CN113570132A - 一种时空气象特征提取与深度学习的风电功率预测方法 - Google Patents
一种时空气象特征提取与深度学习的风电功率预测方法 Download PDFInfo
- Publication number
- CN113570132A CN113570132A CN202110838338.4A CN202110838338A CN113570132A CN 113570132 A CN113570132 A CN 113570132A CN 202110838338 A CN202110838338 A CN 202110838338A CN 113570132 A CN113570132 A CN 113570132A
- Authority
- CN
- China
- Prior art keywords
- data
- deep learning
- space
- level
- cluster
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 title claims abstract description 12
- 238000000605 extraction Methods 0.000 title claims description 16
- 238000013136 deep learning model Methods 0.000 claims abstract description 23
- 239000002131 composite material Substances 0.000 claims abstract description 9
- 238000007418 data mining Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013526 transfer learning 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
- 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
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (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)
- Wind Motors (AREA)
Abstract
本发明公开一种时空气象特征提取与深度学习的风电功率预测方法，首先基于广域时空气象数据和功率数据，研究新能源场站出力和天气过程的互相关特性，建立不同指标为依据的多层级子区域划分，然后基于多维度气象数据，构建高维度候选特征库，构建基于数据挖掘的复合气象特征，最后基于海量样本和优选的核心特征，构建基于高维深度特征映射和高维深度数据挖掘、面向多层级的深度学习模型库，选取最优模型进行集群功率预测。通过该方法预测，实现了对风电功率在时空复合数据下的预测，在时域数据和空间数据之间建立了有效的匹配关系，具有推广价值。
Description
技术领域
本发明涉及一种时空气象特征提取与深度学习的风电功率预测方法，属于新能源功率预测领域。
背景技术
风资源具有典型的波动性和随机性的自然特性，这是气象因素以及地形地貌多种因素综合作用的体现；由风资源驱动，并进一步受到风力发电转化规律的影响，风功率的时间特征也具有一定的波动性和随机性，且随着空间尺度变化，不同风功率的时间和空间特征的波动性会叠加表现出不同的特征。掌握功率发电时间及空间波动性及其变化规律，是提高功率预测结果，提高***精度、安全性和经济性的必要前提。
风电场功率波动是气象参数的一致性和差异性共同作用的结果，因此，在对区域风电场群的功率进行集中预测时，不同空间位置对应气象参数的趋势性和差异性是必须考虑的。但是，对于人工神经网络来说，过多的输入参数必将导致网络结构的复杂化，进而在训练过程中易陷入局部极值，导致算法收敛速度慢甚至无法收敛。因此，在采用人工神经网络进行风电集群建模时，空间气象参数的特征提取是保证预测效果的关键。
通过构建复合时空气象特征提取的多层级深度集群功率预测方法，不仅可以同时基于时间空间因素进行功率预测，提高结果的准确性，还可以减少预测数据的冗杂度，提高功率预测速率。
发明内容
本发明的目的是提供一种时空气象特征提取与深度学习的风电功率预测方法，以解决上述背景技术中存在的问题，不仅可以同时基于时间空间因素进行功率预测，提高结果的准确性，还可以减少预测数据的冗杂度，提高功率预测速率。
本发明的目的由以下技术措施实现：
一种时空气象特征提取与深度学习的风电功率预测方法，其特征在于按以下步骤进行：
S1：将采集到不同经纬度的数据进行层级数据检索，依据时空资源动态自适应选择进行集群数据划分，构建不同指标为依据的多层级新能源子区域；
S2：依据新能源多维数据特征，将区域原始数据进行不同特征分解，构建子区域复合特征库，在数据挖掘的复合气象特征基础上进行特征优选，选取有效特征；
S3：基于对步骤S1.3采集的24h数据、48h数据、72h数据和96h数据和优选的有效特征进行数据资源匹配，基于高维深度特征映射和高维深度数据挖掘，将多层级新能源子区域的数据放入深度学习模型库，进行面向多层级新能源风/光集群的功率预测，选取气象数据投入深度学习模型适用性评估，选取最优深度学习模型为最终的层级功率预测模型。
进一步地，S1的具体步骤包括：
S1.1：选取处于同一经度和维度区域的总装机容量相同的n个风电场、m个光电厂的海量数据；
S1.2：通过基于集群聚类划分的时空资源动态自适应选择对步骤S1.1采集的海量数据进行空间区域分层，将选取的风/光电厂的数据按照地理空间作出拓扑结构，依据地理区域的行政区域级别，划分为由省级至区级的层级数据结构，依次为层级1数据、层级2数据至层级n数据；
S1.3：通过基于集群聚类划分的时空资源动态自适应选择对步骤S1.2的层级1数据、层级2数据至层级n数据进行时间尺度判定，将数据划分为有相似日历史功率的24h数据、48h数据、72h数据和96h数据，时间尺度越小的数据在功率预测中分配的权重越大；
S1.4：考虑新能源场站地形地貌、气候特征的影响，对步骤S1.3采集的24h数据、48h数据、72h数据和96h数据进行特征提取，对提取到的特征进行相关性分析，以新能源场站历史功率数据序列为基础，采用聚类分析的方法将所有提取的特征划分为若干集群，再考虑电网拓扑结构对划分的集群进行调整，保证集群的完整性，从而实现最小颗粒度的最优集群划分，得到多层级新能源子区域。
进一步地，S2的具体步骤包括：
S2.1：采用主成分分析的方法对步骤S1.1采集的区域原始的海量数据进行特征提取，并对特征数据进行频域特征分解、时序特征分解和空间特征分解；
S2.2：将分解的数据特征划分为统计特征、波动序列特征和函数变换特征，构建多维气象与功率数据特征库；
S2.3：基于网格化数值天气预报和集群划分结果，针对每个子集群的提取特征构造每个子集群的均值、众数、各分位数和极差统计特征，通过互信息的最大相关最小冗余算法计算数据之间的互信息，按照最大相关和最小冗余排序，对高维特征库做特征选择，从原始特征中选择出一些最有效特征；
S2.4：通过多次的预测结果确定数据最优特征的个数以及最优特征的组合。
进一步地，S3的具体步骤包括：
S3.1:基于对步骤S1.3采集的24h数据、48h数据、72h数据和96h数据和步骤S2.4优选的有效特征进行数据资源匹配；
S3.2：基于高维深度特征映射和高维深度数据挖掘，将多层级新能源子区域的数据放入深度学习模型库，进行面向多层级新能源风/光集群的功率预测；
S3.3:参照历史资源库数据中各深度学习模型之间的误差，对深度学习模型进行适用性评估，选取最优深度学习模型为最终的层级功率预测模型。
本发明达到的有益效果是：通过数据的多层级划分，掌握新能源场站出力的波动性及变化规律，有效提高***运行规划制定的精度、安全性和经济性。通过数据特征提取，可以减少参数输入，提高收敛速度，有效减少并避免陷入局部极值的情况，通过深度学习模型构建，提高预测结果的准确度和稳定性，降低电网的运行成本，综合使用基于特征选择与多层级深度迁移学习的风电场短期功率预测方法可以有效提高预测模型精度，对风功率预测具有重要作用。
附图说明
图1为本发明的整体流程结构框图。
具体实施方式
下面结合本发明实施方式中的附图进行具体的描述，本发明的目的是提供一种时空气象特征提取与深度学习的风电功率预测方法。
如图1所示，一种时空气象特征提取与深度学习的风电功率预测方法，包括以下步骤：
S1：将采集到不同经纬度的数据进行层级数据检索，依据时空资源动态自适应选择进行集群数据划分，构建不同指标为依据的多层级新能源子区域；具体步骤包括：
S1.1：选取处于同一经度和维度区域的总装机容量相同的n个风电场、m个光电厂的海量数据；
S1.2：通过基于集群聚类划分的时空资源动态自适应选择对步骤S1.1采集的海量数据进行空间区域分层，将选取的风/光电厂的数据按照地理空间作出拓扑结构，依据地理区域的行政区域级别，划分为由省级至区级的层级数据结构，依次为层级1数据、层级2数据至层级n数据；
S1.3：通过基于集群聚类划分的时空资源动态自适应选择对步骤S1.2的层级1数据、层级2数据至层级n数据进行时间尺度判定，将数据划分为有相似日历史功率的24h数据、48h数据、72h数据和96h数据，时间尺度越小的数据在功率预测中分配的权重越大；
S1.4：考虑新能源场站地形地貌、气候特征的影响，对步骤S1.3采集的24h数据、48h数据、72h数据和96h数据进行特征提取，对提取到的特征进行相关性分析，以新能源场站历史功率数据序列为基础，采用聚类分析的方法将所有提取的特征划分为若干集群，再考虑电网拓扑结构对划分的集群进行调整，保证集群的完整性，从而实现最小颗粒度的最优集群划分，得到多层级新能源子区域。
S2：S2：依据新能源多维数据特征，将区域原始数据进行不同特征分解，构建子区域复合特征库，在数据挖掘的复合气象特征基础上进行特征优选，选取有效特征；具体步骤包括：
S2.1：采用主成分分析的方法对步骤S1.1采集的区域原始的海量数据进行特征提取，并对特征数据进行频域特征分解、时序特征分解和空间特征分解；
S2.2：将分解的数据特征划分为统计特征、波动序列特征和函数变换特征，构建多维气象与功率数据特征库；
S2.3：基于网格化数值天气预报和集群划分结果，针对每个子集群的提取特征构造每个子集群的均值、众数、各分位数和极差统计特征，通过互信息的最大相关最小冗余算法计算数据之间的互信息，按照最大相关和最小冗余排序，对高维特征库做特征选择，从原始特征中选择出一些最有效特征；
S2.4：通过多次的预测结果确定数据最优特征的个数以及最优特征的组合。
S3：基于对步骤S1.3采集的24h数据、48h数据、72h数据和96h数据和优选的有效特征进行数据资源匹配，基于高维深度特征映射和高维深度数据挖掘，将多层级新能源子区域的数据放入深度学习模型库，进行面向多层级新能源风/光集群的功率预测，选取气象数据投入深度学习模型适用性评估，选取最优深度学习模型为最终的层级功率预测模型；具体步骤包括：
S3.1:基于对步骤S1.3采集的24h数据、48h数据、72h数据和96h数据和步骤S2.4优选的有效特征进行数据资源匹配；
S3.2：基于高维深度特征映射和高维深度数据挖掘，将多层级新能源子区域的数据放入深度学习模型库，进行面向多层级新能源风/光集群的功率预测；
S3.3:参照历史资源库数据中各深度学习模型之间的误差，对深度学习模型进行适用性评估，选取最优深度学习模型为最终的层级功率预测模型。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (4)
1.一种时空气象特征提取与深度学习的风电功率预测方法，其特征在于按以下步骤进行：
S1：将采集到不同经纬度的数据进行层级数据检索，依据时空资源动态自适应选择进行集群数据划分，构建不同指标为依据的多层级新能源子区域；
S2：依据新能源多维数据特征，将区域原始数据进行不同特征分解，构建子区域复合特征库，在数据挖掘的复合气象特征基础上进行特征优选，选取有效特征；
S3：基于对步骤S1.3采集的24h数据、48h数据、72h数据和96h数据和优选的有效特征进行数据资源匹配，基于高维深度特征映射和高维深度数据挖掘，将多层级新能源子区域的数据放入深度学习模型库，进行面向多层级新能源风/光集群的功率预测，选取气象数据投入深度学习模型适用性评估，选取最优深度学习模型为最终的层级功率预测模型。
2.根据权利要求1中所述的一种时空气象特征提取与深度学习的风电功率预测方法，其特征在于，所述S1步骤具体包括：
S1.1：选取处于同一经度和维度区域的总装机容量相同的n个风电场、m个光电厂的海量数据；
S1.2：通过基于集群聚类划分的时空资源动态自适应选择对步骤S1.1采集的海量数据进行空间区域分层，将选取的风/光电厂的数据按照地理空间作出拓扑结构，依据地理区域的行政区域级别，划分为由省级至区级的层级数据结构，依次为层级1数据、层级2数据至层级n数据；
S1.3：通过基于集群聚类划分的时空资源动态自适应选择对步骤S1.2的层级1数据、层级2数据至层级n数据进行时间尺度判定，将数据划分为有相似日历史功率的24h数据、48h数据、72h数据和96h数据，时间尺度越小的数据在功率预测中分配的权重越大；
S1.4：考虑新能源场站地形地貌、气候特征的影响，对步骤S1.3采集的24h数据、48h数据、72h数据和96h数据进行特征提取，对提取到的特征进行相关性分析，以新能源场站历史功率数据序列为基础，采用聚类分析的方法将所有提取的特征划分为若干集群，再考虑电网拓扑结构对划分的集群进行调整，保证集群的完整性，从而实现最小颗粒度的最优集群划分，得到多层级新能源子区域。
3.根据权利要求2中所述的一种时空气象特征提取与深度学习的风电功率预测方法，其特征在于，所述S2步骤具体包括：
S2.1：采用主成分分析的方法对步骤S1.1采集的区域原始的海量数据进行特征提取，并对特征数据进行频域特征分解、时序特征分解和空间特征分解；
S2.2：将分解的数据特征划分为统计特征、波动序列特征和函数变换特征，构建多维气象与功率数据特征库；
S2.3：基于网格化数值天气预报和集群划分结果，针对每个子集群的提取特征构造每个子集群的均值、众数、各分位数和极差统计特征，通过互信息的最大相关最小冗余算法计算数据之间的互信息，按照最大相关和最小冗余排序，对高维特征库做特征选择，从原始特征中选择出一些最有效特征；
S2.4：通过多次的预测结果确定数据最优特征的个数以及最优特征的组合。
4.根据权利要求3中所述的一种时空气象特征提取与深度学习的风电功率预测方法，其特征在于，所述S3步骤具体包括：
S3.1:基于对步骤S1.3采集的24h数据、48h数据、72h数据和96h数据和步骤S2.4优选的有效特征进行数据资源匹配；
S3.2：基于高维深度特征映射和高维深度数据挖掘，将多层级新能源子区域的数据放入深度学习模型库，进行面向多层级新能源风/光集群的功率预测；
S3.3:参照历史资源库数据中各深度学习模型之间的误差，对深度学习模型进行适用性评估，选取最优深度学习模型为最终的层级功率预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110838338.4A CN113570132A (zh) | 2021-07-23 | 2021-07-23 | 一种时空气象特征提取与深度学习的风电功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110838338.4A CN113570132A (zh) | 2021-07-23 | 2021-07-23 | 一种时空气象特征提取与深度学习的风电功率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113570132A true CN113570132A (zh) | 2021-10-29 |
Family
ID=78166882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110838338.4A Withdrawn CN113570132A (zh) | 2021-07-23 | 2021-07-23 | 一种时空气象特征提取与深度学习的风电功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113570132A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114266421A (zh) * | 2022-03-01 | 2022-04-01 | 南方电网数字电网研究院有限公司 | 基于复合气象特征构建与选择的新能源功率预测方法 |
| CN116488158A (zh) * | 2023-04-24 | 2023-07-25 | 国能日新科技股份有限公司 | 一种基于迁移学习的风电中长期电量预测的方法及装置 |
| CN117996757A (zh) * | 2024-04-07 | 2024-05-07 | 南京中核能源工程有限公司 | 一种基于分散式风电的配电网调度方法、装置及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106849066A (zh) * | 2017-03-07 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种区域风电功率预测方法 |
| CN111753893A (zh) * | 2020-06-12 | 2020-10-09 | 国网福建省电力有限公司 | 一种基于聚类和深度学习的风电机组功率集群预测方法 |
| CN112949904A (zh) * | 2021-01-28 | 2021-06-11 | 华中科技大学 | 一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法 |
-
2021
- 2021-07-23 CN CN202110838338.4A patent/CN113570132A/zh not_active Withdrawn
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106849066A (zh) * | 2017-03-07 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种区域风电功率预测方法 |
| CN111753893A (zh) * | 2020-06-12 | 2020-10-09 | 国网福建省电力有限公司 | 一种基于聚类和深度学习的风电机组功率集群预测方法 |
| CN112949904A (zh) * | 2021-01-28 | 2021-06-11 | 华中科技大学 | 一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨子民等: "基于集群动态划分与BLSTM深度学习的风电集群短期功率预测", 高电压技术, vol. 47, no. 4, 30 April 2021 (2021-04-30), pages 1195 - 1203 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114266421A (zh) * | 2022-03-01 | 2022-04-01 | 南方电网数字电网研究院有限公司 | 基于复合气象特征构建与选择的新能源功率预测方法 |
| CN114266421B (zh) * | 2022-03-01 | 2022-08-09 | 南方电网数字电网研究院有限公司 | 基于复合气象特征构建与选择的新能源功率预测方法 |
| CN116488158A (zh) * | 2023-04-24 | 2023-07-25 | 国能日新科技股份有限公司 | 一种基于迁移学习的风电中长期电量预测的方法及装置 |
| CN116488158B (zh) * | 2023-04-24 | 2023-09-15 | 国能日新科技股份有限公司 | 一种基于迁移学习的风电中长期电量预测的方法及装置 |
| CN117996757A (zh) * | 2024-04-07 | 2024-05-07 | 南京中核能源工程有限公司 | 一种基于分散式风电的配电网调度方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN113570132A (zh) | 一种时空气象特征提取与深度学习的风电功率预测方法 | |
| CN110866974B (zh) | 一种基于三维展示的水工监测*** | |
| CN102411729B (zh) | 基于自适应线性逻辑网络的风电功率预测方法 | |
| CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
| CN104715292A (zh) | 基于最小二乘支持向量机模型的城市短期用水量预测方法 | |
| Adedeji et al. | Hybrid neurofuzzy wind power forecast and wind turbine location for embedded generation | |
| CN117236199B (zh) | 城市水网区域河湖水质提升与水安全保障方法及*** | |
| CN112116130B (zh) | 一种基于可变结构深度学习框架的短期调度规则提取方法 | |
| CN108596242A (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
| CN111915083B (zh) | 一种基于时间分层组合的风电功率预测方法及预测*** | |
| CN113780679B (zh) | 一种基于泛在电力物联网的负荷预测方法及装置 | |
| CN111695666A (zh) | 一种基于深度学习的风电功率超短期条件概率预测方法 | |
| CN111199298A (zh) | 基于神经网络的洪水预报方法与*** | |
| Yu et al. | Ultra-short-term wind power subsection forecasting method based on extreme weather | |
| CN111260206A (zh) | 一种光伏发电影响因素评价模型、构建方法及应用 | |
| CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 | |
| CN108615091A (zh) | 基于聚类筛选和神经网络的电力气象负荷数据预测方法 | |
| CN114862007A (zh) | 一种面向碳酸盐岩气井的短周期产气量预测方法及*** | |
| Xiao et al. | Research on fault-environment association rules of distribution network based on improved Apriori algorithm | |
| CN113792919A (zh) | 一种基于迁移学习深度学习相结合的风电功率预测方法 | |
| Bâra et al. | Intelligent systems for predicting and analyzing data in power grid companies | |
| Lawan et al. | ANN and GIS-assisted methodology for wind resource assessment (WRA) in Sarawak | |
| CN117977589B (zh) | 一种融合电网智能化终端管理***及方法 | |
| CN116703007B (zh) | 一种风电集群预测模型的构建方法、功率预测方法及装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211029 |