CN109284859A - 一种输电线路覆冰预测方法 - Google Patents
一种输电线路覆冰预测方法 Download PDFInfo
- Publication number
- CN109284859A CN109284859A CN201810972886.4A CN201810972886A CN109284859A CN 109284859 A CN109284859 A CN 109284859A CN 201810972886 A CN201810972886 A CN 201810972886A CN 109284859 A CN109284859 A CN 109284859A
- Authority
- CN
- China
- Prior art keywords
- prediction
- ice
- covering
- wind direction
- conducting wire
- 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 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 4
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 210000000299 nuclear matrix Anatomy 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 239000000843 powder Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 239000010410 layer Substances 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000010353 genetic engineering Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004781 supercooling Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于输电线路覆冰预测技术领域,尤其涉及一种输电线路覆冰预测方法,包括:首先选取温度、湿度、风速、风向作为输入数据并进行预处理;然后利用非劣排序遗传II(NSGA‑II)算法对KELM模型的参数进行优化,从而得到惩罚系数和核参数的最优值,最后输入数据得到预测线路覆冰厚度结果。取得的预测结果精度更高,鲁棒性更强。可以对不同地区、不同海拔高度的输电线路覆冰厚度进行预测,并可以取得较为理想的预测效果,本发明所构建的模型适应性和稳定性较强。
Description
技术领域
本发明属于输电线路覆冰预测技术领域,尤其涉及一种输电线路覆冰预测方法。
背景技术
输电线路覆冰会引起绝缘子覆冰闪络、导地线断线、杆塔倒塌等一系列事故,严重影响电力***的安全稳定运行。自有覆冰事故记录起,国内外均有报道输电线路覆冰造成高压输电线路倒塔、断线的事故,有些灾情比较严重。因此,研究构建覆冰厚度预测模型,准确预测输电线路覆冰厚度,对电力***安全稳定运行有着重要的意义。
目前,国内外学者对输电线路覆冰厚度预测开展了多项研究,大致分为三个方面,分别是数学物理预测模型、统计预测模型和智能预测模型。数学物理预测模型多为基于导线覆冰的流体运动规律和传热机理对输电线路冰厚度进行预测。然而,由于数学物理预测模型中的部分参量在实际线路中难以通过测量获取,因此此类模型较难直接应用于实际输电线路的覆冰预测。统计预测模型是基于输电线路覆冰厚度统计规律进行的预测,主要有极值预测模型等,但是由这种基于数据统计方法得到的覆冰厚度预测模型不能推广到地理环境差异较大的其它输电线路,因此这种模型的预期效果并不是很理想。因此,在人工智能技术快速发展的时代背景下,运用智能预测方法来进行输电线路覆冰厚度预测便具有了更加重要的意义。
极限学习机(ELM)作为一种新型的前馈神经网络,能够克服传统BP神经网络和SVM的缺陷,该算法不仅降低陷入局部最优的风险,而且极大提高网络的学习速率和泛化能力,已在多个预测领域进行了应用,并得到了较为准确的预测结果。但是由于ELM的输入权值和隐含层偏置随机初始化的特点,其预测稳定性比较差。虽然在引入核函数后提出核极限学习机(kernel extreme learningmachine,KELM)算法,克服了ELM的稳定性差这一弱点并提高了算法学习精度;但同时其性能易受惩罚系数C和核参数σ的影响。
发明内容
为了为了提升输电线路覆冰预测的准确性和稳定性,本发明提出了一种输电线路覆冰预测方法,包括:
首先选取温度、湿度、风速、风向作为输入数据并进行预处理;然后利用非劣排序遗传II(NSGA-II)算法对KELM模型的参数进行优化,从而得到惩罚系数和核参数的最优值,最后输入数据得到预测线路覆冰厚度结果。
所述风向的预处理方式为:
其中,J为风向数据聚类处理结果值,θ为以导线为基准,风向绕导线逆时针旋转时,风与导线之间的夹角度数值,ceil为向上取整函数。
所述KELM模型的输出为:
其中,f(x)为KELM模型的输出,h(x)为隐层节点的特征映射函数,H为神经网络隐藏层矩阵,I为对角矩阵,C为惩罚系数,O为预测目标值向量,K(x,xN)为核函数,ΩELM为核矩阵。
本发明的有益效果:
(1)通过NSGA-II算法对KELM模型参数进行优化,取得的预测结果相比于基本KELM模型和ELM模型,其预测精度更高,鲁棒性更强。
(2)本发明所提模型可以对不同地区、不同海拔高度的输电线路覆冰厚度进行预测,并可以取得较为理想的预测效果,本发明所构建的模型适应性和稳定性较强。
(3)通过引入快速非支配排序技术、精英保留技术、采用拥挤度和拥挤度比较算子,能处理各种多维、非凸、非线性的复杂规划问题,且鲁棒性好、计算高效,能获得分布均匀、多样性良好的非支配解集。
附图说明
图1为本发明的整体预测方法框图。
具体实施方式
下面结合附图,对实施例作详细说明。
首先选取温度、湿度、风速、风向作为输入数据并进行预处理;然后利用NSGA-II算法对KELM模型的参数进行优化,从而得到惩罚系数和核参数的最优值,最后输入数据得到预测线路覆冰厚度结果。
1输入指标选择和数据预处理
输电线路覆冰厚度的影响因素有很多,但是其主要影响因素为温度、空气相对湿度、风速和风向。温度必须小于等于0摄氏度,空气相对湿度必须在85%以上。当具备了形成覆冰的温度和水汽条件后,风对导线覆冰起着重要的作用。它可将大量的过冷却水滴不断地输向线路,与导线碰撞而被截获并逐步增大形成覆冰现象。据观测,覆冰首先在导线迎风面上成长,当迎风面达到某一覆冰厚度时,导线因重力作用而产生扭转,从而出现了新的迎风面。这样,导线通过不断扭转而使覆冰逐步增大,最终导线上形成圆形或椭圆形的覆冰,因此输电线路覆冰的形成过程中,风速应当超过1m/s。除此之外,风向也对线路覆冰厚度产生影响,具体体现在:以导线的方向为水平零度,以导线为基准,风向绕导线逆时针旋转时,风与导线之间的夹角处于[0°,180°)范围时,夹角越接近0°或180°则覆冰程度越轻,夹角越接近90°,覆冰程度越重;风与导线之间的夹角处于[180°,360°)范围时,夹角越接近180°或360°则覆冰程度越轻,夹角越接近270°,覆冰程度越重。因此,选择预测时点的温度、空气相对湿度、风速和风向及其前两个小时的覆冰厚度、温度、空气相对湿度、风速和风向作为输入数据,输出结果为预测点的线路覆冰厚度。
数据预处理步骤如下:
(1)风向数据聚类处理。风向数据的波动幅度较大,这会降低预测结果的准确性,而对风向数据进行聚类处理能够使其波动幅度变小,从而提升预测的准确性。因此根据风向对覆冰厚度的影响程度,对风向数据进行聚类处理,处理公式如下:
其中,J为风向数据聚类处理结果值,θ为以导线为基准,风向绕导线逆时针旋转时,风与导线之间的夹角度数值,ceil为向上取整函数。
(2)对所有数据标准化处理。由于各输入指标的性质不同,通常具有不同的量纲和数量级,为保证预测结果的准确性,需要对原始指标数据进行标准化处理。处理公式如下:
其中,xi是实际值,其中风向数据的实际值为聚类处理后的结果,xmin和xmax分别是样本数据的最小值和最大值。
2基于NSGA-II算法优化KELM的预测模型
2.1NSGA-II算法
NSGA-II算法求解多目标优化问题的基本步骤如下所示:
(1)生成原始种群Pt,对种群Pt中的个体进行非支配排序和赋予Pareto最优秩,并对种群Pt进行遗传操作,形成子代种群Qt。
(2)合并原始种群Pt和子代种群Qt产生新种群Rt,对Rt进行非支配排序,并计算出Rt中处于支配层的个体ri的拥挤度di。
(3)根据非支配排序和拥挤度(di)排序结果产生新一代种群Pt+1。
(4)对种群Pt+1继续进行遗传操作,产生其子代种群Qt+1,若t未达到最大迭代次数tmax,则令t=t+1,否则循环终止,输出结果。
其中,拥挤度(di)指的是种群中每个个体周围其他个体的密集程度。将处于边界的个体拥挤度定为无穷大,处于其他位置的个体拥挤度计算公式如下所示:
其中,di为种群中第i个个体的拥挤度;m为目标函数个数;fj,i为第i个个体应用第j个目标函数得到的计算结果;fjmax、fjmin为第j个目标函数所能取得的最大值和最小值。
2.2核函数极限学习机(extreme learning machine with kernel,KELM)
KELM是一种单层前馈神经网络算法,相对于基本极限学习机(extremelearningmachine,ELM)算法,其解决回归预测问题的能力更强,而相对于BPNN和SVM,其在获得更好或相似的预测精度时,计算速度更快,而且极大提高了网络的泛化能力。KELM算法已在多个领域被证明具有优良的预测性能。
首先简单说明基本ELM算法的神经网络构建机制,其神经网络函数如下所示:
g(x)=hi(x)·βi (4)
式中:g(x)为网络输出值,hi(x)为与输入x对应的第i个隐层神经元的输出;βi为第i个隐层神经元与输出神经元之间的连接权值。
ELM通过最小化输出误差保证回归预测精度,如下所示:
式中:L为隐藏层神经元的个数;gO(x)为目标值构成的待预测函数。
同时ELM算法通过最小化输出权重β保证神经网络的泛化能力。通常β取其最小二乘解,计算方法如下所示:
式中:H为神经网络隐藏层矩阵;H+为H矩阵的广义逆矩阵;O为预测目标值向量。根据岭回归理论,通过增加正常数1/C,求解结果将更加稳定并具有更好的泛化能力。
对于KELM算法,其通过引入核函数来获得更好的回归预测精度,应用Mercer’s条件定义核矩阵,如下所示:
核矩阵Ω替代ELM中的随机矩阵HHT,利用核函数将所有输入样本从n维输入空间映射到高维隐层特征空间。核参数设定完成之后,核矩阵Ω的映射值为定值。核函数K(μ,ν),包括RBF核函数、线性核函数和多项式核函数等,通常设定为RBF核:
K(μ,ν)=exp[-(μ-ν2/σ)] (8)
将参数1/C添加到单位对角阵HHT中的主对角线上,使其特征根不为零,再由此求权值向量β*。这样使得ELM更具稳定性且其泛化性也更好。此时ELM网络的输出权值变为:
β*=HT(I/C+HHT)-1O (9)
式中:I为对角矩阵;C为惩罚系数,用以权衡结构风险和经验风险之间的比例。HHT是通过核函数将输入样本映射产生的。
由以上公式可得,KELM模型的输出为:
在基于核的KELM算法中,隐层节点的特征映射函数h(x)的具体形式不用特意给出,而只需要知道核函数的具体形式就可以求出输出函数的值。同时,因为核函数直接采用内积的形式,在求解输出函数值时也不必去设定隐层节点的个数,从而不需设定隐含层初始权重和偏置。
2.3整体预测框架
本文首先确定了输电线路覆冰预测模型的输入指标,并设计了数据预处理方法,然后使用NSGA-II算法优化KELM模型,从而得到惩罚系数C和核参数σ的最优值,最后输入输入指标特征数据得到预测结果。提出的组合预测框架如图1所示。
此实施例仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (3)
1.一种输电线路覆冰预测方法,其特征在于,包括:
首先选取温度、湿度、风速、风向作为输入数据并进行预处理;然后利用非劣排序遗传II算法对KELM模型的参数进行优化,从而得到惩罚系数和核参数的最优值,最后输入数据得到预测线路覆冰厚度结果。
2.根据权利要求1所述方法,其特征在于,所述风向的预处理方式为:
其中,J为风向数据聚类处理结果值,θ为以导线为基准,风向绕导线逆时针旋转时,风与导线之间的夹角度数值,ceil为向上取整函数。
3.根据权利要求1或2所述方法,其特征在于,所述KELM模型的输出为:
其中,f(x)为KELM模型的输出,h(x)为隐层节点的特征映射函数,H为神经网络隐藏层矩阵,I为对角矩阵,C为惩罚系数,O为预测目标值向量,K(x,xN)为核函数,ΩELM为核矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810972886.4A CN109284859A (zh) | 2018-08-24 | 2018-08-24 | 一种输电线路覆冰预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810972886.4A CN109284859A (zh) | 2018-08-24 | 2018-08-24 | 一种输电线路覆冰预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109284859A true CN109284859A (zh) | 2019-01-29 |
Family
ID=65183051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810972886.4A Pending CN109284859A (zh) | 2018-08-24 | 2018-08-24 | 一种输电线路覆冰预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109284859A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070530A (zh) * | 2019-04-19 | 2019-07-30 | 山东大学 | 一种基于深度神经网络的输电线路覆冰检测方法 |
CN111551593A (zh) * | 2020-04-23 | 2020-08-18 | 西安工程大学 | 一种基于rbf-nn的绝缘子融冰含水率监测方法 |
CN114065604A (zh) * | 2021-08-13 | 2022-02-18 | 贵州电网有限责任公司 | 一种基于gats-svm的线路覆冰厚度预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130013207A1 (en) * | 2011-07-08 | 2013-01-10 | Artic Ice Management Ab | Support system for use when managing ice |
CN103679294A (zh) * | 2013-12-20 | 2014-03-26 | 国家电网公司 | 一种基于差异化的输电网抗灾能力规划方法 |
CN104361414A (zh) * | 2014-11-24 | 2015-02-18 | 武汉大学 | 一种基于相关向量机的输电线路覆冰预测方法 |
CN105354363A (zh) * | 2015-10-09 | 2016-02-24 | 上海大学 | 基于核极限学习机的脉动风速预测方法 |
CN105809287A (zh) * | 2016-03-10 | 2016-07-27 | 云南大学 | 一种高压输电线路覆冰过程综合预测方法 |
CN106951995A (zh) * | 2017-03-22 | 2017-07-14 | 华东交通大学 | 一种超高压输电电场极限学习机预测多目标优化屏蔽方法 |
-
2018
- 2018-08-24 CN CN201810972886.4A patent/CN109284859A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130013207A1 (en) * | 2011-07-08 | 2013-01-10 | Artic Ice Management Ab | Support system for use when managing ice |
CN103679294A (zh) * | 2013-12-20 | 2014-03-26 | 国家电网公司 | 一种基于差异化的输电网抗灾能力规划方法 |
CN104361414A (zh) * | 2014-11-24 | 2015-02-18 | 武汉大学 | 一种基于相关向量机的输电线路覆冰预测方法 |
CN105354363A (zh) * | 2015-10-09 | 2016-02-24 | 上海大学 | 基于核极限学习机的脉动风速预测方法 |
CN105809287A (zh) * | 2016-03-10 | 2016-07-27 | 云南大学 | 一种高压输电线路覆冰过程综合预测方法 |
CN106951995A (zh) * | 2017-03-22 | 2017-07-14 | 华东交通大学 | 一种超高压输电电场极限学习机预测多目标优化屏蔽方法 |
Non-Patent Citations (1)
Title |
---|
牛东晓 等: "基于KPCA和NSGAII优化CNN参数的电动汽车充电站短期负荷预测", 《电力建设》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070530A (zh) * | 2019-04-19 | 2019-07-30 | 山东大学 | 一种基于深度神经网络的输电线路覆冰检测方法 |
CN111551593A (zh) * | 2020-04-23 | 2020-08-18 | 西安工程大学 | 一种基于rbf-nn的绝缘子融冰含水率监测方法 |
CN114065604A (zh) * | 2021-08-13 | 2022-02-18 | 贵州电网有限责任公司 | 一种基于gats-svm的线路覆冰厚度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112186743B (zh) | 一种基于深度强化学习的动态电力***经济调度方法 | |
Chang et al. | An improved neural network-based approach for short-term wind speed and power forecast | |
Ge et al. | A hybrid model for short-term PV output forecasting based on PCA-GWO-GRNN | |
CN107591844A (zh) | 考虑节点注入功率不确定性的主动配电网鲁棒重构方法 | |
CN105046374A (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
CN109284859A (zh) | 一种输电线路覆冰预测方法 | |
CN104978611A (zh) | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 | |
CN105354620A (zh) | 一种风机发电功率的预测方法 | |
Wu et al. | Stratification-based wind power forecasting in a high-penetration wind power system using a hybrid model | |
CN104037776A (zh) | 随机惯性因子粒子群优化算法的电网无功容量配置方法 | |
CN114676941B (zh) | 园区综合能源***电-热负荷联合自适应预测方法及装置 | |
Ertugrul et al. | Smart city planning by estimating energy efficiency of buildings by extreme learning machine | |
CN107358059A (zh) | 短期光伏能量预测方法和装置 | |
Zhang et al. | A method based on Lorenz disturbance and variational mode decomposition for wind speed prediction | |
CN114154676A (zh) | 一种基于pso和双向gru的短期负荷预测模型 | |
Liang et al. | A wind speed combination forecasting method based on multifaceted feature fusion and transfer learning for centralized control center | |
CN113890017A (zh) | 基于关键量测的配电网电压自适应控制方法 | |
Guo et al. | A new approach for interval forecasting of photovoltaic power based on generalized weather classification | |
CN113344283A (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
Cheng et al. | Short-term power load forecasting based on improved online ELM-K | |
Yang et al. | Investigating the predictability of photovoltaic power using approximate entropy | |
Ding et al. | A statistical upscaling approach of region wind power forecasting based on combination model | |
Peng et al. | Meteorological satellite operation prediction using a BiLSTM deep learning model | |
Dou et al. | Adaptive Encoder-Decoder Model Considering Spatio-Temporal Features for Short-Term Power Prediction of Distributed Photovoltaic Station | |
Min et al. | Research on mid-long term load forecasting based on combination forecasting mode |
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 |