) | 2021-06-07 | 2023-05-16 | General Electric Renovables Espana, S.L. | Systems and methods for controlling a wind turbine |
| CN113642776A (zh) * | 2021-07-20 | 2021-11-12 | 西安理工大学 | 一种基于门控循环单元的超短期风电功率预测方法 |
| CN113837499A (zh) * | 2021-11-24 | 2021-12-24 | 中国电建集团江西省电力设计院有限公司 | 一种超短期风电功率预测方法及系统 |
| CN114781708A (zh) * | 2022-04-11 | 2022-07-22 | 东南大学 | 一种基于轻量级自编码网络的短期风功率预测方法 |
| CN115185334A (zh) * | 2022-08-04 | 2022-10-14 | 嘉兴学院 | 一种基于gru神经网络的光伏mppt方法 |
| CN115330040A (zh) * | 2022-08-05 | 2022-11-11 | 江苏润和软件股份有限公司 | 基于深度学习的综合能源分布式风力发电预测方法及系统 |
| CN115222024B (zh) * | 2022-09-05 | 2023-01-24 | 广东电网有限责任公司湛江供电局 | 基于深度特征选择网络的短期光伏发电预测方法和系统 |
| CN116937579B (zh) * | 2023-09-19 | 2023-12-01 | 太原理工大学 | 一种考虑时空相关性的风电功率区间预测及其可解释方法 |
| CN117878928B (zh) * | 2024-03-12 | 2024-05-14 | 国能日新科技股份有限公司 | 一种基于深度学习的风电功率预测方法及装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140336934A1 (en) * | 2013-05-07 | 2014-11-13 | Atomic Energy Council - Institute Of Nuclear Energy Research | Ensemble wind power forecasting platform system and operational method thereof |
| CN104077632B (zh) * | 2014-06-23 | 2017-07-07 | 华北电力大学 | 一种基于深度神经网络的风电场功率预测方法 |
| CN104978605A (zh) * | 2015-06-08 | 2015-10-14 | 上海电机学院 | 基于深度学习网络的大规模风电功率预测系统及方法 |
| CN106650982B (zh) * | 2016-08-30 | 2020-07-07 | 华北电力大学 | 一种基于多点nwp的深度学习功率预测方法 |
| CN106849066A (zh) * | 2017-03-07 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种区域风电功率预测方法 |
| CN107729497B (zh) * | 2017-10-20 | 2020-08-14 | 同济大学 | 一种基于知识图谱的词嵌入深度学习方法 |
-
2018
- 2018-03-12 CN CN201810199615.XA patent/CN108448610B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108448610A (zh) | 2018-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108448610B (zh) | 一种基于深度学习的短期风功率预测方法 | |
| CN110443725A (zh) | 基于cnn+lstm的风电功率预测模型 | |
| CN111899510A (zh) | 基于发散卷积和gat的智能交通系统流量短期预测方法及系统 | |
| CN115293415A (zh) | 计及时间演变和空间相关的多风电场短期功率预测方法 | |
| CN108764568B (zh) | 一种基于lstm网络的数据预测模型调优方法及装置 | |
| CN112016736B (zh) | 基于门控卷积和注意力机制的光伏发电功率的控制方法 | |
| CN111815033A (zh) | 一种基于rcnn和气象时序特征的海上风电功率预测方法 | |
| CN104951836A (zh) | 基于神经网络技术的发帖预测系统 | |
| CN113094860B (zh) | 一种基于注意力机制的工控网络流量建模方法 | |
| CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
| CN114970351B (zh) | 基于注意力机制和深度强化学习的电网潮流调整方法 | |
| CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
| CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
| CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| CN113325721A (zh) | 一种工业系统无模型自适应控制方法及系统 | |
| Ji et al. | GRU-corr neural network optimized by improved PSO algorithm for time series prediction | |
| Chen et al. | Remaining useful life prediction of turbofan engine based on temporal convolutional networks optimized by genetic algorithm | |
| Jia et al. | Water quality prediction method based on LSTM-BP | |
| CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
| CN116384576A (zh) | 风速预测方法、装置、系统及存储介质 | |
| CN115034432A (zh) | 一种风电场风力发电机组风速预测方法 | |
| Rahaman et al. | Bayesian optimization based ANN model for short term wind speed forecasting in newfoundland, Canada | |
| CN118351970A (zh) | 一种生态环境pm2.5浓度的预测方法 | |
| CN114648147A (zh) | 一种基于ipso-lstm的风电功率预测方法 | |
| CN117220278A (zh) | 一种考虑非平稳时空依赖的长期风电功率预测方法 |
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 |