CN110969197A - 一种基于实例迁移的风力发电的分位数预测方法 - Google Patents
一种基于实例迁移的风力发电的分位数预测方法 Download PDFInfo
- Publication number
- CN110969197A CN110969197A CN201911158049.9A CN201911158049A CN110969197A CN 110969197 A CN110969197 A CN 110969197A CN 201911158049 A CN201911158049 A CN 201911158049A CN 110969197 A CN110969197 A CN 110969197A
- Authority
- CN
- China
- Prior art keywords
- power generation
- wind power
- prediction
- formula
- weight
- 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.)
- Granted
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 55
- 238000013508 migration Methods 0.000 title claims abstract description 40
- 230000005012 migration Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 10
- 238000013526 transfer learning Methods 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 239000002356 single layer Substances 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101100206075 Escherichia coli (strain K12) tauA gene Proteins 0.000 description 1
- 235000003368 Ilex paraguariensis Nutrition 0.000 description 1
- 244000188472 Ilex paraguariensis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Control Of Eletrric Generators (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于实例迁移的风力发电的分位数预测方法，包括以下步骤：采集其他地区的风力发电数据，采取实例迁移的方法构建目标问题的训练集；构建基于实例迁移的风力发电的分位数预测模型；分析基于实例迁移的梯度提升树模型的误差；重新推导权重的公式；采用据最大似然法推出参数θ最有可能的取值；求解最优的预测函数；采用基于迭代的方式求解权重；本发明通过将迁移学习的方法与风力发电概率预测问题结合，通过利用其它地区的信息，在缺乏历史数据情况下的风力发电概率预测的精度能够显著提升，并通过针对概率预测设计了独特的算法结构，以及结合广义负荷的概率预测的特点重新推导了权重的公式，提高了权重求解速度，减少了计算量。
Description
技术领域
本发明涉及电力电子技术领域，尤其涉及一种基于实例迁移的风力发电的分位数预测方法。
背景技术
截止到2017年年底，德国、爱尔兰、葡萄牙、西班牙、瑞典和乌拉圭等国家的风力发电占比已经达到了两位数。作为广义负荷的重要组成部分，风力发电具有较大的波动性，点预测不能完全反映风力发电的特点，因此有必要采用概率预测对风力发电的概率分布做深入研究。电力***中的许多决策过程依赖于此概率分布，包括确定机组出力，风能交易，储备电能的采购，需求响应，概率潮流和电能经济调度；
随着风力发电的快速发展，大量新建的风力发电场将投入使用，因此需要对这些新建的风力发电场的发电量做出概率预测。然而传统的风力发电概率预测算法都需要大量的历史数据来训练模型。对于新建的风力发电场，我们却无法得到足够的历史数据，如何在缺乏历史数据情况下的提高风力发电概率预测的精度是具有重要发展意义的，因此，本发明提出一种基于实例迁移的风力发电的分位数预测方法，以解决现有技术中的不足之处。
发明内容
针对上述问题，本发明提出一种基于实例迁移的风力发电的分位数预测方法，通过将迁移学习的方法与风力发电概率预测问题结合，通过利用其它地区的信息，能够提升风力发电概率预测的精度，尤其是在缺乏历史数据情况下的风力发电概率预测的精度能够显著提升，并通过针对概率预测设计了独特的算法结构，以及结合广义负荷的概率预测的特点重新推导了权重的公式，提高了权重求解速度，减少了计算量。
本发明提出一种基于实例迁移的风力发电的分位数预测方法，包括以下步骤：
步骤一：采集其他地区的风力发电数据作为源问题的数据，采取实例迁移的方法，将源问题的数据赋予一个较小的权重，并与需要进行预测地区的目标问题数据集一起构成目标问题的训练集；
步骤二：构建基于实例迁移的风力发电的分位数预测模型，并选用基于梯度提升树的分位数预测模型作为核心预测算法进行融合，得到一个基于实例迁移的梯度提升树模型；
步骤三：分析基于实例迁移的梯度提升树模型的误差，将基于实例迁移的梯度提升树模型的误差分为随机误差和***误差，并保证目标问题和源问题的数据满足公式(1)；
步骤四：可将f与f(k)之间的差异建模标记为***误差，并用
表示，且
满足公式(2)，再将公式(2)代入公式(1)，得到公式(3)；
步骤五：假设随机变量δ(k)+ε(k)和
是独立的，并且服从拉普拉斯分布，然后在假设下，重新推导权重的公式，对于任意一个可能的预测函数fθ(θ是一个参数)，fθ是正确的预测函数的可能性计算公式如公式(4)所示；
步骤六：采用据最大似然法推出参数θ最有可能的取值
步骤七：求解最优的预测函数fθ，首先求解如公式(5)所示的损失函数，然后保证权重w(target)和w(k)的取值满足公式(6)和(7)，再将源问题的权重进行归一化处理，归一化到(0,1]区间，保证所有的源问题归一化之后的权重满足公式(8)；
步骤七：根据归一化之后的源问题的权重，利用公式(9)求解出目标问题的权重w(target)；
步骤八：权重求解，采用基于迭代的方式求解权重，首先选定w(target)，然后将所有w(k)初始化为1，然后重复上述操作更新w(k)，根据更新的w(k)重新训练基于实例迁移的梯度提升树模型，然后计算
再根据公式(9)计算w(k)，直到所有的w(k)收敛，最后基于收敛结果w(k)，完成τ＝0.01～0.99模型的训练w(k)
进一步改进在于：所述步骤二中基于实例迁移的梯度提升树模型包括两个部分，一部分使用迭代赋权算法训练τ＝0.5的传统的点预测模型，另一部分直接将前一部分中求解得到的权重应用于对其余模型的训练之中。
进一步改进在于：所述步骤三的公式(1)中f表示输入变量
和输出变量
之间的真实映射关系，输入变量
和输出变量
之间的真实映射关系由f(k)表示。
进一步改进在于：所述步骤五中随机变量δ(k)+ε(k)和
的误差分布范围如公式(10)所示：
其中，
和
分别表示ε(target)和δ(k)+ε(k)的尺度参数。
进一步改进在于：所述步骤六中参数θ最有可能的取值
的计算公式如公式(11)所示。
本发明的有益效果为：本发明方法通过将迁移学习的方法与风力发电概率预测问题结合，通过利用其它地区的信息，能够提升风力发电概率预测的精度，尤其是在缺乏历史数据情况下的风力发电概率预测的精度能够显著提升，并通过针对概率预测设计了独特的算法结构，以及结合广义负荷的概率预测的特点重新推导了权重的公式，提高了权重求解速度，减少了计算量。
附图说明
图1为本发明实施例二模型可靠性的对比结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
本实施例提出一种基于实例迁移的风力发电的分位数预测方法，包括以下步骤：
步骤一：采集其他地区的风力发电数据作为源问题的数据，采取实例迁移的方法，将源问题的数据赋予一个较小的权重，并与需要进行预测地区的目标问题数据集一起构成目标问题的训练集；
步骤二：构建基于实例迁移的风力发电的分位数预测模型，并选用基于梯度提升树的分位数预测模型作为核心预测算法进行融合，得到一个基于实例迁移的梯度提升树模型，基于实例迁移的梯度提升树模型包括两个部分，一部分使用迭代赋权算法训练τ＝0.5的传统的点预测模型，另一部分直接将前一部分中求解得到的权重应用于对其余模型的训练之中；
步骤三：分析基于实例迁移的梯度提升树模型的误差，将基于实例迁移的梯度提升树模型的误差分为随机误差和***误差，并保证目标问题和源问题的数据满足公式(1)；
其中，f表示输入变量
和输出变量
之间的真实映射关系，输入变量
和输出变量
之间的真实映射关系由f(k)表示；
步骤四：可将f与f(k)之间的差异建模标记为***误差，并用
表示，且
满足公式(2)，再将公式(2)代入公式(1)，得到公式(3)；
步骤五：假设随机变量δ(k)+ε(k)和
是独立的，并且服从拉普拉斯分布，然后在假设下，重新推导权重的公式，对于任意一个可能的预测函数fθ(θ是一个参数)，fθ是正确的预测函数的可能性计算公式如公式(4)所示；
随机变量δ(k)+ε(k)和
的误差分布范围如公式(10)所示：
其中，
和
分别表示ε(target)和δ(k)+ε(k)的尺度参数；
步骤六：采用据最大似然法推出参数θ最有可能的取值
参数θ最有可能的取值
的计算公式如公式(11)所示；
步骤七：求解最优的预测函数fθ，首先求解如公式(5)所示的损失函数，然后保证权重w(target)和w(k)的取值满足公式(6)和(7)，再将源问题的权重进行归一化处理，归一化到(0,1]区间，保证所有的源问题归一化之后的权重满足公式(8)；
参数θ最有可能的取值
的计算公式如公式(11)所示；
步骤七：根据归一化之后的源问题的权重，利用公式(9)求解出目标问题的权重w(target)；
步骤八：权重求解，采用基于迭代的方式求解权重，首先选定w(target)，然后将所有w(k)初始化为1，然后重复上述操作更新w(k)，根据更新的w(k)重新训练基于实例迁移的梯度提升树模型，然后计算
再根据公式(9)计算w(k)，直到所有的w(k)收敛，最后基于收敛结果w(k)，完成τ＝0.01～0.99模型的训练w(k)。
本实施例中采用2014年全球负荷预测大赛中风力发电预测问题的数据进行构建模型，风力发电预测赛题的目标是预测澳大利亚10个区域的风电场的风力发电情况(归一化后的发电量)，可将这10个区域依次命名为Zone1～Zone10。数据集中给出的输入变量是10m高空的风速矢量100m高空的风速矢量。目标的输出是对应时间段的风力发电的概率分布情况，即对0.01～0.99中的每个分位点给出预测的风力发电分位数。
为了方便与GEFCom2014比赛中其它算法的预测结果比较，本实施例依照比赛的方式构建预测任务，在GEFCom2014比赛包含15个预测任务，其中前3个任务是不计分的试验预测任务，后12个任务是计分的预测任务。为了模拟真实世界的预测过程，所有的预测任务呈现滚动预测的模式。每个计分的预测任务的训练集数据的时间段和需要预测的风力发电所处的时间段如表1所示：
表1
本实施例中引入了三个基于GBDT的模型作为基准模型；第一个是双层梯度提升树模型(Double layer gradient boosting decision Trees model，DL-GBDT)；DL-GBDT模型在GEFCom2014风力发电预测比赛中获得了第一名的成绩；在DL-GBDT模型中，第一层用于拟合风力发电的中位数，第二层对每个分位数建立了一个分位点回归模型；其中，第二层选取第一层给出的本地区负荷预测结果作为输入变量，并引入了第一层中其它地区的预测模型给出的预测结果作为输入变量；另两个基于GBDT的基准模型为相同的单层GBDT模型，它们使用的训练数据并不相同；第一个单层GBDT模型只选择目标问题的数据集作为训练数据，第二个单层GBDT模型则选择目标问题和源问题的数据集(即所有的区域的风力发电数据)作为训练数据；分别使用GBDT1和GBDT2表示这两个基于GBDT的基准模型。
数据集中提供的输入变量为每个区域的每小时的10米高空和100米高空的风速矢量。基于风速矢量，可以导出风速(WS)、风能(WE)和风向(WD)等变量。若使用u，v表示风速矢量的两个分量，则风速、风能和风向可使用下式计算得到：
WD＝180/π×arctan(u，v)
WE＝0.5×ws3
通过使用特征工程，基于风速、风能和风向进一步导出了较多输入变量，并使用交叉验证检验了输入变量的各种组合方式，然后考虑到DL-GBDT模型所选择输入变量组合十分有效，因此本实施例提出的模型也选取相同的输入变量组合，并在此基础上加入了“小时”这个输入变量，然后得到如表2所示数据：
表2
选取用风力发电分位数预测评分作为评价衡量概率预测有效性的指标，风力发电分位数预测评分的定义为对所有目标分位数处的Pinball误差函数的平均，其计算公式如下；
然后为τ确定两套超参数：τ位于区间0.16～0.84内时选取一套超参数，其他情况下选取另一套超参数，参数取值如表3所示：
表3
本实施例中IBT-GBDT模型中超参数w(target)的取值如表4所示：
表4
选取任务4中对Zone7的预测问题作为目标问题，Zone7的风力发电历史数据构成了基本训练集，相应的选取其它区域的风力发电历史数据作为辅助训练集。交叉验证的结果表明，超参数w(target)的最优取值是50，因此选择50作为Zone7训练数据的权重，并将其他地区的权重初始化为1，紧接着依据求解权重，训练分位数回归模型，权重的收敛过程如表5所示：
表5
根据表5的结果表明，在经过大约7次迭代之后，权重收敛，另外，Zone8的权重，取值为1，这表明了Zone8与Zone7具有最高的相关性。
实施例二
根据图1所示，本实施例对本概率预测模型的可靠性进行验证，利用实验比例和目标比例的平均偏差作为衡量可靠性的指标，首先定义指示变量
然后用dτ表示在分位点τ处的平均偏差，
表达式如下
其中，yt表示t时刻风力发电的实际值，
表示对t时刻风力发电的在分位点τ处的概率预测值。
指示变量
的作用是检测实际值是否落入
这个区间中；基于大数定律，通过对多次测量得到的
求取平均可以估计实际值落入预测区间的真实概率pτ：
基于pτ可以定义dτ，dτ的表达式为：
dτ＝τ-pτ
从式中可以看出，dτ的实际作用是衡量落入概率为τ的预测区间的真实概率与τ的差值，对于IBT-GBDT模型和其它基准模型，在τ取不同的值时，dτ与τ的关系如图1所示：
从图1可以看出，对于所有的基于GBDT的模型，当目标分位点小于0.5时dτ的取值偏小，当目标分位点于0.5时dτ的取值偏大。这个现象表明模型给出的预测区间偏窄，另外，模型中基于所有数据训练得到的基本GBDT模型是表现最差的模型，造成这种现象的主要原因是负迁移，另一个表现稍差的模型是只由目标问题数据集训练得到的GBDT模型；
当目标分位数的取值处于[0.8,0.95]这个区间时，两个基本的基于GBDT的模型的表现明显较差，原因是在概率分布的边缘地区，训练集的分布较稀疏，复杂的模型容易发生过拟合；然而IBT-GBDT模型并不存在这个问题，因为IBT-GBDT模型的训练数据较多，可以在选择复杂模型的同时保持模型得到充分的训练，并抑制过拟合现象的发生。
本发明方法通过将迁移学习的方法与风力发电概率预测问题结合，通过利用其它地区的信息，能够提升风力发电概率预测的精度，尤其是在缺乏历史数据情况下的风力发电概率预测的精度能够显著提升，并通过针对概率预测设计了独特的算法结构，以及结合广义负荷的概率预测的特点重新推导了权重的公式，提高了权重求解速度，减少了计算量。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于实例迁移的风力发电的分位数预测方法，其特征在于：包括以下步骤：
步骤一：采集其他地区的风力发电数据作为源问题的数据，采取实例迁移的方法，将源问题的数据赋予一个较小的权重，并与需要进行预测地区的目标问题数据集一起构成目标问题的训练集；
步骤二：构建基于实例迁移的风力发电的分位数预测模型，并选用基于梯度提升树的分位数预测模型作为核心预测算法进行融合，得到一个基于实例迁移的梯度提升树模型；
步骤三：分析基于实例迁移的梯度提升树模型的误差，将基于实例迁移的梯度提升树模型的误差分为随机误差和***误差，并保证目标问题和源问题的数据满足公式(1)；
步骤四：可将f与f(k)之间的差异建模标记为***误差，并用
表示，且
满足公式(2)，再将公式(2)代入公式(1)，得到公式(3)；
步骤五：假设随机变量δ(k)+ε(k)和
是独立的，并且服从拉普拉斯分布，然后在假设下，重新推导权重的公式，对于任意一个可能的预测函数fθ(θ是一个参数)，fθ是正确的预测函数的可能性计算公式如公式(4)所示；
步骤六：采用据最大似然法推出参数θ最有可能的取值
步骤七：求解最优的预测函数fθ，首先求解如公式(5)所示的损失函数，然后保证权重w(target)和w(k)的取值满足公式(6)和(7)，再将源问题的权重进行归一化处理，归一化到(0,1]区间，保证所有的源问题归一化之后的权重满足公式(8)；
步骤七：根据归一化之后的源问题的权重，利用公式(9)求解出目标问题的权重w(target)；
步骤八：权重求解，采用基于迭代的方式求解权重，首先选定w(target)，然后将所有w(k)初始化为1，然后重复上述操作更新w(k)，根据更新的w(k)重新训练基于实例迁移的梯度提升树模型，然后计算
再根据公式(9)计算w(k)，直到所有的w(k)收敛，最后基于收敛结果w(k)，完成τ＝0.01～0.99模型的训练w(k)。
2.根据权利要求1所述的一种基于实例迁移的风力发电的分位数预测方法，其特征在于：所述步骤二中基于实例迁移的梯度提升树模型包括两个部分，一部分使用迭代赋权算法训练τ＝0.5的传统的点预测模型，另一部分直接将前一部分中求解得到的权重应用于对其余模型的训练之中。
3.根据权利要求1所述的一种基于实例迁移的风力发电的分位数预测方法，其特征在于：所述步骤三的公式(1)中f表示输入变量
和输出变量
之间的真实映射关系，输入变量
和输出变量
之间的真实映射关系由f(k)表示。
4.根据权利要求1所述的一种基于实例迁移的风力发电的分位数预测方法，其特征在于：所述步骤五中随机变量δ(k)+ε(k)和
的误差分布范围如公式(10)所示：
其中，
和
分别表示ε(target)和δ(k)+ε(k)的尺度参数。
5.根据权利要求1所述的一种基于实例迁移的风力发电的分位数预测方法，其特征在于：所述步骤六中参数θ最有可能的取值
的计算公式如公式(11)所示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911158049.9A CN110969197B (zh) | 2019-11-22 | 2019-11-22 | 一种基于实例迁移的风力发电的分位数预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911158049.9A CN110969197B (zh) | 2019-11-22 | 2019-11-22 | 一种基于实例迁移的风力发电的分位数预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110969197A true CN110969197A (zh) | 2020-04-07 |
| CN110969197B CN110969197B (zh) | 2022-01-04 |
Family
ID=70031284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911158049.9A Active CN110969197B (zh) | 2019-11-22 | 2019-11-22 | 一种基于实例迁移的风力发电的分位数预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110969197B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232495A (zh) * | 2020-12-10 | 2021-01-15 | 北京瑞莱智慧科技有限公司 | 预测模型的训练方法、装置、介质和计算设备 |
| CN113449934A (zh) * | 2021-08-31 | 2021-09-28 | 国能日新科技股份有限公司 | 一种基于数据迁移的风力发电功率预测方法及装置 |
| CN113496315A (zh) * | 2021-09-08 | 2021-10-12 | 广东电网有限责任公司湛江供电局 | 基于分位数梯度提升决策树的负荷区间预测方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140201126A1 (en) * | 2012-09-15 | 2014-07-17 | Lotfi A. Zadeh | Methods and Systems for Applications for Z-numbers |
| CN104899430A (zh) * | 2015-05-14 | 2015-09-09 | 江苏大学 | 一种基于多源实例迁移学习的恐怖行为预测方法 |
| CN106021798A (zh) * | 2016-06-03 | 2016-10-12 | 北京唐浩电力工程技术研究有限公司 | 基于分位数功率曲线的风力发电机组控制性能评价方法 |
| JP6076421B2 (ja) * | 2015-07-23 | 2017-02-08 | 株式会社日立パワーソリューションズ | 設備状態監視方法およびその装置 |
| CN106991080A (zh) * | 2017-04-12 | 2017-07-28 | 北京邮电大学 | 一种数据的分位数确定方法及装置 |
-
2019
- 2019-11-22 CN CN201911158049.9A patent/CN110969197B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140201126A1 (en) * | 2012-09-15 | 2014-07-17 | Lotfi A. Zadeh | Methods and Systems for Applications for Z-numbers |
| CN104899430A (zh) * | 2015-05-14 | 2015-09-09 | 江苏大学 | 一种基于多源实例迁移学习的恐怖行为预测方法 |
| JP6076421B2 (ja) * | 2015-07-23 | 2017-02-08 | 株式会社日立パワーソリューションズ | 設備状態監視方法およびその装置 |
| CN106021798A (zh) * | 2016-06-03 | 2016-10-12 | 北京唐浩电力工程技术研究有限公司 | 基于分位数功率曲线的风力发电机组控制性能评价方法 |
| CN106991080A (zh) * | 2017-04-12 | 2017-07-28 | 北京邮电大学 | 一种数据的分位数确定方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232495A (zh) * | 2020-12-10 | 2021-01-15 | 北京瑞莱智慧科技有限公司 | 预测模型的训练方法、装置、介质和计算设备 |
| CN113449934A (zh) * | 2021-08-31 | 2021-09-28 | 国能日新科技股份有限公司 | 一种基于数据迁移的风力发电功率预测方法及装置 |
| CN113496315A (zh) * | 2021-09-08 | 2021-10-12 | 广东电网有限责任公司湛江供电局 | 基于分位数梯度提升决策树的负荷区间预测方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110969197B (zh) | 2022-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110969197B (zh) | 一种基于实例迁移的风力发电的分位数预测方法 | |
| CN105868853B (zh) | 一种短期风电功率组合概率预测方法 | |
| CN104750979B (zh) | 面向体系结构的综合化风险优先数计算方法 | |
| CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
| Wang et al. | Wind power curve modeling with asymmetric error distribution | |
| CN116526473A (zh) | 基于粒子群优化lstm的电热负荷预测方法 | |
| CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
| CN115275991A (zh) | 一种基于iemd-ta-lstm模型的主动配电网运行态势预测方法 | |
| CN110942182A (zh) | 一种基于支持向量回归建立台风预测模型的方法 | |
| Manry et al. | Signal processing using the multilayer perceptron | |
| CN117574780B (zh) | 一种智能火电厂负荷在线建模方法及*** | |
| CN113408192B (zh) | 基于ga-fsvr的智能电表误差预测方法 | |
| Singh et al. | Interval Type-3 TS fuzzy system for nonlinear aerodynamic modeling | |
| CN113821903A (zh) | 温度控制方法和设备、模块化数据中心及存储介质 | |
| JP2022014974A (ja) | 評価装置、プラント制御支援システム、評価方法、及びプログラム | |
| CN116760006A (zh) | 一种风电功率预测方法、装置、设备及存储介质 | |
| CN109493065A (zh) | 一种基于行为增量更新的欺诈交易检测方法 | |
| CN114444763A (zh) | 基于afsa-gnn的风电功率预测方法 | |
| CN110222879B (zh) | 一种考虑置信区间的***-母线负荷预测协调方法及装置 | |
| CN113761813B (zh) | 基于流体力学与气象数据的输电线路动态容量预测方法 | |
| Xu et al. | A Hybrid Method Based on SVM Integrated Improved PSO Algorithm for Electrical Energy Consumption Forecasting of Crude Oil Pipeline | |
| CN113076661B (zh) | 一种不确定数据驱动的雷达预警探测建模方法 | |
| CN116613736B (zh) | 一种含虚拟惯量的新能源电力***等效惯量预测方法 | |
| CN112507603B (zh) | 基于dnn算法的电力***鲁棒优化极端场景的识别方法 | |
| US20230184222A1 (en) | Wind turbine performance determination and control |
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 |