CN112348255A - 基于小波时频图像化的超短期风电功率预测方法 - Google Patents

基于小波时频图像化的超短期风电功率预测方法 Download PDF

Info

Publication number
CN112348255A
CN112348255A CN202011232819.2A CN202011232819A CN112348255A CN 112348255 A CN112348255 A CN 112348255A CN 202011232819 A CN202011232819 A CN 202011232819A CN 112348255 A CN112348255 A CN 112348255A
Authority
CN
China
Prior art keywords
time
layer
frequency
input data
wind power
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
Application number
CN202011232819.2A
Other languages
English (en)
Other versions
CN112348255B (zh
Inventor
何洪英
罗滇生
高思远
蒋宇翔
尹希浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN202011232819.2A priority Critical patent/CN112348255B/zh
Publication of CN112348255A publication Critical patent/CN112348255A/zh
Application granted granted Critical
Publication of CN112348255B publication Critical patent/CN112348255B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Mathematics (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于小波时频图像化的超短期风电功率预测方法，包括获取原始输入数据集，并对原始输入数据集的输入数据进行预处理；对处理后的输入数据进行小波时频分析，提取历史时间序列的时域特征和频域特征，生成对应的时频图；根据时频图的特性、原始输入数据集的大小、硬件平台的条件，搭建神经网络预测模型；并根据图像特征提取结果、训练误差结果和最终预测结果对神经网络预测模型的参数进行调整，以获取最优预测结果。这种方法一方面可充分利用时间序列的时频信息，另一方面可充分利用二维卷积优良特性，实现对风电功率的时间序列精准的超短期预测。

Description

基于小波时频图像化的超短期风电功率预测方法
技术领域
本发明涉及时间序列预测技术领域，具体涉及一种基于小波时频图像化的超短期风电功率预测方法。
背景技术
小波变换是由法国物理学家Moler在20世纪80年代提出，是一种信号的时间—尺度(时间—频率)分析方法，是一种窗口大小固定不变，但其形状可改变，时间窗和频率窗都可以改变的时频局部化分析方法。
传统傅里叶变换在时域和频域的分辨率是固定的，如果时间窗过长，在一个时间窗内包括高频信号的多个周期，最后输出的是多个周期平均值，无法聚焦高频信号的局部特征；如果时间窗过短，虽然可以很好的聚焦高频信号局部特征，但是可能在一个周期内无法探测到低频信号的特征。
小波分析由于具有良好的局部化性质，因此在时域和频域都具有较好的信号局部特征的表征能力，克服了传统傅里叶变换单一分辨率的固有缺点。
卷积神经网络(Convolutional Neural Networks,CNN)是深度学习的最重要方法之一，并且是图像识别和语音分析领域的热门研究方向。它的权重共享网络结构类似于生物神经网络，可以减少网络模型的复杂性和权数。
如果网络输入的是多维图像，则可以将图像直接放入网络中，从而可以避免传统识别算法中复杂的特征提取和数据重构过程。作为专为识别二维形状而设计的多层感知器，卷积神经网络对于图片的平移、缩放、倾斜或变形具有高度不变性具有一定处理优势。
时间序列的超短期预测出现在各类工程应用中。现阶段，时间序列的超短期预测主要存在两方面的问题：一方面，信号本身具有一定的非线性和非平稳性，时频局域性质恰恰是非平稳信号最重要的特性，现有的预测方法无法同时利用时间序列的时域特征和频域特征，而大多数时间序列属于非平稳信号，因此，在时间序列的时频特征同时提取方面还有一定的提升空间；另一方面，现有的超短期预测模型都具有一定的局限性，比如连续预测方法结果不稳定、卡尔曼滤波法难以估计噪声量、LS-SVM模型缺乏稀疏性等都制约着预测结果精度的提高，从而导致最后的预测结果不够准确。
发明内容
本发明的主要目的是提供一种基于小波时频图像化的超短期风电功率预测方法，旨在解决现有时间序列的超短期预测模型预测结果不够准确的问题。
为实现上述目的，本发明提出的基于小波时频图像化的超短期风电功率预测方法，包括如下步骤：
获取历史风电数据作为原始输入数据集，并对所述原始输入数据集的输入数据进行预处理；
对处理后的所述输入数据进行小波时频分析并获取小波系数，并根据时域特征和频域特征，生成对应的二维的时频图；
根据所述时频图的特性、所述原始输入数据集的大小和硬件平台的条件，搭建用于对所述时频图进行处理的神经网络预测模型；
根据原始输入数据集和所述神经网络预测模型，获取图像特征提取结果、训练误差结果和最终预测结果，并根据所述图像特征提取结果、所述训练误差结果和所述最终预测结果对所述神经网络预测模型的参数进行调整，以获取最优的风电功率超短期预测结果。
优选地，所述获取历史风电数据作为原始输入数据集，并对所述原始输入数据集的输入数据进行预处理的步骤，包括如下步骤：
获取历史风电数据作为原始输入数据集，并获取所述原始输入数据集内的输入数据的最大值和输入数据的最小值；
根据所述输入数据的最大值和所述输入数据的最小值，对所述原始输入数据集内的输入数据进行归一化处理。
优选地，所述对处理后的所述输入数据进行小波时频分析并获取小波系数，并根据时域特征和频域特征，生成对应的二维的时频图的步骤，包括如下步骤：
根据处理后的所述输入数据，获取不同频率下的小波系数，以提取历史时间序列的时域特征和频域特征；
根据时频对所述不同频率下的小波系数进行组合生成小波时频图。
优选地，所述根据所述时频图的特性、所述原始输入数据集的大小、硬件平台的条件，搭建用于对所述时频图进行处理的神经网络预测模型的步骤，包括如下步骤：
根据所述时频图的特性建立输入层；
根据所述输入层、建立多个卷积层和池化层的交替结构，以对所述时频图的图像特征进行提取；
根据所述卷积层和所述池化层，建立全连接层，所述全连接层对最后一个所述池化层处理得到的特征图像进行降维，将所述特征图像转换成特征向量，并输出最终预测结果；
根据所述原始输入数据集的大小、硬件平台的条件、所述输入层、所述全连接层及多个交替设置的所述卷积层和所述池化层，搭建神经网络预测模型。
优选地，所述全连接层对最后一个所述池化层处理得到的特征图像进行降维，将所述特征图像转换成特征向量的步骤，包括如下步骤：
最后一个所述池化层处理得到的特征图像通过Flatten算法转换为一维特征向量。
优选地，所述根据所述输入层、建立多个卷积层和池化层的交替结构的步骤，包括如下步骤：
根据所述输入层，建立依次连接第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层；所述第一卷积层、第二卷积层和第三卷积层用于逐层剔除所述时频图的无效信息，提取关键特征；所述第一池化层、第二池化层和第三池化层用于进一步提取图像特征，并压缩特征图像；
为所述第一卷积层、第二卷积层和第三卷积层分别建立用于提取图像特征的卷积核，每个所述卷积核均对应一个所述图像特征；
确定所述第一池化层、第二池化层和第三池化层的池化方法。
优选地，所述第一卷积层的激活函数为双曲正切激活函数，所述第二卷积层的激活函数为线性整流激活函数；所述第三卷积层的激活函数为双曲正切激活函数。
优选地，所述第一卷积层的卷积核尺寸、所述第二卷积层的卷积核尺寸和所述第三卷积层的卷积核尺寸依次减小。
优选地，所述第一池化层、第二池化层和第三池化层均使用最大合并法来提取时频特征。
优选地，所述根据原始输入数据集和所述神经网络预测模型，获取图像特征提取结果、训练误差结果和最终预测结果，并根据所述图像特征提取结果、所述训练误差结果和所述最终预测结果对所述神经网络预测模型的参数进行调整，以获取最优预测结果的步骤，包括如下步骤：
根据所述原始输入数据集建立测试集、训练集和模型输入集；
根据所述测试集、所述训练集和所述神经网络预测模型，获取所述图像特征提取结果、所述训练误差结果和所述最终预测结果，以调整所述神经网络预测模型的学习率、训练次数和每个卷积层的卷积核尺寸；
根据所述模型输入集和调整后的所述神经网络预测模型获取的风电功率预测结果。
本发明的技术方案中，首先采用小波分析将时间序列转化为时频图序列，以充分利用时间序列的时域特征和频域特征，然后采用卷积神经网络提取时频图特征，利用反向传播算法优化网络结构，最后通过回归获取最终输出。这种方法一方面可充分利用时间序列的时频信息，另一方面可充分利用二维卷积优良特性，实现对时间序列精准的超短期预测，从而获取风电功率的精准超短期预测结果。
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简单地介绍，显而易见地，下面描述中的附图仅仅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示出的结构获得其他的附图。
图1为本发明基于小波分析和卷积神经网络的时间序列超短期预测模型示意图。
图2为卷积神经网络结构示意图。
图3为2014年2月12号风电功率与数据点的关系图
图4为2014年2月12号风电功率时频图。
图5为2014年2月13号风电功率与数据点的关系图。
图6为2014年2月13号风电功率时频图。
图7为2014年2月14号风电功率与数据点的关系图。
图8为2014年2月14号风电功率时频图。
图9为卷积运算示意图。
图10为三种不同的池化层子采样训练流程图。
图11为本发明基于小波时频图像化的超短期风电功率预测方法对风电功率进行超短期预测的卷积神经网络(CNN)模型各卷积层可视化结果图。
图12为本发明基于小波时频图像化的超短期风电功率预测方法对风电功率进行超短期预测的第一卷积层、第二卷积层和第三卷积层选用不同卷积核时对应的识别准确率。
图13为本发明基于小波时频图像化的超短期风电功率预测方法对风电功率进行超短期预测的模型学习率为0.01时的预测模型训练误差曲线。
图14为本发明基于小波时频图像化的超短期风电功率预测方法对风电功率进行超短期预测的模型学习率为0.012时的预测模型训练误差曲线。
图15为本发明基于小波时频图像化的超短期风电功率预测方法对风电功率进行超短期预测的模型学习率为0.014时的预测模型训练误差曲线。
图16为本发明基于小波时频图像化的超短期风电功率预测方法对风电功率进行超短期预测的预测模型预测结果曲线图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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的一部分实施例，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。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
请参照图1-图16中的图1，为实现上述目的，本发明提出的基于小波时频图像化的超短期风电功率预测方法,其包括如下步骤：
S100，获取历史风电数据作为原始输入数据集，并对所述原始输入数据集的输入数据进行预处理；
S200，对处理后的所述输入数据进行小波时频分析并获取小波系数，并根据时域特征和频域特征，生成对应的二维的时频图；
S300，根据所述时频图的特性、所述原始输入数据集以及硬件平台的条件，搭建用于对所述时频图进行处理的神经网络预测模型；
S400，根据原始输入数据集和所述神经网络预测模型，获取图像特征提取结果、训练误差结果和最终预测结果，并根据所述获取图像特征提取结果、所述训练误差结果和所述最终预测结果对所述神经网络预测模型的参数进行调整，以获取最优的风电功率超短期预测结果。本发明的技术方案中，首先采用小波分析将时间序列转化为时频图，充分利用时间序列的时域特征和频域特征，然后采用卷积神经网络提取时频图特征，利用反向传播算法优化网络结构，最后通过回归获取最终输出。这种方法一方面可充分利用时间序列的时频信息，另一方面可充分利用二维卷积优良特性，实现对时间序列精准的超短期预测，从而获取风电功率的精准超短期预测结果。
具体的，本发明先对原始时间序列进行归一化预处理，方便后续的数据的使用和预测程序的快速收敛，再将预处理后的时间序列通过小波时频分析同时提取序列的时域特征和频域特征，将时间序列的时域特征和频域特征图像化，能够将时间序列的局部特征准确地反映在时频域。
由于卷积神经网络自身的权值共享结构，对于图像的平移、比例缩放、倾斜以及其它形式的变形有高度不变性，有效避免图像前期复杂的预处理过程，可以直接处理原始图像，所以通过卷积神经网络处理小波时频分析得到的时频图，可以充分利用卷积神经网络的优良特性，提取时频图特征，完成对时间序列的准确预测，避免了常见的卡尔曼滤波方法存在的难以估计噪声的统计量，和LS-SVM缺乏稀疏性的问题，具有广泛的应用前景。
请参照图1，基于本发明的基于小波时频图像化的超短期风电功率预测方法的第一实施例，本发明的基于小波时频图像化的超短期风电功率预测方法的第二实施例中，所述步骤S100，包括如下步骤：
S110，获取历史风电数据作为原始输入数据集，并获取所述原始输入数据集内的输入数据的最大值和输入数据的最小值；
S120，根据所述输入数据的最大值和所述输入数据的最小值，对所述原始输入数据集内的输入数据进行归一化处理。
具体的，一般为了避免输入数据单位量级过大，影响后续预测准确度，需提前对数据进行归一化处理，这一步是为了方便后续的数据处理和保证程序的快速收敛。
经过归一化处理的输入数据和输出数据控制在[0,1]范围内，归一化具体操作如公式(1)。
Figure RE-GDA0002787000040000071
式中：pn为原始输入功率数据；pmin表示原始数据集中的最小值；pmax表示原始数据集中的最大值；
Figure RE-GDA0002787000040000072
为归一化后的功率数据。
请参照图3-图8，基于本发明的基于小波时频图像化的超短期风电功率预测方法的第二实施例，本发明的基于小波时频图像化的超短期风电功率预测方法的第三实施例中，所述步骤S200，包括如下步骤：
S210，根据处理后的所述输入数据，获取不同频率下的小波系数，以提取历史时间序列的时域特征和频域特征；
S220，根据时频对所述不同频率下的小波系数进行组合生成小波时频图。
具体的，当一个函数ψ(t)∈L2(R)(L2(R)表示信号能量有限的空间)的傅里叶变换ψ(ω)*满足以如下公式(2)所示的条件时，这个函数就是一个小波基函数，基函数通过平移和拉伸可以得到一个小波序列，连续小波序列见公式(3)，离散小波序列见公式(4)。
Figure RE-GDA0002787000040000081
Figure RE-GDA0002787000040000082
式中：a为尺度因子；b为时移因子。
ψj,t(t)＝2-j/2ψ(2-j-k)，j,k∈R；j≠0 (4)；
由于自带尺度因子和时移因子的小波基函数可以通过改变小波的长短和位置来聚焦数据的不同部分。
因此，在低频时，小波分析具有较高的频率分辨率和较低的时间分辨率；在高频部分，小波分析法具有较高的时间分辨率和较低的频率分辨率。
高精度的局部特征提取功能是小波分析法最为重要和实用的特征。小波分析法可以针对不同的工程对象选取不同的小波基函数。
在小波运算过程中，小波函数从信号的起点出发，通过在时间轴上不断移动和不同位置的窗口信号做卷积，通过比对，获取局部信号对应的小波系数，直至整个信号都完成卷积操作，然后将所选小波函数尺度伸缩一个单位，重复以上过程，直到所有尺度完成以上步骤。小波系数的大小表示波函数的波形和此刻的局部信号的波形相似程度。小波系数越大，表明选择的小波波形和此刻的局部信号的波形相似度越高。
在频域，通过拉伸和压缩小波的长度，来获得不同长度和频率的小波。在高频段，小波长度被压缩，小波系数变小，窗口变窄，时间分辨率提高，频率分辨率降低；在低频段，小波长度被拉伸，窗口变宽，时间分辨率降低，频率分辨率提高。
小波时频图就是通过组合不同频率下的小波系数得到的。针对不同的时间序列选取不同的小波基函数。dbN小波对不平稳信号特征的提取能力突出，广泛应用于不平稳信号分析。
请参照图1和图2，基于本发明的基于小波时频图像化的超短期风电功率预测方法的第一实施例，本发明的基于小波时频图像化的超短期风电功率预测方法的第四实施例中，所述步骤S300，包括：
S310，根据所述时频图的特性建立输入层；
S320，根据所述输入层、建立多个卷积层和池化层的交替结构，以对所述时频图的图像特征进行提取；
S330，根据所述卷积层和所述池化层，建立全连接层，所述全连接层对最后一个所述池化层处理得到的特征图像进行降维，将所述特征图像转换成特征向量，并输出最终预测结果；
S340，根据所述原始输入数据集的大小、硬件平台的条件、所述输入层、所述全连接层及多个交替设置的所述卷积层和所述池化层，搭建神经网络预测模型。
具体的，从图2可以看见卷积神经网络基本结构包括输入层、卷积层、池化层、全连接层和输出层几个部分，每个循环神经网络都含有多个卷积层和池化层的交替结构，这个结构都相当于一个“图像过滤器”，用于对图像特征的提取，通过过滤器的不断过滤，实现图像低维特征到高维特征的转换。全连接层相当于一个分类器，接受前端传递过来的图像，通过相应的算法对前端传递的特征图像进行降维，将特征图像转换成特征向量，然后输出最终预测结果。卷积层是卷积神经网络区别于传统神经网络的关键部分，主要用于图像的特征提取。在进行图像处理时，需要运用滤波器(也称卷积核)对图像进行卷积操作，提取图像特征。
具体操作如图9所示，将图像相邻像素组成的矩阵与滤波器的矩阵对应元素相乘，再将得到的乘积相加，得到处理后的像素值，依次滑动滤波器直到所有像素点完成卷积运算。对于图像边缘，没办法直接进行卷积操作，需要对边缘元素进行填充，填充的像素值一般选0或者中心像素值，以保证卷积运算的正常进行。
请参照图1，基于本发明的基于小波时频图像化的超短期风电功率预测方法的第四实施例，本发明的基于小波时频图像化的超短期风电功率预测方法的第五实施例中，所述步骤S330中的所述全连接层对最后一个所述池化层处理得到的特征图像进行降维，将所述特征图像转换成特征向量的步骤，包括如下步骤：
最后一个所述池化层处理得到的特征图像通过Flatten算法转换为一维特征向量。
具体的，最后一个池化层通过Flatten算法将处理后的二维图像转换为一维特征向量，最后通过全连接层实现时间序列的超短期预测。
请参照图1，基于本发明的基于小波时频图像化的超短期风电功率预测方法的第四实施例，本发明的基于小波时频图像化的超短期风电功率预测方法的第六实施例中，所述步骤S320中的所述根据所述输入层、建立多个卷积层和池化层的交替结构的步骤，包括：
S321，根据所述输入层，建立依次连接第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层；所述第一卷积层、第二卷积层和第三卷积层用于逐层剔除所述时频图的无效信息，提取关键特征，所述第一池化层、第二池化层和第三池化层用于进一步提取图像特征，并压缩特征图像；
S322，为所述第一卷积层、第二卷积层和第三卷积层分别建立用于提取图像特征的卷积核，每个所述卷积核均对应一个所述图像特征；
S323，确定所述第一池化层、第二池化层和第三池化层的池化方法。
具体的，模型通过卷积层和池化层交替结构，增加网络容量、降低了特征分辨率和需要优化的网络参数的数量，实现对时频特征图的特征提取。如图1所示，搭建一个7层的卷积神经网络模型(包括依次连接第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层和一个全连接层)，如图1所示。
请参照图1，基于本发明的基于小波时频图像化的超短期风电功率预测方法的第六实施例，本发明的基于小波时频图像化的超短期风电功率预测方法的第七实施例中，所述第一卷积层的激活函数为双曲正切激活函数(tanh) 激活函数，所述第二卷积层的激活函数为线性整流函数(ReLU)激活函数；所述第三卷积层的激活函数为双曲正切激活函数(tanh)激活函数。
具体的，神经网络一般处理的都是非线性问题，激活函数就是为了弥补线性模型的表达能力，为神经网络增添一定的非线性因素。
常见的激活函数有sigmoid函数、双曲正切(tanh)函数和线性整流 (ReLU)函数三种。
sigmoid函数如下式所示：
Figure RE-GDA0002787000040000111
输出区间为(0，1)，不以0为输出中心，输出结果单调连续，但是由于函数本身具有软饱和性，容易出现梯度消失的问题，一般用于输出层。
双曲正切函数如下式所示：
Figure RE-GDA0002787000040000112
输出区间为(-1,1)，以0为输出中心，双曲正切函数和sigmoid函数一样存在梯度消失的问题，但是训练速度有一定提高，一般用于隐含层。
线性整流ReLU函数如下式所示：
Figure RE-GDA0002787000040000113
在输入小于0时，输出为0，在输入大于0时，输出数据本身，解决了前两种激活函数的梯度***问题，同时提高了训练速度，在无监督学习中表现良好，是现阶段广泛应用的激活函数。
请参照图1和图9，基于本发明的基于小波时频图像化的超短期风电功率预测方法的第六实施例，本发明的基于小波时频图像化的超短期风电功率预测方法的第八实施例中，所述第一卷积层的卷积核尺寸、所述第二卷积层的卷积核尺寸和所述第三卷积层的卷积核尺寸依次减小。
具体的，卷积核大小的不同，训练效果也不一样，卷积核尺度越小，对应的模型训练速度越快、模型训练损失越高、特征识别准确率越低；卷积核尺度越大，对应的模型训练速度越平缓、模型训练损失越低、特征识别准确率(auray)相对提高。通过不同尺度卷积核在不同卷积层对应的特征识别准确率来选择各卷积层的卷积核尺度。
请参照图1和图2，基于本发明的基于小波时频图像化的超短期风电功率预测方法的第六实施例，本发明的基于小波时频图像化的超短期风电功率预测方法的第九实施例中，所述第一池化层、第二池化层和第三池化层均使用最大合并法来提取时频特征。
具体的，卷积层后的池化层，是为了进一步提取图像特征，压缩图像，减少计算量，防止模型过拟合的结构。池化层主要通过子采样达到缩小数据规模的目的。
例如，对一个4×4的图像进行2×2的子采样就会得到2×2图像，相当于从原始图像中每4个像素提取一个代表像素作为输出，大大减少整个模型的计算量。
常见的池化方法有最大合并法、平均值合并法和随机合并法，一般用得比较多的是最大合并法，如图10所示。
请参照图1，基于本发明的基于小波时频图像化的超短期风电功率预测方法的上述实施例，本发明的基于小波时频图像化的超短期风电功率预测方法的第十实施例中，所述步骤S400，包括如下步骤：
S410，根据所述原始输入数据集建立测试集、训练集和模型输入集；
S420，根据所述测试集、所述训练集和所述神经网络预测模型，获取所述图像特征提取结果、所述训练误差结果和所述最终预测结果，调整所述神经网络预测模型的学习率、训练次数和每个卷积层的卷积核尺寸；
S430，根据所述模型输入集和调整后的所述神经网络预测模型获取最优的风电功率超短期预测结果。具体的，预测模型的整个训练过程采用批量梯度下降算法，因此能使用反向回归算法对网络结构进行优化，BP算法(即反向传播算法)适合于多层神经元网络的一种学习算法，它建立在梯度下降法的基础上。BP网络的输入输出关系实质上是一种映射关系：一个n输入m输出的 BP神经网络所完成的功能是从n维欧氏空间向m维欧氏空间中一有限域的连续映射，这一映射具有高度非线性。它的信息处理能力来源于简单非线性函数的多次复合，因此具有很强的函数复现能力。
在本发明的基于小波时频图像化的超短期风电功率预测方法的另一个实施例，使用本发明基于小波时频图像化的超短期风电功率预测方法对风电功率进行超短期预测的实际算例。
本文中所用到的数据集是来自我国东北某风电场2014年1月1号到2014 年3月1号的冬季数据，在该时间段内，风电场的气候未发生较为明显的变化，风力发电数据受天气影响较小。风电场以15分钟为时间间隔采集风电功率值，一共选取5000个数据点作为原始输入数据集，对其进行归一化处理，再将得到的数据用于后续的预测。
本文中将1月份的数据集作为训练集，2月份数据作为测试集。模型的输入集是三天的风电功率历史时间序列，为了方便后续处理，统一将得到的时频图的图像尺寸调整为300×150，输出是未来15分钟风电场的发电功率。
dbN小波对不平稳信号特征的提取能力突出，广泛应用于不平稳信号分析。由于风电功率历史时间序列属于不平稳信号，本实施例采用紧支撑正交小波(db6小波)来提取风电功率历史时间序列在不同频率下的时频特征， db6小波有正则性好、消失矩大等优良特性。通过db6小波的伸缩平移实现对不同频段的风电功率进行时频分析，提取数据的局部频域特征。
一、特征提取分析
选取2014年2月12号至14号三天的风电功率历史时间序列，对每天96 个数据点(24×60÷15)的风电功率历史时间序列做小波时频联合分析，时频分析图如下图3-图8所示。
如图1和图11所示，所述第一卷积层、第二卷积层和第三卷积层分别建立4个、8个和16个卷积核，一个卷积核对应一个图像特征。
因此，所述第一卷积层、第二卷积层和第三卷积层分别提取了4个、8个和16个图像特征，为进一步了解卷积神经网络特征提取过程，将每一层提取的图像特征通过编码反转法实现可视化，所述第一卷积层、第二卷积层和第三卷积层分别的可视化图像特征，且不同的卷积核提取的特征也不同，如图6 所示。
所述第一卷积层提取的是图像的边缘特征，保留了图像的基本信息，可以看到图像的大概轮廓，不同的卷积核对应的feature_map有一定的区别，证明不同卷积核识别不同的图像特征。
随着层数的不断加深，卷积层提取的图像特征越来越抽象，进一步过滤无效信息，第二卷积核和第三卷积核由于没有找到相匹配的图像纹理特征，出现的空白内容越多。时频图像通过第一卷积层、第二卷积层和第三卷积层逐层剔除无效信息，提取关键特征。
第一卷积层、第二卷积层和第三卷积层选用不同卷积核对应的识别准确率如图12所示。
各卷积层选择不同卷积核对应的准确率如表1所示。
表1卷积层选择不同卷积核对应的特征识别准确率
Figure RE-GDA0002787000040000141
从图7和表1可知，第一卷积层在卷积核尺寸8×8时，特征识别准确率最高，为94.912％；第二卷积层在卷积核尺寸4×4时，特征识别准确率最高，为91.791％；第三卷积层在卷积核尺寸2×2时，特征识别准确率最高，为 92.413％。因此第一卷积层、第二卷积层和第三卷积层依次选用尺寸大小为8 ×8、4×4、2×2的卷积核。
二、训练误差分析
预测模型训练误差曲线如图13-图15所示。
由图14可知，在学习率为0.012时，模型训练集和测试集的误差最小，并且测试集误差比训练集低，所以模型的学习率取0.012。
预测模型的整个训练过程采用批量梯度下降算法，模型的误差损失由绝对平均误差给出。
模型训练次数是影响预测准确性的重要因素，训练次数过多，会导致训练数据过拟合；训练次数过低，会导致训练数据拟合不到位。
通过图14可知，模型的训练误差和测试误差一直保持稳定的下降趋势，且在80次左右模型误差稳定在0.01附近。因此，模型的训练次数选择80次。
三、预测结果分析
预测模型的预测结果图16所示。
从图16也可以看出，基于模型输出的预测曲线和实际的风电功率曲线的拟合效果基本达到预期，虽然有些地方有部分出入，但是大体的趋势走向基本一致，可以达到预期，模型预测效果比较好。
模型的均方根误差(预测值与真实值偏差的平方与观测次数比值的平方根)为0.241。
证明本发明通过小波时频联合分析与卷积神经网络相结合的方式，可以有效提高风电功率时间序列超短期预测的准确度。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。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如上所述的一个计算机可读存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备进入本发明各个实施例所述的方法。
在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第X实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料、方法步骤或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域。

Claims (10)

1.一种基于小波时频图像化的超短期风电功率预测方法，其特征在于，包括如下步骤：
获取历史风电数据作为原始输入数据集，并对所述原始输入数据集的输入数据进行预处理；
对处理后的所述输入数据进行小波时频分析并获取小波系数，并根据时域特征和频域特征，生成对应的二维的时频图；
根据所述时频图的特性、所述原始输入数据集的大小和硬件平台的条件，搭建用于对所述时频图进行处理的神经网络预测模型；
根据原始输入数据集和所述神经网络预测模型，获取图像特征提取结果、训练误差结果和最终预测结果，并根据所述图像特征提取结果、所述训练误差结果和所述最终预测结果对所述神经网络预测模型的参数进行调整，以获取最优的风电功率超短期预测结果。
2.根据权利要求1所述的基于小波时频图像化的超短期风电功率预测方法，其特征在于，所述获取历史风电数据作为原始输入数据集，并对所述原始输入数据集的输入数据进行预处理的步骤，包括如下步骤：
获取历史风电数据作为原始输入数据集，并获取所述原始输入数据集内的输入数据的最大值和输入数据的最小值；
根据所述输入数据的最大值和所述输入数据的最小值，对所述原始输入数据集内的输入数据进行归一化处理。
3.根据权利要求1所述的基于小波时频图像化的超短期风电功率预测方法，其特征在于，所述对处理后的所述输入数据进行小波时频分析并获取小波系数，并根据时域特征和频域特征，生成对应的二维的时频图的步骤，包括如下步骤：
根据处理后的所述输入数据，获取不同频率下的小波系数，以提取历史时间序列的时域特征和频域特征；
根据时频对所述不同频率下的小波系数进行组合生成小波时频图。
4.根据权利要求1所述的基于小波时频图像化的超短期风电功率预测方法，其特征在于，所述根据所述时频图的特性、所述原始输入数据集的大小、硬件平台的条件，搭建用于对所述时频图进行处理的神经网络预测模型的步骤，包括如下步骤：
根据所述时频图的特性建立输入层；
根据所述输入层、建立多个卷积层和池化层的交替结构，以对所述时频图的图像特征进行提取；
根据所述卷积层和所述池化层，建立全连接层，所述全连接层对最后一个所述池化层处理得到的特征图像进行降维，将所述特征图像转换成特征向量，并输出最终预测结果；
根据所述原始输入数据集的大小、硬件平台的条件、所述输入层、所述全连接层及多个交替设置的所述卷积层和所述池化层，搭建神经网络预测模型。
5.根据权利要求4所述的基于小波时频图像化的超短期风电功率预测方法，其特征在于，所述全连接层对最后一个所述池化层处理得到的特征图像进行降维，将所述特征图像转换成特征向量的步骤，包括如下步骤：
最后一个所述池化层处理得到的特征图像通过Flatten算法转换为一维特征向量。
6.根据权利要求4所述的基于小波时频图像化的超短期风电功率预测方法，其特征在于，所述根据所述输入层、建立多个卷积层和池化层的交替结构的步骤，包括如下步骤：
根据所述输入层，建立依次连接第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层；所述第一卷积层、第二卷积层和第三卷积层用于逐层剔除所述时频图的无效信息，提取关键特征；所述第一池化层、第二池化层和第三池化层用于进一步提取图像特征，并压缩特征图像；
为所述第一卷积层、第二卷积层和第三卷积层分别建立用于提取图像特征的卷积核，每个所述卷积核均对应一个所述图像特征；
确定所述第一池化层、第二池化层和第三池化层的池化方法。
7.根据权利要求6所述的基于小波时频图像化的超短期风电功率预测方法，其特征在于，所述第一卷积层的激活函数为双曲正切激活函数，所述第二卷积层的激活函数为线性整流激活函数；所述第三卷积层的激活函数为双曲正切激活函数。
8.根据权利要求6所述的基于小波时频图像化的超短期风电功率预测方法，其特征在于，所述第一卷积层的卷积核尺寸、所述第二卷积层的卷积核尺寸和所述第三卷积层的卷积核尺寸依次减小。
9.根据权利要求6所述的基于小波时频图像化的超短期风电功率预测方法，其特征在于，所述第一池化层、第二池化层和第三池化层均使用最大合并法来提取时频特征。
10.根据权利要求1-9中任一所述的基于小波时频图像化的超短期风电功率预测方法，其特征在于，所述根据原始输入数据集和所述神经网络预测模型，获取图像特征提取结果、训练误差结果和最终预测结果，并根据所述图像特征提取结果、所述训练误差结果和所述最终预测结果对所述神经网络预测模型的参数进行调整，以获取最优预测结果的步骤，包括如下步骤：
根据所述原始输入数据集建立测试集、训练集和模型输入集；
根据所述测试集、所述训练集和所述神经网络预测模型，获取所述图像特征提取结果、所述训练误差结果和所述最终预测结果，以调整所述神经网络预测模型的学习率、训练次数和每个卷积层的卷积核尺寸；
根据所述模型输入集和调整后的所述神经网络预测模型获取最优的风电功率超短期预测结果。
CN202011232819.2A 2020-11-06 2020-11-06 基于小波时频图像化的超短期风电功率预测方法 Active CN112348255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011232819.2A CN112348255B (zh) 2020-11-06 2020-11-06 基于小波时频图像化的超短期风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011232819.2A CN112348255B (zh) 2020-11-06 2020-11-06 基于小波时频图像化的超短期风电功率预测方法

Publications (2)

Publication Number Publication Date
CN112348255A true CN112348255A (zh) 2021-02-09
CN112348255B CN112348255B (zh) 2024-04-09

Family

ID=74429739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011232819.2A Active CN112348255B (zh) 2020-11-06 2020-11-06 基于小波时频图像化的超短期风电功率预测方法

Country Status (1)

Country Link
CN (1) CN112348255B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115081489A (zh) * 2022-07-13 2022-09-20 重庆大学 基于小波分解矩阵和残差网络的时间序列分类方法
CN117313927A (zh) * 2023-09-19 2023-12-29 华能澜沧江水电股份有限公司 基于小波神经网络的风力发电功率预测方法和***

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1288766A2 (en) * 2001-08-31 2003-03-05 Sony United Kingdom Limited Digital content distribution
CN102102626A (zh) * 2011-01-30 2011-06-22 华北电力大学 风电场短期功率预测方法
JP2013114625A (ja) * 2011-11-30 2013-06-10 A T Communications Co Ltd 移動体通信端末、決済システム、決済方法、及びプログラム
CN105184391A (zh) * 2015-08-19 2015-12-23 国网山东省电力公司电力科学研究院 基于小波分解和支持向量机的风电场风速与功率预测方法
CN106384170A (zh) * 2016-09-24 2017-02-08 华北电力大学（保定） 基于小波分解与重构的时间序列风速预测方法
CN107292446A (zh) * 2017-07-03 2017-10-24 西南交通大学 一种基于考虑分量关联性小波分解的混合风速预测方法
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
WO2018028255A1 (zh) * 2016-08-11 2018-02-15 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN108448610A (zh) * 2018-03-12 2018-08-24 华南理工大学 一种基于深度学习的短期风功率预测方法
CN109214575A (zh) * 2018-09-12 2019-01-15 河海大学 一种基于小波长短期记忆网络的超短期风电功率预测方法
CN109272156A (zh) * 2018-09-12 2019-01-25 河海大学 一种超短期风电功率概率预测方法
CN110045348A (zh) * 2019-05-05 2019-07-23 应急管理部上海消防研究所 一种基于改进卷积神经网络的人体运动状态分类方法
CN110082841A (zh) * 2019-04-18 2019-08-02 东华大学 一种短期风速预测方法
CN110415180A (zh) * 2019-06-10 2019-11-05 西安电子科技大学 一种基于小波卷积神经网络的sar图像去噪方法
CN110618353A (zh) * 2019-10-22 2019-12-27 北京航空航天大学 一种基于小波变换+cnn的直流电弧故障检测方法
CN111091233A (zh) * 2019-11-26 2020-05-01 江苏科技大学 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法
WO2020156348A1 (zh) * 2019-01-31 2020-08-06 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法
CN111507884A (zh) * 2020-04-19 2020-08-07 衡阳师范学院 一种基于深层卷积神经网络的自适应图像隐写分析方法及***

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1288766A2 (en) * 2001-08-31 2003-03-05 Sony United Kingdom Limited Digital content distribution
CN102102626A (zh) * 2011-01-30 2011-06-22 华北电力大学 风电场短期功率预测方法
JP2013114625A (ja) * 2011-11-30 2013-06-10 A T Communications Co Ltd 移動体通信端末、決済システム、決済方法、及びプログラム
CN105184391A (zh) * 2015-08-19 2015-12-23 国网山东省电力公司电力科学研究院 基于小波分解和支持向量机的风电场风速与功率预测方法
WO2018028255A1 (zh) * 2016-08-11 2018-02-15 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN106384170A (zh) * 2016-09-24 2017-02-08 华北电力大学（保定） 基于小波分解与重构的时间序列风速预测方法
CN107292446A (zh) * 2017-07-03 2017-10-24 西南交通大学 一种基于考虑分量关联性小波分解的混合风速预测方法
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
CN108448610A (zh) * 2018-03-12 2018-08-24 华南理工大学 一种基于深度学习的短期风功率预测方法
CN109214575A (zh) * 2018-09-12 2019-01-15 河海大学 一种基于小波长短期记忆网络的超短期风电功率预测方法
CN109272156A (zh) * 2018-09-12 2019-01-25 河海大学 一种超短期风电功率概率预测方法
WO2020156348A1 (zh) * 2019-01-31 2020-08-06 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法
CN110082841A (zh) * 2019-04-18 2019-08-02 东华大学 一种短期风速预测方法
CN110045348A (zh) * 2019-05-05 2019-07-23 应急管理部上海消防研究所 一种基于改进卷积神经网络的人体运动状态分类方法
CN110415180A (zh) * 2019-06-10 2019-11-05 西安电子科技大学 一种基于小波卷积神经网络的sar图像去噪方法
CN110618353A (zh) * 2019-10-22 2019-12-27 北京航空航天大学 一种基于小波变换+cnn的直流电弧故障检测方法
CN111091233A (zh) * 2019-11-26 2020-05-01 江苏科技大学 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法
CN111507884A (zh) * 2020-04-19 2020-08-07 衡阳师范学院 一种基于深层卷积神经网络的自适应图像隐写分析方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘欢;张超;: "基于小波-神经网络的短期风功率预测", 电子世界, no. 14 *
杨杰;霍志红;何永生;郭苏;邱良;许昌;: "基于小波与最小资源分配网络的超短期风电功率预测研究", 电力***保护与控制, no. 09 *
林涛;赵参参;赵成林;刘航鹏;: "计及频率分析的风电场短期功率预测", 计算机仿真, no. 06 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115081489A (zh) * 2022-07-13 2022-09-20 重庆大学 基于小波分解矩阵和残差网络的时间序列分类方法
CN117313927A (zh) * 2023-09-19 2023-12-29 华能澜沧江水电股份有限公司 基于小波神经网络的风力发电功率预测方法和***

Also Published As

Publication number Publication date
CN112348255B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
NL2022758B1 (en) Image Super-resolution Reconstruction Method Based on Multi-scale Generative Adversarial Network
CN111012336B (zh) 时空特征融合的并行卷积网络运动想象脑电图分类方法
CN107977932B (zh) 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法
CN107316013B (zh) 基于nsct变换和dcnn的高光谱图像分类方法
CN110232341B (zh) 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法
CN103049892B (zh) 基于相似块矩阵秩最小化的非局部图像去噪方法
CN107832787B (zh) 基于双谱自编码特征的雷达辐射源识别方法
CN107633486A (zh) 基于三维全卷积神经网络的结构磁共振图像去噪方法
CN112819910B (zh) 基于双鬼注意力机制网络的高光谱图像重建方法
CN112348255B (zh) 基于小波时频图像化的超短期风电功率预测方法
CN112818764B (zh) 一种基于特征重建模型的低分辨率图像人脸表情识别方法
CN106097278B (zh) 一种多维信号的稀疏模型、重建方法和字典训练方法
CN110533683B (zh) 一种融合传统特征与深度特征的影像组学分析方法
CN108257093B (zh) 基于可控核与高斯过程回归的单帧图像超分辨方法
CN113239938B (zh) 一种基于图结构的高光谱分类方法及***
CN116310459B (zh) 基于多视图空谱联合的高光谱图像子空间聚类方法
CN111127316A (zh) 一种基于sngan网络的单幅人脸图像超分辨方法及***
CN111160392A (zh) 一种基于小波宽度学习***的高光谱分类方法
CN116524253A (zh) 一种基于轻量级Transformer的甲状腺癌病理图像分类方法
CN117392153B (zh) 一种基于局部补偿和多尺度自适应变形的胰腺分割方法
CN106296583B (zh) 基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法
CN113327205B (zh) 基于卷积神经网络的相位去噪方法
Hel-Or et al. The role of redundant bases and shrinkage functions in image denoising
CN112733589A (zh) 一种基于深度学习的红外图像行人检测方法
CN110264482B (zh) 基于中智集变换矩阵因子分解的活动轮廓分割方法

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