CN112418504A - 一种基于混合变量选择优化深度信念网络风速预测方法 - Google Patents
一种基于混合变量选择优化深度信念网络风速预测方法 Download PDFInfo
- Publication number
- CN112418504A CN112418504A CN202011288378.8A CN202011288378A CN112418504A CN 112418504 A CN112418504 A CN 112418504A CN 202011288378 A CN202011288378 A CN 202011288378A CN 112418504 A CN112418504 A CN 112418504A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- formula
- parameter
- sample
- value
- 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
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于混合变量选择优化深度信念网络风速预测方法,该发明主要为了解决风场风速预测精度不高的问题。包括:绘制风速‑风功率散点图剔除风场实测数据中的不良数据;利用组合式变量选择算法对数据样本集进行关联性分析;归一化处理样本数据集,划分训练样本集和预测样本集;构建深度信念风速预测模型并采用头脑风暴优化算法进行优化;利用已训练好的预测模型对风速进行预测。本发明一定程度上解决了现有风速预测模型存在的模型计算量较大,预测精度不高的问题。
Description
技术领域
本发明专利涉及风力发电技术领域,具体涉及一种基于混合变量选择优化深度信念网络风速预测方法。
背景技术
世界各国面临的能源危机日益严重,化石能源的不断大量消耗以及伴随而来的严重环境污染问题已经引起广泛关注。作为可再生能源,风能发电发展迅速,在近年得到众多学者的研究。风速本身具有波动性和间歇性,会直接影响到电能质量和电网的稳定安全,风场风速的准确预测,将减轻电网调度部门调度计划制定,风场规划建设、风电并网等工作压力。
风速预测方法中具有代表性的包括物理预测法、卡尔曼滤波法、支持向量机法和人工神经网络法等。一系列深度神经网络算法在近年被应用到风速预测领域,相比于浅层模型,深度神经网络模型预测精度更高,其中具有代表性的有长短时记忆网络、卷积循环神经网络和全连接神经网络等。
在变量筛选方面,常用算法包括最小角回归算法、皮尔逊相关系数算法和最大信息系数等。但在具体研究中,大多数研究者通常仅采用一种特征筛选算法进行变量选择,这在一定程度上降低了变量筛选结果的可信度,同时,部分研究者在验证风速预测模型时,使用的数据并非风场实测数据,而是来自计算机生成的模拟量,这同样降低了预测结果的可信度。
综上所述,由于风速本身具有波动性和间歇性,现有的风速预测方法普遍存在变量筛选方法不够完善,风速预测模型预测精度较低等问题。
发明内容
针对现有技术存在的问题,本发明的目的在于克服现有风速预测技术中存在的问题而提供的一种基于混合变量选择优化深度信念网络风速预测方法,通过使用一种组合式变量选择方法,大幅提高变量筛选的可信度,同时采用头脑风暴优化算法优化深度信念网络进行风速预测,克服了浅层神经网络预测精度较低的问题,进一步提高深度信念网络风速预测精度。
为了达到上述目的本发明采用如下技术方案:
1.一种基于混合变量选择优化深度信念网络风速预测方法,其特征在于,包括步骤:
S1.采集风场实测数据,包含风速、风功率、偏航角度、发电量和温度多项记录参数,绘制风速-风功率散点图找出“离群点”并剔除,得到预处理数据集;
S2.对S1中预处理数据集进行变量相关性分析,利用皮尔逊相关系数算法和互信息算法分析各参数与目标参数风速间的相关性,剔除冗余变量,减少建模变量数量,得到样本数据集;
S21.利用皮尔逊相关系数算法对S1中预处理数据集进行变量相关性分析,风速项作为Q,其余参数项分别作为P;根据公式(1)得到各参数项与目标参数风速之间的相关性系数J;
式(1)中,M是样本数量,Ql和Pl是参数Q和P对应的样本点,是Q样本平均数,是P样本平均数;相关性系数在0到1范围内变化,保留与风速间相关性系数不小于0.7的各参数项,并与对应的风速项构成数据集G1;
S22.利用互信息算法对数据集G1进行变量相关性分析,分析各参数项与目标参数风速间的关联度,风速项作为Q1,其余参数项分别作为P1,根据公式(2)得到各参数项与目标变量风速之间的相关系数MIN;
MIN(Q1;P1)=H(Q1)+H(P1)-H(Q1,P1) (2)
式(2)中,H(Q1)表示Q1的信息熵,H(P1)表示P1的信息熵,H(Q1,P1)表示Q1和P1的联合信息熵,MIN(Q1;P1)越大,则表示Q1与P1之间的相关性越强,反之越弱;相关性系数在0到1范围内变化,保留与风速间相关系数不小于0.8的各参数项,与对应的风速项构成数据集G2,即样本数据集;
S3.对样本数据集进行归一化处理,按照4:1的比例确定训练样本集和预测样本集;归一化处理转换函数如下:
式(3)中,xmin和xmax分别指样本数据中各参数项的最大值和最小值,xj指样本数据集中各参数项的样本点,xj*指样本数据集中各参数项归一化后的样本点;
S4.利用深度信念网络建立风速预测模型;
S41.受限玻尔兹曼机表示为:
式(4)中,θ={wij,ai,bj}代表受限玻尔兹曼机的参数,指可见层对隐含层的权值,可见层和隐含层的偏置,l代表可见层神经元个数,u代表隐含层神经元个数,vi和hj指可见层和隐含层任意一组节点状态;
S42.可见层与隐含层的似然函数表示为:
S43.可见层神经元给定后,隐含层神经元被激活的概率为:
式(6)中,exp()指以e为底的指数函数,隐含层神经元给定后,可见层神经元被激活的概率同理;
S44.通过对受限玻尔兹曼机进行学习训练,获得深度信念网络最优参数θ:
式(7)中,M代表训练样本集中的样本数,lnP()指对数似然函数,arg maxL(θ)指当L(θ)取得最大值时θ的取值,vl指可见层v的l次方;
S45.受限玻尔兹曼机各参数更新公式为:
式(8)中,<·>D和<·>r分别样本分布的期望和指重构后模型定义的数学期望,λ代表学习率;
S46.重复执行S41-S45,完成对所有受限玻尔兹曼机的训练,从而建立所述风速预测模型;
S5.采用头脑风暴优化算法优化所述风速预测模型参数;
S51.根据深度信念网络的初始连接权重值和阈值定义头脑风暴优化算法初始个体的数量、种类和随机扰动值等关键参数;初始个体的维度Z表示为:
Z=Y1*(Y0+1)+Y2*(Y1+1) (9)
式(9)中,Y0、Y1和Y2分别代表深度信念网络各层神经元个数;基于聚类思想的头脑风暴优化算法,个体变异主要存在四种不同的方式,通过这四种不同的变异方式进行比较得到全局最优,以避免自身陷入局部最优的问题;随机设置四种变异方式的初始概率分别为:P1,P2,P3,P4;
S52.通过对四种不同变异方式的概率进行比较,选择其中概率最大的变异方式,确定新个体的更新方式,新个体更新方式表示为:
Fxz=S*N(μ,σ2)+Fjz (10)
式(10)中,Fxz指新产生个体的第z维数据,Fjz指被选中的个体的第z维数据,N(μ,σ2)指正态分布;
S=round()*lgsig((E/2-e)/g) (11)
式(11)中,lgsig代表对数激活函数,g表示用来调节lgsig函数坡度的参数,round()指随机数,范围是0到1,E和e分别指最大和目前迭代次数。
S53.采用均方误差表征模型训练误差大小,因此,适应度函数采用深度信念网络训练时的均方误差;将变异产生的新个体的适应度函数值与原个体进行比较,若新个体适应度函数值更小,即代表误差更小,则更新原个体;
S54.迭代更新个体,直到到达预设迭代次数或适应度函数值达到预设精度,则停止迭代,得到最优解;
S55.将得到的最优解作为深度信念网络风速预测模型的连接权重值和阈值,完成对深度信念网络风速预测模型的优化;
S6.将所述训练样本集输入优化完毕的风速预测模型进行训练;
S7.将所述预测样本集输入训练完毕的风速预测模型进行预测,获得风速预测值。
与现有技术相比,本发明针对风速本身存在的波动性和随机性,基于风场实测数据,通过绘制风速-风功率散点图的方法找出风场实测数据中的不良数据并剔除;尤其,本发明利用了两种变量选择算法进行组合式变量筛选,预测模型的输入可以方便快捷的筛选确定出来;同时,采用基于头脑风暴优化算法优化的深度信念网络风速预测模型进行风速预测,一定程度上解决了现有传统风速预测模型存在的模型计算量大,预测精度不高的问题,使得预测模型具有良好的准确度和泛化性能。
附图说明
图1为本发明实施例的由受限玻尔兹曼机堆叠而成并采用头脑风暴算法优化后的深度信念网络风速预测模型示意图。
图2为使用本发明应用于风电场风速预测的一种基于混合变量选择优化深度信念网络风速预测方法的流程图。
图3为使用本发明一种基于混合变量选择优化深度信念网络风速预测方法的风速预测结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明一种基于混合变量选择优化深度信念网络风速预测方法,使用混合变量选择算法,并采用头脑风暴优化算法优化深度信念网络。
如图1所示,其为本发明实施例的由受限玻尔兹曼机堆叠而成并经由头脑风暴算法优化后的深度信念网络风速预测模型示意图。
如图2所示,其为使用本发明所述应用于风电场的一种基于混合变量选择优化深度信念网络风速预测方法的流程图,包括以下步骤:
S1.以30分钟为时间间隔采集风场实测数据,包含风速、风功率、偏航角度、发电量和温度多项记录参数,绘制风速-风功率散点图找出“离群点”并剔除,得到预处理数据集;
S2.对S1中预处理数据集进行变量相关性分析,利用皮尔逊相关系数算法和互信息算法分析各参数与目标参数风速间的相关性,剔除冗余变量,减少建模变量数量,得到样本数据集;
S21.利用皮尔逊相关系数算法对S1中预处理数据集进行变量相关性分析,风速项作为Q,其余参数项分别作为P;根据公式(1)得到各参数项与目标参数风速之间的相关性系数J;
式(1)中,M是样本数量,Ql和Pl是参数Q和P对应的样本点,是Q样本平均数,是P样本平均数;相关性系数在0到1范围内变化,保留与风速间相关性系数不小于0.7的各参数项,并与对应的风速项构成数据集G1;
S22.利用互信息算法对数据集G1进行变量相关性分析,分析各参数项与目标参数风速间的关联度,风速项作为Q1,其余参数项分别作为P1,根据公式(2)得到各参数项与目标变量风速之间的相关系数MIN;
MIN(Q1;P1)=H(Q1)+H(P1)-H(Q1,P1) (2)
式(2)中,H(Q1)表示Q1的信息熵,H(P1)表示P1的信息熵,H(Q1,P1)表示Q1和P1的联合信息熵,MIN(Q1;P1)越大,则表示Q1与P1之间的相关性越强,反之越弱;相关性系数在0到1范围内变化,保留与风速间相关系数不小于0.8的各参数项,与对应的风速项构成数据集G2,即样本数据集;
具体而言,通过S2所述变量相关性分析过程,在本实施例中,样本数据集包含风功率、发电量、耗电量、偏航角度、齿轮箱轴承温度、发电机定子温度、转子速度、机舱温度和风速共9项参数;
S3.对样本数据集进行归一化处理,按照4:1的比例确定训练样本集和预测样本集;归一化处理转换函数如下:
式(3)中,xmin和xmax分别指样本数据中各参数项的最大值和最小值,xj指样本数据集中各参数项的样本点,xj*指样本数据集中各参数项归一化后的样本点;
S4.利用深度信念网络建立风速预测模型;
S41.受限玻尔兹曼机表示为:
式(4)中,θ={wij,ai,bj}代表受限玻尔兹曼机的参数,指可见层对隐含层的权值,可见层和隐含层的偏置,l代表可见层神经元个数,u代表隐含层神经元个数,vi和hj指可见层和隐含层任意一组节点状态;
S42.可见层与隐含层的似然函数表示为:
S43.可见层神经元给定后,隐含层神经元被激活的概率为:
式(6)中,exp()指以e为底的指数函数,隐含层神经元给定后,可见层神经元被激活的概率同理;
S44.通过对受限玻尔兹曼机进行学习训练,获得深度信念网络最优参数θ:
式(7)中,M代表训练样本集中的样本数,lnP()指对数似然函数,arg maxL(θ)指当L(θ)取得最大值时θ的取值,vl指可见层v的l次方;
S45.受限玻尔兹曼机各参数更新公式为:
式(8)中,<·>D和<·>r分别样本分布的期望和指重构后模型定义的数学期望,λ代表学习率;
S46.重复执行S41-S45,完成对所有受限玻尔兹曼机的训练,从而建立所述风速预测模型;
具体而言,通过步骤S4建立基于深度信念网络的风速预测模型,所述深度信念网络由3个受限玻尔兹曼机堆叠而成,输入层神经元为8个,输出层神经元为1个,隐含层神经元采用64-64-64的结构;
S5.采用头脑风暴优化算法优化所述风速预测模型参数;
S51.根据深度信念网络的初始连接权重值和阈值定义头脑风暴优化算法初始个体的数量、种类和随机扰动值等关键参数;初始个体的维度Z表示为:
Z=Y1*(Y0+1)+Y2*(Y1+1) (9)
式(9)中,Y0、Y1和Y2分别代表深度信念网络各层神经元个数;基于聚类思想的头脑风暴优化算法,个体变异主要存在四种不同的方式,通过这四种不同的变异方式进行比较得到全局最优,以避免自身陷入局部最优的问题;随机设置四种变异方式的初始概率分别为:P1,P2,P3,P4,四种变异方式的初始概率采用随机数随机设置,范围在0和1之间。
S52.通过对四种不同变异方式的概率进行比较,选择其中概率最大的变异方式,确定新个体的更新方式,新个体更新方式表示为:
Fxz=S*N(μ,σ2)+Fjz (10)
式(10)中,Fxz指新产生个体的第z维数据,Fjz指被选中的个体的第z维数据,N(μ,σ2)指正态分布;
S=round()*lgsig((E/2-e)/g) (11)
式(11)中,lgsig代表对数激活函数,g表示用来调节lgsig函数坡度的参数,round()指随机数,范围是0到1,E和e分别指最大和目前迭代次数。
S53.采用均方误差表征模型训练误差大小,因此,适应度函数采用深度信念网络训练时的均方误差;将变异产生的新个体的适应度函数值与原个体进行比较,若新个体适应度函数值更小,即代表误差更小,则更新原个体;
S54.迭代更新个体,直到到达预设迭代次数或适应度函数值达到预设精度,则停止迭代,得到最优解;
S55.将得到的最优解作为深度信念网络风速预测模型的连接权重值和阈值,完成对深度信念网络风速预测模型的优化;
S6.将所述训练样本集输入优化完毕的风速预测模型进行训练;
S7.将所述预测样本集输入训练完毕的风速预测模型进行预测,获得风速预测值。
如图3所示,其为使用本发明一种基于混合变量选择优化深度信念网络风速预测方法的风速预测结果,从图中可以看出,本发明方法预测结果与风速实测值基本吻合。
Claims (1)
1.一种基于混合变量选择优化深度信念网络风速预测方法,其特征在于,包括步骤:
S1.采集风场实测数据,包含风速、风功率、偏航角度、发电量和温度多项记录参数,绘制风速-风功率散点图找出“离群点”并剔除,得到预处理数据集;
S2.对S1中预处理数据集进行变量相关性分析,利用皮尔逊相关系数算法和互信息算法分析各参数与目标参数风速间的相关性,剔除冗余变量,减少建模变量数量,得到样本数据集;
S21.利用皮尔逊相关系数算法对S1中预处理数据集进行变量相关性分析,风速项作为Q,其余参数项分别作为P;根据公式(1)得到各参数项与目标参数风速之间的相关性系数J;
式(1)中,M是样本数量,Ql和Pl是参数Q和P对应的样本点,是Q样本平均数,是P样本平均数;相关性系数在0到1范围内变化,保留与风速间相关性系数不小于0.7的各参数项,并与对应的风速项构成数据集G1;
S22.利用互信息算法对数据集G1进行变量相关性分析,分析各参数项与目标参数风速间的关联度,风速项作为Q1,其余参数项分别作为P1,根据公式(2)得到各参数项与目标变量风速之间的相关系数MIN;
MIN(Q1;P1)=H(Q1)+H(P1)-H(Q1,P1) (2)
式(2)中,H(Q1)表示Q1的信息熵,H(P1)表示P1的信息熵,H(Q1,P1)表示Q1和P1的联合信息熵,MIN(Q1;P1)越大,则表示Q1与P1之间的相关性越强,反之越弱;相关性系数在0到1范围内变化,保留与风速间相关系数不小于0.8的各参数项,与对应的风速项构成数据集G2,即样本数据集;
S3.对样本数据集进行归一化处理,按照4:1的比例确定训练样本集和预测样本集;归一化处理转换函数如下:
式(3)中,xmin和xmax分别指样本数据中各参数项的最大值和最小值,xj指样本数据集中各参数项的样本点,xj*指样本数据集中各参数项归一化后的样本点;
S4.利用深度信念网络建立风速预测模型;
S41.受限玻尔兹曼机表示为:
式(4)中,θ={wij,ai,bj}代表受限玻尔兹曼机的参数,指可见层对隐含层的权值,可见层和隐含层的偏置,l代表可见层神经元个数,u代表隐含层神经元个数,vi和hj指可见层和隐含层任意一组节点状态;
S42.可见层与隐含层的似然函数表示为:
S43.可见层神经元给定后,隐含层神经元被激活的概率为:
式(6)中,exp()指以e为底的指数函数,隐含层神经元给定后,可见层神经元被激活的概率同理;
S44.通过对受限玻尔兹曼机进行学习训练,获得深度信念网络最优参数θ:
式(7)中,M代表训练样本集中的样本数,lnP()指对数似然函数,arg maxL(θ)指当L(θ)取得最大值时θ的取值,vl指可见层v的l次方;
S45.受限玻尔兹曼机各参数更新公式为:
式(8)中,<·>D和<·>r分别样本分布的期望和指重构后模型定义的数学期望,λ代表学习率;
S46.重复执行S41-S45,完成对所有受限玻尔兹曼机的训练,从而建立所述风速预测模型;
S5.采用头脑风暴优化算法优化所述风速预测模型参数;
S51.根据深度信念网络的初始连接权重值和阈值定义头脑风暴优化算法初始个体的数量、种类和随机扰动值等关键参数;初始个体的维度Z表示为:
Z=Y1*(Y0+1)+Y2*(Y1+1) (9)
式(9)中,Y0、Y1和Y2分别代表深度信念网络各层神经元个数;基于聚类思想的头脑风暴优化算法,个体变异主要存在四种不同的方式,通过这四种不同的变异方式进行比较得到全局最优,以避免自身陷入局部最优的问题;随机设置四种变异方式的初始概率分别为:P1,P2,P3,P4;
S52.通过对四种不同变异方式的概率进行比较,选择其中概率最大的变异方式,确定新个体的更新方式,新个体更新方式表示为:
Fxz=S*N(μ,σ2)+Fjz (10)
式(10)中,Fxz指新产生个体的第z维数据,Fjz指被选中的个体的第z维数据,N(μ,σ2)指正态分布;
S=round()*lgsig((E/2-e)/g) (11)
式(11)中,lgsig代表对数激活函数,g表示用来调节lgsig函数坡度的参数,round()指随机数,范围是0到1,E和e分别指最大和目前迭代次数;
S53.采用均方误差表征模型训练误差大小,因此,适应度函数采用深度信念网络训练时的均方误差;将变异产生的新个体的适应度函数值与原个体进行比较,若新个体适应度函数值更小,即代表误差更小,则更新原个体;
S54.迭代更新个体,直到到达预设迭代次数或适应度函数值达到预设精度,则停止迭代,得到最优解;
S55.将得到的最优解作为深度信念网络风速预测模型的连接权重值和阈值,完成对深度信念网络风速预测模型的优化;
S6.将所述训练样本集输入优化完毕的风速预测模型进行训练;
S7.将所述预测样本集输入训练完毕的风速预测模型进行预测,获得风速预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011288378.8A CN112418504B (zh) | 2020-11-17 | 2020-11-17 | 一种基于混合变量选择优化深度信念网络风速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011288378.8A CN112418504B (zh) | 2020-11-17 | 2020-11-17 | 一种基于混合变量选择优化深度信念网络风速预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418504A true CN112418504A (zh) | 2021-02-26 |
CN112418504B CN112418504B (zh) | 2023-02-28 |
Family
ID=74832172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011288378.8A Active CN112418504B (zh) | 2020-11-17 | 2020-11-17 | 一种基于混合变量选择优化深度信念网络风速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418504B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361100A (zh) * | 2021-06-04 | 2021-09-07 | 哈电风能有限公司 | 一种风速估算方法、装置、设备及计算机可读存储介质 |
CN116662766A (zh) * | 2023-08-01 | 2023-08-29 | 浙江大学 | 基于数据二维重构的风速预测方法及装置、电子设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060230006A1 (en) * | 2003-01-15 | 2006-10-12 | Massimo Buscema | System and method for optimization of a database for the training and testing of prediction algorithms |
CN107229269A (zh) * | 2017-05-26 | 2017-10-03 | 重庆工商大学 | 一种深度信念网络的风力发电机齿轮箱故障诊断方法 |
CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
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 |
CN109118763A (zh) * | 2018-08-28 | 2019-01-01 | 南京大学 | 基于腐蚀去噪深度信念网络的车流量预测方法 |
WO2019141040A1 (zh) * | 2018-01-22 | 2019-07-25 | 佛山科学技术学院 | 一种短期电力负荷预测方法 |
CN110175386A (zh) * | 2019-05-21 | 2019-08-27 | 陕西科技大学 | 变电站电气设备温度预测方法 |
CN110263915A (zh) * | 2019-05-31 | 2019-09-20 | 广东工业大学 | 一种基于深度信念网络的风电功率预测方法 |
CN110580543A (zh) * | 2019-08-06 | 2019-12-17 | 天津大学 | 一种基于深度信念网络的电力负荷预测方法及*** |
CN110796281A (zh) * | 2019-08-26 | 2020-02-14 | 广西电网有限责任公司电力科学研究院 | 基于改进深度信念网络的风电机组状态参数预测方法 |
CN110991737A (zh) * | 2019-11-29 | 2020-04-10 | 河海大学 | 一种基于深度置信网络的超短期风电功率预测方法 |
CN111426950A (zh) * | 2020-03-19 | 2020-07-17 | 燕山大学 | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 |
-
2020
- 2020-11-17 CN CN202011288378.8A patent/CN112418504B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060230006A1 (en) * | 2003-01-15 | 2006-10-12 | Massimo Buscema | System and method for optimization of a database for the training and testing of prediction algorithms |
CN107229269A (zh) * | 2017-05-26 | 2017-10-03 | 重庆工商大学 | 一种深度信念网络的风力发电机齿轮箱故障诊断方法 |
CN107292453A (zh) * | 2017-07-24 | 2017-10-24 | 国网江苏省电力公司电力科学研究院 | 一种基于集成经验模态分解与深度信念网络的短期风功率预测方法 |
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 |
WO2019141040A1 (zh) * | 2018-01-22 | 2019-07-25 | 佛山科学技术学院 | 一种短期电力负荷预测方法 |
CN109118763A (zh) * | 2018-08-28 | 2019-01-01 | 南京大学 | 基于腐蚀去噪深度信念网络的车流量预测方法 |
CN110175386A (zh) * | 2019-05-21 | 2019-08-27 | 陕西科技大学 | 变电站电气设备温度预测方法 |
CN110263915A (zh) * | 2019-05-31 | 2019-09-20 | 广东工业大学 | 一种基于深度信念网络的风电功率预测方法 |
CN110580543A (zh) * | 2019-08-06 | 2019-12-17 | 天津大学 | 一种基于深度信念网络的电力负荷预测方法及*** |
CN110796281A (zh) * | 2019-08-26 | 2020-02-14 | 广西电网有限责任公司电力科学研究院 | 基于改进深度信念网络的风电机组状态参数预测方法 |
CN110991737A (zh) * | 2019-11-29 | 2020-04-10 | 河海大学 | 一种基于深度置信网络的超短期风电功率预测方法 |
CN111426950A (zh) * | 2020-03-19 | 2020-07-17 | 燕山大学 | 多尺度时空卷积深度信念网络的风力发电机故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
XIAODAN WANG ET AL.: "《Deep Belief Network Based Multi-Dimensional Phase Space for Short-Term Wind Speed Forecasting》", 《 2018 INTERNATIONAL CONFERENCE ON SENSING,DIAGNOSTICS, PROGNOSTICS, AND CONTROL (SDPC)》 * |
刘冰尧等: "基于深度信念网络的变压器故障诊断", 《化工自动化及仪表》 * |
司徒友等: "基于小波分解和深度信念网络的短期风速预测", 《广东电力》 * |
李大中等: "一种利用混合算法选择变量的天牛须优化神经网络风速预测方法", 《电力科学与工程》 * |
王洪斌等: "基于深度信念网络的风机主轴承状态监测方法", 《中国机械工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361100A (zh) * | 2021-06-04 | 2021-09-07 | 哈电风能有限公司 | 一种风速估算方法、装置、设备及计算机可读存储介质 |
CN116662766A (zh) * | 2023-08-01 | 2023-08-29 | 浙江大学 | 基于数据二维重构的风速预测方法及装置、电子设备 |
CN116662766B (zh) * | 2023-08-01 | 2023-10-03 | 浙江大学 | 基于数据二维重构的风速预测方法及装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112418504B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5888640B2 (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 | |
Li et al. | An integrated missing-data tolerant model for probabilistic PV power generation forecasting | |
CN107730044A (zh) | 一种可再生能源发电和负荷的混合预测方法 | |
CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
CN110889603A (zh) | 一种基于PCA-Copula理论考虑风电相关性的电力***经济调度方法 | |
CN107133695A (zh) | 一种风电功率预测方法和*** | |
CN111523728B (zh) | 一种四阶段混合短时风向预测方法 | |
CN112418504B (zh) | 一种基于混合变量选择优化深度信念网络风速预测方法 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN114676923A (zh) | 发电功率的预测方法、装置、计算机设备和存储介质 | |
CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及*** | |
CN116774086B (zh) | 一种基于多传感器数据融合的锂电池健康状态估计方法 | |
CN117875752A (zh) | 基于自组织映射决策树的电力***灵活运行域评估方法 | |
CN117056763A (zh) | 基于变分图嵌入的社区发现方法 | |
CN115021269B (zh) | 基于数据驱动的两阶段最优潮流求解方法 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
Iqbal et al. | Solar radiation prediction using ant colony optimization and artificial neural network | |
Mehr et al. | The validity of deep learning computational model for wind speed simulation | |
CN113449466B (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及*** | |
CN115456286A (zh) | 一种短期光伏功率预测方法 | |
Khodayar et al. | Deep generative graph learning for power grid synthesis | |
Manero et al. | Deep Learning is blowing in the wind. Deep models applied to wind prediction at turbine level | |
CN113964825A (zh) | 基于二次分解和BiGRU的超短期风电功率预测方法 |
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 |