CN109711612A - 一种优化回声状态网络的风力发电功率预测方法及装置 - Google Patents
一种优化回声状态网络的风力发电功率预测方法及装置 Download PDFInfo
- Publication number
- CN109711612A CN109711612A CN201811552246.4A CN201811552246A CN109711612A CN 109711612 A CN109711612 A CN 109711612A CN 201811552246 A CN201811552246 A CN 201811552246A CN 109711612 A CN109711612 A CN 109711612A
- Authority
- CN
- China
- Prior art keywords
- state network
- echo state
- wind
- power
- echo
- 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 15
- 238000010248 power generation Methods 0.000 title abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 19
- 241000254158 Lampyridae Species 0.000 claims abstract description 16
- 230000005611 electricity Effects 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 18
- 241000131894 Lampyris noctiluca Species 0.000 claims description 14
- 238000013277 forecasting method Methods 0.000 claims description 10
- 210000005036 nerve Anatomy 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000008555 neuronal activation Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种优化回声状态网络的风力发电功率预测方法及装置,所述方法包括:利用风力发电功率历史数据作为训练样本,训练获取用于预测风力发电功率的回声状态网络模型;以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数;利用优化后的回声状态网络模型对风力发电功率进行预测。本发明提供的技术方案利用回声状态网络具有的强大非线性映射能力,同时结合萤火虫优化算法的快速且精确的寻优能力,根据历史输入样本不断对回声状态网络的关键参数进行优化更新,以提高回声状态网络预测的准确度。
Description
技术领域
本发明涉及风力发电的技术领域,具体涉及一种优化回声状态网络的风力发电功率预测方法及装置。
背景技术
回声状态网络属新型的递归神经网络,在非线性混沌***预测建模方面与传统的递归神经网络相比有了较大改进,学习算法本身属于凸优化,因此避免了陷入局部极小值的问题,尤其在时间序列的预测问题应用极佳。
萤火虫算法是一种原理简明、所需参数较少、较为新颖的智能优化算法,通过引入萤火虫个体适应度变异环节,克服标准萤火虫算法的收敛速度、求解精度等问题。
随着全球石化资源储量的日渐匮乏以及低碳、环保概念的逐步深化,风能作为一种典型的可再生资源,由于其资源丰富,并且具备大规模开发的条件,其开发与利用在全世界范围内受到了广泛的关注。
风能在快速发展的同时也面临着突出的问题。近年来,随着风电场规模的不断扩大,其本身所具有的随机性和间歇性对电网的安全性、稳定性和电能质量等都造成了巨大的冲击和影响,这显然会给大规模的风电并网、电网调峰、调频带来巨大的困难。因此,将风力发电功率从未知变成已知,对电力***的运行有着重大的意义。准确的风电功率预测,可以在保证供电***平衡与安全的前提下,降低风力发电的成本,并减少风力发电并网时对电网稳定性的冲击,从而达到提高风力发电价值的目的。
目前,主要的风力发电输出功率预测方法包括时间序列法、基于数值天气预报的预测方法、统计方法等,这些方法通过历史数据试图找出天气状况与风力发电功率的关系来对风电功率进行预测,但其存在模型预测精度低,模型复杂的问题。
发明内容
为了解决风力发电输出功率预测不准确的问题,本发明提供一种优化回声状态网络的风力发电功率预测方法及装置,通过本方法,从风电功率时序数据出发,引入回声状态网络充分挖掘数列信息,结合改进萤火虫优化算法不断对回声状态网络的关键参数进行优化更新,从而迅速精简地对风力发电功率进行预测,且预测结果具备很高的精确度。
本发明提供的一种优化回声状态网络的风力发电功率预测方法,其改进之处在于,包括:
利用风力发电功率历史数据作为训练样本,训练获取用于预测风力发电功率的回声状态网络模型;
以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数;
利用优化后的回声状态网络模型对风力发电功率进行预测。
优选的,所述以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数,包括:
利用萤火虫算法优化所述回声状态网络模型的参数,其中,所述萤火虫算法中利用所述回声状态网络模型的参数构建萤火虫个体及萤火虫种群,所述萤火虫算法的适应度函数为:
上式中,M为预测时间段长度,y(k)为所述回声状态网络在k时刻的预测风力发电功率,为所述回声状态网络在k时刻的实际风力发电功率。
进一步的,所述回声状态网络模型的参数包括连接权谱半径、储备池规模、输入单元尺度及稀疏程度。
优选的,所述利用优化后的回声状态网络模型对风力发电功率进行预测,包括:
利用优化后的回声状态网络模型按下式确定下一时刻的风力发电功率y(M+1):
y(M+1)=fout×(Wbest×(u(M),x(M)))
上式中,fout为输出层函数,u(M)为采集的M时刻的风力发电功率历史数据,x(M)为所述回声状态网络在M时刻的状态向量,Wbest为所述最优化回声状态网络的输出权重矩阵;
其中,按下式确定所述回声状态网络在M时刻的状态向量x(M):
x(M)=f(Win×u(M)+Wbackx(M-1))
上式中,Win为所述优化后的回声状态网络中输入层到储备池N×K阶连接权重矩阵,Wback为所述优化后的回声状态网络中输出层反馈到储备池的N×L阶连接权重矩阵,N为所述优化后的回声状态网络内部神经元个数,L为输出维数,K为输入维数,f为神经元激活函数Sigmoid,x(M-1)为所述回声状态网络在M-1时刻的状态向量。
本发明提供的一种优化回声状态网络的风力发电功率预测装置,其改进之处在于,包括:
训练模块,用于利用风力发电功率历史数据作为训练样本,训练获取用于预测风力发电功率的回声状态网络模型;
优化模块,用于以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数;
预测模块,用于利用优化后的回声状态网络模型对风力发电功率进行预测。
优选的,所述优化模块,用于:
利用萤火虫算法优化所述回声状态网络模型的参数,其中,所述萤火虫算法中利用所述回声状态网络模型的参数构建萤火虫个体及萤火虫种群,所述萤火虫算法的适应度函数为:
上式中,M为预测时间段长度,y(k)为所述回声状态网络在k时刻的预测风力发电功率,为所述回声状态网络在k时刻的实际风力发电功率。
进一步的,所述回声状态网络模型的参数包括连接权谱半径、储备池规模、输入单元尺度及稀疏程度。
优选的,所述预测模块,用于:
利用优化后的回声状态网络模型按下式确定下一时刻的风力发电功率y(M+1):
y(M+1)=fout×(Wbest×(u(M),x(M)))
上式中,fout为输出层函数,u(M)为采集的M时刻的风力发电功率历史数据,x(M)为所述回声状态网络在M时刻的状态向量,Wbest为所述最优化回声状态网络的输出权重矩阵;
其中,按下式确定所述回声状态网络在M时刻的状态向量x(M):
x(M)=f(Win×u(M)+Wbackx(M-1))
上式中,Win为所述优化后的回声状态网络中输入层到储备池N×K阶连接权重矩阵,Wback为所述优化后的回声状态网络中输出层反馈到储备池的N×L阶连接权重矩阵,N为所述优化后的回声状态网络内部神经元个数,L为输出维数,K为输入维数,f为神经元激活函数Sigmoid,x(M-1)为所述回声状态网络在M-1时刻的状态向量。
与最接近的现有技术比,本发明提供的技术方案具有以下优异效果:
本发明提供了一种优化回声状态网络的风力发电功率预测方法及装置,利用回声状态网络对混沌时序数列进行数据挖掘、趋势拟合,结合萤火虫优化算法的快速且精确地寻优能力,根据变化的输入样本不断对回声状态网络的关键参数进行优化更新,提高回声状态网络预测的准确度,在保证供电***平衡与安全的前提下,减少风力发电并网时对电网稳定性的冲击,从而达到提高风力发电价值的目的。
附图说明
图1是本发明提供的优化回声状态网络的风力发电功率预测方法的流程图;
图2是本发明实施例中提供的优化回声状态网络的风力发电功率预测装置的结构图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明。
实施例一
本发明实施例提出一种优化回声状态网络的风力发电功率预测方法,流程图如图1所示,包括以下步骤:
利用风力发电功率历史数据作为训练样本,训练获取用于预测风力发电功率的回声状态网络模型;
以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数;
利用优化后的回声状态网络模型对风力发电功率进行预测。
具体的,所述利用风力发电功率历史数据作为训练样本,训练获取用于预测风力发电功率的回声状态网络模型,包括:
用下式表示回声状态网络:
u(k)=[u1(k),u2(k),...,uK(k)]T
x(k)=[x1(k),x2(k),...,xN(k)]T
y(k)=[y1(k),y2(k),...,yL(k)]T
其中,K为输入维数,N为内部神经元个数,L为输出维数,u(k)、x(k)、y(k)分别为回声状态网络的输入向量、状态向量及输出向量,u(k)为风力发电功率历史数据:
根据所述回声状态网络的输入向量、状态向量及输出向量,按下式对所述回声状态网络进行训练:
x(k+1)=f(Win×u(k+1)+Wbackx(k))
y(k+1)=fout×(Wout×(u(k+1),x(k+1)))
上式中,f()为神经元激活函数Sigmoid,fout为输出层函数,Win为随机生成的输入层到储备池N×K阶连接权重矩阵,Wback为随机生成的输出层反馈到储备池的N×L阶连接权重矩阵,Wout为储备池到输出层的L×(K+N+L)阶输出权重矩阵。
具体的,所述以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数,包括:
按下式表示萤火虫优化算法的适应度函数Z(M):
上式中,M为预测时间段长度,y(k)为所述回声状态网络在k时刻的预测风力发电功率,为所述回声状态网络在k时刻的实际风力发电功率;
当适应度函数Z(M)为最小的时候,利用萤火虫优化算法更新所述回声状态网络模型的关键参数最优解,包括连接权谱半径SR、储备池规模N、输入单元尺度IS及稀疏程度SD,并将所述最优解作为所述回声状态网络模型的储备池设置参数。
具体的,所述利用优化后的回声状态网络模型对风力发电功率进行预测,包括:
按下式计算优化后的回声状态网络模型的权重矩阵Wbest:
Wbest=(C-1×D)T
上式中,C为输入向量u(k)构成的矩阵,D为所述优化后的回声状态网络的输出向量y(k)构成的列矩阵。
利用优化后的回声状态网络模型按下式确定下一时刻的风力发电功率y(M+1):
y(M+1)=fout×(Wbest×(u(M),x(M)))
上式中,fout为输出层函数,u(M)为采集的M时刻的风力发电功率历史数据,x(M)为所述回声状态网络在M时刻的状态向量;
其中,按下式确定所述回声状态网络在M时刻的状态向量x(M):
x(M)=f(Win×u(M)+Wbackx(M-1))
上式中,x(M-1)为所述回声状态网络在M-1时刻的状态向量。
实施例二
本发明实施例提出一种优化回声状态网络的风力发电功率预测装置,结构如图2所示,包括:
训练模块,用于利用风力发电功率历史数据作为训练样本,训练获取用于预测风力发电功率的回声状态网络模型;
优化模块,用于以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数;
预测模块,用于利用优化后的回声状态网络模型对风力发电功率进行预测。
所述优化模块,用于:
按下式表示萤火虫优化算法的适应度函数Z(M):
上式中,M为预测时间段长度,y(k)为所述回声状态网络在k时刻的预测风力发电功率,为所述回声状态网络在k时刻的实际风力发电功率;
当适应度函数Z(M)为最小的时候,利用萤火虫优化算法更新所述回声状态网络模型的关键参数最优解,包括连接权谱半径SR、储备池规模N、输入单元尺度IS及稀疏程度SD,并将所述最优解作为所述回声状态网络模型的储备池设置参数。
所述预测模块,用于:
利用优化后的回声状态网络模型按下式确定下一时刻的风力发电功率y(M+1):
y(M+1)=fout×(Wbest×(u(M),x(M)))
上式中,fout为输出层函数,u(M)为采集的M时刻的风力发电功率历史数据,x(M)为所述回声状态网络在M时刻的状态向量,Wbest为所述最优化回声状态网络的输出权重矩阵;
其中,按下式确定所述回声状态网络在M时刻的状态向量x(M):
x(M)=f(Win×u(M)+Wbackx(M-1))
上式中,Win为所述优化后的回声状态网络中输入层到储备池N×K阶连接权重矩阵,Wback为所述优化后的回声状态网络中输出层反馈到储备池的N×L阶连接权重矩阵,N为所述优化后的回声状态网络内部神经元个数,L为输出维数,K为输入维数,f为神经元激活函数Sigmoid,x(M-1)为所述回声状态网络在M-1时刻的状态向量。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (8)
1.一种优化回声状态网络的风力发电功率预测方法,其特征在于,所述方法包括:
利用风力发电功率历史数据作为训练样本,训练获取用于预测风力发电功率的回声状态网络模型;
以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数;
利用优化后的回声状态网络模型对风力发电功率进行预测。
2.如权利要求1所述的风力发电功率预测方法,其特征在于,所述以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数,包括:
利用萤火虫算法优化所述回声状态网络模型的参数,其中,所述萤火虫算法中利用所述回声状态网络模型的参数构建萤火虫个体及萤火虫种群,所述萤火虫算法的适应度函数为:
上式中,M为预测时间段长度,y(k)为所述回声状态网络在k时刻的预测风力发电功率,为所述回声状态网络在k时刻的实际风力发电功率。
3.如权利要求2所述的风力发电功率预测方法,其特征在于,所述回声状态网络模型的参数包括连接权谱半径、储备池规模、输入单元尺度及稀疏程度。
4.如权利要求1所述的风力发电功率预测方法,其特征在于,所述利用优化后的回声状态网络模型对风力发电功率进行预测,包括:
利用优化后的回声状态网络模型按下式确定下一时刻的风力发电功率y(M+1):
y(M+1)=fout×(Wbest×(u(M),x(M)))
上式中,fout为输出层函数,u(M)为采集的M时刻的风力发电功率历史数据,x(M)为所述回声状态网络在M时刻的状态向量,Wbest为所述最优化回声状态网络的输出权重矩阵;
其中,按下式确定所述回声状态网络在M时刻的状态向量x(M):
x(M)=f(Win×u(M)+Wbackx(M-1))
上式中,Win为所述优化后的回声状态网络中输入层到储备池N×K阶连接权重矩阵,Wback为所述优化后的回声状态网络中输出层反馈到储备池的N×L阶连接权重矩阵,N为所述优化后的回声状态网络内部神经元个数,L为输出维数,K为输入维数,f为神经元激活函数Sigmoid,x(M-1)为所述回声状态网络在M-1时刻的状态向量。
5.一种优化回声状态网络的风力发电功率预测装置,其特征在于,所述装置包括:
训练模块,用于利用风力发电功率历史数据作为训练样本,训练获取用于预测风力发电功率的回声状态网络模型;
优化模块,用于以回声状态网络模型预测误差最小为目标优化所述回声状态网络模型的参数;
预测模块,用于利用优化后的回声状态网络模型对风力发电功率进行预测。
6.如权利要求1所述的风力发电功率预测装置,其特征在于,所述优化模块,用于:
利用萤火虫算法优化所述回声状态网络模型的参数,其中,所述萤火虫算法中利用所述回声状态网络模型的参数构建萤火虫个体及萤火虫种群,所述萤火虫算法的适应度函数为:
上式中,M为预测时间段长度,y(k)为所述回声状态网络在k时刻的预测风力发电功率,为所述回声状态网络在k时刻的实际风力发电功率。
7.如权利要求6所述的风力发电功率预测装置,其特征在于,所述回声状态网络模型的参数包括连接权谱半径、储备池规模、输入单元尺度及稀疏程度。
8.如权利要求5所述的风力发电功率预测装置,其特征在于,所述预测模块,用于:
利用优化后的回声状态网络模型按下式确定下一时刻的风力发电功率y(M+1):
y(M+1)=fout×(Wbest×(u(M),x(M)))
上式中,fout为输出层函数,u(M)为采集的M时刻的风力发电功率历史数据,x(M)为所述回声状态网络在M时刻的状态向量,Wbest为所述最优化回声状态网络的输出权重矩阵;
其中,按下式确定所述回声状态网络在M时刻的状态向量x(M):
x(M)=f(Win×u(M)+Wbackx(M-1))
上式中,Win为所述优化后的回声状态网络中输入层到储备池N×K阶连接权重矩阵,Wback为所述优化后的回声状态网络中输出层反馈到储备池的N×L阶连接权重矩阵,N为所述优化后的回声状态网络内部神经元个数,L为输出维数,K为输入维数,f为神经元激活函数Sigmoid,x(M-1)为所述回声状态网络在M-1时刻的状态向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811552246.4A CN109711612A (zh) | 2018-12-18 | 2018-12-18 | 一种优化回声状态网络的风力发电功率预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811552246.4A CN109711612A (zh) | 2018-12-18 | 2018-12-18 | 一种优化回声状态网络的风力发电功率预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109711612A true CN109711612A (zh) | 2019-05-03 |
Family
ID=66255881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811552246.4A Pending CN109711612A (zh) | 2018-12-18 | 2018-12-18 | 一种优化回声状态网络的风力发电功率预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711612A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309979A (zh) * | 2019-07-09 | 2019-10-08 | 南方电网科学研究院有限责任公司 | 基于回声状态网络的电力负荷预测方法、装置及设备 |
CN111062170A (zh) * | 2019-12-03 | 2020-04-24 | 广东电网有限责任公司 | 一种变压器顶层油温预测方法 |
CN113610665A (zh) * | 2021-08-12 | 2021-11-05 | 东北电力大学 | 一种基于多延迟输出回声状态网的风力发电功率预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6400996B1 (en) * | 1999-02-01 | 2002-06-04 | Steven M. Hoffberg | Adaptive pattern recognition based control system and method |
US20070185823A1 (en) * | 2005-07-28 | 2007-08-09 | Dingguo Chen | Load prediction based on-line and off-line training of neural networks |
CN106846173A (zh) * | 2016-12-30 | 2017-06-13 | 国网新疆电力公司电力科学研究院 | 基于ewt‑esn的短期风电功率预测方法 |
CN107133695A (zh) * | 2017-04-28 | 2017-09-05 | 北京天诚同创电气有限公司 | 一种风电功率预测方法和*** |
CN107766986A (zh) * | 2017-10-31 | 2018-03-06 | 天津大学 | 泄漏积分型回声状态网络在线学习光伏功率预测方法 |
CN107886193A (zh) * | 2017-10-27 | 2018-04-06 | 太原理工大学 | 一种基于灰狼优化回声状态网络的时序预测方法 |
-
2018
- 2018-12-18 CN CN201811552246.4A patent/CN109711612A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6400996B1 (en) * | 1999-02-01 | 2002-06-04 | Steven M. Hoffberg | Adaptive pattern recognition based control system and method |
US20070185823A1 (en) * | 2005-07-28 | 2007-08-09 | Dingguo Chen | Load prediction based on-line and off-line training of neural networks |
CN106846173A (zh) * | 2016-12-30 | 2017-06-13 | 国网新疆电力公司电力科学研究院 | 基于ewt‑esn的短期风电功率预测方法 |
CN107133695A (zh) * | 2017-04-28 | 2017-09-05 | 北京天诚同创电气有限公司 | 一种风电功率预测方法和*** |
CN107886193A (zh) * | 2017-10-27 | 2018-04-06 | 太原理工大学 | 一种基于灰狼优化回声状态网络的时序预测方法 |
CN107766986A (zh) * | 2017-10-31 | 2018-03-06 | 天津大学 | 泄漏积分型回声状态网络在线学习光伏功率预测方法 |
Non-Patent Citations (3)
Title |
---|
刘长年: "基于萤火虫优化算法的回声状态网络预测控制研究" * |
宋福龙 等: "大规模风电下基于模糊场景聚类的网-储协调规划方法" * |
*** 等: "基于Leaky-ESN的光伏发电输出功率预测" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309979A (zh) * | 2019-07-09 | 2019-10-08 | 南方电网科学研究院有限责任公司 | 基于回声状态网络的电力负荷预测方法、装置及设备 |
CN111062170A (zh) * | 2019-12-03 | 2020-04-24 | 广东电网有限责任公司 | 一种变压器顶层油温预测方法 |
CN113610665A (zh) * | 2021-08-12 | 2021-11-05 | 东北电力大学 | 一种基于多延迟输出回声状态网的风力发电功率预测方法 |
CN113610665B (zh) * | 2021-08-12 | 2024-01-30 | 东北电力大学 | 一种基于多延迟输出回声状态网的风力发电功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | An improved moth-flame optimization algorithm for support vector machine prediction of photovoltaic power generation | |
Xi et al. | A novel multi-agent DDQN-AD method-based distributed strategy for automatic generation control of integrated energy systems | |
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
Guo et al. | Study on short-term photovoltaic power prediction model based on the Stacking ensemble learning | |
CN105654207A (zh) | 基于风速、风向信息的风电功率预测方法 | |
CN105449713A (zh) | 考虑分布式电源特性的有源配电网智能软开关规划方法 | |
CN103218674A (zh) | 基于bp神经网络模型的光伏发电***输出功率预测方法 | |
CN103440370A (zh) | 一种输变电工程造价评估方法及装置 | |
CN107204615B (zh) | 一种实现功率预测的方法及*** | |
CN109711612A (zh) | 一种优化回声状态网络的风力发电功率预测方法及装置 | |
Ye et al. | Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning | |
CN109558975A (zh) | 一种电力负荷概率密度多种预测结果的集成方法 | |
CN102509027B (zh) | 一种基于交叉熵理论的风电功率组合预测方法 | |
CN104077632A (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
Chen et al. | Interpretable time-adaptive transient stability assessment based on dual-stage attention mechanism | |
CN106451418A (zh) | 光伏电站的在线分群等值建模方法 | |
Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
Phan et al. | An approach using transformer-based model for short-term PV generation forecasting | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN114638396A (zh) | 一种基于神经网络实例化的光伏功率预测方法及*** | |
Zhang et al. | Joint forecasting of regional wind and solar power based on attention neural network | |
Wang et al. | An LSTM-attention wind power prediction method considering multiple factors | |
Chenhong et al. | Wind speed prediction research based on time series model with residual correction | |
Yu et al. | Day-ahead wind power prediction based on BP neural network optimized by improved sparrow search algorithm |
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 |