CN113609758B - 一种新建风电场的功率预测方法 - Google Patents
一种新建风电场的功率预测方法 Download PDFInfo
- Publication number
- CN113609758B CN113609758B CN202110812849.9A CN202110812849A CN113609758B CN 113609758 B CN113609758 B CN 113609758B CN 202110812849 A CN202110812849 A CN 202110812849A CN 113609758 B CN113609758 B CN 113609758B
- Authority
- CN
- China
- Prior art keywords
- wind power
- power plant
- wind
- data
- input
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000007430 reference method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种新建风电场的功率预测方法,先分别采集新建风电场和源风电场的历史数据,然后利用建立时间较长的源风电场的大量历史数据来辅助新建立风电场的历史数据完成多任务高斯过程模型的训练,最后通过训练完成的模型实现新建风电场实时功率的预测,这样解决了新建立风电场历史数据不足而难以获得准确的功率预测结果的问题。
Description
技术领域
本发明属于新能源技术领域,更为具体地讲,涉及一种新建风电场的功率预测方法。
背景技术
随着低碳化能源***战略的不断推进,化石能源被逐步取代以及新能源成为主流能源已经不可逆转,风电作为一种清洁可再生能源在能源***中扮演着重要的角色。为了大规模的风电能并入电网,准确的风电功率预测是必不可少的。
目前,国内外的风电功率预测主要有物理模型和数值模型两种。物理模型主要是指基于数值天气预测(NWP)的预测方法,通过当前的气象数据(初始条件)来求解微分方程以获得风电功率预测结果。但是,在天气突变的状况下,物理模型的预测准确度会严重下降。数值模型则是利用历史数据来预测未来的风电功率。传统的数值模型主要指时间序列模型,如自回归模型、自回归滑动平均模型(ARMA)等。随着人工智能的兴起,一种基于各类机器学习算法的新型数值模型得到了发展,如人工神经网络(ANN)、支持向量机(SVM)等。然而,数值模型获得准确预测结果的前提是有足够的历史数据,因此大多数数值模型的预测都是基于大量历史数据进行的。
对于一个新建的风电场,在没有足够的历史数据时,大多数数值模型都无法获得准确的风电功率预测结果,然而准确的风电功率预测对于新建立风电场的并网至关重要,因此,如何获得一个新建立风电场的准确功率预测成为亟待解决的问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种新建风电场的功率预测方法,利用建立时间比较长的源风电场的大量历史数据来辅助新建立风电场训练多任务高斯过程预测模型,从而实现新建立风电场功率预测。
为实现上述发明目的,本发明一种新建风电场的功率预测方法,其特征在于,包括以下步骤:
(1)、获取风电场功率数据和气象数据;
(2)、提取风力信息和时间信息;
(2.1)、根据新建风电场和源风电场的气象数据获取所在地不同时刻的风速、风向和风能;
(3)、构建新建风电场和源风电场的数据集;
(4)、构建训练集;
归一化完成后,将Nl个时刻的输入输出数据集构成训练集{Xl,Yl}:
将Ns个时刻的输入输出数据集构成辅助新建风电场训练的训练集{Xs,Ys}:
(5)、构建多任务高斯过程预测模型MTGP;
(5.1)、构建新建风电场的高斯过程模型,记为GPl,该模型反映了新建风电场训练集{Xl,Yl}中的输入到输出的关系:
其中,B是待训练的正半定矩阵;kl(·)是核函数,可以表示为:
其中,μl为核参数;
(5.2)、构建源风电场的高斯过程模型,记为GPs,该模型反映了源风电场训练集{Xs,Ys}中的输入到输出的关系:
其中,B是待训练的正半定矩阵;ks(·)是核函数,可以表示为:
其中,μs为核参数;
(6)、训练多任务高斯过程预测模型MTGP;
(6.1)、将源风电场的训练数据集{Xs,Ys}输入到模型GPs中,通过优化训练模型GPs的参数θs=[B,σs,μs],使模型GPs收敛;
(6.2)、在GPs训练结束后,将得正半定矩阵B代入到模型GPl中,然后再将目标风电场的训练数据集{Xl,Yl}输入到模型GPl中,对B进一步进行训练,待模型GPl收敛后并得到对应参数θl=[B,σl,μl];
(7)、新建风电场的功率实时预测;
从目标风电场的测试集{X*,Y*}中将测试集输入X*输入训练好的GPl模型中,可以得到预测值:
本发明的发明目的是这样实现的:
本发明一种新建风电场的功率预测方法,先分别采集新建风电场和源风电场的历史数据,然后利用建立时间较长的源风电场的大量历史数据来辅助新建立风电场的历史数据完成多任务高斯过程模型的训练,最后通过训练完成的模型实现新建风电场实时功率的预测,这样解决了新建立风电场历史数据不足而难以获得准确的功率预测结果的问题。
同时,本发明一种新建风电场的功率预测方法还具有以下有益效果:
(1)、在新建立风电场历史数据不足的情况下获得了准确的功率预测结果,这是新建风电场并网和新能源电力调度的重要依据,保障了新建风电场并网时电网的稳定,为电力调度提供了可靠依据;
(2)、利用建立时间较长的源风电场的大量数据来辅助新建立风电场的功率预测,但是预测结果不会因来自源风电场的大量数据而受到干扰变差;
(3)、选择风电场所在地的风力信息如:风速、风向、风能作为输入特征,这些风力信息都是影响风电场出力的关键因素,能大大提高风电场功率预测结果的准确性。
附图说明
图1是本发明一种新建风电场的功率预测模型结构图;
图2是本发明一种输入特征(风速)与输出(风电功率)的关系图;
图3是本发明一种新建风电场的功率预测方法流程图;
图4是图1所示中心节点一种具体实施方式结构图;
图5是图1所示用户终端一种具体实施方式结构图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
在本实施例中,以风电场1和风电场2的实际数据为例,对本发明一种新建风电场的功率预测模型进行说明,如图1所示,一种新建风电场的功率预测模型结构图。
下面我们结合图1对本发明一种新建风电场的功率预测方法进行详细说明,如图2所示,具体包括以下步骤:
S1、获取风电场功率数据和气象数据;
在本实施例中,以1h为间隔,即每过1h采样一次,每天采样24个点,假设新建风电场刚刚建立5天,那么Nl=24×5,而源风电场采集这5天的数据,以及新建风电场建立前的45天的数据,总共采集50天的数据,即Ns=24×50。
S2、提取风力信息和时间信息;
S2.1、根据新建风电场和源风电场的气象数据获取所在地不同时刻的风速、风向和风能;
其中,d为空气密度,本实例中取常数1;为新建风电场在t时刻的风速、风向和风能;/>为源风电场在t时刻的风速、风向和风能;在本实施例中,新建风电场和源风电场的风向的取值范围为0°~360°。图2是风电功率和风速的关系图,可以看到风电功率和风速的趋势基本一致,反映了风速等风力因素是影响风电功率的关键因素。
S3、构建新建风电场和源风电场的数据集;
S4、构建训练集;
归一化完成后,将Nl个时刻的输入输出数据集构成训练集{Xl,Yl}:
将Ns个时刻的输入输出数据集构成辅助新建风电场训练的训练集{Xs,Ys}:
S5、构建多任务高斯过程预测模型MTGP;
S5.1、构建新建风电场的高斯过程模型,记为GPl,该模型反映了新建风电场训练集{Xl,Yl}中的输入到输出的关系:
其中,B是待训练的正半定矩阵;kl(·)是核函数,可以表示为:
其中,μl为核参数;
S5.2、构建源风电场的高斯过程模型,记为GPs,该模型反映了源风电场训练集{Xs,Ys}中的输入到输出的关系:
其中,B是待训练的正半定矩阵;ks(·)是核函数,可以表示为:
其中,μs为核参数;
S6、训练多任务高斯过程预测模型MTGP;
S6.1、将源风电场的训练数据集{Xs,Ys}输入到模型GPs中,通过优化训练模型GPs的参数θs=[B,σs,μs],使模型GPs收敛;
S6.2、在GPs训练结束后,将得正半定矩阵B代入到模型GPl中,然后再将目标风电场的训练数据集{Xl,Yl}输入到模型GPl中,对B进一步进行训练,待模型GPl收敛后并得到对应参数θl=[B,σl,μl];
S7、新建风电场的功率实时预测;
从目标风电场的测试集{X*,Y*}中将测试集输入X*输入训练好的GPl模型中,可以得到预测值:
方法对比及指标评估:
为了验证本发明能够在新建风电场历史数据不足的情况下获得准确的功率预测结果,使用了其余几种对比方法,分别是高斯过程(GP)、反向传播神经网络(BPNN)、线性回归(LR)、分位数回归(QR)和支持向量回归(SVR)。这些对比方法只使用来自目标风电场的训练数据即Nl=24×5组数据进行训练而不使用来自源风电场的大量数据进行辅助预测。
为了对比不同方案的功率预测效果,使用了两种评估指标分别是均方根误差(RMSE)和平均绝对误差(MAE),具体形式为:
预测场景1:
在场景1中,以风电场1为目标风电场,风电场2为源风电场,预测结果如图4所示;本发明和基准方法线性回归相比,本发明所用方法在RMSE和MAE分别提升了接近36.00%和23.71%,和对比方法中预测效果最好的QR对比,本发明所用方法在RMSE和MAE各提升了24.71%和20.00%。以上结果说明,本发明所用利用源风电场的大量数据进行辅助训练的方法在场景1的效果远远超过所有不使用源风电场数据进行辅助训练的方法;
预测场景2:
在场景2中,以风电场1为源风电场,风电场2为目标风电场,预测结果如图5所示;本发明和基准方法线性回归相比,本发明所用方法在RMSE和MAE分别提升了接近25.91%和29.15%,和对比方法中预测效果最好的GP对比,本发明所用方法在RMSE和MAE各提升了11.50%和13.57%。以上结果说明,本发明所用利用源风电场的大量数据进行辅助训练的方法在场景2的效果远远超过所有不使用源风电场数据进行辅助训练的方法。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种新建风电场的功率预测方法,其特征在于,包括以下步骤:
(1)、获取风电场功率数据和气象数据;
(2)、提取风力信息和时间信息;
(2.1)、根据新建风电场和源风电场的气象数据获取所在地不同时刻的风速、风向和风能;
(3)、构建新建风电场和源风电场的数据集;
(4)、构建训练集;
归一化完成后,将Nl个时刻的输入输出数据集构成训练集{Xl,Yl}:
将Ns个时刻的输入输出数据集构成辅助新建风电场训练的训练集{Xs,Ys}:
(5)、构建多任务高斯过程预测模型MTGP;
(5.1)、构建新建风电场的高斯过程模型,记为GPl,该模型反映了新建风电场训练集{Xl,Yl}中的输入到输出的关系:
其中,B是待训练的正半定矩阵;kl(·)是核函数,可以表示为:
其中,μl为核参数;
(5.2)、构建源风电场的高斯过程模型,记为GPs,该模型反映了源风电场训练集{Xs,Ys}中的输入到输出的关系:
其中,B是待训练的正半定矩阵;ks(·)是核函数,可以表示为:
其中,μs为核参数;
(6)、训练多任务高斯过程预测模型MTGP;
(6.1)、将源风电场的训练数据集{Xs,Ys}输入到模型GPs中,通过优化训练模型GPs的参数θs=[B,σs,μs],使模型GPs收敛;
(6.2)、在GPs训练结束后,将得正半定矩阵B代入到模型GPl中,然后再将目标风电场的训练数据集{Xl,Yl}输入到模型GPl中,对B进一步进行训练,待模型GPl收敛后并得到对应参数θl=[B,σl,μl];
(7)、新建风电场的功率实时预测;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110812849.9A CN113609758B (zh) | 2021-07-19 | 2021-07-19 | 一种新建风电场的功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110812849.9A CN113609758B (zh) | 2021-07-19 | 2021-07-19 | 一种新建风电场的功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113609758A CN113609758A (zh) | 2021-11-05 |
CN113609758B true CN113609758B (zh) | 2023-06-02 |
Family
ID=78337889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110812849.9A Active CN113609758B (zh) | 2021-07-19 | 2021-07-19 | 一种新建风电场的功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609758B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184337A (zh) * | 2011-06-07 | 2011-09-14 | 中国电力科学研究院 | 一种受气象信息影响的新能源发电能力动态组合分析方法 |
EP2853731A1 (en) * | 2013-09-27 | 2015-04-01 | Korea Electric Power Corporation | Apparatus for simulating wind power farm |
CN112160879A (zh) * | 2020-07-15 | 2021-01-01 | 姜庆超 | 基于fda与som的风机叶片结冰可视化状态监测 |
CN112288164A (zh) * | 2020-10-29 | 2021-01-29 | 四川大学 | 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 |
CN112651576A (zh) * | 2021-01-07 | 2021-04-13 | 云南电力技术有限责任公司 | 长期风电功率预测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150278405A1 (en) * | 2014-03-31 | 2015-10-01 | Vestas Wind Systems A/S | Method for evaluating a performance prediction for a wind farm |
-
2021
- 2021-07-19 CN CN202110812849.9A patent/CN113609758B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184337A (zh) * | 2011-06-07 | 2011-09-14 | 中国电力科学研究院 | 一种受气象信息影响的新能源发电能力动态组合分析方法 |
EP2853731A1 (en) * | 2013-09-27 | 2015-04-01 | Korea Electric Power Corporation | Apparatus for simulating wind power farm |
CN112160879A (zh) * | 2020-07-15 | 2021-01-01 | 姜庆超 | 基于fda与som的风机叶片结冰可视化状态监测 |
CN112288164A (zh) * | 2020-10-29 | 2021-01-29 | 四川大学 | 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 |
CN112651576A (zh) * | 2021-01-07 | 2021-04-13 | 云南电力技术有限责任公司 | 长期风电功率预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113609758A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109802430B (zh) | 一种基于LSTM-Attention网络的风电电网控制方法 | |
CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及*** | |
CN109214575B (zh) | 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 | |
CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
CN112733462B (zh) | 一种结合气象因素的超短期风电场功率预测方法 | |
CN110009135B (zh) | 一种基于宽度学习的风电功率预测方法 | |
CN110991737A (zh) | 一种基于深度置信网络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 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN112149905A (zh) | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 | |
Wang et al. | Hybrid deep learning model for short-term wind speed forecasting based on time series decomposition and gated recurrent unit | |
CN116070769A (zh) | 一种超短期风电场功率多步区间预测模块化方法及其设备 | |
CN117172097A (zh) | 基于云边协同与多智能体深度学习的配电网调度运行方法 | |
CN113627685B (zh) | 一种考虑风电上网负荷限制的风力发电机功率预测方法 | |
CN103632314B (zh) | 基于概率统计的风电场广义节点特征建模方法 | |
He et al. | Similar day selecting based neural network model and its application in short-term load forecasting | |
CN111612242A (zh) | 一种基于lstm深度学习模型的电机状态参数预测方法 | |
CN111080001A (zh) | 一种应用于风电场风速的深度神经网络预测方法 | |
CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
CN113609758B (zh) | 一种新建风电场的功率预测方法 | |
CN112052985A (zh) | 一种基于lightgbm的中短期低电压预测方法 | |
Liao et al. | Wind power prediction based on periodic characteristic decomposition and multi-layer attention network | |
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 | |
Xiaosheng et al. | A deep learning approach for wind power prediction based on stacked denoising auto encoders optimized by bat algorithm | |
CN115222098A (zh) | 一种基于分布式在线学习的短期电力负荷预测方法 |
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 |