CN111191815B - 一种用于风电集群的超短期出力预测方法及*** - Google Patents
一种用于风电集群的超短期出力预测方法及*** Download PDFInfo
- Publication number
- CN111191815B CN111191815B CN201911168558.XA CN201911168558A CN111191815B CN 111191815 B CN111191815 B CN 111191815B CN 201911168558 A CN201911168558 A CN 201911168558A CN 111191815 B CN111191815 B CN 111191815B
- Authority
- CN
- China
- Prior art keywords
- sub
- power
- time period
- cluster
- historical time
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000005192 partition Methods 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 26
- 238000012706 support-vector machine Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000002688 persistence Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明实施例提供一种用于风电集群的超短期出力预测方法及***,该方法包括:对待预测风电集群的风电场进行子区域划分,得到待预测风电集群的子区域划分组合;获取子区域划分组合中每个子区域在第一预设历史时间段的功率真实值,第二预设历史时间段的功率真实值;根据第二预设历史时间段的功率真实值,对第一预设历史时间段的各子区域功率进行预测,得到第一预设历史时间段的各划分组合形式下的集群功率预测值;获取第一预设历史时间段的功率真实值和各划分组合形式下集群功率预测值之间的误差,将最小误差对应的子区域划分组合作为最优子区域划分组合,以得到风电集群超短期出力预测。本发明实施例提高风电集群超短期出力预测准确性。
Description
技术领域
本发明涉及风电数据处理技术领域,尤其涉及一种用于风电集群的超短期出力预测方法及***。
背景技术
现有的风电集群超短期预测方法主要为“累加法”,其来源于对单个风电场的功率预测,主要方法是通过对风电集群内部每一个风电场建立预测模型,在实时预测中将各个风电场的预测结果进行加和,即得到风电集群的预测结果。
“累加法”是一种非常直观的预测方法,其计算原理和风电场预测完全一致,但是存在两方面的缺陷。首先,风电场较风电集群有较强的波动性,基于“累加法”的风电集群预测精度容易受限于风电场预测精度,特别是部分风电场因天气过程突变存在波动性较强的出力数据,其预测质量的降低将大大影响整体集群的预测质量。其次,“累加法”将风电集群内各个风电场独立开,分别进行预测,并未考虑到集群内风电场出力的相关性和区域性风电出力的平滑性,抛弃了风电集群内原有丰富的数据信息。
因此,现在亟需一种用于风电集群的超短期出力预测方法及***来解决上述问题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种用于风电集群的超短期出力预测方法及***。
第一方面,本发明实施例提供了一种用于风电集群的超短期出力预测方法,包括:
对待预测风电集群的风电场进行子区域划分,得到所述待预测风电集群的所有子区域划分组合;
获取所有子区域划分组合中每个子区域在第一预设历史时间段的功率真实值,以及在第二预设历史时间段的功率真实值,所述第一预设历史时间段为当前时刻最近的历史时间段,所述第二预设历史时间段为所述第一预设历史时间段最近的历史时间段;
根据所述第二预设历史时间段的功率真实值,对所述第一预设历史时间段的各个子区域功率进行预测,得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值;
获取所述第一预设历史时间段的功率真实值和各种划分组合形式下集群功率预测值之间的误差,将最小误差对应的子区域划分组合作为最优子区域划分组合,以根据所述最优子区域划分组合得到所述待预测风电集群的超短期出力预测值。
进一步地,在所述根据所述第二预设历史时间段的功率真实值,对所述第一预设历史时间段的各个子区域功率进行预测,得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值之前,所述方法还包括:
获取训练数据集,所述训练数据集包括风电集群各个子区域的样本功率数据;
通过所述训练数据集,对支持向量机模型进行训练,得到用于各个子区域出力预测的拟合模型函数,以根据所述第二预设历史时间段的功率真实值,通过所述拟合模型函数对所述第一预设历史时间段的各个子区域功率进行预测,得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值。
进一步地,所述获取训练数据集,具体包括:
通过滑动时间窗,对样本功率数据进行划分,得到样本功率数据基于滑动时间窗的样本功率输出特征数据;
根据样本功率数据和样本功率数据对应的样本功率输出特征数据,构建训练数据集。
进一步地,在所述获取所述第一预设历史时间段的功率真实值和各种划分组合形式下集群功率预测值之间的误差,将最小误差对应的子区域划分组合作为最优子区域划分组合之后,所述方法还包括:
获取所述第一预设历史时间段中每个历史时刻点对应预测时间尺度的最优子区域划分组合;
根据第一历史时刻点下的各个子区域的功率真实值和拟合模型函数,获取每个历史时刻点对应的未来时刻各个子区域的功率预测值;
根据未来时刻各个子区域功率预测值,将每个历史时刻点对应预测时间尺度的最优子区域划分组合作为当前预测时刻的划分组合方式,以用于获取所述待预测风电集群的超短期出力预测值。
进一步地,所述第一预设历史时间段中历史时刻点的数量不大于16个,每个历史时刻点的时间间隔为15分钟。
进一步地,所述对待预测风电集群的风电场进行子区域划分,得到所述待预测风电集群的所有子区域划分组合,包括:
基于贝尔数公式,对所述待预测风电集群的风电场进行子区域划分,得到,得到所有的子区域划分组合。
第二方面,本发明实施例提供了一种用于风电集群的超短期出力预测***,包括:
风电集群子区域划分模块,用于对待预测风电集群的风电场进行子区域划分,得到所述待预测风电集群的所有子区域划分组合;
获取模块,用于获取所有子区域划分组合中每个子区域在第一预设历史时间段的功率真实值,以及在第二预设历史时间段的功率真实值,所述第一预设历史时间段为当前时刻最近的历史时间段,所述第二预设历史时间段为所述第一预设历史时间段最近的历史时间段;
功率预测模块,用于根据所述第二预设历史时间段的功率真实值,对所述第一预设历史时间段的各个子区域功率进行预测,得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值;
超短期出力预测模块,用于获取所述第一预设历史时间段的功率真实值和各种划分组合形式下集群功率预测值之间的误差,将最小误差对应的子区域划分组合作为最优子区域划分组合,以根据所述最优子区域划分组合得到所述待预测风电集群的超短期出力预测值。
进一步地,所述***还包括:
训练数据集构建模块,用于获取训练数据集,所述训练数据集包括风电集群各个子区域的样本功率数据;
拟合模型训练模块,用于通过所述训练数据集,对支持向量机模型进行训练,得到用于各个子区域预测的拟合模型函数,以根据所述第二预设历史时间段的功率真实值,通过所述拟合模型函数对所述第一预设历史时间段的各个子区域功率进行预测,得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值。
第三方面,本发明实施例提供一种电子设备,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计算机程序,所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种用于风电集群的超短期出力预测方法及***,基于多个风电场组成的子区域进行预测建模,充分考虑到风电场之间的相互关系与风电集群内部区域性出力的特征性质,对风电集群超短期出力进行预测,提高了出力预测的准确性。
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一简单地介绍,显而易见地,下面描述中的附图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为本发明实施例提供的用于风电集群的超短期出力预测方法的流程示意图;
图2为本发明实施例提供的最优划分的时序示意图;
图3为本发明实施例提供的超短期预测下持续划分的时序示意图;
图4为本发明实施例提供的用于风电集群的超短期出力预测***的结构示意图;
图5为本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
在风电出力预测领域中,通过三种基本的分类方向对风电出力进行预测,分别为预测方法、预测对象和预测时间范围。针对预测方法的角度,风电预测可分为物理模型预测和统计模型预测,其中,物理模型预测是利用流体力学的思想,通过一定区域内边界上的风速,气压和温度等信息,根据偏微分方程组迭代得到区域内风电机组处的相关天气信息,从而得到未来风电出力;统计模型预测则利用预测对象过去的历史数据进行学习,采用基础回归模型或者人工智能算法进行模型训练,在实时预测中输入当前时刻前一段时间的历史出力数据,通过数据驱动的方式得到未来预测结果。物理模型预测由于受地形和数据精度的影响,不易得到准确结果,相比之下,统计模型预测往往在短时间尺度上有着更高的精度和更快的计算速度。
针对预测对象的角度,风电预测可以分为风电集群预测,风电场预测和风电机组预测,其对应的风电装机容量逐渐减小。由于风电出力受到空间分布的影响,在装机容量较大时,出力的波动性会因为空间天气***的多样性而降低,达到“平滑效应”。因此,风电集群的出力往往具有较低的波动水平,其预测精度较后两者往往较高。
针对预测时间范围的角度,风电预测可以分为超短期预测,短期预测和中长期预测。根据现有风电预测标准规定,超短期预测指未来0-4小时预测,预测间隔为15min,即一次预测输出16步预测结果;短期预测为未来0-72小时预测;中长期预测为更长时间的预测。由于天气***为混沌***,随着预测时间范围的增大,预测精度相应降低。因此,基于超短期的风电预测具有较高的预测精度,其主要目的是为实时调度***提供风电出力依据。
支持向量机回归是一种∈-不敏感损失的回归方式。与传统回归方法中计算回归值与实际值的误差不同,当支持向量机规定误差绝对值小于∈时,认为误差为零,对其进行忽略,相比传统回归方法,支持向量机回归极大提高解的稀疏性,从而降低计算难度,提升计算速度,并可以保证模型的泛化能力。本发明实施例采用的支持向量机对应的目标函数为:
s.t.|yi-(wTxi+b)|≤ε+ξi;
ξi≥0
其中,表示误差项,该误差项只考虑绝对值大于∈的情况;表示正则化项,用于保证预测模型的泛化能力;C表示目标函数两项之间的取舍关系,w,b表示待求解目标函数的权重参数;∈表示误差带的大小,为待优化参数;xi,yi表示样本特征。本发明实施例基于支持向量机回归构建的预测模型,对风电集群中各种组合下的风电集群子区域历史功率进行预测,分析判断得到不同历史时刻的最优子区域划分组合,从而根据这些最优子区域划分组合对风电集群进行超短期出力预测。
图1为本发明实施例提供的用于风电集群的超短期出力预测方法的流程示意图,如图1所示,本发明实施例提供了一种用于风电集群的超短期出力预测方法,包括:
步骤101,对待预测风电集群的风电场进行子区域划分,得到所述待预测风电集群的所有子区域划分组合;
在本发明实施例中,风电场受到地形以及区域天气***的影响,其组成的风电集群中,存在着以子区域风电出力为特征主体的区域性特征。由于较大区域中的天气***具有一定惯性,此类子区域中的总风电出力往往有着较为规律的出力周期特征,对区域整体的风电出力建模预测精度往往优于区域内个体预测之和的精度。考虑到实际风电集群构建和数据通信的限制,本发明实施例以风电场为基本单位,子区域表示为多个风电场组合的形式,风电集群表示为多个子区域组合的形式,使得风电场、子区域和风电集群构成三级主体,并组成风电集群的多种划分方式。具体地,在本发明实施例中,定义子区域ci是由风电场jip构成,表示为:
ci={ji1,ji2,...,jim},jip∈N;
其中,ci表示第i个子区域,jip表示第i个子区域中一共m个风电场的第p个风电场,0<p<m;N为风电集群,表示风电集群中有N个风电场。则子区域的风电出力为该子区域内部所有风电场出力之和,表示为:
进一步地,在本发明实施例中,对风电集群的子区域划分进行定义。风电集群是由子区域构成的,而风电集群的划分即为子区域的不同组合,在一种划分组合中,风电集群中这些子区域是互不重叠的,即每个子区域中不包含相同的风电场,所有子区域的风电场包含了该风电集群N的所有风电场,表示为:
其中,CS表示第s种子区域划分,csi表示风电集群第s种子区域划分中第i个子区域,则风电集群的风电出力为该风电集群内部所有子区域出力之和,表示为:
其中,Pt表示风电集群在t时刻的风电出力。具体地,在本发明实施例中,基于贝尔数公式,对所述待预测风电集群的风电场进行子区域划分,得到所有的子区域划分组合。由于风电集群划分的所有个数为一个贝尔数,呈现阶数发散,对于包含N个风电场的风电集群,其贝尔数公式表示为BN,例如,某地区的风电集群中有3个风电场,该风电集群的划分形式可参考图1所示,
表1
集群划分编号 | 集群划分形式 |
1 | {[1],[2],[3]} |
2 | {[1,2],[3]} |
3 | {[1],[2,3]} |
4 | {[1,3],[2]} |
5 | {[1,2,3]} |
通过表1的集群划分方式可以看出,该风电集群中子区域的划分有多种方式,每一种划分都可以将子区域的处理预测值进行加和,得到整体的风电集群预测值。由于不同子区域的选择代表着利用不同的集群相关特性,只有选择最为恰当的集群划分方式才可能提高精度。因此,本发明实施例将风电出力预测问题转化为选择合适的集群划分方式。在本发明实施例中,基于风电集群划分的预测算法,通过对风电集群中子区域出力构建预测模型fci,然后再将子区域的风电出力预测值进行加和,从而得到风电集群的出力预测,具体公式为:
本发明实施例充分考虑了风电集群的子区域出力特性,基于子区域的划分体现出规律的周期性,即区域特性,通过子区域更大的空间范围,达到平滑处理效果,相比单个风电场预测,降低了出力的波动性,提高了预测的精度。
步骤102,获取所有子区域划分组合中每个子区域在第一预设历史时间段的功率真实值,以及在第二预设历史时间段的功率真实值,所述第一预设历史时间段为当前时刻最近的历史时间段,所述第二预设历史时间段为所述第一预设历史时间段最近的历史时间段;
步骤103,根据所述第二预设历史时间段的功率真实值,对所述第一预设历史时间段的各个子区域功率进行预测,得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值;
步骤104,获取所述第一预设历史时间段的功率真实值和各种划分组合形式下的集群功率预测值之间的误差,将最小误差对应的子区域划分组合作为最优子区域划分组合,以根据所述最优子区域划分组合得到所述待预测风电集群的超短期出力预测值。
本发明实施例提供的一种用于风电集群的超短期出力预测方法,基于多个风电场组成的子区域进行预测建模,充分考虑到风电场之间的相互关系与风电集群内部区域性出力的特征性质,对风电集群超短期出力进行预测,提高了出力预测的准确性。
在上述实施例的基础上,在所述根据所述第二预设历史时间段的功率真实值,对所述第一预设历史时间段的各个子区域功率进行预测,得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值之前,所述方法还包括:
获取训练数据集,所述训练数据集包括风电集群各个子区域的样本功率数据;
通过所述训练数据集,对支持向量机模型进行训练,得到用于各个子区域出力预测的拟合模型函数,以根据所述第二预设历史时间段的功率真实值,通过所述拟合模型函数对所述第一预设历史时间段的各个子区域功率进行预测,得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值。
在上述实施例的基础上,所述获取训练数据集,具体包括:
通过滑动时间窗,对样本功率数据进行划分,得到样本功率数据基于滑动时间窗的样本功率输出特征数据;
根据样本功率数据和样本功率数据对应的样本功率输出特征数据,构建训练数据集。
在本发明实施例中,首先通过构建样本数据集,对支持向量机模型进行训练,具体步骤为:
步骤S11,设置滑动时间窗的长度为L,通过滑动时间窗对训练集在时刻的子区域ci的样本功率数据滚动向后划分样本数据集,得到时刻的样本其中,表示输入到滑动时间窗的特征数据,表示滑动时间窗输出的样本功率特征数据;
在本发明实施例中,通过使用滑动时间窗构造历史功率特征数据的数据集,滑动时间窗的长度即代表着输入模型的特征个数,模型输出16个点,代表着超短期预测超前0-4h对应的16步。通过该拟合模型函数,对子区域t时刻前L个出力数据作为模型的输入,得到t时刻下未来16步的预测结果。并将集群划分内各个子区域的对应预测时间范围的预测结果相加,得到风电集群超短期的预测结果。
在上述实施例的基础上,在所述获取所述第一预设历史时间段的功率真实值和各种划分组合形式下集群功率预测值之间的误差,将最小误差对应的子区域划分组合作为最优子区域划分组合之后,所述方法还包括:
获取所述第一预设历史时间段中每个历史时刻点对应预测时间尺度的最优子区域划分组合;
根据所述第一预设历史时间段各个子区域的功率真实值和拟合模型函数,获取每个历史时刻点对应的未来时刻各个子区域的功率预测值;
根据未来时刻各个子区域功率预测值,将每个历史时刻点对应预测时间尺度的最优子区域划分组合作为当前预测时刻的划分组合方式,以用于获取所述待预测风电集群的超短期出力预测值。
在本发明实施例中,由于风电集群内的风电场关联性较为复杂,一般难以通过外部条件直接获取最优集群划分方式。本发明实施例采用持续性划分的方式,在已知实际集群出力的基础上,计算前一时刻的最优集群划分方式,并将此最优划分作为当前时刻的最优划分。由于此方法将前一时刻的结果作为当前的预测,与持续性方法相似,故称之为持续性划分。该方法依据天气***往往保持着一定的惯性,时刻较近的两个时刻点对应的集群内部的风电场关联性质较为接近的特性,使得对应的最优划分基本一致。
具体地,在众多集群划分方式中,将第一预设历史时间段预测误差最小的一组划分方式作为当前集群最优划分。在风电超短期集群预测中,最优划分存在着两个尺度上的寻优,即样本寻优和预测时间范围寻优。样本寻优是指在每个时刻,对于每个时间点下的样本,都应进行一次最优划分的计算,且相邻两个时间点处的最优划分可能不同;预测时间范围寻优是指在超短期16步的预测中,每一步的预测都对应着一个最优划分,相同时间点不同预测时间范围对应的划分可能不同。因此,在一个时间点下,要进行16次划分的寻优,将定义为风电集群在t时刻时,超前预测k个时间范围的最优划分。图2为本发明实施例提供的最优划分的时序示意图,可参考图2所示,通过将第一预设历史时间段预测得到的最优子区域划分作为本时刻的子区域划分,从用于后续的风电集群出力预测。
进一步地,由于上述实施例提供的最优划分方式是一种后验计算的概念,即只有在知道预测时刻真实的集群出力之后,才能计算误差以得到对应时刻的最优划分。为了满足实际应用需求,本发明实施例提供了一种持续性划分预测方法,在当前时刻下,计算距离当前时刻t最近的历史时刻t-k处超前k步预测的子区域最优划分并将该子区域最优划分作为当前时刻预测t在超前k步预测中所采用的集群划分需要说明的是,在本发明实施例中,对于不同的预测时间范围k,所谓的最近历史时刻并不相同,因为预测时间范围越长,需要更长时间后的真实集群出力才能判断,因此k越大,对应的历史时刻距离当前时刻越远,但是选取历史时刻子区域最优划分与当前集群划分的超前时刻k相同。图3为本发明实施例提供的超短期预测下持续划分的时序示意图,可参考图3所示,每一行代表不同的预测时间范围。在每一行中,绿色代表已知对应时间范围下最优划分的历史时刻,对于超前k步的预测,其历史时刻截止到t-k处,即持续性方法就是将最近的已知对应时间范围下最优划分作为当前时刻对应预测时间范围的集群划分。
在上述实施例的基础上,所述第一预设历史时间段中历史时刻点的数量不大于16个,每个历史时刻点的时间间隔为15分钟。
在本发明实施例中,可根据风电集群的实际出力预测需求,对超前预测的长度进行预设,因此,通过对当前时刻最近的历史时间的历史时刻点的数量进行设置,从而根据第一预设历史时间段功率真实值和功率预测值之间的最小误差对应的子区域划分作为最优子区域划分组合,以用于进行风电集群的超短期出力预测。例如,只需要对风电集群当前时刻未来1小时的出力进行预测,则只需要根据当前时刻最近历史时间的4个历史时刻点进行超短期出力预测,从而得到当前时刻未来1小时的出力预测值。
在本发明实施例另一实施例中,首先基于风电集群中所有可能的子区域历史出力建立预测模型,这一部分可在离线时刻进行计算获取;在***在线运行中,采用最优划分算法,计算当前时刻下最近历史时刻的最优划分;最终,采用持续性划分的预测方法,将最近历史时刻最优划分作为当前时刻预测所采用的划分,并计算其中各个子区域的预测功率,再将最优划分内子区域功率进行加和得到集群功率的预测值。具体步骤如下:
步骤S21,设置滑动时间窗的长度为L,通过滑动时间窗对训练集在时刻的子区域ci的样本功率数据滚动向后划分样本数据集,得到时刻的样本其中,表示输入到滑动时间窗的特征数据,表示滑动时间窗输出的样本功率特征数据;
步骤S24,将风电集群当前时刻T的最近16个历史时刻点(即第一预设历史时间段内的历史时刻点)中每个子区域前一滑动时间窗(即第二预设历史时间段)的历史功率数据输入到拟合模型函数中,并进行初始化,将超前预测范围设置为k’,第一预设历史时间段内的历史时刻点t’=T-k’,子区域编号i设置为1;
步骤S27,通过如下公式获取误差最小的划分,即最优子区域划分组合,公式为:
步骤S30,根据子区域当前时刻T的未来k’时刻的功率预测值,计算风电集群在未来k’时刻的功率预测值之和,公式为:
在本发明一实施例中,通过对某地区的风电集群数据进行预测,从而将本发明实施例提供的风电集群超短期出力预测方法和现有的方法进行对比说明。具体地,采用某地区春季和夏季两个时间点,各算例时间点选择1000个点作为训练样本,500个点作为测试样本。滑动时间窗的长度L取7,依据能现有风电标注规定,设置误差均方根误差作为评价指标。由于超短期预测为0-4h的多时间范围的滚动预测,这里给出了第k个时间范围预测误差均方根ERMSE,k forward与16个时间范围综合预测误差均方根ERMSE,k all,具体的定义如下式所示:
针对春季的风电集群进行说明,可参考表2所示,本发明实施例提供的预测方法在各个时间范围和综合范围下的预测误差均小于现有的累加法,提高了预测精度。
表2
现有累加法 | 本发明提供的方法 | |
E<sub>RMSE,1h</sub><sub>forward</sub>/% | 8.98 | 7.92 |
E<sub>RMSE,2h</sub><sub>forward</sub>/% | 11.78 | 10.17 |
E<sub>RMSE,3h</sub><sub>forward</sub>/% | 13.52 | 11.81 |
E<sub>RMSE,4h</sub><sub>forward</sub>/% | 14.73 | 12.85 |
E<sub>RMSE,4h</sub><sub>all</sub>/% | 11.68 | 10.20 |
针对夏季风电集群进行说明,可参考表3所示,本发明实施例提供的预测方法在各个时间范围和综合范围下的预测误差均小于现有的累加法,提高了预测精度。由于在春夏两季的预测精度都有所提升,说明了本发明实施例提供方法的泛化性,能够较为适用于多个事件场景。
表3
现有累加法 | 本发明提供的方法 | |
E<sub>RMSE,1h</sub><sub>forward</sub>/% | 12.56 | 10.62 |
E<sub>RMSE,2h</sub><sub>forward</sub>/% | 13.76 | 12.48 |
E<sub>RMSE,3h</sub><sub>forward</sub>/% | 14.24 | 12.60 |
E<sub>RMSE,4h</sub><sub>forward</sub>/% | 15.03 | 13.05 |
E<sub>RMSE,4h</sub><sub>all</sub>/% | 13.57 | 11.86 |
图4为本发明实施例提供的用于风电集群的超短期出力预测***的结构示意图,如图4所示,本发明实施例提供了一种用于风电集群的超短期出力预测***,包括风电集群子区域划分模块401、获取模块402、功率预测模块403和超短期出力预测模块404,其中,风电集群子区域划分模块401用于对待预测风电集群的风电场进行子区域划分,得到所述待预测风电集群的所有子区域划分组合;获取模块402用于获取所有子区域划分组合中每个子区域在第一预设历史时间段的功率真实值,以及在第二预设历史时间段的功率真实值,所述第一预设历史时间段为当前时刻最近的历史时间段,所述第二预设历史时间段为所述第一预设历史时间段最近的历史时间段;功率预测模块403用于根据所述第二预设历史时间段的功率真实值,对所述第一预设历史时间段的各个子区域功率进行预测,得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值;超短期出力预测模块404用于获取所述第一预设历史时间段的功率真实值和各种划分组合形式下集群功率预测值之间的误差,将最小误差对应的子区域划分组合作为最优子区域划分组合,以根据所述最优子区域划分组合得到所述待预测风电集群的超短期出力预测值。
本发明实施例提供的一种用于风电集群的超短期出力预测***,基于多个风电场组成的子区域进行预测建模,充分考虑到风电场之间的相互关系与风电集群内部区域性出力的特征性质,对风电集群超短期出力进行预测,提高了出力预测的准确性。
在上述实施例的基础上,所述***还包括:
训练数据集构建模块,用于获取训练数据集,所述训练数据集包括风电集群各个子区域的样本功率数据;
拟合模型训练模块,用于通过所述训练数据集,对支持向量机模型进行训练,得到用于各个子区域出力预测的拟合模型函数,以根据所述第二预设历史时间段的功率真实值,通过所述拟合模型函数对所述第一预设历史时间段的各个子区域功率进行预测,得到所述第一预设历史时间段各种划分形式下的集群功率预测值。
本发明实施例提供的***是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图5为本发明实施例提供的电子设备结构示意图,参照图5,该电子设备可以包括:处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令,以执行如下方法:对待预测风电集群的风电场进行子区域划分,得到所述待预测风电集群的所有子区域划分组合;获取所有子区域划分组合中每个子区域在第一预设历史时间段的功率真实值,以及在第二预设历史时间段的功率真实值,所述第一预设历史时间段为当前时刻最近的历史时间段,所述第二预设历史时间段为所述第一预设历史时间段最近的历史时间段;根据所述第二预设历史时间段的功率真实值,对所述第一预设历史时间段的各个子区域功率进行预测,得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值;获取所述第一预设历史时间段的功率真实值和各种划分组合形式下集群功率预测值之间的误差,将最小误差对应的子区域划分组合作为最优子区域划分组合,以根据所述最优子区域划分组合得到所述待预测风电集群的超短期出力预测值。
此外,上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的用于风电集群的超短期出力预测方法,例如包括:对待预测风电集群的风电场进行子区域划分,得到所述待预测风电集群的所有子区域划分组合;获取所有子区域划分组合中每个子区域在第一预设历史时间段的功率真实值,以及在第二预设历史时间段的功率真实值,所述第一预设历史时间段为当前时刻最近的历史时间段,所述第二预设历史时间段为所述第一预设历史时间段最近的历史时间段;根据所述第二预设历史时间段的功率真实值,对所述第一预设历史时间段的各个子区域功率进行预测,得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值;获取所述第一预设历史时间段的功率真实值和各种划分组合形式下集群功率预测值之间的误差,将最小误差对应的子区域划分组合作为最优子区域划分组合,以根据所述最优子区域划分组合得到所述待预测风电集群的超短期出力预测值。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种用于风电集群的超短期出力预测方法,其特征在于,包括:
对待预测风电集群的风电场进行子区域划分,得到所述待预测风电集群的所有子区域划分组合;
获取所有子区域划分组合中每个子区域在第一预设历史时间段的功率真实值,以及在第二预设历史时间段的功率真实值,所述第一预设历史时间段为当前时刻最近的历史时间段,所述第二预设历史时间段为所述第一预设历史时间段最近的历史时间段;
根据所述第二预设历史时间段的功率真实值,对所述第一预设历史时间段的各个子区域功率进行预测,得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值;
获取所述第一预设历史时间段的功率真实值和各种划分组合形式下集群功率预测值之间的误差,将最小误差对应的子区域划分组合作为最优子区域划分组合,以根据所述最优子区域划分组合得到所述待预测风电集群的超短期出力预测值;
在所述获取所述第一预设历史时间段的功率真实值和各种划分组合形式下集群功率预测值之间的误差,将最小误差对应的子区域划分组合作为最优子区域划分组合之后,所述方法还包括:
获取所述第一预设历史时间段中每个历史时刻点对应预测时间尺度的最优子区域划分组合;
根据所述第一预设历史时间段各个子区域的功率真实值和拟合模型函数,获取每个历史时刻点对应的未来时刻各个子区域的功率预测值;
根据未来时刻各个子区域功率预测值,将每个历史时刻点对应预测时间尺度的最优子区域划分组合作为当前预测时刻的划分组合方式,以用于获取所述待预测风电集群的超短期出力预测值;
所述对待预测风电集群的风电场进行子区域划分,得到所述待预测风电集群的所有子区域划分组合,包括:
基于贝尔数公式,对所述待预测风电集群的风电场进行子区域划分,得到所有的子区域划分组合。
2.根据权利要求1所述的用于风电集群的超短期出力预测方法,其特征在于,在所述根据所述第二预设历史时间段的功率真实值,对所述第一预设历史时间段的各个子区域功率进行预测,得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值之前,所述方法还包括:
获取训练数据集,所述训练数据集包括风电集群各个子区域的样本功率数据;
通过所述训练数据集,对支持向量机模型进行训练,得到用于各个子区域出力预测的拟合模型函数,以根据所述第二预设历史时间段的功率真实值,通过所述拟合模型函数对所述第一预设历史时间段的各个子区域功率进行预测,得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值。
3.根据权利要求2所述的用于风电集群的超短期出力预测方法,其特征在于,所述获取训练数据集,具体包括:
通过滑动时间窗,对样本功率数据进行划分,得到样本功率数据基于滑动时间窗的样本功率输出特征数据;
根据样本功率数据和样本功率数据对应的样本功率输出特征数据,构建训练数据集。
4.根据权利要求1所述的用于风电集群的超短期出力预测方法,其特征在于,所述第一预设历史时间段中历史时刻点的数量不大于16个,每个历史时刻点的时间间隔为15分钟。
5.一种用于风电集群的超短期出力预测***,其特征在于,包括:
风电集群子区域划分模块,用于对待预测风电集群的风电场进行子区域划分,得到所述待预测风电集群的所有子区域划分组合;
获取模块,用于获取所有子区域划分组合中每个子区域在第一预设历史时间段的功率真实值,以及在第二预设历史时间段的功率真实值,所述第一预设历史时间段为当前时刻最近的历史时间段,所述第二预设历史时间段为所述第一预设历史时间段最近的历史时间段;
功率预测模块,用于根据所述第二预设历史时间段的功率真实值,对所述第一预设历史时间段的各个子区域功率进行预测,得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值;
超短期出力预测模块,用于获取所述第一预设历史时间段的功率真实值和各种划分组合形式下集群功率预测值之间的误差,将最小误差对应的子区域划分组合作为最优子区域划分组合,以根据所述最优子区域划分组合得到所述待预测风电集群的超短期出力预测值;
所述***还用于:
获取所述第一预设历史时间段中每个历史时刻点对应预测时间尺度的最优子区域划分组合;
根据所述第一预设历史时间段各个子区域的功率真实值和拟合模型函数,获取每个历史时刻点对应的未来时刻各个子区域的功率预测值;
根据未来时刻各个子区域功率预测值,将每个历史时刻点对应预测时间尺度的最优子区域划分组合作为当前预测时刻的划分组合方式,以用于获取所述待预测风电集群的超短期出力预测值;
所述风电集群子区域划分模块具体用于:
基于贝尔数公式,对所述待预测风电集群的风电场进行子区域划分,得到所有的子区域划分组合。
6.根据权利要求5所述的用于风电集群的超短期出力预测***,其特征在于,所述***还包括:
训练数据集构建模块,用于获取训练数据集,所述训练数据集包括风电集群各个子区域的样本功率数据;
拟合模型训练模块,用于通过所述训练数据集,对支持向量机模型进行训练,得到用于各个子区域出力预测的拟合模型函数,以根据所述第二预设历史时间段的功率真实值,通过所述拟合模型函数对所述第一预设历史时间段的各个子区域功率进行预测,得到所述第一预设历史时间段的各种划分组合形式下的集群功率预测值。
7.一种电子设备,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计算机程序,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至4任一项所述用于风电集群的超短期出力预测方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项所述用于风电集群的超短期出力预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911168558.XA CN111191815B (zh) | 2019-11-25 | 2019-11-25 | 一种用于风电集群的超短期出力预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911168558.XA CN111191815B (zh) | 2019-11-25 | 2019-11-25 | 一种用于风电集群的超短期出力预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111191815A CN111191815A (zh) | 2020-05-22 |
CN111191815B true CN111191815B (zh) | 2022-08-16 |
Family
ID=70710955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911168558.XA Active CN111191815B (zh) | 2019-11-25 | 2019-11-25 | 一种用于风电集群的超短期出力预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191815B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819374A (zh) * | 2022-05-10 | 2022-07-29 | 南京南瑞水利水电科技有限公司 | 区域新能源超短期功率预测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875033A (zh) * | 2016-12-26 | 2017-06-20 | 华中科技大学 | 一种基于动态自适应的风电集群功率预测方法 |
CN108734359A (zh) * | 2018-06-08 | 2018-11-02 | 上海电机学院 | 一种风电功率预测数据预处理方法 |
CN108876039A (zh) * | 2018-06-21 | 2018-11-23 | 浙江工业大学 | 一种基于支持向量机的含分布式电源配电网电能质量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10671039B2 (en) * | 2017-05-03 | 2020-06-02 | Uptake Technologies, Inc. | Computer system and method for predicting an abnormal event at a wind turbine in a cluster |
-
2019
- 2019-11-25 CN CN201911168558.XA patent/CN111191815B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875033A (zh) * | 2016-12-26 | 2017-06-20 | 华中科技大学 | 一种基于动态自适应的风电集群功率预测方法 |
CN108734359A (zh) * | 2018-06-08 | 2018-11-02 | 上海电机学院 | 一种风电功率预测数据预处理方法 |
CN108876039A (zh) * | 2018-06-21 | 2018-11-23 | 浙江工业大学 | 一种基于支持向量机的含分布式电源配电网电能质量预测方法 |
Non-Patent Citations (2)
Title |
---|
"Local-pattern-aware forecast of regional wind power: Adaptive partition and long-short-term matching";Chenyu Liu et al.;《Energy Conversion and Management》;20210128;全文 * |
基于集群划分的短期风电功率预测方法;王勃等;《高电压技术》;20180416(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111191815A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764568B (zh) | 一种基于lstm网络的数据预测模型调优方法及装置 | |
CN111783953A (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
CN111144663B (zh) | 计及出力波动过程的海上风电场超短期风功率预测方法 | |
CN103218675A (zh) | 一种基于聚类和滑动窗口的短期负荷预测方法 | |
JP2013074695A (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
CN103489039B (zh) | 具有在线自整定优化能力的高速公路交通流量融合预测方法 | |
CN114362175B (zh) | 基于深度确定性策略梯度算法的风电功率预测方法及*** | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
Chen et al. | Short-Term Wind Power Forecasting Using Gaussian Processes. | |
CN110197307B (zh) | 一种结合注意力机制的区域型海表面温度预测方法 | |
CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
CN103778482A (zh) | 基于多尺度分析的水产养殖溶解氧短期预测方法 | |
CN110516889B (zh) | 一种基于Q-learning的负荷综合预测方法和相关设备 | |
Lv et al. | Novel deterministic and probabilistic combined system based on deep learning and self-improved optimization algorithm for wind speed forecasting | |
CN116523142A (zh) | 一种考虑时空特性聚类的光伏集群区间预测方法 | |
Li et al. | Application of ARIMA and LSTM in relative humidity prediction | |
CN112686693A (zh) | 电力现货市场边际电价预测方法、***、设备及存储介质 | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
CN111191815B (zh) | 一种用于风电集群的超短期出力预测方法及*** | |
CN112884238A (zh) | 光伏发电功率预测方法及装置 | |
CN115049024A (zh) | 风速预测模型的训练方法、装置、电子设备和存储介质 | |
Chi et al. | Comparison of two multi-step ahead forecasting mechanisms for wind speed based on machine learning models | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及*** |
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 |