CN111222707A - 一种基于时间序列突变误差校正的风速预测方法 - Google Patents
一种基于时间序列突变误差校正的风速预测方法 Download PDFInfo
- Publication number
- CN111222707A CN111222707A CN202010031290.1A CN202010031290A CN111222707A CN 111222707 A CN111222707 A CN 111222707A CN 202010031290 A CN202010031290 A CN 202010031290A CN 111222707 A CN111222707 A CN 111222707A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- prediction
- error
- error correction
- time series
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000035772 mutation Effects 0.000 title claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 241000282461 Canis lupus Species 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000010248 power generation Methods 0.000 abstract description 6
- 238000012706 support-vector machine Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract 1
- 238000011161 development Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明属于风力发电技术,具体涉及一种基于时间序列突变误差校正的风速预测方法,首先利用经验模态分解与局部均值分解分别将风速数据分解为相对平稳的一系列分量,采用GWO‑SVM对分量分别进行预测得到分量的预测结果,整合所有分量的预测结果后得到了原始风速数据的预测结果;然后,针对预测存在的误差,进行了误差类型的分类和分析,对风速预测结果进行误差校正,该方法可以显著地减小风速预测的误差,从而提供高精度的风力发电功率预测,有利于电网及时调整电力调度计划,提高风能资源的高效利用,降低电网运行成本,降低风电接入电网时对电网产生的影响,对风力发电的发展具有积极重要的意义。
Description
技术领域
本发明属于风力发电技术领域,尤其涉及一种基于时间序列突变误差校正的风速预测方法。
背景技术
随着全世界对发展绿色能源的重视,风能作为一种绿色可再生的能源,得到了大力的开发利用。由于风电存在波动性和间歇性,当大规模的风电接入电网时,可能会对电网的稳定性产生影响,甚至会扰乱电力***的正常运行。因此,提供高精度的风力发电功率预测,有利于电网及时调整电力调度计划,提高风能资源的高效利用,降低电网运行成本,降低风电接入电网时对电网产生的影响,对风力发电的发展具有积极重要的意义。
风速预测是影响风力发电功率预测的主要因素之一。目前,越来越多的学者开始对风速预测模型进行研究。当前对风速进行预测的主要方法可以分为基于物理学、统计学和人工智能的三类方法。
近些年,由于支持向量机(Support Vector Machine,SVM)回归预测性能良好,SVM在数据预测领域得到广泛的应用。灰狼寻优算法(Grey Wolf Optimizer,GWO)是由Mirjalili在2014年提出的一种新型智能寻优算法。由于GWO具有收敛速度快、精确度高等优点,GWO在参数寻优领域得到广泛应用。经验模态分解(Empirical Mode Decomposition,EMD),是一种自适应的数据处理或挖掘方法,适合非线性,非平稳时间序列的处理,被广泛地应用到数据处理上。局部均值分解(Local Mean Decomposition,LMD)解决经验模态分解法存在的问题。由于LMD的迭代次数比EMD少,在一定程度上可抑制端点效应,此外LMD还解决了EMD的欠包络和过包络问题,其分量比EMD的分量保存了更多频率及包络信息。
发明内容
本发明的目的是提供一种结合EMD-LMD-GWO-SVM各自优势的风速预测和校正方法。
为实现上述目的,本发明采用的技术方案是:一种基于时间序列突变误差校正的风速预测方法,包括以下步骤:
步骤1、获取原始风速数据集;
步骤2、分别对数据集进行LMD、EMD分解,找到原始信号所有的局部极值点,计算相邻两个极值点的平均值;
步骤3、将所有相邻两个极值点的平均值用直线连接,得到局部均值线段,然后采用滑动平均法进行平滑处理,滑动平均的跨度取相邻极值点最大距离的三分之一,得到局部均值函数;
步骤4、采用局部极值点,计算所有的两相邻极值点间的包络估计值;
步骤5、将所有相邻两个包络估计值用直线连接,得到包络估计线段,然后采用滑动平均法进行平滑处理,滑动平均的跨度取相邻极值点最大距离的三分之一,得到包络估计函数;
步骤6、将局部均值函数从原始信号中分离出来;
步骤7、重复步骤1-6迭代过程直到得到一个纯调频信号为止;
步骤8、将迭代过程中产生的所有包络估计函数相乘得到包络信号;将包络信号和纯调频信号相乘得到原始信号的第一个乘积函数PF分量PF1(t),将PF1(t)从原始信号中分离出来,得到一个新的信号u1(t),将u1(t)作为原始数据重复以上步骤,循环k次,3≤k≤30,直到uk(t)为一个单调函数为止;
步骤9、对步骤8所得分解结果分别进行GWO-SVM预测;将预设参数代入SVM,对风速进行预测,记录预测结果与预测误差;设置目标函数为均方误差MSE,利用GWO优化算法对参数进行更新,寻找令目标函数最小的参数,输出该参数作为寻优结果;将寻优所得参数代入SVM对风速进行预测,得到风速预测值;
步骤10、对风速预测值求和并求两者算数平均数;
步骤11、采用突变误差校正方法对EMD-LMD-GWO-SVM预测结果进行误差校正,得到基于误差校正的EMD-LMD-GWO-SVM预测结果;突变误差校正方法包括:
步骤11.1、首先对界限值Kkup_limit与Kkdown_limit进行设置,利用灰狼寻优算法寻最优值;
步骤11.2、对于符合上升型时间序列突变定义式(1)或下降型时间序列突变定义式(2)的风速预测数据进行误差校正;
步骤11.3、分别采用高斯分布误差校正模型与时间序列误差预测校正模型;
步骤11.3.1、高斯分布误差校正模型首先判断训练集误差是否符合高斯分布,如果符合则可通过高斯模型产生随机概率误差,对风速预测数据进行误差补偿;符合上升型时间序列突变补偿方式为式(3),符合下降型时间序列突变补偿方式为式(4);
xcorrect(t)=x(t)+|errGauss| (3)
xcorrect(t)=x(t)-|errGauss| (4)
其中,x(t)为t时刻的风速值,xcorrect(t)为t时刻的风速校正值,errGauss为高斯分布模型产生的误差补偿值,对于两种时间序列突变采用不同的补偿方式;
步骤11.3.2、采用时间序列预测模型对误差值进行预测,其补偿方式为式(5);
xcorrect(t)=x(t)-errtime (5)
其中x(t)为t时刻的风速值,xcorrect(t)为t时刻的风速校正值,errtime为时间序列误差预测模型产生的误差补偿值。
本发明的有益效果:本发明提供了一种比较准确的风速预测和校正方法。采用EMD与LMD对原始数据进行分解,得到更为稳定的分量数据,分别利用GWO-SVM分量数据进行预测得到分量数据的预测结果,通过整合分量数据的预测结果得到了原始数据的预测结果,并针对预测存在的误差,进行了误差类型的分类和分析,提出了时间序列误差预测校正方法,进一步提高预测风速的精度,具有实用性。该方法通过风力发电厂收集到的风速数据来预测未来风速从而可以及时调整电力调度计划,提高风能资源的高效利用,降低电网运行成本,降低风电接入电网时对电网产生的影响,对风力发电的发展具有积极重要的意义。
附图说明
图1为本发明一个实施例流程图;
图2为本发明一个实施例原始风速变化波形图。
具体实施方式
下面结合附图对本发明的实施方式进行详细描述。
本实施例公开了一种基于时间序列突变误差校正的EMD-LMD-GWO-SVM风速预测方法,包括预测及误差校正。
首先利用经验模态分解与局部均值分解分别将风速数据分解为相对平稳的一系列分量,采用GWO-SVM对分量分别进行预测得到分量的预测结果,整合所有分量的预测结果后得到了原始风速数据的预测结果;然后,针对预测存在的误差,进行了误差类型的分类和分析,提出一种基于时间序列突变误差校正方法,对风速预测结果进行误差校正,该方法可以显著地减小风速预测的误差。
本实施例是通过以下技术方案来实现的,如图1所示,一种基于时间序列突变误差校正的风速预测方法,包括以下步骤:
S1.获取原始风速数据集;
S2.分别对数据集进行LMD、EMD分解,包括:找到原始信号所有的局部极值点(局部极大值点和局部极小值点),计算相邻两个极值点的平均值;
S3.将所有相邻两个极值点的平均值用直线连接,得到局部均值线段,然后采用滑动平均法进行平滑处理,滑动平均的跨度取相邻极值点最大距离的三分之一,可得到局部均值函数;
S4.采用局部极值点,计算所有的两相邻极值点间的包络估计值;
S5.将所有相邻两个包络估计值用直线连接,得到包络估计线段,然后采用滑动平均法进行平滑处理,滑动平均的跨度取相邻极值点最大距离的三分之一,可得到包络估计函数;
S6.将局部均值函数从原始信号中分离出来;
S7.重复上述迭代过程直到得到一个纯调频信号为止;
S8.把迭代过程中产生的所有包络估计函数相乘便可以得到包络信号;将包络信号和纯调频信号相乘便可以得到原始信号的第一个PF分量,将第一个PF分量PF1(t)从原始信号中分离出来,得到一个新的信号u1(t),将u1(t)作为原始数据重复以上步骤,循环k次,直到uk(t)为一个单调函数为止。
S9.对分解结果分别进行GWO-SVM预测,包括:将预设参数代入SVM,对风速进行预测,记录预测结果与预测误差;设置目标函数为均方误差MSE(Mean Square Error),利用GWO优化算法对参数进行更新,寻找令目标函数最小的参数,输出该参数作为寻优结果;将寻优所得参数代入支持向量机对风速进行预测,得到风速预测值。
S10.对预测结果求和并求两者算数平均数;
S11.对EMD-LMD-GWO-SVM预测结果进行误差校正;
突变误差校正方法
首先对界限值Kkup_limit与Kkdown_limit进行设置,其最优值的寻优方式为灰狼寻优。对于符合上升型时间序列突变定义(1)或下降型时间序列突变定义(2)的风速预测数据进行误差校正,避免较大的时间序列惯性误差对预测精度的影响;而对于不符合突变定义的风速数据,其误差不明显,进行校正可能导致预测误差值增大,因此不进行误差校正。
本实施例采用的误差校正模型分别为高斯分布误差校正模型与时间序列误差预测校正模型。
a.高斯分布误差校正模型的误差校正首先判断训练集误差是否符合高斯分布,如果符合则可通过高斯模型产生随机概率误差,对风速预测数据进行误差补偿。符合上升型时间序列突变补偿方式如式(3)所示,符合下降型时间序列突变补偿方式如式(4)所示。
xcorrect(t)=x(t)+|errGauss| (3)
xcorrect(t)=x(t)-|errGauss| (4)
其中,x(t)为t时刻的风速值,xcorrect(t)为t时刻的风速校正值,errGauss为高斯分布模型产生的误差补偿值,对于两种时间序列突变采用不同的补偿方式,避免高斯分布产生的误差补偿值的符号不确定性,避免其增大误差。
b.时间序列误差预测校正使用时间序列预测模型直接对误差值进行预测,其补偿方式如式(5)所示。
xcorrect(t)=x(t)-errtime (5)
其中x(t)为t时刻的风速值,xcorrect(t)为t时刻的风速校正值,errtime为时间序列误差预测模型产生的误差补偿值。
具体实施时,利用本实施例方法对某风力发电机采集的风速数据进行分析。该数据为连续记录10天的风速数据,采样时间周期为15分钟,观测采样日期采用时间序数排列,共有960个采样点,所得的风速时间序列如图2所示,其中前6天的风速数据用作数据训练集,后四天的风速数据用作数据测试集,即运用前6天的历史风速数据对后4天的风速数据进行预测。
分别采用四种预测方法(包括单一和联合模型)进行预测,所得到的预测误差均与单一模型误差进行对比,可得到四种联合预测方法相对于单一预测方法提高的精度如表1所示。
表1四种预测方法的预测误差对比表
利用本实施例的EMD-LMD-GWO-SVM联合预测方法所得预测结果平均绝对百分比误差MAPE和均方根误差MSE分别为4.33%,15.95%;校正后分别为3.96%,12.44%。通过上述的比较可以明显的看出EMD-LMD-GWO-SVM的预测结果要明显优于其他三种模型。表明本实施例的联合方法预测风速可在一定程度上提高预测的准确性,为实际提供更大的参考价值。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
虽然以上结合附图描述了本发明的具体实施方式,但是本领域普通技术人员应当理解,这些仅是举例说明,可以对这些实施方式做出多种变形或修改,而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。
Claims (1)
1.一种基于时间序列突变误差校正的风速预测方法,其特征是,包括以下步骤:
步骤1、获取原始风速数据集;
步骤2、分别对数据集进行LMD、EMD分解,找到原始信号所有的局部极值点,计算相邻两个极值点的平均值;
步骤3、将所有相邻两个极值点的平均值用直线连接,得到局部均值线段,然后采用滑动平均法进行平滑处理,滑动平均的跨度取相邻极值点最大距离的三分之一,得到局部均值函数;
步骤4、采用局部极值点,计算所有的两相邻极值点间的包络估计值;
步骤5、将所有相邻两个包络估计值用直线连接,得到包络估计线段,然后采用滑动平均法进行平滑处理,滑动平均的跨度取相邻极值点最大距离的三分之一,得到包络估计函数;
步骤6、将局部均值函数从原始信号中分离出来;
步骤7、重复步骤1-6迭代过程直到得到一个纯调频信号为止;
步骤8、将迭代过程中产生的所有包络估计函数相乘得到包络信号;将包络信号和纯调频信号相乘得到原始信号的第一个乘积函数PF分量PF1(t),将PF1(t)从原始信号中分离出来,得到一个新的信号u1(t),将u1(t)作为原始数据重复以上步骤,循环k次,3≤k≤30,直到uk(t)为一个单调函数为止;
步骤9、对步骤8所得分解结果分别进行GWO-SVM预测;将预设参数代入SVM,对风速进行预测,记录预测结果与预测误差;设置目标函数为均方误差MSE,利用GWO优化算法对参数进行更新,寻找令目标函数最小的参数,输出该参数作为寻优结果;将寻优所得参数代入SVM对风速进行预测,得到风速预测值;
步骤10、对风速预测值求和并求两者算数平均数;
步骤11、采用突变误差校正方法对EMD-LMD-GWO-SVM预测结果进行误差校正,得到基于误差校正的EMD-LMD-GWO-SVM预测结果;突变误差校正方法包括:
步骤11.1、首先对界限值Kkup_limit与Kkdown_limit进行设置,利用灰狼寻优算法寻最优值;
步骤11.2、对于符合上升型时间序列突变定义式(1)或下降型时间序列突变定义式(2)的风速预测数据进行误差校正;
步骤11.3、分别采用高斯分布误差校正模型与时间序列误差预测校正模型;
步骤11.3.1、高斯分布误差校正模型首先判断训练集误差是否符合高斯分布,如果符合则可通过高斯模型产生随机概率误差,对风速预测数据进行误差补偿;符合上升型时间序列突变补偿方式为式(3),符合下降型时间序列突变补偿方式为式(4);
xcorrect(t)=x(t)+|errGauss| (3)
xcorrect(t)=x(t)-|errGauss| (4)
其中,x(t)为t时刻的风速值,xcorrect(t)为t时刻的风速校正值,errGauss为高斯分布模型产生的误差补偿值,对于两种时间序列突变采用不同的补偿方式;
步骤11.3.2、采用时间序列预测模型对误差值进行预测,其补偿方式为式(5);
xcorrect(t)=x(t)-errtime (5)
其中x(t)为t时刻的风速值,xcorrect(t)为t时刻的风速校正值,errtime为时间序列误差预测模型产生的误差补偿值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010031290.1A CN111222707B (zh) | 2020-01-13 | 2020-01-13 | 一种基于时间序列突变误差校正的风速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010031290.1A CN111222707B (zh) | 2020-01-13 | 2020-01-13 | 一种基于时间序列突变误差校正的风速预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222707A true CN111222707A (zh) | 2020-06-02 |
CN111222707B CN111222707B (zh) | 2022-04-29 |
Family
ID=70808173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010031290.1A Active CN111222707B (zh) | 2020-01-13 | 2020-01-13 | 一种基于时间序列突变误差校正的风速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222707B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712202A (zh) * | 2020-12-29 | 2021-04-27 | 广东电网有限责任公司 | 一种短期风电功率预测方法、装置、电子设备和存储介质 |
CN112990826A (zh) * | 2021-04-15 | 2021-06-18 | 西南交通大学 | 一种短时物流需求预测方法、装置、设备及可读存储介质 |
CN114676645A (zh) * | 2022-05-30 | 2022-06-28 | 湖南大学 | 一种非平稳时间序列预测方法及*** |
CN116820214A (zh) * | 2023-08-30 | 2023-09-29 | 深圳智锐通科技有限公司 | 一种服务器通风散热智能调控方法及*** |
CN117977583A (zh) * | 2024-04-01 | 2024-05-03 | 西安热工研究院有限公司 | 一种基于双阶误差补偿的储能辅助黑启动的风速预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2481916A1 (en) * | 2011-01-26 | 2012-08-01 | Chapdrive As | Wind turbine power production system with hydraulic transmission |
CN106875041A (zh) * | 2017-01-16 | 2017-06-20 | 广东电网有限责任公司揭阳供电局 | 一种短期风速预测方法 |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
CN107909209A (zh) * | 2017-11-16 | 2018-04-13 | 东华大学 | 完备总体经验模态分解和深度信念网络的风速预测方法 |
-
2020
- 2020-01-13 CN CN202010031290.1A patent/CN111222707B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2481916A1 (en) * | 2011-01-26 | 2012-08-01 | Chapdrive As | Wind turbine power production system with hydraulic transmission |
CN106875041A (zh) * | 2017-01-16 | 2017-06-20 | 广东电网有限责任公司揭阳供电局 | 一种短期风速预测方法 |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
CN107909209A (zh) * | 2017-11-16 | 2018-04-13 | 东华大学 | 完备总体经验模态分解和深度信念网络的风速预测方法 |
Non-Patent Citations (5)
Title |
---|
GANG ZHANG ET AL.: "《Wind power prediction based on variational mode decomposition multi-frequency combination》", 《JOURNAL OF MODERN POWER SYSTEM AND CLEAN ENERGY》 * |
孙爱国等: "基于神经网络的风速预测技术研究", 《中国设备工程》 * |
张妍等: "基于变分模态分解和LSSVM的风电场短期风速预测", 《太阳能学报》 * |
张廷忠等: "基于LMD与GA-BP神经网络组合的短期风速滚动预测方法", 《山东电力技术》 * |
田翠霞等: "基于EMD-LMD-LSSVM联合模型的逐时太阳辐照度预测", 《太阳能学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112712202A (zh) * | 2020-12-29 | 2021-04-27 | 广东电网有限责任公司 | 一种短期风电功率预测方法、装置、电子设备和存储介质 |
CN112990826A (zh) * | 2021-04-15 | 2021-06-18 | 西南交通大学 | 一种短时物流需求预测方法、装置、设备及可读存储介质 |
CN114676645A (zh) * | 2022-05-30 | 2022-06-28 | 湖南大学 | 一种非平稳时间序列预测方法及*** |
CN114676645B (zh) * | 2022-05-30 | 2022-08-12 | 湖南大学 | 一种非平稳时间序列预测方法及*** |
CN116820214A (zh) * | 2023-08-30 | 2023-09-29 | 深圳智锐通科技有限公司 | 一种服务器通风散热智能调控方法及*** |
CN116820214B (zh) * | 2023-08-30 | 2024-01-05 | 深圳智锐通科技有限公司 | 一种服务器通风散热智能调控方法及*** |
CN117977583A (zh) * | 2024-04-01 | 2024-05-03 | 西安热工研究院有限公司 | 一种基于双阶误差补偿的储能辅助黑启动的风速预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111222707B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222707B (zh) | 一种基于时间序列突变误差校正的风速预测方法 | |
CN108599172B (zh) | 一种基于人工神经网络的输配网全局潮流计算方法 | |
CN105512766A (zh) | 一种风电场功率预测方法 | |
CN111832838B (zh) | 一种短期风力发电输出功率的预测方法 | |
CN112669168B (zh) | 一种风电功率短期预测方法 | |
CN110555548A (zh) | 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法 | |
CN111784543A (zh) | 一种基于隐马尔可夫模型预测短期光伏发电***发电量的***模型 | |
CN110866633A (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN115511657A (zh) | 一种基于组合预测模型的风电出力与光伏出力评估的方法 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及*** | |
CN117060407B (zh) | 一种基于相似日划分的风电集群功率预测方法及*** | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
Ma et al. | Scenario-based ultra-short-term rolling optimal operation of a photovoltaic-energy storage system under forecast uncertainty | |
CN112736902B (zh) | 一种基于stl分解的时间序列短期电力负荷预测方法 | |
CN111931967B (zh) | 一种风电场短期功率预测方法 | |
CN113449920A (zh) | 一种风电功率预测方法、***及计算机可读介质 | |
CN110363338B (zh) | 基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法 | |
CN112564160A (zh) | 一种计及风电不确定性的储能***随机配置方法、终端及存储介质 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN115544895B (zh) | 光伏电站年出力保证率模型优化方法 | |
CN107918920B (zh) | 多光伏电站的出力关联性分析方法 | |
CN116070768A (zh) | 一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法 | |
CN116049156A (zh) | 一种基于大数据技术的电量数据采集优化方法及*** | |
CN114626622A (zh) | 一种光伏功率预测方法、***、装置及存储介质 | |
CN113536685A (zh) | 一种基于神经网络外推的风速概率模型的建模方法 |
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 |