CN113642776A - 一种基于门控循环单元的超短期风电功率预测方法 - Google Patents

一种基于门控循环单元的超短期风电功率预测方法 Download PDF

Info

Publication number
CN113642776A
CN113642776A CN202110820694.3A CN202110820694A CN113642776A CN 113642776 A CN113642776 A CN 113642776A CN 202110820694 A CN202110820694 A CN 202110820694A CN 113642776 A CN113642776 A CN 113642776A
Authority
CN
China
Prior art keywords
wind power
data
model
ultra
short
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
Application number
CN202110820694.3A
Other languages
English (en)
Inventor
邓亚平
林邵杰
王璐
贾颢
同向前
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Technology
Original Assignee
Xian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN202110820694.3A priority Critical patent/CN113642776A/zh
Publication of CN113642776A publication Critical patent/CN113642776A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于门控循环单元的超短期风电功率预测方法，具体按照以下步骤实施：步骤1、对获取的风电功率和风速数据进行预处理；步骤2、搭建基于GRU与全连接层的模型；步骤3、使用经过预处理的数据训练步骤2搭建的模型，获得能够反映输入的风速数据、风电功率数据与输出的风电功率数据之间关系的模型参数和权重，得到用于超短期风电功率预测的模型；步骤4、利用步骤3得到的用于超短期风电功率预测的模型对特定时间的风速功率进行预测。本发明的预测方法可以处理更长的时间序列。

Description

一种基于门控循环单元的超短期风电功率预测方法
技术领域
本发明属于电力***测量与控制技术领域，涉及一种基于门控循环单元的超短期风电功率预测方法。
背景技术
风能作为可再生能源之一，是实现“碳达峰”、“碳中和”的重要手段。然而，由于其发电功率的波动性、随机性和间歇性，对电力***稳定运行带来巨大挑战。因此需要对风电功率进行准确预测，从而合理地调度整个电力***，实现对风电的消纳，研究具有巨大的理论价值与实践价值。
目前风电功率的预测方法主要分为三类：物理方法，统计方法和数据驱动方法。(1)物理方法即通过收集风电场的风向，风速和气压等多维物理数据，对这些物理数据进行分析，推导出预测的风电功率数值。但由于分析模型与历史数据之间的关联性不大，所以适用于短期风电功率预测，且预测精度较低。(2)统计方法，即运用统计原理，建立历史数据与预测数据之间的联系，譬如小波模型以及卡尔曼滤波模型等。此类预测的精度也较低。(3)基于数据驱动的方法，即使用采获的原始数据，基于深度学习模型，不断优化调节模型参数，获得预测模型后实现风电功率的准确预测。
发明内容
本发明的目的是提供一种基于门控循环单元的超短期风电功率预测方法，解决了现有技术中存在的物理方法和统计方法超短期预测精度低的问题；解决了现有基于数据驱动方法需要预先充分提取原始数据信息而导致的实现过程繁琐复杂的问题。
本发明所采用的技术方案是，一种基于门控循环单元的超短期风电功率预测方法，具体按照以下步骤实施：
步骤1、对获取的风电功率和风速数据进行预处理；
步骤2、搭建基于门控循环单元GRU与全连接层的模型；
步骤3、使用经过预处理的数据训练步骤2搭建的模型，获得能够反映输入的风速数据、风电功率数据与输出的风电功率数据之间关系的模型参数和权重，得到用于超短期风电功率预测的模型；
步骤4、利用步骤3得到的用于超短期风电功率预测的模型进行预测。
本发明的特点还在于：
步骤1具体按照以下步骤实施：
步骤1.1、采集一段时间内的风电功率及风速数据，并对风电功率和风速数据进行标准化预处理；
步骤1.2、将上述预处理后的数据选定一部分风电功率和风速数据作为模型输入数据，将后移特定时刻的风电功率和风速数据作为模型输出数据，同时，将总数据划分为训练集和测试集。
步骤1.1中标准化预处理采用以下公式：
Figure BDA0003171833170000021
其中，X0为标准化预处理后的数据，Xmin为总数据中的最小值，Xmax为总数据中的最大值，Xi为未处理之前的数据。
步骤2中模型结构具体包括输入层、隐含层和输出层，输入层为一层输入层，隐含层包含多层GRU层，输出层为一层全连接层。
步骤3具体为，将经过预处理的训练集的输入步骤2搭建的模型中，经过隐含层的前向传播计算，得到损失值Loss，之后再经过反向传播优化算法得到隐含层的共享参数。
损失值Loss计算如下式所示：
Figure BDA0003171833170000031
其中，m为训练集的数据总数，pt代表t时刻风电功率的真实值，ps代表风电功率的预测值。
GRU计算如下式所示：
r(t)＝δ(WXr x(t)+Wht h(t-1)+bz) (3)，
r(t)＝δ(WXr x(t)+Wht h(t-1)+br) (4)，
Figure BDA0003171833170000034
Figure BDA0003171833170000032
其中，z(t)、r(t)、g(t)分别代表隐含层内三个全连接层的输出；h(t)、h(t-1)分别代表输出t时刻和t-1时刻的状态量；x(t)为t时刻的输入量；Wxz,Wxr,Wxg分别代表与输入量x(t)相连接的三个全连接层的权重矩阵；bz、br、bg分别代表与输入量x(t)相连接的三个全连接层的偏置权重；
Figure BDA0003171833170000033
代表逐元素乘法运算；δ代表logistics激活函数；tanh代表tanh激活函数。
本发明的有益效果是：本发明采用GRU网络建立风电功率数据之间的时序依赖关系，即时间序列的前段与后段之间的关联，同时由于GRU具有选择记忆与遗忘的功能，可以处理更长的时间序列，其中全连接层将GRU的输出做线性变化以得到最终所需要的风电功率预测结果。本发明的模型结构简单，无需对输入数据进行特征提取，实现过程简明，且准确率高。
附图说明
图1是本发明一种基于GRU深度学习的超短期风电功率预测方法的流程图；
图2是本发明基于GRU与全连接层的模型结构图；
图3为本发明GRU内部结构图；
图4为本发明损失函数的训练迭代更新图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于门控循环单元的超短期风电功率预测方法，如图1所示，具体按照以下步骤实施：
步骤1、对获取的风电功率和风速数据进行预处理；具体按照以下步骤实施：
步骤1.1、对风电功率和风速数据进行标准化预处理；标准化预处理采用以下公式：
Figure BDA0003171833170000041
其中，X0为标准化预处理后的数据，Xmin为总数据中的最小值，Xmax为总数据中的最大值，Xi为未处理之前的数据；
步骤1.2、将上述预处理后的数据选定一部分的风电功率和风速数据作为模型输入数据，将后移特定时刻的风电功率和风速数据作为模型输出数据，同时，将总数据划分为训练集和测试集；
步骤2、搭建基于GRU(Gated Recurrent Unit,GRU)与全连接层的模型，其中GRU为标准循环神经网络(RNN)的一种变体，其主要用来建立数据之间的时序依赖关系，即时间序列的前段与后段之间的关联，全连接层为将GRU的输出做线性变化以得到最终所需要的风电功率预测结果，模型结构具体包括输入层、隐含层和输出层，所述输入层为一层输入层，隐含层包含多层GRU层，输出层为一层全连接层；
步骤3、使用经过预处理的数据训练步骤2搭建的模型，获得能够反映输入的风速数据、风电功率数据与输出的风电功率数据之间关系的模型参数和权重，得到用于超短期风电功率预测的模型；将经过预处理的训练集的一部分输入步骤2搭建的模型中，经过隐含层的前向传播计算，得到损失值Loss，之后再经过反向传播优化算法得到隐含层的共享参数；
损失值Loss计算如下式所示：
Figure BDA0003171833170000051
其中，m为训练集的数据总数，pt代表t时刻风电功率的真实值，ps代表风电功率的预测值；
GRU计算如下式所示：
r(t)＝δ(WXr x(t)+Wht h(t-1)+bz) (3)，
r(t)＝δ(WXr x(t)+Wht h(t-1)+br) (4)，
Figure BDA0003171833170000052
Figure BDA0003171833170000053
其中，z(t)、r(t)、g(t)分别代表隐含层内三个全连接层的输出；h(t)、h(t-1)分别代表输出t时刻和t-1时刻的状态量；x(t)为t时刻的输入量；Wxz,Wxr,Wxg分别代表与输入量x(t)相连接的三个全连接层的权重矩阵；bz、br、bg分别代表与输入量x(t)相连接的三个全连接层的偏置权重；
Figure BDA0003171833170000054
代表逐元素乘法运算；δ代表logistics激活函数；tanh代表tanh激活函数；
步骤4、利用步骤3得到的用于超短期风电功率预测的模型对风电功率进行预测。
实施例
一种基于门控循环单元的超短期风电功率预测方法：
步骤1、本实例中数据来源为开源数据(Engie，2018.The La Haute Borne windfarm.http://opendata-renewables.engie.com/explore/？sort＝modified.)，本数据包含风电功率和风速两个特征维度的历史数据，数据采样时间间隔为10分钟，共52560个采样时刻数据；
本案例中，截取总数据中的部分数据，即截取总数据中的连续43201个采样点的历史数据作为原始数据，采用原始数据中0-43200采样时刻的风电功率和风速数据作为输入数据，将原始数据中1-43201采样时刻的风电功率数据作为输出数据；
由于采集到的原始数据中可能包含噪声等干扰信息，所以需要对数据进行标准化预处理；所采取的标准化公式如式(1)：
Figure BDA0003171833170000061
其中X0为标准化处理之后的数据，Xmin为采样数据中的数据最小值，Xmax为采样数据中的数据最大值，Xi为标准化处理之前的数据。
将总数据分为两部分，其中80％作为训练集，20％为作为验证集。训练集用来训练模型，构建超短期风电功率的预测模型；验证集作为预测模型的验证数据，用于判断模型预测的准确性和模型过拟合情况；
最后将预处理后的数据集划分为600批次，每一批次为72时间步长；
步骤2、如图2所示，本发明中所采用的模型架构总共分为三个部分，第一部分为输入层部分，其中只包含一层输入层；第二部分为隐含层部分，其中包含三层GRU层；第三部分为输出层部分，包含一层全连接层。其中x1，x2，xn-1，xn为分别为t＝1，2，……,n-1,n时刻的输入值；GR1,GRU2,GRU3分别代表隐含层中的第一，二，三层GRU单元；h(1),h(n-1)分别代表t＝1，n-1时刻的中间状态量。其中GRU层中神经元个数为256个，而全连接层中神经元的个数为1个；
GRU某一时刻的输出取决于历史时刻输出和本时刻的输入，因此GRU可被用于处理时序之间的依赖关系。由于GRU具有门控单元，因此其可以依据时序关系中的重要性，选择性地记忆与遗忘过去的信息；参见图3对GRU的内部结构进行说明解释；其中h(t-1)代表上一时刻输出的中间状态量；x(t)代表这一时刻的输入量。g(t)由h(t-1)和x(t)经过tanh激活函数产生；r(t)由h(t-1)和x(t)经过logistic激活函数产生；激活函数产生z(t)由h(t-1)和x(t)经过logistic激活函数产生，由于logistic函数的输出结果为1或0，因此z(t)可以用于控制遗忘门(forget gate)和输出门(input gate)的开通与关断；如果z(t)输出的结果为1，则遗忘门输出结果为1，代表其开通，而此时输出门的输出的结果为0，代表其关断。相反，如果z(t)输出结果为0，遗忘门的输出结果为0，而输出门的输出结果则为1。而r(t)则选择是否将h(t-1)送入到g(t)之中；
本发明采用GRU来提取历史风电功率与风速的时序数据依赖关系，对未来时刻的风电功率值进行预测；再利用全连接层将GRU的输出做线性变化以得到所期望的输出风电功率预测结果；
步骤3、本步骤中所采用的数据为步骤1中所预处理的数据，将风电功率的一部分时序数据与风速的时序数据作为所构建模型的输入，将风电功率的另一部分的时序数据作为所构建模型的输出数据，将数据输入到步骤2所构建的模型的隐含层之中，数据经过隐含层的前向传播计算，得到预测的损失值Loss，之后再经过反向传播优化算法得到隐含层的共享参数，损失值Loss公式如式(2)：
Figure BDA0003171833170000081
其中Loss来表示损失值，m代表训练样本中的总个数，pt代表t时刻风电功率的真实值，ps代表风电功率的预测值；
其中GRU每一步长的状态参数更迭情况(对于单一神经元情况)用式(3)～(6)表示表示：
r(t)＝δ(WXr x(t)+Wht h(t-1)+bz) (3)；
r(t)＝δ(WXr x(t)+Wht h(t-1)+br) (4)；
Figure BDA0003171833170000082
Figure BDA0003171833170000083
其中z(t)、r(t)、g(t)分别代表GRU结构内的三个全连接层的的输出；h(t)、h(t-1)分别代表t时刻和t-1时刻输出的状态量；x(t)为t时刻的输入量；Wxz,Wxr,Wxg分别代表与输入量x(t)相连接的三个全连接层的权重矩阵；bz,br,bg分别代表与输入量x(t)相连接的三个全连接层的偏置权重；
Figure BDA0003171833170000084
代表逐元素乘法运算；δ代表logistics激活函数；tanh代表tanh激活函数；
本发明中采用的梯度优化算法为Adam(适应性矩估计算法)，采用平均绝对百分比误差(MAPE)来衡量本模型预测的准确性，其中MAPE用式(7)表示：
Figure BDA0003171833170000091
其中N代表数据的总个数，Xt表示真实值，Xp代表预测值；
本次训练所采用的世代(epoch)数为500，世代即每次训练遍历训练集中的每一个训练数据，批次为1批次，学习率为0.001。本模型还需调节超参数以达到最佳的训练效果，如GRU层数，神经元的个数，学习率，训练批次与迭代次数；
经过500次迭代训练后得到超短期风电功率预测模型；参见图4为模型训练过程中，训练集的损失函数Loss的变化趋势图，损失函数一直呈现下降趋势，也即是代表预测值与真实值的均方误差在不断降低，模型预测的精度在不断提高。
步骤4、通过步骤3中训练完成的风电功率预测模型去来预测未来某一时间段或者某一时刻的风电功率数值，其中风电功率预测的模型的函数关系为公式(8)所示：
pt＝f(pi,st) (8)
其中pt为模型的输出量，风电功率的预测值。pi，st为输入的历史的风电功率和风速数据。

Claims (7)

1.一种基于门控循环单元的超短期风电功率预测方法，其特征在于，具体按照以下步骤实施：
步骤1、对获取的风电功率和风速数据进行预处理；
步骤2、搭建基于门控循环单元GRU与全连接层的模型；
步骤3、使用经过预处理的数据训练步骤2搭建的模型，获得能够反映输入的风速数据、风电功率数据与输出的风电功率数据之间关系的模型参数和权重，得到用于超短期风电功率预测的模型；
步骤4、利用步骤3得到的用于超短期风电功率预测的模型进行预测。
2.根据权利要求1所述的一种基于门控循环单元的超短期风电功率预测方法，其特征在于，所述步骤1具体按照以下步骤实施：
步骤1.1、采集一段时间内的风电功率及风速数据，并对风电功率和风速数据进行标准化预处理；
步骤1.2、将上述预处理后的数据选定一部分风电功率和风速数据作为模型输入数据，将后移特定时刻的风电功率和风速数据作为模型输出数据，同时，将总数据划分为训练集和测试集。
3.根据权利要求2所述的一种基于门控循环单元的超短期风电功率预测方法，其特征在于，所述步骤1.1中标准化预处理采用以下公式：
Figure FDA0003171833160000011
其中，X0为标准化预处理后的数据，Xmin为总数据中的最小值，Xmax为总数据中的最大值，Xi为未处理之前的数据。
4.根据权利要求2所述的一种基于门控循环单元的超短期风电功率预测方法，其特征在于，所述步骤2中模型结构具体包括输入层、隐含层和输出层，所述输入层为一层输入层，隐含层包含多层GRU层，输出层为一层全连接层。
5.根据权利要求4所述的一种基于门控循环单元的超短期风电功率预测方法，其特征在于，所述步骤3具体为，将经过预处理的训练集的输入步骤2搭建的模型中，经过隐含层的前向传播计算，得到损失值Loss，之后再经过反向传播优化算法得到隐含层的共享参数。
6.根据权利要求5所述的一种基于门控循环单元的超短期风电功率预测方法，其特征在于，所述损失值Loss计算如下式所示：
Figure FDA0003171833160000021
其中，m为训练集的数据总数，pt代表t时刻风功率的真实值，ps代表风功率的预测值。
7.根据权利要求4所述的一种基于门控循环单元的超短期风电功率预测方法，其特征在于，所述GRU计算如下式所示：
r(t)＝δ(WXr x(t)+Wht h(t-1)+bz) (3)，
r(t)＝δ(WXr x(t)+Wht h(t-1)+br) (4)，
Figure FDA0003171833160000022
Figure FDA0003171833160000023
其中，z(t)、r(t)、g(t)分别代表隐含层内三个全连接层的输出；h(t)、h(t-1)分别代表输出t时刻和t-1时刻的状态量；x(t)为t时刻的输入量；Wxz,Wxr,Wxg分别代表与输入量x(t)相连接的三个全连接层的权重矩阵；bz、br、bg分别代表与输入量x(t)相连接的三个全连接层的偏置权重；
Figure FDA0003171833160000024
代表逐元素乘法运算；δ代表logistics激活函数；tanh代表tanh激活函数。
CN202110820694.3A 2021-07-20 2021-07-20 一种基于门控循环单元的超短期风电功率预测方法 Pending CN113642776A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110820694.3A CN113642776A (zh) 2021-07-20 2021-07-20 一种基于门控循环单元的超短期风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110820694.3A CN113642776A (zh) 2021-07-20 2021-07-20 一种基于门控循环单元的超短期风电功率预测方法

Publications (1)

Publication Number Publication Date
CN113642776A true CN113642776A (zh) 2021-11-12

Family

ID=78417835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110820694.3A Pending CN113642776A (zh) 2021-07-20 2021-07-20 一种基于门控循环单元的超短期风电功率预测方法

Country Status (1)

Country Link
CN (1) CN113642776A (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108448610A (zh) * 2018-03-12 2018-08-24 华南理工大学 一种基于深度学习的短期风功率预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108448610A (zh) * 2018-03-12 2018-08-24 华南理工大学 一种基于深度学习的短期风功率预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
牛哲文等: "基于深度门控循环单元神经网络的短期风功率预测模型", 电力自动化设备, vol. 38, no. 5, pages 36 - 42 *
谭敏戈等: "基于双向长短期记忆深度学习模型的短期风功率预测方法研究", 电网与清洁能源, vol. 36, no. 6, pages 85 - 91 *

Similar Documents

Publication Publication Date Title
CN111899510B (zh) 基于发散卷积和gat的智能交通***流量短期预测方法及***
CN109685252B (zh) 基于循环神经网络和多任务学习模型的建筑能耗预测方法
CN112488415A (zh) 基于经验模态分解和长短时记忆网络的电力负荷预测方法
CN111667098B (zh) 一种基于多模型组合优化的风力电站输出功率预测方法
Yang et al. Online sequential echo state network with sparse RLS algorithm for time series prediction
CN110070145A (zh) 基于增量聚类的lstm轮毂单品能耗预测
CN111144552B (zh) 一种粮食品质多指标预测方法及装置
CN112257847A (zh) 一种基于CNN和LSTM预测地磁Kp指数的方法
CN112308402B (zh) 基于长短期记忆网络的电力时间序列数据的异常检测方法
CN112232577A (zh) 用于多芯智能表的电力负荷概率预测***与方法
CN113591728A (zh) 基于集成深度学习的电能质量扰动分类方法
Wang et al. A pseudo-inverse decomposition-based self-organizing modular echo state network for time series prediction
CN111898825A (zh) 一种光伏发电功率短期预测方法及装置
CN115018193A (zh) 基于lstm-ga模型的时间序列风能数据预测方法
CN111222689A (zh) 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置
Yang et al. Design of incremental echo state network using leave-one-out cross-validation
CN113393119B (zh) 基于场景缩减-深度学习的梯级水电短期调度决策方法
Liu et al. Multi-stage residual life prediction of aero-engine based on real-time clustering and combined prediction model
CN114596726A (zh) 基于可解释时空注意力机制的停车泊位预测方法
Prema et al. LSTM based Deep Learning model for accurate wind speed prediction
Wu et al. Combined IXGBoost-KELM short-term photovoltaic power prediction model based on multidimensional similar day clustering and dual decomposition
CN113255739A (zh) 一种鱼饲料检测与配方***
Sun et al. Time series prediction based on time attention mechanism and lstm neural network
CN113642776A (zh) 一种基于门控循环单元的超短期风电功率预测方法
Lei et al. A hybrid model based on deep LSTM for predicting high-dimensional chaotic systems

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211112

RJ01 Rejection of invention patent application after publication