CN104636823B - 一种风电功率预测方法 - Google Patents
一种风电功率预测方法 Download PDFInfo
- Publication number
- CN104636823B CN104636823B CN201510037230.XA CN201510037230A CN104636823B CN 104636823 B CN104636823 B CN 104636823B CN 201510037230 A CN201510037230 A CN 201510037230A CN 104636823 B CN104636823 B CN 104636823B
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- msub
- relative error
- initial
- 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.)
- Expired - Fee Related
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000003062 neural network model Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 2
- 230000008439 repair process Effects 0.000 claims 1
- 230000005611 electricity Effects 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 52
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000012546 transfer Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000001394 metastastic effect Effects 0.000 description 1
- 206010061289 metastatic neoplasm Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风电功率预测方法,所述方法包括以下步骤:收集样本数据并进行处理;利用处理后的样本数据建立BP神经网络模型,对BP神经网络模型进行训练,得到最终的权值、阈值以及预测值相对于样本值的相对误差序列;根据训练完毕的权值、阈值求得输出功率的初始预测值;根据相对误差的序列,利用马尔科夫链误差修正模型计算输出功率的初始预测值对应的计算相对误差状态;将输出功率的初始预测值与其对应的计算相对误差状态结合,计算得到修正功率。该方法进一步提高风电功率预测的准确度,为含有风力发电的电网制定日发电计划和安全经济调度提供准确的风电功率预测值。
Description
技术领域
本发明涉及功率预测领域,更具体涉及一种风电功率预测方法。
背景技术
由于环境污染和能源短缺问题日趋严重,风电以其资源丰富、清洁无污染、实际占地少、可再生性等优势受到广泛关注。但是,风能作为一种不稳定的能源,具有随机性、间歇性和不可控性。随着风电的发展,风电场的穿透功率的不断加大,并网风电增加了电力***调度计划制定的难度。
由于目前我国风电功率预测***的不健全,缺少一些基础数据,加之精确度不足,对风电功率的精确预测非常困难,因此风电并网后无法准确制定***的调度计划,也无法安排合理的运行方式。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是如何精确预测风电网络的输出电功率。
(二)技术方案
为了解决上述技术问题,本发明提供了一种风电功率预测方法,所述方法包括以下步骤:
S1、收集样本数据,并对所述样本数据进行修正和归一化处理;
S2、利用经过修正和归一化处理的所述样本数据建立BP神经网络模型,并对所述BP神经网络模型进行训练,得到第一训练权值、第一训练阈值、第二训练权值、第二训练阈值以及训练过程中所述BP神经网络模型的预测值相对于所述样本数据的相对误差序列;
S3、根据所述步骤S2得到的所述相对误差序列,建立马尔科夫链误差修正模型;
S4、输入待预测值所需的输入参数数据,根据所述BP神经网络模型,利用所述第一训练权值、第一训练阈值、第二训练权值、第二训练阈值计算输出功率的初始预测值;利用所述马尔科夫链误差修正模型计算所述输出功率初始预测值对应的计算相对误差状态;
S5、将所述输出功率的初始预测值与与其对应的所述计算相对误差状态结合,计算得到修正功率。
优选地,所述BP神经网络模型包括输入层、隐含层和输出层;
所述隐含层输出为:
其中,f为所述隐含层的激励函数,Lj为所述隐含层第j个节点的输出,Wij为所述输入层第i个节点和所述隐含层第j个节点之间的第一初始权值,bj为所述输入层和所述隐含层第j个节点之间的第一初始阈值,xi为输入层第i个节点的输入,n为所述输入层的节点数;
所述输出层输出为:
其中,f为所述输出层的激励函数,Ok为所述输出层第K个节点的输出,Wjk为所述隐含层第j个节点和所述输出层第k个节点之间的第二初始权值,bk为所述所述隐含层和所述输出层第k个节点之间的第二初始阈值,为l为所述隐含层的节点数;
所述BP神经网络模型的学习误差为:
其中,yk为修正和归一化处理的所述样本数据,m为所述输出层的节点数,E为所述BP神经网络模型的学习误差。
优选地,所述步骤S2中,对所述BP神经网络模型进行训练,得到第一训练权值、第一训练阈值、第二训练权值、第二训练阈值以及所述BP神经网络模型的预测值相对于所述样本数据的相对误差序列的具体过程为:
S21、所述第二初始权值、第二初始阈值分别按照下式得到更新增量:
其中,η为初始学习速率;
S22、所述第一初始权值、第一初始阈值分别按照下式得到更新增量:
S24、所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值分别按照下式进行更新:
wij(t+1)=wij(t)+Δwij(t) (8)
wjk(t+1)=wjk(t)+Δwjk(t) (9)
bj(t+1)=bj(t)+Δbj(t) (10)
bk(t+1)=bk(t)+Δbk(t) (11);
S25、利用所述步骤S24得到更新后的所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值以及公式(1)、(2)计算所述输出层的输出值,结合公式(3)计算所述学习误差;
S6、若所述学习误差小于或等于设定误差,或所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值的更新次数超过设定迭代次数,则训练结束,最后一次利用公式(8)、(9)、(10)、(11)得到的所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值为第一训练权值、第一训练阈值、第二训练权值、第二训练阈值,并利用下面公式计算所述相对误差APE:
其中,y(t)为修正和归一化处理的所述样本数据,O(t)为所述BP神经网络模型的训练预测值;所述BP神经网络模型的训练预测值为利用公式(1)、(2)以及第一训练权值、第一训练阈值、第二训练权值、第二训练阈值计算的所述输出层的输出值;
否则,回到步骤S21。
优选地,所述初始学习速率η以下面方式调整:
若根据更新后的所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值计算得到的所述输出层的输出值与所述样本数据的误差减小,则增大所述初始学习速率的值;否则减小所述初始学习速率的值,并舍弃更新后的所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值,采取更新前的所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值。
优选地,所述步骤S3中,建立所述马尔科夫链误差修正模型具体为:
S41、根据所述相对误差的分布密度划分多个预定相对误差状态;
S42、建立状态转移概率矩阵,所述状态转移概率矩阵为:
其中,Pij(k)表示相对误差从第一预定相对误差状态Si经k时步转移到第二预定相对误差状态Sj的概率。
优选地,所述相对误差从第一预定相对误差状态Si经k时步转移到第二预定相对误差状态Sj的概率Pij(k)按照下面公式计算:
其中,Mij(k)为第一预定相对误差状态Si经过k时步转移到所述第二预定相对误差状态Sj的次数;Mi为相对误差处于所述第一相对误差状态Si的个数。
优选地,所述步骤S5中,利用所述马尔科夫链误差修正模型计算输出功率的初始预测值对应的计算相对误差状态具体为:
S43、选取所述计算相对误差状态的实测相对误差状态组;所述实测相对误差状态组由所述计算相对误差状态的前m个计算相对误差状态或预定相对误差状态、按照时间先后顺序组成;
S44、对于所述实测相对误差状态组中每一个计算相对误差状态或预定相对误差状态,根据所述状态转移矩阵,计算其经对应的时步转移到各个所述预定相对误差状态的概率;
S45、利用所述步骤S44得到的概率,分别计算所述实测相对误差状态组中的每一个计算相对误差状态或预定相对误差状态转移各个预定相对误差状态的概率的和;
S46、选择所述步骤S45中,概率和最大值对应的预定相对误差状态作为所述计算相对误差状态。
优选地,所述步骤S5中,按照下面公式计算所述修正功率:
其中,F(x)为修正功率;f(x)为BP神经网络模型所得输出功率的初始预测值;ΔD和ΔU分别为所述计算相对误差状态对应的相对误差的下限值和上限值。
优选地,所述步骤S1中,对所述样本数据进行归一化处理具体为:对于风速和功率采用历史最大值对所述样本数据进行归一化;对于温度采用历史最高温度和最低温度中绝对值的最大值的值,来进行归一化;对于风向分别取风向角正弦值和余弦值。
(三)有益效果
本发明提供了一种风电功率预测方法,本发明基于BP神经网络和马尔科夫链误差修正模型两种预测方法,建立了新的风电功率预测方法,其中采用BP神经网络法预测风电功率的发展规律,再用马尔科夫误差修正模型进行残差修正,相比单一的BP神经网络预测法,其结果更接近实测值;该方法进一步提高风电功率预测的准确度,为含有风力发电的电网制定日发电计划和安全经济调度提供准确的风电功率预测值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种风电功率预测方法流程图;
图2为本发明中BP神经网络的结构图;
图3为本发明中BP神经网络训练流程图;
图4为本发明的一个较佳实施例的一种风电功率预测方法。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述。以下实施例用于说明本发明,但不能用来限制本发明的范围。
图1为本发明的一种风电功率预测方法流程图,所述方法包括以下步骤:
S1、收集样本数据,并对所述样本数据进行修正和归一化处理;
S2、利用经过修正和归一化处理的所述样本数据建立BP神经网络模型,并对所述BP神经网络模型进行训练,得到第一训练权值、第一训练阈值、第二训练权值、第二训练阈值训练过程中所述BP神经网络模型的预测值相对于所述样本数据的相对误差序列;
S3、根据所述步骤S2得到的所述相对误差序列,建立马尔科夫链误差修正模型;
S4、将待预测值所需的输入参数数据输入所述BP神经网络模型,利用所述第一训练权值、第一训练阈值、第二训练权值、第二训练阈值计算输出功率的初始预测值;利用所述马尔科夫链误差修正模型计算所述输出功率初始预测值对应的计算相对误差状态;
S5、将所述输出功率的初始预测值与与其对应的所述计算相对误差状态结合,计算得到修正功率。
所述BP神经网络模型包括输入层、隐含层和输出层,如图2所示,x1、x2、x3为输入,Y为输出;
所述隐含层输出为:
其中,f为所述隐含层的激励函数,一般Sigmoid函数,Lj为所述隐含层第j个节点的输出,Wij为所述输入层第i个节点和所述隐含层第j个节点之间的第一初始权值,bj为所述输入层和所述隐含层第j个节点之间的第一初始阈值,xi为输入层第i个节点的输入,n为所述输入层的节点数;
所述输出层输出为:
其中,f为所述输出层的激励函数,一般为Purelin函数,Ok为所述输出层第K个节点的输出,Wjk为所述隐含层第j个节点和所述输出层第k个节点之间的第二初始权值,bk为所述所述隐含层和所述输出层第k个节点之间的第二初始阈值,为l为所述隐含层的节点数;
所述BP神经网络模型的学习误差为:
其中,yk为修正和归一化处理的所述样本数据,m为所述输出层的节点数,E为所述BP神经网络模型的学习误差。
所述步骤S2中,对所述BP神经网络模型进行训练,得到第一训练权值、第一训练阈值、第二训练权值、第二训练阈值以及所述BP神经网络模型的预测值相对于所述样本数据的相对误差序列的具体过程为:
S21、所述第二初始权值、第二初始阈值分别按照下式得到更新增量:
其中,η为初始学习速率;
S22、所述第一初始权值、第一初始阈值分别按照下式得到更新增量:
S24、所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值分别按照下式进行更新:
wij(t+1)=wij(t)+Δwij(t) (8)
wjk(t+1)=wjk(t)+Δwjk(t) (9)
bj(t+1)=bj(t)+Δbj(t) (10)
bk(t+1)=bk(t)+Δbk(t) (11);
S25、利用所述步骤S24得到更新后的所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值以及公式(1)、(2)计算所述输出层的输出值,结合公式(3)计算所述学习误差;
S6、若所述学习误差小于或等于设定误差,或所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值的更新次数超过设定迭代次数,则训练结束,最后一次利用公式(8)、(9)、(10)、(11)得到的所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值为第一训练权值、第一训练阈值、第二训练权值、第二训练阈值,并利用下面公式计算所述相对误差APE:
其中,y(t)为修正和归一化处理的所述样本数据,O(t)为所述BP神经网络模型的训练预测值;所述BP神经网络模型的训练预测值为利用公式(1)、(2)以及第一训练权值、第一训练阈值、第二训练权值、第二训练阈值计算的所述输出层的输出值;
否则,回到步骤S21。
所述初始学习速率η以下面方式调整:
若根据更新后的所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值计算得到的所述输出层的输出值与所述样本数据的误差减小,则增大所述初始学习速率的值;否则减小所述初始学习速率的值,并舍弃更新后的所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值,采取更新前的所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值。
图3为BP神经网络模型训练流程图,如图所示,首先初始化BP神经网络模型,给定输入向量和目标向量,将所述输入向量输入到BP神经网络模型,隐含层及输出层进行输出,计算BP神经网络模型输出的值与目标向量的差,计算学习误差,对权值和阈值进行训练,然后判断学习是否结束,若结束则输出训练的阈值和权值,否则改变学习速率,利用新的权值和阈值求得输出层的输出值,计算其与目标向量的差。
由于BP算法是基于误差修正学习的,修正量的大小受到学习率的控制通过检查更新后的权值是否降低了误差对学习率的大小进行调节,即当误差以减小的方式趋于目标时,说明修正方向正确,于是步长增加,因此学习速率乘以增量因子,使学习速率增加;而当误差增加超过设定的值时,说明修正过头,应减小步长,因此学习速率乘以减量因子,使学习速率减少,同时舍去误差增加的前一步修正过程。具体表达公式为:
所述步骤S3中,建立所述马尔科夫链误差修正模型具体为:
S41、根据所述相对误差的分布密度划分多个预定相对误差状态;
S42、建立状态转移概率矩阵,所述状态转移概率矩阵为:
其中,Pij(k)表示相对误差从第一预定相对误差状态Si经k时步转移到第二预定相对误差状态Sj的概率。
所述相对误差从第一预定相对误差状态Si经k时步转移到第二预定相对误差状态Sj的概率Pij(k)按照下面公式计算:
其中,Mij(k)为第一预定相对误差状态Si经过k时步转移到所述第二预定相对误差状态Sj的次数;Mi为相对误差处于所述第一相对误差状态Si的个数。
所述步骤S5中,利用所述马尔科夫链误差修正模型计算输出功率的初始预测值对应的计算相对误差状态具体为:
S43、选取所述计算相对误差状态的实测相对误差状态组;所述实测相对误差状态组由所述计算相对误差状态的前m个计算相对误差状态或预定相对误差状态、按照时间先后顺序组成;
S44、对于所述实测相对误差状态组中每一个计算相对误差状态或预定相对误差状态,根据所述状态转移矩阵,计算其经对应的时步转移到各个所述预定相对误差状态的概率;
计算时,所述实测相对误差状态组中每一个计算相对误差状态或预定相对误差状态变形为一行多列的一个矩阵,其列数为所述预定相对误差状态的个数,矩阵各个元素从左到右依次对应各个预定相对误差状态,在对应相对误差状态处设为1,其余为0,再跟与之对应时步的状态转移概率矩阵相乘,得到一行多列的矩阵,此矩阵的各个元素对应计算相对误差状态或预定相对误差状态经过对应时步转移到各个预定相对误差状态的概率;与计算相对误差状态相邻的误差状态对应的时步为1,其他误差状态的时步对应依次加1;
S45、利用所述步骤S44得到的概率,分别计算所述实测相对误差状态组中的每一个计算相对误差状态或预定相对误差状态转移各个预定相对误差状态的概率的和;
具体为将得到的多个1行多列的矩阵相同列的元素相加,得到到达各个预定相对误差状态的概率的和;
S46、选择所述步骤S45中,概率和最大值对应的预定相对误差状态作为所述计算相对误差状态。
所述步骤S5中,按照下面公式计算所述修正功率:
其中,F(x)为修正功率;f(x)为BP神经网络模型所得输出功率的初始预测值;ΔD和ΔU分别为所述计算相对误差状态对应的相对误差的下限值和上限值。
所述步骤S1中,对数据进行预处理,即剔出错误数据和归一化处理;所述剔除错误数据主要包括剔除风电机组测风仪器故障数据、风电机组正常或非正常停机数据、通信故障数据等;所述归一化处理包括对风速和功率采用历史最大值对样本数据进行归一化,温度采用历史最高温度和最低温度绝对值的最大值来进行归一化,风向分别取正弦值和余弦值,换算到〔一l,1〕区间进行归一化处理。
BP(Back Propagation)神经网络属于多层前向型网络,可以分步式存储信息,具有较好的容错性和鲁棒性;因为其采用误差反向传播算法进行学习,因此具有对未知信息的自学习与自组织能力;由于其能准确描述输入值和输出目标之间的映射关系,所以能够以任意精度逼近任何非线性映射,适合处理复杂问题。
马尔科夫链(Markov Chain,MC)是研究***状态转移规律的理论,自20世纪初俄国数学家马尔科夫(Markov)提出以来,在交通、生态、水文、地质等众多领域得到应用,取得了***的成果。但是在风电功率预测领域,涉及马尔科夫链的研究应用基本为空白。马尔科夫过程是研究事件的状态和状态之间转移规律的随机过程。其状态转移概率只和转移的开始状态、转移的步长、转移后的状态有关,和转移之前的状态无关,马尔科夫过程无后效性。马尔科夫链是状态和时间都离散的Markov过程。由于MC不受过去状态的影响,对于受多种因素影响的时间序列预测具有一定的优越性。
本发明基于BP神经网络和马尔科夫误差修正模型两种预测方法,建立了新的风电功率预测方法,其中采用BP神经网络法预测风电功率的发展规律,再用马尔科夫误差修正模型进行残差修正,相比单一的BP神经网络预测法,其结果更接近实测值;该方法进一步提高风电功率预测的准确度,为含有风力发电的电网制定日发电计划和安全经济调度提供准确的风电功率预测值。
实施例:图4为本发明的一个较佳实施例的一种风电功率预测方法;
风电功率影响因素主要包括风速、风向、气压、湿度、气温等,对于基本数据匮乏的新建风电场也可用历史风速与历史风电功率进行研究。收集实际风电场的历史数据,对数据进行修正和归一化处理。对数据处理完毕后,可建立BP神经网络模型,并对神经网络模型初始化。神经网络具有很强的非线性映射能力,特别适合处理具有随机性、非线性特点的风电功率数据。依据实际风电场的环境影响因素和本身的数据基础,确定模型的各输入基本参数,包括输入量的选择、各层的节点数、最大训练次数、收敛误差等。根据历史样本对神经网络模型进行训练;判断学习是否结束,若结束则确定各层间的权值及阈值以及样本值和预测值的相对误差序列,并输出;否则改变学习速率,继续学习;根据输出的权值及阈值,输入待预测数据的输入量可得初步的预测曲线。
根据训练样本所得的相对误差序列建立马尔科夫误差修正模型。将相对误差的分布密度和大小划为n个预定相对误差状态,记为S=[S1,S1,S1,…Sn],相对误差从一个相对误差状态Si经k时步转移到另一个相对误差状态Sj的概率为
式中:Mij(k)为相对误差从一个相对误差状态Si经k时步转移到另一个相对误差状态Sj的次数;Mi为相对误差处于相对误差状态Si的个数;Pij(k)为相对误差从一个相对误差状态Si经k时步转移到另一个相对误差状态Sj的概率。
则第k时步时序状态转移矩阵P(k)可表示为
在建立状态转移矩阵P(k)后,可根据P(k)来进行误差预测,修正基于BP神经网络得到的预测值来减少误差。首先选取离计算相对误差状态最近的m个实测相对误差状态,依据状态转移矩阵中得到第i个实测相对误差状态经k(k=m,k=m-1,…k=1;k+i=m+1)时步转移到预测时步状态的概率,并把所得到的m个概率求和,最大值所处的预定相对误差状态可认为是所求的计算相对误差状态。
根据经典预测理论可知,预测时步越多,预测值与实际值之间的误差越大,所以对于单一的时间序列可以采用滚动预测法来减少误差。即利用已知的第1,2,…,m个预定相对误差状态或计算相对误差状态(第1个相对误差状态可由前一日的历史实测相对误差状态的最后的相对误差状态滚动预测)通过状态转移矩阵P(k)预测其后的第m+1个的计算相对误差状态时序状态,然后利用最新的实测计算相对误差状态,进行下一次的m个计算相对误差状态预测,即用第2,3,…,m+1的计算相对误差状态或预定相对通过P(k)来预测第m+2个的计算相对误差状态,以此类推,滚动预测利用最新的实测数据对后面的时序进行预测,很大程度上提高了预测的精度。
确定了计算相对误差状态,即确定了BP神经网络预测值相对误差的变化范围,则输出功率的修正值为
其中,F(x)为修正值;f(x)为BP神经网络的输出功率的初始预测值;ΔD和ΔU分别为计算相对误差状态对应的相对误差的下限值和上限值。
以上实施方式仅用于说明本发明,而非对本发明的限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行各种组合、修改或者等同替换,都不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种风电功率预测方法,其特征在于,所述方法包括以下步骤:
S1、收集样本数据,并对所述样本数据进行修正和归一化处理;
S2、利用经过修正和归一化处理的所述样本数据建立BP神经网络模型,并对所述BP神经网络模型进行训练,得到第一训练权值、第一训练阈值、第二训练权值、第二训练阈值以及训练过程中所述BP神经网络模型的预测值相对于所述样本数据的相对误差序列;
S3、根据所述步骤S2得到的所述相对误差序列,建立马尔科夫链误差修正模型;
S4、将待预测值所需的输入参数数据输入所述BP神经网络模型,利用所述第一训练权值、第一训练阈值、第二训练权值、第二训练阈值计算输出功率的初始预测值;利用所述马尔科夫链误差修正模型计算所述输出功率初始预测值对应的计算相对误差状态;
S5、将所述输出功率的初始预测值与与其对应的所述计算相对误差状态结合,计算得到修正功率;
所述BP神经网络模型包括输入层、隐含层和输出层;
所述隐含层输出为:
<mrow>
<msub>
<mi>L</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>i</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>l</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,f为所述隐含层的激励函数,Lj为所述隐含层第j个节点的输出,Wij为所述输入层第i个节点和所述隐含层第j个节点之间的第一初始权值,bj为所述输入层和所述隐含层第j个节点之间的第一初始阈值,xi为输入层第i个节点的输入,n为所述输入层的节点数;
所述输出层输出为:
<mrow>
<msub>
<mi>O</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mi>L</mi>
<mi>j</mi>
</msub>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>m</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,f为所述输出层的激励函数,Ok为所述输出层第K个节点的输出,Wjk为所述隐含层第j个节点和所述输出层第k个节点之间的第二初始权值,bk为所述隐含层和所述输出层第k个节点之间的第二初始阈值,l为所述隐含层的节点数;
所述BP神经网络模型的学习误差为:
<mrow>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>O</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,yk为修正和归一化处理的所述样本输出参数数据,m为所述输出层的节点数,E为所述BP神经网络模型的学习误差;
所述步骤S2中,对所述BP神经网络模型进行训练,得到第一训练权值、第一训练阈值、第二训练权值、第二训练阈值以及所述BP神经网络模型的预测值相对于所述样本数据的相对误差序列的具体过程为:
S21、所述第二初始权值、第二初始阈值分别按照下式得到更新增量:
<mrow>
<msub>
<mi>&Delta;w</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Delta;b</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,η为初始学习速率;
S22、所述第一初始权值、第一初始阈值分别按照下式得到更新增量:
<mrow>
<msub>
<mi>&Delta;w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Delta;b</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
S24、所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值分别按照下式进行更新:
wij(t+1)=wij(t)+Δwij(t) (8)
wjk(t+1)=wjk(t)+Δwjk(t) (9)
bj(t+1)=bj(t)+Δbj(t) (10)
bk(t+1)=bk(t)+Δbk(t) (11);
S25、利用所述步骤S24得到更新后的所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值以及公式(1)、(2)计算所述输出层的输出值,结合公式(3)计算所述学习误差;
S6、若所述学习误差小于或等于设定误差,或所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值的更新次数超过设定迭代次数,则训练结束,最后一次利用公式(8)、(9)、(10)、(11)得到的所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值为第一训练权值、第一训练阈值、第二训练权值、第二训练阈值,并利用下面公式计算所述相对误差APE:
<mrow>
<mi>A</mi>
<mi>P</mi>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>O</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>*</mo>
<mn>100</mn>
<mi>%</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,y(t)为修正和归一化处理的所述样本数据,O(t)为所述BP神经网络模型的训练预测值;所述BP神经网络模型的训练预测值为利用公式(1)、(2)以及第一训练权值、第一训练阈值、第二训练权值、第二训练阈值计算的所述输出层的输出值;
否则,回到步骤S21。
2.根据权利要求1所述的方法,其特征在于,所述初始学习速率η以下面方式调整:
若根据更新后的所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值计算得到的所述输出层的输出值与所述样本数据的误差减小,则增大所述初始学习速率的值;否则减小所述初始学习速率的值,并舍弃更新后的所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值,采取更新前的所述第一初始权值、第一初始阈值、第二初始权值、第二初始阈值。
3.根据权利要求1至2任一项所述的方法,其特征在于,所述步骤S3中,建立所述马尔科夫链误差修正模型具体为:
S41、根据所述相对误差的分布密度划分多个预定相对误差状态;
S42、建立状态转移概率矩阵,所述状态转移概率矩阵为:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>P</mi>
<mn>11</mn>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mn>12</mn>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mn>1</mn>
<mi>n</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>P</mi>
<mn>21</mn>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mn>22</mn>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mn>2</mn>
<mi>n</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>n</mi>
<mn>2</mn>
</mrow>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>n</mi>
<mi>n</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Pij(k)表示相对误差从第一预定相对误差状态Si经k时步转移到第二预定相对误差状态Sj的概率,i,j=1,2,...,n。
4.根据权利要求3所述的方法,其特征在于,所述相对误差从第一预定相对误差状态Si经k时步转移到第二预定相对误差状态Sj的概率Pij(k)按照下面公式计算:
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>M</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Mij(k)为第一预定相对误差状态Si经过k时步转移到所述第二预定相对误差状态Sj的次数;Mi为相对误差处于所述第一预定相对误差状态Si的个数。
5.根据权利要求4所述的方法,其特征在于,所述步骤S5中,利用所述马尔科夫链误差修正模型计算输出功率的初始预测值对应的计算相对误差状态具体为:
S43、选取所述计算相对误差状态的实测相对误差状态组;所述实测相对误差状态组由所述计算相对误差状态的前m个计算相对误差状态或预定相对误差状态、按照时间先后顺序组成;
S44、对于所述实测相对误差状态组中每一个计算相对误差状态或预定相对误差状态,根据所述状态转移概率矩阵,计算其经对应的时步转移到各个所述预定相对误差状态的概率;
S45、利用所述步骤S44得到的概率,分别计算所述实测相对误差状态组中的每一个计算相对误差状态或预定相对误差状态转移各个预定相对误差状态的概率的和;
S46、选择所述步骤S45中,概率和最大值对应的预定相对误差状态作为所述计算相对误差状态。
6.根据权利要求5所述的方法,其特征在于,所述步骤S5中,按照下面公式计算所述修正功率:
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>&Delta;</mi>
<mi>D</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&Delta;</mi>
<mi>U</mi>
</msub>
</mrow>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>15</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,F(x)为修正功率;f(x)为BP神经网络模型所得输出功率的初始预测值;ΔD和ΔU分别为所述计算相对误差状态对应的相对误差的下限值和上限值。
7.根据权利要求6所述的方法,其特征在于,所述步骤S1中,对所述样本数据进行归一化处理具体为:对于风速和功率采用历史最大值对所述样本数据进行归一化;对于温度,采用历史最高温度和最低温度中绝对值大的值来进行归一化;对于风向分别取风向角正弦值和余弦值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510037230.XA CN104636823B (zh) | 2015-01-23 | 2015-01-23 | 一种风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510037230.XA CN104636823B (zh) | 2015-01-23 | 2015-01-23 | 一种风电功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104636823A CN104636823A (zh) | 2015-05-20 |
CN104636823B true CN104636823B (zh) | 2018-02-16 |
Family
ID=53215547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510037230.XA Expired - Fee Related CN104636823B (zh) | 2015-01-23 | 2015-01-23 | 一种风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104636823B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958297B (zh) * | 2016-10-17 | 2021-10-26 | 华为技术有限公司 | 一种产品需求预测方法及产品需求预测装置 |
CN107947738A (zh) * | 2017-12-11 | 2018-04-20 | 南京航空航天大学 | 一种太阳能无人机电池板电压的预测方法 |
CN108564206B (zh) * | 2018-03-27 | 2021-08-17 | 中国农业大学 | 一种基于分布式优化和空间相关性的风电功率预测方法 |
CN110717610B (zh) * | 2018-07-11 | 2023-10-31 | 华北电力大学(保定) | 一种基于数据挖掘的风电功率预测方法 |
CN109165797A (zh) * | 2018-10-12 | 2019-01-08 | 国网宁夏电力有限公司 | 一种风电功率预测方法及装置 |
CN110059392A (zh) * | 2019-04-11 | 2019-07-26 | 桂林电子科技大学 | 一种滑坡形变预测方法 |
CN110165693B (zh) * | 2019-06-27 | 2023-05-02 | 上海电机学院 | 一种风电场优化储能配置方法 |
CN110874616A (zh) * | 2019-11-18 | 2020-03-10 | 苏文电能科技股份有限公司 | 基于lstm网络与马尔科夫链修正误差的变压器运行预测方法 |
CN111765075B (zh) * | 2020-05-20 | 2022-05-03 | 天津市天锻压力机有限公司 | 一种锻造液压机泵源故障预测方法及*** |
CN112749792B (zh) * | 2021-02-02 | 2023-07-07 | 南京信息工程大学 | 一种基于bp算法的风速预测方法 |
CN112948462A (zh) * | 2021-02-26 | 2021-06-11 | 武汉大学 | 一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法 |
CN113591957B (zh) * | 2021-07-21 | 2023-10-27 | 国网上海市电力公司 | 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN103400204A (zh) * | 2013-07-26 | 2013-11-20 | 华南理工大学 | 基于svm-马尔科夫组合法的太阳能光伏发电量预测方法 |
CN103473618A (zh) * | 2013-09-18 | 2013-12-25 | 上海电机学院 | 一种风电场短期风功率预测***及方法 |
CN104299031A (zh) * | 2014-06-13 | 2015-01-21 | 国家电网公司 | Bp神经网络超短期负荷预测方法 |
-
2015
- 2015-01-23 CN CN201510037230.XA patent/CN104636823B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN103400204A (zh) * | 2013-07-26 | 2013-11-20 | 华南理工大学 | 基于svm-马尔科夫组合法的太阳能光伏发电量预测方法 |
CN103473618A (zh) * | 2013-09-18 | 2013-12-25 | 上海电机学院 | 一种风电场短期风功率预测***及方法 |
CN104299031A (zh) * | 2014-06-13 | 2015-01-21 | 国家电网公司 | Bp神经网络超短期负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104636823A (zh) | 2015-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104636823B (zh) | 一种风电功率预测方法 | |
Catalao et al. | An artificial neural network approach for short-term wind power forecasting in Portugal | |
CN102722759B (zh) | 基于bp神经网络的电网供电可靠性预测方法 | |
CN109492823B (zh) | 一种对输电线路覆冰厚度的预测方法 | |
CN102479339B (zh) | 基于混合神经网络的风电场短期风速预测方法和*** | |
CN102682345B (zh) | 基于双最优学习率快速学习神经网络的交通流预测方法 | |
CN103942461B (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
CN107425520A (zh) | 一种含节点注入功率不确定性的主动配电网三相区间状态估计方法 | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN105354620A (zh) | 一种风机发电功率的预测方法 | |
CN107516145A (zh) | 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法 | |
CN105160423A (zh) | 一种基于马尔科夫残差修正的光伏发电预测方法 | |
CN106446571A (zh) | 风电场功率预测的误差评价方法 | |
CN106203683A (zh) | 一种电力客户用电负荷预测***的建模方法 | |
CN106295899A (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法 | |
CN103927460A (zh) | 一种基于rbf的风电场短期风速预测方法 | |
CN102478584A (zh) | 基于小波分析的风电场风速预测方法及*** | |
CN103985000A (zh) | 基于函数型非参数回归的中长期典型日负荷曲线预测方法 | |
CN104933489A (zh) | 基于自适应神经模糊推理***的风电功率实时高精度预测方法 | |
CN109345009A (zh) | 二阶灰色神经网络和马尔科夫链的短期风速区间预测方法 | |
CN106934209A (zh) | 一种燃煤电站烟气含氧量在线预测方法 | |
CN103530700B (zh) | 城区配电网饱和负荷综合预测方法 | |
CN106779139A (zh) | 基于小波分解和二阶灰色神经网络的短期风速预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180216 |
|
CF01 | Termination of patent right due to non-payment of annual fee |