CN116316591A - 基于混合双向门控循环的短期光伏功率预测方法及系统 - Google Patents
基于混合双向门控循环的短期光伏功率预测方法及系统 Download PDFInfo
- Publication number
- CN116316591A CN116316591A CN202310267273.1A CN202310267273A CN116316591A CN 116316591 A CN116316591 A CN 116316591A CN 202310267273 A CN202310267273 A CN 202310267273A CN 116316591 A CN116316591 A CN 116316591A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- layer
- gru
- output
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000002457 bidirectional effect Effects 0.000 title abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000010248 power generation Methods 0.000 claims abstract description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 56
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000006116 polymerization reaction Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 98
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06N3/08—Learning methods
-
- 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
- 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
- H02J3/38—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
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出基于混合双向门控循环的短期光伏功率预测方法及系统，涉及光伏发电领域。包括获取原始光伏功率数据和对应的气象数据，对原始光伏功率数据进行分解，得到多个光伏功率分量；对每个光伏功率分量和对应的气象数据进行预处理，得到预处理后的光伏功率分量和对应的气象数据；搭建包含CNN层、BiGRU层、注意力层的HBiGRU模型，将预处理后的多个光伏功率分量和对应的气象数据分别输入至HBiGRU模型中，得到各个光伏功率分量的预测结果；将各个光伏功率分量的预测结果进行叠加，得到短期光伏功率预测结果。本发明降低了光伏功率数据的不确定性，构建混合双向门控循环单元模型，充分挖掘各分量与光伏功率影响因素之间的特征关系，提高了短期光伏功率预测精度。
Description
技术领域
本发明属于光伏发电功率预测技术领域，尤其涉及基于混合双向门控循环的短期光伏功率预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
短期光伏发电功率预测主要分为物理方法和统计方法。由于物理方法建模过程复杂且对输入数据精度要求较高，越来越多的研究者倾向于采用统计方法进行短期光伏发电功率预测。常用的统计方法包括支持向量机、神经网络、极限学习机和回声状态网络等方法，但上述统计方法处理复杂非线性问题的能力有限，难以全面捕捉光伏功率数据与相关影响因素之间的特征关系，导致预测精度提升较为困难。
随着人工智能技术的快速发展，深度学习方法因其具有强大的非线性拟合能力和泛化能力，已被广泛应用于电力系统中故障诊断、配电网重构、状态估计、负荷预测、新能源预测等领域。近年来，尤其是在新能源预测领域备受国内外学者的关注。有研究人员分别采用反向传播神经网络(BPNN)和卷积神经网络(CNN)预测光伏出力，有效提高了光伏功率预测精度。但BPNN和CNN建模过程中忽略了历史数据之间的时序相关性，光伏功率预测精度有限。
门控循环单元网络(GRU)是一种基于循环神经网络(RNN)的改进模型，其克服了RNN固有的梯度爆炸问题，能够有效挖掘数据时序特征，提高预测精度，在光伏预测领域已颇有建树。有研究人员采用改进后的主成分分析法对光伏功率数据集进行预处理，再构建GRU模型对处理之后的数据集进行预测得到光伏功率预测结果；另外有研究人员提出了一种基于CNN-GRU的光伏功率预测模型，结果表明CNN-GRU模型相较于GRU模型具有更优越的预测性能。
然而，发明人发现，GRU模型和CNN-GRU未考虑时序数据双向时间信息对预测结果的影响，并且在处理较长时间序列时容易出现重要时序信息遗忘等问题。
发明内容
为克服上述现有技术的不足，本发明提供了基于混合双向门控循环的短期光伏功率预测方法及系统，基于自适应噪声完备集合经验模态分解(CEEMDAN)、样本熵(SE)和变分模态分解(VMD)的组合二次模态分解方法对光伏功率数据进行分解，得到一系列较为平稳的本征模函数分量，降低了光伏功率数据的不确定性，构建混合双向门控循环单元模型(HBiGRU)，充分挖掘各分量与光伏功率影响因素之间的特征关系，得到各分量预测结果，之后将各分量预测结果叠加，得到短期光伏功率预测结果，提高了短期光伏功率预测精度。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
本发明第一方面提供了基于混合双向门控循环的短期光伏功率预测方法。
基于混合双向门控循环的短期光伏功率预测方法，包括以下步骤：
获取原始光伏功率数据和对应的气象数据，对原始光伏功率数据进行分解，得到多个光伏功率分量；
对每个光伏功率分量和对应的气象数据进行预处理，得到预处理后的光伏功率分量和对应的气象数据；
搭建包含CNN层、BiGRU层、注意力层的HBiGRU模型，将预处理后的多个光伏功率分量和对应的气象数据分别输入至HBiGRU模型中，得到各个光伏功率分量的预测结果；
将各个光伏功率分量的预测结果进行叠加，得到短期光伏功率预测结果；
其中，BiGRU层包含两层输出相同、信息传递方向相反的GRU模型，设定考虑过去时刻信息的GRU模型为正序GRU层，考虑未来时刻信息的GRU模型为负序GRU层，t时刻BiGRU层的输出为t时刻正序GRU层的输出与正序GRU层输出权重矩阵的乘积、t时刻负序GRU层的输出与负序GRU层输出权重矩阵的乘积之和，正序GRU层输出权重矩阵、负序GRU层输出权重矩阵为对BiGRU层经过预训练得到的。
本发明第二方面提供了基于混合双向门控循环的短期光伏功率预测系统。
基于混合双向门控循环的短期光伏功率预测系统，包括：
分解模块，被配置为：获取原始光伏功率数据和对应的气象数据，对原始光伏功率数据进行分解，得到多个光伏功率分量；
预处理模块，被配置为：对每个光伏功率分量和对应的气象数据进行预处理，得到预处理后的光伏功率分量和对应的气象数据；
预测模块，被配置为：搭建包含CNN层、BiGRU层、注意力层的HBiGRU模型，将预处理后的多个光伏功率分量和对应的气象数据分别输入至HBiGRU模型中，得到各个光伏功率分量的预测结果；
叠加模块，被配置为：将各个光伏功率分量的预测结果进行叠加，得到短期光伏功率预测结果；
其中，BiGRU层包含两层输出相同、信息传递方向相反的GRU模型，设定考虑过去时刻信息的GRU模型为正序GRU层，考虑未来时刻信息的GRU模型为负序GRU层，t时刻BiGRU层的输出为t时刻正序GRU层的输出与正序GRU层输出权重矩阵的乘积、t时刻负序GRU层的输出与负序GRU层输出权重矩阵的乘积之和，正序GRU层输出权重矩阵、负序GRU层输出权重矩阵为对BiGRU层经过预训练得到的。
本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的基于混合双向门控循环的短期光伏功率预测方法中的步骤。
本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于混合双向门控循环的短期光伏功率预测方法中的步骤。
以上一个或多个技术方案存在以下有益效果：
1)本发明基于CNN、双向门控循环单元(BiGRU)和注意力机制(AM)构建HBiGRU模型，作为QMD子序列预测模型，在输入侧引入CNN充分挖掘光伏发电功率子序列与相关气象数据间的特征关系；在输出侧引入时序注意力机制，进一步突出重要时序信息对预测结果的影响，有效提高了BiGRU模型的预测精度。
2)提出了基于自适应噪声完备集合经验模态分解(CEEMDAN)、样本熵(SE)和变分模态分解(VMD)的组合二次模态分解方法对光伏功率数据进行分解，利用自适应噪声完备集合经验模态分解(CEEMDAN)消除EMD模态混叠和EEMD低频分量过多的问题，利用变分模态分解(VMD)方法最大限度的抑制噪声对分解序列的影响，提高分解效果，相较于单分解方法能够得到更精确的预测结果。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为第一个实施例对原始光伏功率数据进行分解的流程图。
图2为第一个实施例CNN结构示意图。
图3为第一个实施例GRU结构示意图。
图4为第一个实施例BiGRU结构示意图。
图5为第一个实施例注意力机制结构图。
图6为第一个实施例HBiGRU模型结构图。
图7为第一个实施例基于QMD-HBiGRU的短期光伏功率预测模型。
图8为第一个实施例光伏功率数据样本各IMF分量样本熵。
图9为第一个实施例重构后IMF1-3预测结果示意图。
图10为第一个实施例IMF1预测结果对比示意图。
图11为第一个实施例3月8日6种模型光伏功率预测结果示意图。
图12为第一个实施例3月9日6种模型光伏功率预测结果示意图。
图13为第一个实施例3月10日6种模型光伏功率预测结果示意图。
图14为第一个实施例光伏功率数据样本示意图。
图15为第一个实施例光伏功率数据样本VMD分解结果示意图。
图16为第一个实施例方法流程图。
图17为第二个实施例系统结构图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
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。
实施例一
本实施例公开了基于混合双向门控循环的短期光伏功率预测方法。
如图6、图7、图16所示，基于混合双向门控循环的短期光伏功率预测方法，包括以下步骤：
获取原始光伏功率数据和对应的气象数据，对原始光伏功率数据进行分解，得到多个光伏功率分量；
对每个光伏功率分量和对应的气象数据进行预处理，得到预处理后的光伏功率分量和对应的气象数据；
搭建包含CNN层、BiGRU层、注意力层的HBiGRU模型，将预处理后的多个光伏功率分量和对应的气象数据分别输入至HBiGRU模型中，得到各个光伏功率分量的预测结果；
将各个光伏功率分量的预测结果进行叠加，得到短期光伏功率预测结果；
其中，BiGRU层包含两层输出相同、信息传递方向相反的GRU模型，设定考虑过去时刻信息的GRU模型为正序GRU层，考虑未来时刻信息的GRU模型为负序GRU层，t时刻BiGRU层的输出为t时刻正序GRU层的输出与正序GRU层输出权重矩阵的乘积、t时刻负序GRU层的输出与负序GRU层输出权重矩阵的乘积之和，正序GRU层输出权重矩阵、负序GRU层输出权重矩阵为对BiGRU层经过预训练得到的。
进一步的，对原始光伏功率数据进行分解，具体包括：
利用自适应噪声完备集合经验模态分解方法对原始光伏功率数据进行初步分解，得到多个IMF分量；
基于样本熵方法计算各IMF分量的时间复杂度，对具有相似复杂度的IMF分量聚合叠加重构，得到熵值大小重构后的IMF分量；
利用变分模态分解方法对熵值大小重构后的IMF分量中的高频分量进行二次分解，得到光伏功率分量。
更为具体的：
(一)原始光伏功率处理：
利用QMD方法对原始光伏功率数据进行分解，得到N个相对平稳的分量集{DIMF1,DIMF2,…,DIMFN}。
本发明提出QMD方法对原始光伏功率序列进行分解，将非平稳的光伏功率序列分解为一系列不同模态的分量，进而降低原始光伏功率序列的复杂程度。QMD流程如图1所示。
QMD方法由CEEMDAN、SE和VMD方法组成。首先，利用CEEMADN方法对光伏功率数据进行初步分解以降低光伏功率时序数据的复杂度；其次，基于SE方法计算各分量时间序列数据复杂程度，并对具有相似复杂程度的分量聚合叠加重构，以低维代替高维的思想，降低模型计算量；最后，利用VMD方法对具有高复杂度的分量进一步分解，以降低高复杂度分量中的残留噪音。
1.1自适应噪声完备集合经验模态分解(CEEMDAN)
CEEMDAN方法是一种自适应数据分解方法，通过在分解过程中加入符号相反的白噪声，将数据分解为有限个具有不同时间尺度的本征模函数(intrinsic mode function,IMF)分量，有效解决了EMD和EEMD存在的模态混叠和残余噪声过高等问题。
CEEMADN分解的基本步骤如下：
1)在待分解数据x(t)中添加n次均值为0的高斯白噪音，得到一组待分解数据xi(t)，其中i＝1,2,3,…,n。
xi(t)＝x(t)+δvi(t) (1)
式中，δ为高斯白噪声系数；vi(t)为第i次添加的高斯白噪声。
2)对xi(t)进行EMD分解，得到第一个IMF分量
对所得n个/>
求均值/>
作为CEEMDAN分解的第一个IMF分量。
式中，
为第一次分解后得到的残差。
3)在残差
中继续加入高斯白噪声得到一组新待分解数据，并重复步骤2得到CEEMADN分解的第二个IMF分量/>
和残差/>
4)重复上述步骤，直至获得的残差为单调函数，不能继续分解，则停止迭代。
1.2样本熵(SE)
采用CEEMDAN方法对原始光伏功率序列进行处理可以显著提高预测模型的预测精度，但随着IMF分量的增加，预测模型的计算量将显著增大，容易出现过拟合现象导致模型预测精度下降。为避免过拟合问题，本发明提出SE方法计算各IMF分量的时间复杂度，并对具有相似复杂度的分量进行聚合重构。
SE是基于近似熵的一种用于度量时序数据复杂性的改进方法，SE计算不依赖于数据长度，具有更好的一致性。SE越大，时序数据的复杂程度越高。SE详细计算过程如下：
1)假设有长度为N的时间序列s＝{s(1),s(2),…,s(N)}，将序列s按顺序重构为m维序列S(l)，表示为：
S(l)＝[s(l),s(l+1),L,s(l+m-1)] (4)
式中，l＝1,2,…,N-m+1。
2)计算S(l)与其余序列S(k)(k＝1,2,…,N-m+1,且k≠l)对应元素的最大差值dmax(S(l),S(k))。
3)给定阈值r(r>0)，统计差值dmax(S(l),S(k))小于r的数目，并计算其在差值总数中的占比，记为
式中，num为dmax(S(l),S(k))<r的数目。
4)对所有
取平均值：
5)将维度增加至m+1，重复上述步骤，得到
的平均值：
6)根据Dm(r)和Dm+1(r)数据计算得到时间序列s的样本熵SampEn(m,r)：
1.3变分模态分解(VMD)
将IMF分量根据熵值大小重构后，其高频分量中仍包含部分噪音，导致高频分量复杂度较高，直接对其进行预测精度较低。为此，本发明提出VMD方法对高频分量进行二次分解，进一步削弱高频分量的复杂度。
VMD方法是一种自适应、完全非递归的模态分解方法，在对序列进行分解的过程中，通过迭代搜索变分模型的最优解来确定各分量的中心频率和带宽，从而自适应匹配每种模态的最佳中心频率和带宽，实现IMF分量的有效分离。
VMD详细求解过程如下：
1)将原始信号χ分解为j个有限带宽模态函数，对每个模态函数uj(t)进行希尔伯特变换得到单侧频谱。
2)对uj(t)频谱的中心频率ξj(t)进行修正，将其调至基频带宽。
3)通过计算解调信号的梯度二范数估计uj(t)的基频带宽，构建带约束条件的变分模型：
式中，{uj}为模态函数集合；{ξj}为模态函数对应频谱的中心频率集合；
为偏导运算符；*表示卷积计算；δ(t)为单位脉冲函数。
4)为简化计算过程，将上述变分模型转换为非约束条件的变分模型，引入拉格朗日算子λ(t)和二次惩罚项θ，代入步骤3构建扩展拉格朗日表达式，并通过交替方向乘子法进行求解。
(二)对每个光伏功率分量和对应的气象数据进行归一化处理并将数据取值范围压缩至[0,1]，得到预处理后的光伏功率分量和气象数据。
将每个分量与气象数据进行归一化处理统一量纲，经归一化处理后各序列取值范围压缩至[0,1]，公式如下：
式中，f和f′分别为归一化前、后的数据，fmin和fmax分别为数据集的最小值和最大值。
(三)构建HBiGRU预测模型。
针对分解后的第N个分量建立HBiGRU预测模型，将各分量历史数据和气象数据作为输入向量训练HBiGRU模型，通过损失函数迭代优化模型参数，建立相应预测模型。
HBiGRU模型分为五层，每层网络结构和参数如下：
(1)输入层。将长度为T的光伏功率分量和气象数据经过预处理后输入到预测模型中。
(2)CNN层。CNN层由1个一维卷积层、1个一维池化层和全连接层组成，用于提取输入数据关键特征。其中，卷积层选用tanh函数作为激活函数，池化层的池化方式选择最大池化。输入数据经过卷积层和池化层降维处理后通过全连接层提取特征向量，作为BiGRU模型的输入，全连接层选用Sigmoid函数作为激活函数。
CNN模型通过局部连接和权值共享的方式，将原始数据映射到高维空间，高效提取输入数据关键特征。CNN模型结构如图2所示，其中卷积层通过共享权重的卷积核提取输入数据特征，并采用激活函数对神经元进行非线性映射。池化层通过最大池化或均值池化方法对卷积操作得到的特征进行降维，压缩特征数量，减小过拟合风险。全连接层由全连接神经网络组成，用于展平整合卷积层和池化层提取的特征。
(3)BiGRU层。BiGRU层用于学习CNN层提取的特征向量。选用relu函数作为激活函数搭建单层BiGRU网络，学习CNN提取的局部特征内在联系和时序变化规律，并对未来时刻数据进行预测。
双向门控循环单元(BiGRU)是GRU的特殊变体结构，由两层输出相同但信息传递方向相反的GRU模型组成，在进行预测时BiGRU可同时考虑过去和未来时刻的信息，充分挖掘光伏功率时序特征，提高数据利用率和模型预测精度。其中，单层GRU结构图如图3所示。
根据图3结构，GRU模型的参数计算可表示为：
式中，Xt表示t时刻GRU模型的输入；δ和tanh分别代表sigmoid和双曲正切激活函数；
表示候选隐藏状态，由输入Xt和上一时刻隐藏层输出ht-1计算得到；ht表示隐藏层输出；Wc、Wg和W分别表示重置门、更新门和候选隐藏状态的权重矩阵；
ct表示GRU重置门，表示t时刻输入Xt与上一时刻隐藏层输出ht-1对候选隐藏状态
的影响，gt表示GRU更新门，表示上一时刻隐藏层输出ht-1对t时刻隐藏层输出ht的影响大小。
根据上述GRU模型，设置正序GRU层和负序GRU层构建BiGRU模型，其基本结构如图4所示，图中，
表示t时刻正序GRU模型输出，/>
表示t时刻负序GRU模型输出。
BiGRU模型计算公式可表示为：
式中，
表示t-1时刻正序GRU模型的输出量；/>
表示t+1时刻负序GRU模型的输出量；Wf1与Wf2分别为正序GRU模型输入权重矩阵和t-1时刻输出权重矩阵；Wb1与Wb2分别为负序GRU模型输入权重矩阵和t+1时刻输出权重矩阵；W1与W2分别为正序GRU模型和负序GRU模型输出权重矩阵。
(4)注意力层。注意力层用于处理BiGRU隐藏层输出向量，计算不同隐藏层向量对应的权重，决策出最优权重矩阵，有效挖掘特征之间的深层次时序相关性。
注意力机制(AM)是模拟人脑注意力资源分配机制而提出的一种权重分配策略，核心思想为通过改变不同输入数据的权重，对关键数据赋予较大权重，从而快速筛选输入数据中的重要信息，提高模型预测精度。注意力机制单元结构如图5所示。
将BiGRU模型得到的隐藏层输出向量ht作为输入，根据AM权重分配原则计算权重矩阵，具体计算步骤如下：
1)采用tanh函数作为激活函数，计算输入特征注意力权重et：
et＝μtanh(wht+b) (17)
式中，μ和w为权重系数，b为偏置系数。
2)通过Softmax函数对注意力权重进行归一化处理，保证注意力权重和为1，归一化权重系数αt：
3)对输入信息按权重系数加权求和，得到注意力值ht′：
(5)输出层。输出层选取Sigmoid函数为激活函数，根据注意力层的输出计算出最终预测结果。
将各分量预测结果叠加得到光伏功率预测结果，通过误差评估指标与其他预测方法进行比较，分析预测模型性能。
下面给出本实施例中的算例分析：
(1)实验平台配置及数据来源
本发明采用anaconda软件中的Jupyter集成开发环境和tensorflow深度学习框架编写短期光伏功率预测模型。选用澳大利亚沙漠知识太阳能中心某光伏场站实测数据进行仿真实验。以光伏场站2017年1月1日～3月10日的发电功率数据和气象数据为例进行仿真验证本发明所提模型和方法的有效性。由于晚间光伏出力为零，因此本发明选取每天7:00～19:00的数据进行仿真，采样间隔为5min，所得光伏功率样本如图14所示。选用前66天共9504个采样点作为训练样本，后3天共432个采样点进行测试验证。
(2)评价指标
本发明选取归一化平均绝对误差(normalized mean absolute error,NMAE)、归一化均方根误差(normalized root mean square error,NRMSE)和决定系数(coefficientof determination，R2)作为主要评价指标，表征模型预测精度。NMAE、NRMSE和R2计算公式如下：
式中，ω为预测时间长度；yΣ为光伏场站额定装机容量；yi和y′i分别为i时刻光伏功率的真实值和预测值；
为光伏功率的平均值。
(3)二次分解有效性验证
为验证本发明所提QMD方法消除噪声的优越性，采用CEEMDAN-SE方法与QMD方法分解光伏功率数据，对分解后的子序列构建HBiGRU预测模型，并对预测结果进行对比验证。
1)CEEMDAN-SE分解效果及预测分析
由图14可以看出，光伏功率具有明显的波动性，为提高光伏功率预测精度，首先采用CEEMDAN方法对光伏功率序列进行分解，得到13个IMF分量，依据SE理论，计算各IMF分量的熵值，计算结果如图8所示。
由图8可见，前4个IMF分量样本熵值较高，具有相似的复杂程度，故将前4个IMF分量叠加为一个IMF分量进行预测。以此类推对其他IMF分量进行处理，得到叠加后的IMF分量，IMF分量叠加结果如表1所示。
表1 IMF分量叠加结果
Table1 IMF weight stack results
对叠加重构后的IMF分量分别建立HBiGRU预测模型进行预测，预测结果如图9所示。
由图9可见，经过叠加重构之后的IMF2与IMF3分量趋势平缓，预测值与真实值拟合效果良好，而IMF1分量较为杂乱，相较于IMF2与IMF3预测精度较低。说明经过叠加聚合后，IMF1中仍包含有大量噪音，影响预测精度。因此，本发明采用VMD对IMF1分量进行二次分解，进一步降低IMF1复杂程度，提高预测精度。
2)QMD效果及预测分析
为验证QMD方法降低噪声，提高预测精度的性能，本发明在CEEMDAN-SE方法的基础上进一步采用VMD方法处理IIMF1分量，剔除IMF1分量中的无关噪声，降低其复杂程度，进而提高IMF1分量预测精度。
VMD分解需提前设定分解模态数，若分解数量过多会导致过分解产生额外的噪声，分解数量过少会导致模态分解不充分影响预测精度。区分是否过分解主要依据各模态中心频率分量是否接近，因此，本发明采用中心频率法确定VMD分解模态数K。分别设置K＝3，4，5，6，7进行VMD分解，计算各分量的中心频率，找出开始出现中心频率相近分量的K值，选取K-1作为分解模态数。K＝3，4，5，6，7时各分量v中心频率如表2所示。
表2不同模态数K对应的中心频率
Table2 The center frequency corresponding to the differ-ent modenumber K
由表3可见，随着K值增加，各分量中心频率差异逐渐减小。当K＝7时，v1和v2的中心频率相近，出现过分解现象，会产生额外的噪声。为保证VMD去噪效果，本发明选取K＝6对IIMF1进行VMD分解，VMD分解结果如图15所示。
对分解后的各模态分量建立HBiGRU模型进行预测，将其结果叠加重构，并得到QMD分解后的IMF1预测结果，如图10所示，将其与CEEMDAN-SE分解IMF1预测结果对比，如表3所示。
表3 QMD前后IMF1预测误差对比
Table3 Comparison of IMF1 prediction error before and after quadraticdecomposition
由图10和表4可以看出，IMF1分量经VMD处理后再利用HBiGRU模型进行预测精度明显提高，相较于CEEMDAN-SE分解后直接预测NMAE和NRMSE分别降低了1.58％和2.78％。R2从0.47提升至0.88。说明本发明所提QMD方法可以大幅降低分解噪声，有效提升HBiGRU预测模型对复杂序列的预测精度。
3)短期光伏功率预测结果分析
为验证本发明所提QMD-HBiGRU(H6)模型在光伏功率预测精度提升方面的优越性能，分别构建BiGRU(H1)、HBiGRU(H2)、CEEMDAN-SE–BiGRU(H3)、CEEMDAN-SE–HBiGRU(H4)和QMD–BiGRU(H5)5种模型作为对比模型，预测3月8日～3月10日3天的光伏功率，对比6种模型预测精度结果，分别如图11～图13所示，6种模型评价指标如表4所示。
表4不同模型预测误差对比
Table4 Compalison of prediction errors of different mod-els
由图11～图13可见，光伏出力具有波动性和随机性，若直接对光伏功率进行预测难以捕捉其中的复杂非线性关系，预测误差较大。由表4可知，H1预测模型3天的平均NMAE值和NRMSE值分别为4.67％和7.03％，平均R2值为0.79。进一步说明采用单一预测模型H1直接预测光伏功率误差较大，难以达到工程实际中对光伏预测精度的需求。H2预测模型平均NMAE值和NRMSE值相较于H1模型分别下降了0.85％和1.45％，R2值提高至0.87，说明在BiGRU模型的基础上增加CNN模块和注意力模块后，依靠CNN和注意力机制的特征提取能力，能够提高BiGRU模型捕捉非线性特征的能力，从而提高预测精度。H3预测模型平均NMAE和NRMSE相较于H1预测模型分别下降了0.92％和2.04％。H4预测模型平均NMAE和NRMSE相较于H2预测模型分别下降了1.09％和1.37％。证明CEEMDAN-SE方法可以在一定程度上降低输入数据波动性和随机性对预测精度的影响，获得更精确的预测结果H5预测模型的预测精度相较于H1和H3模型均有较大提升。本发明所提模型H6平均NMAE值和NRMSE值均小于其他5种预测模型，分别为1.46％和1.99％，同时H6预测模型的平均R2值为0.97，证明H6预测模型预测值与真实值拟合程度良好，也验证了通过VMD方法进行二次分解，去除高频分量中的多余噪声，能够进一步提升光伏功率预测精度。
综上所述，在光伏功率波动较大的情况下，本发明所提出的QMD-HBiGRU预测模型能够保持较高的预测精度，验证了本发明所提方法的有效性。
实施例二
本实施例公开了基于混合双向门控循环的短期光伏功率预测系统。
如图17所示，基于混合双向门控循环的短期光伏功率预测系统，包括：
分解模块，被配置为：获取原始光伏功率数据和对应的气象数据，对原始光伏功率数据进行分解，得到多个光伏功率分量；
预处理模块，被配置为：对每个光伏功率分量和对应的气象数据进行预处理，得到预处理后的光伏功率分量和对应的气象数据；
预测模块，被配置为：搭建包含CNN层、BiGRU层、注意力层的HBiGRU模型，将预处理后的多个光伏功率分量和对应的气象数据分别输入至HBiGRU模型中，得到各个光伏功率分量的预测结果；
叠加模块，被配置为：将各个光伏功率分量的预测结果进行叠加，得到短期光伏功率预测结果；
其中，BiGRU层包含两层输出相同、信息传递方向相反的GRU模型，设定考虑过去时刻信息的GRU模型为正序GRU层，考虑未来时刻信息的GRU模型为负序GRU层，t时刻BiGRU层的输出为t时刻正序GRU层的输出与正序GRU层输出权重矩阵的乘积、t时刻负序GRU层的输出与负序GRU层输出权重矩阵的乘积之和，正序GRU层输出权重矩阵、负序GRU层输出权重矩阵为对BiGRU层经过预训练得到的。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例1所述的基于混合双向门控循环的短期光伏功率预测方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的基于混合双向门控循环的短期光伏功率预测方法中的步骤。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.基于混合双向门控循环的短期光伏功率预测方法，其特征在于，包括以下步骤：
获取原始光伏功率数据和对应的气象数据，对原始光伏功率数据进行分解，得到多个光伏功率分量；
对每个光伏功率分量和对应的气象数据进行预处理，得到预处理后的光伏功率分量和对应的气象数据；
搭建包含CNN层、BiGRU层、注意力层的HBiGRU模型，将预处理后的多个光伏功率分量和对应的气象数据分别输入至HBiGRU模型中，得到各个光伏功率分量的预测结果；
将各个光伏功率分量的预测结果进行叠加，得到短期光伏功率预测结果；
其中，BiGRU层包含两层输出相同、信息传递方向相反的GRU模型，设定考虑过去时刻信息的GRU模型为正序GRU层，考虑未来时刻信息的GRU模型为负序GRU层，t时刻BiGRU层的输出为t时刻正序GRU层的输出与正序GRU层输出权重矩阵的乘积、t时刻负序GRU层的输出与负序GRU层输出权重矩阵的乘积之和，正序GRU层输出权重矩阵、负序GRU层输出权重矩阵为对BiGRU层经过预训练得到的。
2.如权利要求1所述的基于混合双向门控循环的短期光伏功率预测方法，其特征在于，对原始光伏功率数据进行分解，具体包括：
利用自适应噪声完备集合经验模态分解方法对原始光伏功率数据进行初步分解，得到多个IMF分量；
基于样本熵方法计算各IMF分量的时间复杂度，对具有相似复杂度的I MF分量聚合叠加重构，得到熵值大小重构后的I MF分量；
利用变分模态分解方法对熵值大小重构后的I MF分量中的高频分量进行二次分解，得到光伏功率分量。
3.如权利要求1所述的基于混合双向门控循环的短期光伏功率预测方法，其特征在于，对每个光伏功率分量和对应的气象数据进行归一化处理并将数据取值范围压缩至[0,1]，得到预处理后的光伏功率分量和气象数据。
4.如权利要求1所述的基于混合双向门控循环的短期光伏功率预测方法，其特征在于，将预处理后的多个光伏功率分量和对应的气象数据分别输入至HBiGRU模型中，得到各个光伏功率分量的预测结果，具体为：
将预处理后的每个光伏功率分量和对应的气象数据输入至CNN层中，提取特征向量；
将特征向量输入至BiGRU层中，学习特征向量之间的内在联系和时序变化规律，得到多个隐藏层输出向量；
将多个隐藏层输出向量输入至注意力层，根据AM权重分配原则，计算不同隐藏层输出向量对应的权重，得到最优权重矩阵；
基于注意力层输出的最优权重矩阵和多个隐藏层输出向量，得到各个光伏功率分量的预测结果。
5.如权利要求4所述的基于混合双向门控循环的短期光伏功率预测方法，其特征在于，BiGRU模型的计算公式为：
其中，
表示t时刻正序GRU模型输出；/>
表示t时刻负序GRU模型输出；/>
表示t-1时刻正序GRU模型的输出量；/>
表示t+1时刻负序GRU模型的输出量；Wf1与Wf2分别为正序GRU模型输入权重矩阵和t-1时刻输出权重矩阵；Wb1与Wb2分别为负序GRU模型输入权重矩阵和t+1时刻输出权重矩阵；W1与W2分别为正序GRU模型和负序GRU模型输出权重矩阵；Xt表示t时刻模型的输入；δ表示sigmoid激活函数。
6.如权利要求4所述的基于混合双向门控循环的短期光伏功率预测方法，其特征在于，CNN层由1个一维卷积层、1个一维池化层和全连接层组成，其中，卷积层选用tanh函数作为激活函数，池化层的池化方式选择最大池化，输入数据经过卷积层和池化层降维处理后通过全连接层提取特征向量，全连接层选用Sigmoid函数作为激活函数。
7.如权利要求4所述的基于混合双向门控循环的短期光伏功率预测方法，其特征在于，对隐藏层输出向量按照最优权重矩阵中对应的权重系数进行加权求和，得到各个光伏功率分量的预测结果。
8.基于混合双向门控循环的短期光伏功率预测系统，其特征在于：包括：
分解模块，被配置为：获取原始光伏功率数据和对应的气象数据，对原始光伏功率数据进行分解，得到多个光伏功率分量；
预处理模块，被配置为：对每个光伏功率分量和对应的气象数据进行预处理，得到预处理后的光伏功率分量和对应的气象数据；
预测模块，被配置为：搭建包含CNN层、BiGRU层、注意力层的HBiGRU模型，将预处理后的多个光伏功率分量和对应的气象数据分别输入至HBiGRU模型中，得到各个光伏功率分量的预测结果；
叠加模块，被配置为：将各个光伏功率分量的预测结果进行叠加，得到短期光伏功率预测结果；
其中，BiGRU层包含两层输出相同、信息传递方向相反的GRU模型，设定考虑过去时刻信息的GRU模型为正序GRU层，考虑未来时刻信息的GRU模型为负序GRU层，t时刻BiGRU层的输出为t时刻正序GRU层的输出与正序GRU层输出权重矩阵的乘积、t时刻负序GRU层的输出与负序GRU层输出权重矩阵的乘积之和，正序GRU层输出权重矩阵、负序GRU层输出权重矩阵为对BiGRU层经过预训练得到的。
9.计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于混合双向门控循环的短期光伏功率预测方法中的步骤。
10.电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于混合双向门控循环的短期光伏功率预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310267273.1A CN116316591A (zh) | 2023-03-17 | 2023-03-17 | 基于混合双向门控循环的短期光伏功率预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310267273.1A CN116316591A (zh) | 2023-03-17 | 2023-03-17 | 基于混合双向门控循环的短期光伏功率预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116316591A true CN116316591A (zh) | 2023-06-23 |
Family
ID=86832043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310267273.1A Pending CN116316591A (zh) | 2023-03-17 | 2023-03-17 | 基于混合双向门控循环的短期光伏功率预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116316591A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776134A (zh) * | 2023-08-16 | 2023-09-19 | 国网浙江省电力有限公司金华供电公司 | 一种基于PCA-SFFS-BiGRU的光伏出力预测方法 |
| CN116911467A (zh) * | 2023-09-12 | 2023-10-20 | 浙江华云电力工程设计咨询有限公司 | 一种可再生能源出力的预测方法、装置及存储介质 |
| CN117349774A (zh) * | 2023-10-24 | 2024-01-05 | 重庆邮电大学 | 一种基于大数据的区块链异常交易检测方法 |
| CN117674143A (zh) * | 2024-02-01 | 2024-03-08 | 西华大学 | 基于回声脉冲神经p系统的短期光伏功率预测方法及装置 |
| CN117748500A (zh) * | 2024-02-19 | 2024-03-22 | 北京智芯微电子科技有限公司 | 光伏功率预测方法、装置、设备及介质 |
| CN117893362A (zh) * | 2024-03-18 | 2024-04-16 | 广东工业大学 | 一种多时空尺度的海上风电特征筛选及增强的功率预测方法 |
-
2023
- 2023-03-17 CN CN202310267273.1A patent/CN116316591A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776134A (zh) * | 2023-08-16 | 2023-09-19 | 国网浙江省电力有限公司金华供电公司 | 一种基于PCA-SFFS-BiGRU的光伏出力预测方法 |
| CN116776134B (zh) * | 2023-08-16 | 2023-10-24 | 国网浙江省电力有限公司金华供电公司 | 一种基于PCA-SFFS-BiGRU的光伏出力预测方法 |
| CN116911467A (zh) * | 2023-09-12 | 2023-10-20 | 浙江华云电力工程设计咨询有限公司 | 一种可再生能源出力的预测方法、装置及存储介质 |
| CN117349774A (zh) * | 2023-10-24 | 2024-01-05 | 重庆邮电大学 | 一种基于大数据的区块链异常交易检测方法 |
| CN117674143A (zh) * | 2024-02-01 | 2024-03-08 | 西华大学 | 基于回声脉冲神经p系统的短期光伏功率预测方法及装置 |
| CN117674143B (zh) * | 2024-02-01 | 2024-04-12 | 西华大学 | 基于回声脉冲神经p系统的短期光伏功率预测方法及装置 |
| CN117748500A (zh) * | 2024-02-19 | 2024-03-22 | 北京智芯微电子科技有限公司 | 光伏功率预测方法、装置、设备及介质 |
| CN117748500B (zh) * | 2024-02-19 | 2024-04-30 | 北京智芯微电子科技有限公司 | 光伏功率预测方法、装置、设备及介质 |
| CN117893362A (zh) * | 2024-03-18 | 2024-04-16 | 广东工业大学 | 一种多时空尺度的海上风电特征筛选及增强的功率预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116316591A (zh) | 基于混合双向门控循环的短期光伏功率预测方法及系统 | |
| CN113053115B (zh) | 一种基于多尺度图卷积网络模型的交通预测方法 | |
| Yoon et al. | Semi-supervised learning with deep generative models for asset failure prediction | |
| US20220147877A1 (en) | System and method for automatic building of learning machines using learning machines | |
| CN110210513A (zh) | 数据分类方法、装置及终端设备 | |
| CN113627066A (zh) | 一种水库库岸滑坡的位移预测方法 | |
| Peng et al. | Multi-step-ahead host load prediction with gru based encoder-decoder in cloud computing | |
| CN113836823A (zh) | 一种基于负荷分解和优化双向长短期记忆网络的负荷组合预测方法 | |
| CN116644970A (zh) | 一种基于vmd分解和叠层深度学习的光伏功率预测方法 | |
| CN112949610A (zh) | 一种基于降噪算法的改进Elman神经网络的预测方法 | |
| CN115759413B (zh) | 一种气象预测方法、装置、存储介质及电子设备 | |
| CN114548532A (zh) | 一种基于vmd的tgcn-gru超短期负荷预测方法、装置和电子设备 | |
| CN111612262A (zh) | 一种基于分位数回归的风电功率概率预测方法 | |
| Chen et al. | An efficient sharing grouped convolution via bayesian learning | |
| CN115659254A (zh) | 一种双模态特征融合的配电网电能质量扰动分析方法 | |
| CN116502774B (zh) | 一种基于时间序列分解和勒让德投影的时间序列预测方法 | |
| 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 | |
| CN112988548A (zh) | 一种基于降噪算法的改进Elman神经网络的预测方法 | |
| CN113673768A (zh) | 基于vmd和cnn-lstm的风功率概率预测模型 | |
| CN115965160A (zh) | 一种数据中心能耗预测方法、装置、存储介质及电子设备 | |
| Khumprom et al. | A hybrid evolutionary CNN-LSTM model for prognostics of C-MAPSS aircraft dataset | |
| CN112232565A (zh) | 基于两阶段的时间序列预测方法、预测系统、终端及介质 | |
| Xia et al. | Efficient synthesis of compact deep neural networks | |
| CN116632834A (zh) | 一种基于SSA-BiGRU-Attention的短期电力负荷预测方法 | |
| CN116307221A (zh) | 一种光伏发电功率预测方法及计算机设备 |
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 |