CN112446518A - 基于EMD分解的EMD-XGBoost中长期风电电量预测方法 - Google Patents
基于EMD分解的EMD-XGBoost中长期风电电量预测方法 Download PDFInfo
- Publication number
- CN112446518A CN112446518A CN201910811551.9A CN201910811551A CN112446518A CN 112446518 A CN112446518 A CN 112446518A CN 201910811551 A CN201910811551 A CN 201910811551A CN 112446518 A CN112446518 A CN 112446518A
- Authority
- CN
- China
- Prior art keywords
- wind power
- sequence
- emd
- electric quantity
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000002790 cross-validation Methods 0.000 claims abstract description 4
- 230000000737 periodic effect Effects 0.000 claims description 13
- 238000010248 power generation Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000011161 development Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000007704 transition 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
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000001521 two-tailed test Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Wind Motors (AREA)
Abstract
本发明属于电力***领域,具体涉及一种基于EMD分解的EMD‑XGBoost中长期风电电量组合预测方法。该方法首先将风电电量时间序列经EMD分解为一系列分量;从宏观及局部的角度考虑对各分量进行特征提取,构造特征值向量;以此为基础采用FCM聚类将分量聚类重构为表示包含风电电量不同信息的趋势项、周期项及随机项;基于贝叶斯及k折交叉验证对XGBoost模型分别进行参数寻优,从而对重构项进行预测,最后叠加得到风电电量的预测结果,并分析了序列分解及不同算法对预测精度的影响。本发明结合EMD分解与聚类算法将风电电量序列中真实存在的不同波动量分解出来,将非线性非平稳的电量序列平稳化,产生不同特征的数据序列;针对各重构序列分别建立预测模型,选择各自最优相关参数,从而降低了风电电量数据分线性和非平稳性对电量预测结果的影响,提高了风电电量的预测精度。
Description
技术领域
本发明属于电力***领域,具体涉及一种基于EMD分解的EMD-XGBoost中长期风电电量预测方法。
背景技术
日益严重的全球能源危机,使可再生能源的开发得到迅猛发展,为风电的发展提供了重要机遇:2018年全球风电装机新增51.32吉瓦,作为全球最大的风电装机市场,2018年我国风电新增装机容量21.143吉瓦,截止2018年底,我国风电累计装机容量达到209.533吉瓦。风电大规模发展增加了电力***运行的不确定性,电网稳定性也受到了较大的影响。影响风电接入容量的主要问题是电网的调峰容量,电网没有备用容量,风电则无法接入电网,通过增加水电和快速启停机解决风电接入问题会增加电网调度及发电计划制定的困难。因此,中长期风电发电量预测是风电发展的关键问题之一,风电的发展需以提高风电发电量的预测精度为基础。
目前,关于中长期风电电量预测问题,国内外学者通常从物理模型、时间序列模型和智能模型对风电电量的预测进行研究。欧阳庭辉、查晓明、秦亮等人提出了一种基中长期风电功率的多气象变量模型组合预测方法(专利号:CN201711160876.2),利用数值天气预报提供的气象数据预测长期风电趋势,同时局部采用多变量模型改善预测精度,针对不同气象变量进行数据结构分析,并根据其动力学特性单独建立合适的预测模型。以数字气象预报作为预测基础预测方法在中长期风电发电量的预测中起着重要作用,但是,基于气象数据的物理模型还存在很多问题,同时风机的尾流效应也影响预测的精度,因此,目前较为普遍使用的风力发电量预测方法是学习法。候丰花提出一种基于向量机风电预测方法(专利号:CN201310434190.3)。黄跃辉、曲凯、李驰等人提出了一种基于K-means MCMC算法的中长期风电时间序列建模方法,首先,对历史风电功率数据进行聚类,并对聚类后的不同类别风电功率序列选取最优状态数,分别建立状态转移矩阵;其次,用拟合度较好的混合高斯分布拟合多时间尺度的风电最大波动率的概率分布特性;最后,采用基于类间转移概率矩阵的MCMC方法依次生成模拟风电出力时间序列。随着风电电量预测技术的发展,智能算法的改进与发展,组合预测方法将成为一种趋势。
发明内容
本发明正是基于上述问题,提出一种基于EMD分解的风电电量组合预测算法EMD-XGBoost。将风电电量时间序列经EMD分解为一系列分量,对各分量进行特征提取,以此为基础采用FCM聚类将分量聚类重构为表示风电电量不同信息的趋势项、周期项及随机项,采用XGBoost分别对重构项进行预测,叠加得到风电电量的预测结果。发明分析了序列分解及不同算法对预测精度的影响。
为了实现上述目的,本发明提供的技术方案如下:
步骤1,将风电电量时间序列经EMD分解为相互独立的IMF序列以及一个res项;
步骤2,构造各IMF序列的特征向量;
步骤3,采用FCM聚类将包含不同波动信息的IMF聚类重构为电量的趋势项、周期性项及随机项;
步骤4,针对不同序列项分别设置最优参数,将预处理后的驯良数据输入参数调整后的XGBoost预测模型中,叠加各序列项预测结果为风电电量预测结果;
步骤5,分析序列分解及不同算法对预测精度的影响。
作为上述技术方案的补充,步骤1构建过程如下:
EMD依据数据自身的时间尺度特征进行分解,无需预先设定任何基函数,适用于非线性非平稳信号的分析。由于中长期风电电量序列具有非线性且非平稳的特征,因此,将EMD分解应用于中长期风电电量时间序列的分析,EMD分解可将复杂的时间序列中真实存在的不同时间尺度的波动或趋势分量通过筛选逐级分解出来,产生有限个反映内部特征且相互独立的分量,各分量保留了非平稳信号在不同时间尺度上的特点。分解后的序列与原始数据序列相比具有更强的规律性;
作为上述技术方案的补充,步骤2构建过程如下:
步骤2.1,基于特征提取构成向量表示IMF及res分量,降低信息维度,减少计算复杂度;
步骤2.2,从宏观及局部的角度考虑提取各分量的特征,构造特征值向量:以样本熵作为全局特征,以均值、方差及斜率作为局部特征,通过间隔特征提取得到各特征值。
Di=[Sampeni,MEi,STi,SLi]
MEi=[me1,me2,...,meN]
STi=[st1,st2,...,stN]
SLi=[sl1,sl2,...,slN]
其中,Di为分量i对应的特征值向量;Sampeni为分量i的样本熵;MEi为分量i的均值矩阵,mej为间隔特征提取中第j段序列的均值;STi为分量i的方差矩阵,stj为间隔特征提取中第j段序列的方差;SLi为分量i的斜率矩阵,slj为间隔特征提取中第j段序列的斜率;
作为上述技术方案的补充,步骤3构建过程如下:
以分量的特征值向量为基础,基于FCM根据包含信息类别的不同对IMF及res分量进行分类,重构为表征风电电量发展的趋势项,中长期过程中的周期项及风电电量自身不确定性导致的随机项。
作为上述技术方案的补充,步骤4构建过程如下:
步骤4.1,中长期风力发电影响因素降维:
风力发电受季节和天气因素的影响,选取风电场实际运行数据作为输入,当XGBoost特征项存在相关性过高的冗余因素时,模型预测精度会降低。因此,使用spss软件检验所选特征项之间的相关性,筛除冗余项进行特征项降维。
步骤4.2,计算Pearson相关系数,相关系数的绝对值越大,相关性越强;
步骤4.3,XGBoost模型超参寻优:
风电电量趋势项、周期项及随机项的主要影响因素存在差异,且模型训练时,不同序列的模型参数值也不同,因此,采用贝叶斯优化搜索和k折交叉验证分别进行各序列项的超参寻优;
步骤4.4,将预处理后的数据输入各序列项的最优XGBoost模型中进行预测。
与现有的技术方案相比,本发明提出一种组合预测方法EMD-XGBoost预测中长期风电电量,算法结合EMD分解与聚类算法将风电电量分解为趋势项、周期项及随机项,并分别进行预测,有益效果为:将较长时间尺度下风电电量时间序列中真实存在的不同波动量分解出来,将非线性非平稳的电量序列平稳化,产生不同特征的电量数据序列;针对各重构序列分别建立预测模型,选择各自最优相关参数,从而降低了风电电量数据分线性和非平稳性对电量预测结果的影响。
附图说明
图1为EMD-XGBoost预测方法流程图;
图2为EMD分解结果图;
图3为分解分量重构图;
图4为特征项相关性图;
图5为EMD分解前后预测对比图;
图6为EMD-XGBoost重构序列预测图;
图7为基于EMD分解的各类算法预测结果对比图。
具体实施方式
下面结合附图,对本发明做进一步的详细说明,但本发明的实施方式不限于此。
本发明针对中长期风电电量预测设计了一种结合特征提取与聚类算法的组合预测方法EMD-XGBoost,算法流程图如图1所示,包括以下具体步骤:
步骤1,将风电电量时间序列经EMD分解为相互独立的IMF序列以及一个res项;
如图2所示,青海省某风电场一年风电电量的历史数据序列经EMD分解为5个IMF分量及一个趋势分量res。
步骤2,构造各IMF序列的特征向量;
步骤2.1,基于特征提取构成向量表示IMF及res分量,降低信息维度,减少计算复杂度;
步骤2.2,从宏观及局部的角度考虑提取各分量的特征,构造特征值向量:以样本熵作为全局特征,以均值、方差及斜率作为局部特征,通过间隔特征提取得到各特征值。
Di=[Sampeni,MEi,STi,SLi]
MEi=[me1,me2,...,meN]
STi=[st1,st2,...,stN]
SLi=[sl1,sl2,...,slN]
其中,Di为分量i对应的特征值向量;Sampeni为分量i的样本熵;MEi为分量i的均值矩阵,mej为间隔特征提取中第j段序列的均值;STi为分量i的方差矩阵,stj为间隔特征提取中第j段序列的方差;SLi为分量i的斜率矩阵,slj为间隔特征提取中第j段序列的斜率;
步骤3,采用FCM聚类将包含不同波动信息的IMF聚类重构为电量的趋势项、周期性项及随机项;
以分量的特征值向量为基础,基于FCM根据包含信息类别的不同对IMF及res分量进行分类,重构为表征风电电量发展的趋势项,中长期过程中的周期项及风电电量自身不确定性导致的随机项。
风电电量序列携带的不同波动信息,分别包含在不同分级分量中,为充分利用不同信息特征更合理的预测风电电量,将分解后的分量进行分类重构为趋势项、周期项及随机项。如图3所示,对于分解后所得5个IMF及1个res分量,以各分量的特征向量为样本,经FCM聚类得到各样本对各类中心的隶属度,从而决定样本的类属达到对样本进行分类的目的,聚类结果为将风电电量序列分解分量重构为趋势项、周期项及随机项。
步骤4,针对不同序列项分别设置最优参数,将预处理后的驯良数据输入参数调整后的XGBoost预测模型中,叠加各序列项预测结果为风电电量预测结果;
步骤4.1,中长期风力发电影响因素降维:
风力发电受季节和天气因素的影响,选取风电场实际运行数据作为输入,当XGBoost特征项存在相关性过高的冗余因素时,模型预测精度会降低。因此,使用spss软件检验所选特征项之间的相关性,筛除冗余项进行特征项降维。
如图4所示,f1-f6为风电场输入数据,分别表示影响因素:气压、温度、湿度、风速、日照强度及日照时长,通过输入特征项的降维,提高XGBoost预测精度。
步骤4.2,计算Pearson相关系数,相关系数的绝对值越大,相关性越强;
通常,双尾检验概率值小于0.01%时,认为相关性显著;皮尔森相关系数值位于[0.8,1]时,可认为两个变量呈现极强相关。相关系数如图4所示,认为各特征项之间相关性较弱,所选特征因素中不存在冗余项,以此作为输入进行风电电量的XGBoost预测。
步骤4.3,XGBoost模型超参寻优:
风电电量趋势项、周期项及随机项的主要影响因素存在差异,且模型训练时,不同序列的模型参数值也不同,因此,采用贝叶斯优化搜索和k折交叉验证分别进行各序列项的超参寻优;
如表1所示,经参数寻优,风电电量趋势项、周期项及随机项构造的各XGBoost模型最优超参结果不同。
表1各重构序列XGBoost最优超参值
其中,n_estimators表示决策数个数;max_depth、min_child_weight、gamma控制模型的复杂度;subsample及colsample_bytree为构造树时随机抽取样本及特征的抽取比例;
步骤4.4,将预处理后的数据输入各序列项的最优XGBoost模型中进行预测。
步骤5,分析序列分解及不同算法对预测精度的影响,说明风电电量组合预测算法EMD-XGBoost的适用性。
下面通过仿真实例对本发明所设计的方法进行验证。
为对比分析,设计一下两种场景:
场景1:未经EMD分解的Random Forest、SVM、GBR及XGBoost算法的风电电量序列直接预测结果。
场景2:基于EMD分解的Random Forest、SVM、GBR及XGBoost算法预测,预测结果为趋势项、周期项及随机项预测结果叠加值;
如表2-3所示,对比各算法分解前后的预测结果可得,场景2经EMD分解的预测结果MAPE及RMSE值普遍小于场景1对应方法直接预测结果,说明经分解后的预测结果与该地区风电场实际电量分布函数更接近,因此基于EMD分解的预测方法优于对序列的直接预测,EMD分解预测可以提高预测精度;
表2未经EMD分解的电量序列直接预测
表3基于EMD分解的电量序列预测
各类电量预测方法预测曲线如图5所示。图形更直观的体现了经EMD分解后的预测与风电场电量实际曲线更接近。EMD分解将序列中真实存在的不同时间尺度的波动分量逐级分解出来,趋势项、周期项及随机项体现了原始信号在不同频率下的波动特点,经EMD分解的预测模型结合了不同时间尺度下风电电量的特点,对于不同分量更具有针对性及良好的适应性,因此,提高了原始序列预测的准确性。
图6为通过最优超参XGBoost模型得到的各序列项预测结果。从测试集数据的预测情况可得,EMD-XGBoost所得各序列预测结果均较为理想。
基于EMD分解的各模型决定系数R2的结果如表4所示,可以得到,EMD-XGBoost方法预测结果的R2值大于其他方法。R2越接近于1说明模型拟合度越好,该表从数值方面证明了EMD-XGBoost法在中长期电量预测问题上的优越性。
表4基于EMD分解的各方法电量预测结果
基于EMD分解的各方法的预测曲线如图7所示,直观地表示出EMD-XGBoost与实际序列之间较高的拟合度。因此,基于EMD分解的XGBoost模型在风电电量预测问题上具有良好的适用性,且具有较高的预测精度。
Claims (5)
1.基于EMD分解的EMD-XGBoost中长期风电电量组合预测方法,其特征在于,主要包括以下具体步骤:
步骤1,将风电电量时间序列经EMD分解为相互独立的IMF序列以及一个res项;
步骤2,构造各IMF序列的特征向量;
步骤3,采用FCM聚类将包含不同波动信息的IMF聚类重构为电量的趋势项、周期性项及随机项;
步骤4,针对不同序列项分别设置最优参数,将预处理后的驯良数据输入参数调整后的XGBoost预测模型中,叠加各序列项预测结果为风电电量预测结果;
步骤5,分析序列分解及不同算法对预测精度的影响。
2.根据权利要求1所述的方法,其特征在于,步骤1构建过程如下:
EMD依据数据自身的时间尺度特征进行分解,无需预先设定任何基函数,适用于非线性非平稳信号的分析。由于中长期风电电量序列具有非线性且非平稳的特征,因此,将EMD分解应用于中长期风电电量时间序列的分析,EMD分解可将复杂的时间序列中真实存在的不同时间尺度的波动或趋势分量通过筛选逐级分解出来,产生有限个反映内部特征且相互独立的分量,各分量保留了非平稳信号在不同时间尺度上的特点。分解后的序列与原始数据序列相比具有更强的规律性。
3.根据权利要求1所述的方法,其特征在于,步骤2构建过程如下:
步骤2.1,基于特征提取构成向量表示IMF及res分量,降低信息维度,减少计算复杂度;
步骤2.2,从宏观及局部的角度考虑提取各分量的特征,构造特征值向量:以样本熵作为全局特征,以均值、方差及斜率作为局部特征,通过间隔特征提取得到各特征值。
Di=[Sampeni,MEi,STi,SLi]
MEi=[me1,me2,...,meN]
STi=[st1,st2,...,stN]
SLi=[sl1,sl2,...,slN]
其中,Di为分量i对应的特征值向量;Sampeni为分量i的样本熵;MEi为分量i的均值矩阵,mej为间隔特征提取中第j段序列的均值;STi为分量i的方差矩阵,stj为间隔特征提取中第j段序列的方差;SLi为分量i的斜率矩阵,slj为间隔特征提取中第j段序列的斜率。
4.根据权利要求1所述的方法,其特征在于,步骤3构建过程如下:
以分量的特征值向量为基础,基于FCM根据包含信息类别的不同对IMF及res分量进行分类,重构为表征风电电量发展的趋势项,中长期过程中的周期项及风电电量自身不确定性导致的随机项。
5.根据权利要求1所述的方法,其特征在于,步骤4构建过程如下:
步骤4.1,中长期风力发电影响因素降维:
风力发电受季节和天气因素的影响,选取风电场实际运行数据作为输入,当XGBoost特征项存在相关性过高的冗余因素时,模型预测精度会降低。因此,使用spss软件检验所选特征项之间的相关性,筛除冗余项进行特征项降维。
步骤4.2,计算Pearson相关系数,相关系数的绝对值越大,相关性越强;
步骤4.3,XGBoost模型超参寻优:
风电电量趋势项、周期项及随机项的主要影响因素存在差异,且模型训练时,不同序列的模型参数值也不同,因此,采用贝叶斯优化搜索和k折交叉验证分别进行各序列项的超参寻优;
步骤4.4,将预处理后的数据输入各序列项的最优XGBoost模型中进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910811551.9A CN112446518A (zh) | 2019-08-30 | 2019-08-30 | 基于EMD分解的EMD-XGBoost中长期风电电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910811551.9A CN112446518A (zh) | 2019-08-30 | 2019-08-30 | 基于EMD分解的EMD-XGBoost中长期风电电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112446518A true CN112446518A (zh) | 2021-03-05 |
Family
ID=74741693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910811551.9A Pending CN112446518A (zh) | 2019-08-30 | 2019-08-30 | 基于EMD分解的EMD-XGBoost中长期风电电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112446518A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076309A (zh) * | 2021-03-26 | 2021-07-06 | 四川中烟工业有限责任公司 | 烟草生丝水分加水量预测***及方法 |
CN113449933A (zh) * | 2021-08-30 | 2021-09-28 | 国网江西省电力有限公司经济技术研究院 | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 |
CN114239948A (zh) * | 2021-12-10 | 2022-03-25 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于时序分解单元的深度交通流预测方法、介质及其设备 |
CN117569710A (zh) * | 2024-01-16 | 2024-02-20 | 聊城市东昌府区华泰通风设备有限公司 | 用于智能通风天窗控制方法及*** |
-
2019
- 2019-08-30 CN CN201910811551.9A patent/CN112446518A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076309A (zh) * | 2021-03-26 | 2021-07-06 | 四川中烟工业有限责任公司 | 烟草生丝水分加水量预测***及方法 |
CN113076309B (zh) * | 2021-03-26 | 2023-05-09 | 四川中烟工业有限责任公司 | 烟草生丝水分加水量预测***及方法 |
CN113449933A (zh) * | 2021-08-30 | 2021-09-28 | 国网江西省电力有限公司经济技术研究院 | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 |
CN113449933B (zh) * | 2021-08-30 | 2021-12-10 | 国网江西省电力有限公司经济技术研究院 | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 |
CN114239948A (zh) * | 2021-12-10 | 2022-03-25 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于时序分解单元的深度交通流预测方法、介质及其设备 |
CN117569710A (zh) * | 2024-01-16 | 2024-02-20 | 聊城市东昌府区华泰通风设备有限公司 | 用于智能通风天窗控制方法及*** |
CN117569710B (zh) * | 2024-01-16 | 2024-05-17 | 聊城市东昌府区华泰通风设备有限公司 | 用于智能通风天窗控制方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tan et al. | Ultra-short-term industrial power demand forecasting using LSTM based hybrid ensemble learning | |
CN112446518A (zh) | 基于EMD分解的EMD-XGBoost中长期风电电量预测方法 | |
Yu et al. | A novel framework for ultra-short-term interval wind power prediction based on RF-WOA-VMD and BiGRU optimized by the attention mechanism | |
Song et al. | Hourly heat load prediction model based on temporal convolutional neural network | |
Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
Xiong et al. | A short-term wind power forecast method via xgboost hyper-parameters optimization | |
Chen et al. | An innovative method-based CEEMDAN–IGWO–GRU hybrid algorithm for short-term load forecasting | |
Zhang et al. | Interval prediction of ultra-short-term photovoltaic power based on a hybrid model | |
CN115796393A (zh) | 基于多能互动的能源网管理优化方法、***及存储介质 | |
CN111900713A (zh) | 网源协调下考虑负荷和风电随机性多场景输电网规划方法 | |
Amarasinghe et al. | Kernel density estimation based time-dependent approach for analyzing the impact of increasing renewables on generation system adequacy | |
Qu et al. | Research on short‐term output power forecast model of wind farm based on neural network combination algorithm | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
Chen et al. | Short interval solar power prediction for energy harvesting with low computation cost on edge computation network | |
CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
Gunasekaran et al. | Solar irradiation forecasting using genetic algorithms | |
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 | |
Heydari et al. | A new combined PV output power forecasting model based on optimized LSTM network | |
Zhang et al. | A Novel Combined Model Based on Hybrid Data Decomposition, MSWOA and ENN for Short-Term Wind Speed Forecasting | |
CN114282336A (zh) | 一种新能源电站出力场景生成方法及*** | |
Liao et al. | Wind power prediction based on periodic characteristic decomposition and multi-layer attention network | |
Zuo et al. | Short-term load forecasting for community battery systems based on temporal convolutional networks | |
Liu et al. | A WT-ARMA based method for wind power ramp events forecasting | |
Zhang et al. | A Combined Method of Two-model based on Forecasting Meteorological Data for Photovoltaic Power Generation Forecasting | |
Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network |
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 |