CN113095547A - 一种基于gra-lstm-ice模型的短期风功率预测方法 - Google Patents
一种基于gra-lstm-ice模型的短期风功率预测方法 Download PDFInfo
- Publication number
- CN113095547A CN113095547A CN202110288897.2A CN202110288897A CN113095547A CN 113095547 A CN113095547 A CN 113095547A CN 202110288897 A CN202110288897 A CN 202110288897A CN 113095547 A CN113095547 A CN 113095547A
- Authority
- CN
- China
- Prior art keywords
- wind power
- prediction
- short
- term
- variable
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000010219 correlation analysis Methods 0.000 claims abstract description 3
- 230000006403 short-term memory Effects 0.000 claims abstract 2
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000014509 gene expression Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model 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
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Analysis (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Power Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明公开了一种基于GRA‑LSTM‑ICE的短期风功率预测方法,为了提高短期风功率的预测精度,本方法包括以下步骤:首先,针对在风电场采集到的气象数据进行灰色关联分析(GRA),得到与风功率相关性较高的气象变量;其次,针对目前风功率短期预测精度较低的问题,基于长短期记忆(LSTM)神经网络建立风功率预测模型,提升风功率短期预测精度;最后,针对所得到的风功率预测结果,基于信息可信评估(ICE)技术建立风功率预测修正模型,进一步提升风功率短期预测精度。通过本发明的实施,能够大幅度提高短期风功率的预测精度,实现含高比例风电电网的经济和稳定运行。
Description
技术领域
本发明涉及风力发电技术领域中的风功率预测技术,特别涉及一种基于GRA-LSTM-ICE模型的短期风功率预测方法。
背景技术
随着风力发电普及率的提高,为了确保及时和可靠的电力供应,准确预测电力***中未来的风电并网量变得至关重要。由于预测不准确,电力***中的不平衡可能会急剧增加,甚至可能导致频率稳定性等问题。因此,提高风功率的短期预测精度对现代电力***的稳定运行具有重要的意义。
近年来,风功率预测常用的方法有物理模型法和统计模型法。物理模型使用例如风速和风向、温度和压力等大气参数、例如地形坚固性指数和风电场布局等物理特性和数值天气预报作为复杂气象模型的输入,以预测未来参数。统计模型是纯粹的数学模型,主要使用过去的观测数据,有时辅以数值天气预报信息。对于统计模型,机器学习方法被广泛使用,其中人工神经网络(ANN)是短期预测最常用的技术之一。但目前常用的方法无法有效的分析多维气象变量与风功率变量之间的非线性相关性,以及无法有效根据气象预报及时的对整个范围进行高精度的风功率短期预测。
发明内容
由于在目前风功率短期预测方法中,无法有效的分析多维气象变量与风功率变量之间的非线性相关性,以及无法有效根据气象预报准确、及时的对风机出力进行预测。因此,本发明的研究目标为:准确表达多维气象变量与风功率变量之间的非线性相关性,并且得到高精度的短期风功率预测值。
本发明为解决公知技术中存在的技术问题所采取的技术方案是:一种基于GRA-LSTM-ICE模型的短期风功率预测方法,该方法包括以下步骤:
步骤1:基于灰色关联分析(GRA)方法,分别计算风功率变量与风速、风向、温度、相对湿度、气压、降雨量、降雪量、云层厚度变量的相关性,将关联度系数大于0.5的气象变量,作为预测模型的输入变量;
步骤2:根据关联度系数的计算结果,将关联度系数大于0.5的气象变量作为预测模型的输入变量,风功率变量作为模型的输出变量,基于长短期记忆(LSTM)神经网络建立预测模型,对风机出力进行初步预测;
步骤3:根据初步的短期风功率预测值,基于信息可信评估(ICE)技术建立风功率预测修正模型,修正初步预测值,得到大范围高精度的风功率短期预测结果,进一步提高风功率的短期预测精度。
步骤4:根据平均绝对误差(MAE)和均方根误差(RMSE)来评价预测结果。
进一步地,步骤1中所述基于GRA方法,分别计算风速、风向、温度、相对湿度、气压、降雨量、降雪量、云层厚度变量与风功率变量的相关性,包括以下步骤:
步骤1.1:将数值天气预报提供的气象变量和风电场采集的风功率变量归一化,消除不同变量之间的物理量纲;
步骤1.2:将多维气象变量设为Xi,风功率变量设为Y;
步骤1.3:计算Y与Xi的灰色关联系数ξi;
步骤1.4:计算Y与Xi的灰色关联度系数Ri。
进一步地,步骤2中所述基于LSTM神经网络建立预测模型,对风机出力进行初步预测,包括以下步骤:
步骤2.1:计算LSTM网络隐含层层数,以及隐含层神经元的个数;
步骤2.2:计算LSTM网络的初始权重和偏置项;
步骤2.3:训练网络,更新权重和偏置项;
步骤2.4:建立风功率预测模型,计算满足精度要求的风功率预测值PT。
进一步地,步骤3中所述基于ICE技术建立风功率预测修正模型,修正短期风功率初步预测值,得到大范围高精度的风功率短期预测结果,包括以下步骤:
步骤3.1:计算T时刻气象数据的可信评估值AT、单机风功率预测的可信评估值BT;
步骤3.2:计算T时刻单机风功率预测的可信值CT;
步骤3.3:计算单机短期风功率预测的可信值PC;
步骤3.4:计算大范围短期风功率的高精度预测值PN。
进一步地,步骤1.4中所述灰色关联度系数Ri表达式为:
式中:Ri是第i个气象变量的灰色关联度系数;Yt是风功率变量在t时刻的值;Xit是第i个气象变量在t时刻的值;Ym是风功率变量的平均值;Xim是第i个气象变量的平均值。
进一步地,步骤2.1中所述LSTM神经网络包含有1个输入层、3个隐含层、1个输出层和1个连接层。
进一步地,步骤3.1中所述可信评估值AT和BT的表达式为:
式中:AT是T时刻气象数据的可信评估值;BT是单机风功率预测的可信评估值;TT是T时刻的实际值;PT是T时刻的预测值。
进一步地,步骤3.2中所述单机风功率预测的可信值CT的表达式为:
CT=AT+BT
式中:CT是T时刻单机风功率预测的可信值。
进一步地,步骤3.3中所述单机短期风功率预测的可信值PC的表达式为:
式中:PC是单机短期风功率预测的可信值;M是整个短期预测区间。
进一步地,步骤3.4中所述大范围短期风功率的高精度预测值PN的表达式为:
式中:PN是大范围短期风功率的高精度预测值;N是整个范围的风机总数。
进一步地,步骤4中所述MAE和RMSE的表达式为:
式中:PNi是风功率的预测值;TNi是风功率的实际值。
本发明的优点及有益效果是:步骤1基于GRA的方法,得到了风功率变量与气象变量的相关系数,避免了相关性较低的因素对建模的影响,提高了风功率的预测精度;步骤2基于LSTM神经网络的方法,建立了考虑多维气象因素的风功率预测模型,改善了现有模型精度较低的问题,提高了风功率的短期预测精度;步骤3基于ICE的方法,建立了风功率预测修正模型,提高了大范围风功率的短期预测精度。
本发明针对目前风功率短期预测精度较低的问题,基于LSTM神经网络建立风功率预测模型,提升风功率短期预测精度;针对所得到的风功率预测结果,基于ICE技术建立风功率预测修正模型,进一步提升风功率短期预测精度,通过本发明的实施,能够大幅度提高短期风功率的预测精度,实现含高比例风电电网的经济和稳定运行;本发明提出的一种基于GRA-LSTM-ICE模型的短期风功率预测方法降低了预测误差,提高了整体的预测精度,并且有效的验证了所提出的方法有效性、准确性和可应用性。
附图说明
图1为本发明一种基于GRA-LSTM-ICE模型的短期风功率预测方法的技术路线图。
图2为本发明一种基于GRA-LSTM-ICE模型的短期风功率预测方法中的预测模型结构图。
图3为本发明一种基于GRA-LSTM-ICE模型的短期风功率预测方法中的网络隐含层神经元结构图。
图4为本发明一种基于GRA-LSTM-ICE模型的大范围风功率短期预测对比图。
具体实施方式
为更进一步阐述本发明所采取的技术方法,以下结合附图及实施例,对依据本发明提出的提高风功率短期预测方法进行详细说明。
在本实施例中提供了一种基于GRA-LSTM-ICE模型,提高短期风功率预测精度的方法,如图1所示,提高风功率预测精度的方法包括以下步骤:
步骤1:基于GRA方法,分别计算风功率变量与风速、风向、温度、相对湿度、气压、降雨量、降雪量、云层厚度变量的相关性,将关联度系数大于0.5的气象变量,作为预测模型的输入变量;
步骤1.1:将数值天气预报提供的气象变量和风电场采集的风功率变量归一化,消除不同变量之间的物理量纲;
步骤1.2:将多维气象变量设为Xi,风功率变量设为Y;
步骤1.3:计算Y与Xi的灰色关联系数ξi;
步骤1.4:计算Y与Xi的灰色关联度系数Ri。
步骤2:根据关联度系数的计算结果,将关联度系数大于0.5的气象变量作为预测模型的输入变量,风功率变量作为模型的输出变量,基于LSTM神经网络建立预测模型,如图2所示,对风机出力进行初步预测;
步骤2.1:计算LSTM网络隐含层层数,以及隐含层神经元的个数,其中隐含层神经元结构,如图3所示;
步骤2.2:计算LSTM网络的初始权重和偏置项;
步骤2.3:训练网络,更新权重和偏置项;
步骤2.4:建立风功率预测模型,计算满足精度要求的风功率预测值PT。
步骤3:根据初步的短期风功率预测值,基于ICE技术建立风功率预测修正模型,修正初步预测值,得到大范围高精度的风功率短期预测结果,进一步提高风功率的短期预测精度。
步骤3.1:计算T时刻气象数据的可信评估值AT、单机风功率预测的可信评估值BT;
步骤3.2:计算T时刻单机风功率预测的可信值CT;
步骤3.3:计算单机短期风功率预测的可信值PC;
步骤3.4:计算大范围短期风功率的高精度预测值PN。
步骤4:采用平均绝对误差(MAE)和均方根误差(RMSE)来评价预测结果。
实施例
为验证本发明所提出风功率短期预测方法的有效性、准确性和可应用性,将该方法应用到华电大林台风电场中,对风电场大范围区域的风功率进行日前预测研究,并选取SVM、LSTM算法进行对比分析。其中,选取2019年9月的多维气象变量和风功率变量作为模型的训练和测试数据,时间分辨率为15分钟,所选取的范围内一共包括20台风机。
根据步骤1所得到的多维气象变量与风功率变量之间的灰色关联度系数Ri如表1所示:
表1:多维气象变量与风功率变量的灰色关联度系数
根据灰色关联度系数Ri的计算结果,选取风速、风向、温度和湿度变量为预测模型的输入变量。根据步骤2、3所得到的基于GRA-LSTM-ICE模型的大范围风功率短期预测对比结果如图4所示,对比评价指标如表2所示。
表2:基于GRA-LSTM-ICE模型的大范围风功率短期预测对比评价指标
根据上述图表可以看出,基于GRA-LSTM-ICE模型的大范围风功率短期预测方法的MAE、RMSE评价指标比SVM模型分别减少了10%、14.72%,比LSTM模型分别减少了2.55%、3.2%。说明了本发明提出的一种基于GRA-LSTM-ICE模型的短期风功率预测方法降低了预测误差,提高了整体的预测精度,并且有效的验证了所提出的方法有效性、准确性和可应用性。
Claims (2)
1.一种基于GRA-LSTM-ICE模型的短期风功率预测方法,其特征在于,该方法包括以下步骤:
步骤1:基于灰色关联分析方法,分别计算风功率变量与风速、风向、温度、相对湿度、气压、降雨量、降雪量、云层厚度变量的相关性,将关联度系数大于0.5的气象变量,作为预测模型的输入变量;
步骤1.1:将数值天气预报提供的气象变量和风电场采集的风功率变量归一化,消除不同变量之间的物理量纲;
步骤1.2:将多维气象变量设为Xi,风功率变量设为Y;
步骤1.3:计算Y与Xi的灰色关联系数ξi;
步骤1.4:计算Y与Xi的灰色关联度系数Ri,公式如下:
式中:Ri是第i个气象变量的灰色关联度系数;Yt是风功率变量在t时刻的值;Xit是第i个气象变量在t时刻的值;Ym是风功率变量的平均值;Xim是第i个气象变量的平均值;
步骤2:根据关联度系数的计算结果,将关联度系数大于0.5的气象变量作为预测模型的输入变量,风功率变量作为模型的输出变量,基于长短期记忆神经网络建立预测模型,对风机出力进行初步预测;
步骤2.1:计算LSTM网络隐含层层数,以及隐含层神经元的个数;
步骤2.2:计算LSTM网络的初始权重和偏置项;
步骤2.3:训练网络,更新权重和偏置项;
步骤2.4:建立风功率预测模型,计算满足精度要求的风功率预测值PT;
步骤3:根据初步的短期风功率预测值,基于信息可信评估(ICE)技术建立风功率预测修正模型,修正初步预测值,得到大范围高精度的风功率短期预测结果,进一步提高风功率的短期预测精度。
步骤3.1:计算T时刻气象数据的可信评估值AT、单机风功率预测的可信评估值BT,公式如下:
式中:AT是T时刻气象数据的可信评估值;BT是单机风功率预测的可信评估值;TT是T时刻的实际值;PT是T时刻的预测值;
步骤3.2:计算T时刻单机风功率预测的可信值CT,公式如下:
CT=AT+BT
式中:CT是T时刻单机风功率预测的可信值。
步骤3.3:计算单机短期风功率预测的可信值PC,公式如下:
式中:PC是单机短期风功率预测的可信值;M是整个短期预测区间;
步骤3.4:计算大范围短期风功率的高精度预测值PN,公式如下:
式中:PN是大范围短期风功率的高精度预测值;N是整个范围的风机总数。
步骤4:根据平均绝对误差和均方根误差来评价预测结果。
2.根据权利要求1所述的一种基于GRA-LSTM-ICE模型的短期风功率预测方法,其特征在于,所述步骤2的LSTM神经网络包含有1个输入层、3个隐含层、1个输出层和1个连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110288897.2A CN113095547B (zh) | 2021-03-18 | 2021-03-18 | 一种基于gra-lstm-ice模型的短期风功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110288897.2A CN113095547B (zh) | 2021-03-18 | 2021-03-18 | 一种基于gra-lstm-ice模型的短期风功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095547A true CN113095547A (zh) | 2021-07-09 |
CN113095547B CN113095547B (zh) | 2023-09-26 |
Family
ID=76668431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110288897.2A Active CN113095547B (zh) | 2021-03-18 | 2021-03-18 | 一种基于gra-lstm-ice模型的短期风功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095547B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537598A (zh) * | 2021-07-17 | 2021-10-22 | 沈阳工程学院 | 一种基于nwp-lstm的短期光功率预测方法 |
CN113673768A (zh) * | 2021-08-24 | 2021-11-19 | 河海大学 | 基于vmd和cnn-lstm的风功率概率预测模型 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679298A (zh) * | 2013-12-27 | 2014-03-26 | 中能电力科技开发有限公司 | 风电场短期功率预测精度的评价方法 |
CN104657786A (zh) * | 2015-02-03 | 2015-05-27 | 河海大学 | 一种基于Boosting算法的短期风功率混合预测方法 |
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 |
CN109214566A (zh) * | 2018-08-30 | 2019-01-15 | 华北水利水电大学 | 基于长短期记忆网络的风电功率短期预测方法 |
CN109359388A (zh) * | 2018-10-18 | 2019-02-19 | 北京仿真中心 | 一种复杂仿真***可信度评估方法 |
-
2021
- 2021-03-18 CN CN202110288897.2A patent/CN113095547B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679298A (zh) * | 2013-12-27 | 2014-03-26 | 中能电力科技开发有限公司 | 风电场短期功率预测精度的评价方法 |
CN104657786A (zh) * | 2015-02-03 | 2015-05-27 | 河海大学 | 一种基于Boosting算法的短期风功率混合预测方法 |
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 |
CN109214566A (zh) * | 2018-08-30 | 2019-01-15 | 华北水利水电大学 | 基于长短期记忆网络的风电功率短期预测方法 |
CN109359388A (zh) * | 2018-10-18 | 2019-02-19 | 北京仿真中心 | 一种复杂仿真***可信度评估方法 |
Non-Patent Citations (2)
Title |
---|
梁涛;石欢;崔洁;李宗琪;: "基于Bagging神经网络集成的风功率预测", 水电能源科学, no. 04 * |
高僮;何平;周莽;孟芳园;: "基于灰色理论的风电场输出功率超短期预测", 河南科技, no. 19 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537598A (zh) * | 2021-07-17 | 2021-10-22 | 沈阳工程学院 | 一种基于nwp-lstm的短期光功率预测方法 |
CN113673768A (zh) * | 2021-08-24 | 2021-11-19 | 河海大学 | 基于vmd和cnn-lstm的风功率概率预测模型 |
Also Published As
Publication number | Publication date |
---|---|
CN113095547B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304623B (zh) | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 | |
CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN107169683A (zh) | 一种变权重系数的并网光伏电站短期功率组合预测方法 | |
CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和*** | |
CN113468817B (zh) | 一种基于igoa优化elm的超短期风电功率预测方法 | |
CN113822418A (zh) | 一种风电场功率预测方法、***、设备和存储介质 | |
CN113095547B (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
CN113887801A (zh) | 建筑冷负荷预测方法、***、设备及可读存储介质 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN114298140A (zh) | 一种考虑机组分类的风电短期功率预测校正方法 | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
CN114970952A (zh) | 一种考虑环境因素的光伏出力短期预测方法及*** | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
CN116702937A (zh) | 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法 | |
CN113991711B (zh) | 一种光伏电站储能***容量配置方法 | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
CN113435595B (zh) | 基于自然进化策略的极限学习机网络参数两阶段优化方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN111967652A (zh) | 一种双层协同实时校正光伏预测方法 | |
CN112734073A (zh) | 一种基于长短期记忆网络的光伏发电功率短期预测方法 | |
CN113722951B (zh) | 基于神经网络的散射体三维有限元网格优化方法 | |
CN116432812A (zh) | 樽海鞘算法优化lstm的新能源功率预测方法 | |
CN115271242A (zh) | 光伏发电功率预测模型的训练方法、预测方法、装置 |
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 |