CN113837499A - 一种超短期风电功率预测方法及*** - Google Patents

一种超短期风电功率预测方法及*** Download PDF

Info

Publication number
CN113837499A
CN113837499A CN202111398570.7A CN202111398570A CN113837499A CN 113837499 A CN113837499 A CN 113837499A CN 202111398570 A CN202111398570 A CN 202111398570A CN 113837499 A CN113837499 A CN 113837499A
Authority
CN
China
Prior art keywords
wind power
data
data set
gru
cnn
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
CN202111398570.7A
Other languages
English (en)
Inventor
万黎升
曹洋
曹小群
许礼彬
熊永康
夏永洪
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.)
PowerChina Jiangxi Electric Power Engineering Co Ltd
Original Assignee
PowerChina Jiangxi Electric Power Engineering Co Ltd
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 PowerChina Jiangxi Electric Power Engineering Co Ltd filed Critical PowerChina Jiangxi Electric Power Engineering Co Ltd
Priority to CN202111398570.7A priority Critical patent/CN113837499A/zh
Publication of CN113837499A publication Critical patent/CN113837499A/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
    • G06N3/045—Combinations of 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
    • G06N3/08—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
    • 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)
  • 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

本发明涉及风力发电功率预测技术领域,公开了一种超短期风电功率预测方法及***，包括以下步骤：分析所需要数据的类型，并获取风电数据集；对获取的风电数据集进行缺失值填补；筛选最佳气象因素和气象因素和历史功率组合；根据风电数据集，选取符合预定要求的时间窗口长度；对风电数据集进行归一化处理，根据所选时间窗口长度，将数据集切片化处理；搭建CNN、GRU神经网络的并行模型，并设置参数，利用切片处理后的数据集对模型进行训练；对模型所得到的预测结果进行反归一化处理；根据预设的风电功率上下阈值，对反归一化处理结果进行调整。本发明提高风电功率预测精度，对于电力***稳定运行和风电调度具有应用价值。

Description

一种超短期风电功率预测方法及***
技术领域
本发明涉及风力发电功率预测技术领域，特别涉及一种超短期风电功率预测方法及***。
背景技术
世界能源总需求量不断增大，煤、天然气、石油等化石能源的消耗速度也与日俱增，这些化石能源的燃烧产物也将危害地球生态环境。因此大力开发和使用绿色清洁的可再生能源具有重要意义。其中，风能由于分布广且成本低，受到世界各国的广泛关注，是目前最具开发潜力的可再生能源之一。但是，风力发电具有较强的随机性、波动性和间歇性，使得大规模风电并网给电力***的安全、稳定、经济运行和调度带来严峻挑战，同时也会对风电场自身的运行、维护等带来问题。风电功率预测技术是减轻上述不利影响的有效手段之一，为电力***以及风电场自身的安全、经济、稳定运行提供技术支持。
目前，风电预测的方法主要分为物理方法和统计方法。物理方法主要利用物理因素、数值天气预报等信息来预测风电功率；统计方法着重挖掘风电场历史数据之间的关系对风速以及风电功率进行预测。物理方法中所需数据较难获得，且需要较高的气象学等基础，计算繁琐、复杂，不适用与超短期预测。较物理方法而言，统计方法数据较易获得且计算相对简单，适用于超短期风电功率预测。但是现有的基于并行CNN-GRU的超短期风电功率预测的统计方法不能有效提取复杂数据集的有效特征信息，而且无法对风电数据集进行时序特征捕捉。
鉴于此，我们提出一种超短期风电功率预测方法。
发明内容
本发明要解决的技术问题是提供一种超短期风电功率预测方法，该方法通过Pearson相关系数筛选与风电功率相关性高的气象因素以及对应的历史风电功率作为输入，减少了数据维度，有助于模型更加高效、准确预测；同时，使用CNN网络提取原始数据集中的有效时序特征，使用GRU网络捕捉数据集中的时序依赖关系，然后将两者所得特征进行融合，经全连接层分析得到风电功率预测值。
为了解决上述技术问题，本发明的技术方案为：
一种超短期风电功率预测方法，所述超短期风电功率预测方法包括以下步骤：
S1、分析所需要数据的类型，并获取风电数据集；
S2、对获取的风电数据集进行缺失值填补；
S3、使用Pearson相关系数从风电数据集中筛选最佳气象因素和历史功率组合；
S4、根据风电数据集，选取符合预定要求的时间窗口长度；
S5、对风电数据集进行归一化处理，根据所选时间窗口长度，将数据集切片化处理；
S6、搭建CNN、GRU神经网络的并行模型，并设置参数，利用切片处理后的数据集对模型进行训练；
S7、对模型所得到的预测结果进行反归一化处理；
S8、在风电场，根据预设的风电功率上下阈值，对反归一化处理的结果进行调整。
优选的，所需要数据的类型，包括风速、大气密度、风向、温度、气压以及风电功率；其中，风电功率是指风机输出的有功功率，
风机输出的有功功率计算依据式（1）和式（2）：
Figure 994675DEST_PATH_IMAGE002
（1）
其中，P为风机输出的有功功率，单位为kW； C p 为风能转化系数；A为风轮扫掠面积，单位为m2；ρ为大气密度，单位为kg/m3；v为风速，单位为m/s：
Figure DEST_PATH_IMAGE004_7A
（2）
其中，ρ为大气密度；P a 为大气压力，单位为kPa；T为热力学温度，单位为K；P b 为饱和水蒸汽压力，单位为kPa；
Figure DEST_PATH_IMAGE006_5A
为空气相对湿度，单位为%。
上述公式表明，风电功率与风速、大气密度、风轮扫掠面积有直接关系；其中，风轮扫掠面积受风向影响；大气密度受温度、气压影响，所以选取的数据集需要包含风速、大气密度、风向、温度、气压以及风电功率这6维度数据。
优选的，对于获取的风电数据集中缺失数据进行填补，包括：
用未缺失的前值进行填补；
或者用未缺失的后值进行填补；
或者基于风电场数据以及预设的时间尺度，以缺失值为中心，以所述预设时间尺度内未缺失值的平均值进行填补；
使用式（17）对缺失数据进行填补：
Figure DEST_PATH_IMAGE008AAAA
（17）
其中， x 2 表示填补数据； x 0 表示未进行缺失值填补的原始数据；fillna(·)表示使用的填补函数；method表示填补方法；pad表示用未缺失的前值进行填补；bfill表示用未缺失的后值进行填补；
Figure DEST_PATH_IMAGE010_5A
表示以缺失值为中心，以预设时间尺度内未缺失值的平均值进行填补。
优选的，对于气象因素进行筛选，包括：通过式（3）获取x变量和y变量的相关系数，基于相关系数大小进行筛选；
Figure 111536DEST_PATH_IMAGE012
（3）
其中，x变量和y变量为气象因素中的两种变量；
Figure DEST_PATH_IMAGE014AAA
分别为x变量、y变量的平均值；r xy 为相关系数；i为预测点编号；x i 、y i 分别为预测点i对应的x变量、y变量；n为预测数据个数；
相关系数r xy 越大，表示对应的x变量和y变量这2个因素相关性越强，使用式（18）筛选相关性强的因素：
Figure DEST_PATH_IMAGE016AAA
（18）
其中，if (·)表示判断函数。
不同风电场中各气象因素和功率之间的相关性各不相同，本发明根据具体风电场情况对气象因素进行筛选，能够得到此风电场中最佳的气象因素和风电功率的组合。
由于时窗长度过长时，模型可能会因捕捉误导性的时序特征（风电数据突变时）而导致预测精度降低，或者时窗长度过短时，模型则会因缺少必要时序特征，造成预测精度不高，因此选取符合预定要求的时间窗口长度时，需要根据具体的风电场数据选择合适的时间窗口长度。优选的，风电数据集的归一化处理并进行切片化，包括：
先利用式（4）对数据进行归一化处理；
Figure 603697DEST_PATH_IMAGE018
（4）
其中，x′为归一化之后的值；x为实际值；x max 、x min 分别为各维数据中的最大值和最小值；
再利用式（14）对归一化处理得到的结果数据进行切片处理，将结果数据转化成时间序列数据矩阵，得到呈现时序性的输入数据，作为并行CNN-GRU模型的输入数据；
Figure 100002_DEST_PATH_IMAGE020AA
（14）
其中，in t 表示t时刻的时间序列数据矩阵；W表示时间窗口长度；y t 表示t时刻的历史功率和气象因素矩阵。
优选的，搭建CNN、GRU神经网络的并行模型，包括以下步骤：S6.1、CNN神经网络通过如式（5）和式（6）所示的不同的卷积方式对风电数据进行时序特征捕捉，得到每层神经网络的特征值：
Figure 376481DEST_PATH_IMAGE022
（5）
Figure 651605DEST_PATH_IMAGE024
（6）
其中， y l j 为第l层第j个卷积核输出的特征；f（·）为激活函数；M i 为第l-1层输出的特征集合；y l-1 i 为第l-1层输出的第i个特征；K l j 为为第l层第j个卷积；b l j 为偏置；Relu(x 1)为Relu激活函数；x 1 为输入向量；
S6.2、根据式（5）和式（6）得到每层神经网络的特征值后，由于CNN得到的矩阵为三维矩阵，并行模型使用全连接层处理特征，需要传入二维矩阵，因此需要进行特征延展；本发明使用式（15）延展CNN网络最后得到的特征矩阵，并保存至out CNN ，以便并行CNN-GRU模型的搭建；
Figure DEST_PATH_IMAGE026_6A
（15）
其中，out CNN 表示CNN提取的特征矩阵；ConvId(·) 表示卷积神经网络提取特征的方式；Flatten (·) 表示特征延展；in t 表示t时刻的时间序列数据矩阵；
S6.3、GRU神经网络通过重置门和更新门控制不同时刻信息的保留程度，以提取特征矩阵out GRU ，提取使用的公式如式（7）、式（8）、式（9）和式（10）所示；
Figure 826234DEST_PATH_IMAGE028
（7）
Figure 692559DEST_PATH_IMAGE030
（8）
Figure 421480DEST_PATH_IMAGE032
（9）
Figure 500295DEST_PATH_IMAGE034
（10）
其中，x t 为当前时刻的输入向量；r t 、z t 分别为重置门和更新门；h t-1 、h t 、
Figure DEST_PATH_IMAGE036AAA
分别为上一时刻的隐层状态、当前时刻的隐层状态和当前时刻的候选状态；W rx 、W zx 、W hx 为与x t 相关的权值矩阵； W rh 、W zh 、W hh 为与h t-1 相关的权值矩阵；b r 、b z 、b h 为偏置向量；σ为激活函数sigmoid；⊙为点乘；
S6.4、使用公式(16)保存GRU提取到的特征矩阵out GRU ，以便并行CNN-GRU模型的搭建；
Figure DEST_PATH_IMAGE038AAAA
（16）
其中，out GRU 表示GRU提取的特征矩阵；GRU (·) 表示门控循环单元提取特征的方式；in t 表示t时刻的时间序列数据矩阵；
S6.5、将CNN和GRU神经网络处理后的结果使用全连接层拼接处理，得到CNN-GRU并行模型，如式（11）所示：
Figure DEST_PATH_IMAGE040AAA
（11）
其中，y 2表示并行模型的输出结果； Φ表示全连接层的激活函数；w 1 、w 2表示权重矩阵；b表示偏置向量；out CNN 表示CNN提取的特征矩阵；out GRU 表示GRU提取的特征矩阵；
S6.6、将切片处理后的数据集输入到构建的CNN-GRU并行模型中进行训练。
优选的，对模型所得到的预测结果进行反归一化处理，包括：
采用式（12）对模型所得预测结果进行反归一化处理：
Figure 591748DEST_PATH_IMAGE042
（12）
其中，x′为归一化之后的值；x为实际值；x max 、x min 分别为各维数据中的最大值和最小值。
优选的，每个风电场的容量都是固定的，将风电场的最大容量设置为上限阈值，处理后的预测结果中超出部分判定为上限，并将预测部分低于0的结果判定为0值，且为下限；采用的公式如式（19）所示：
Figure DEST_PATH_IMAGE044AA
（19）
其中，x 3 表示反归一化处理的结果；th表示上限阈值；Threshold(·)表示阈值处理函数。
优选的，在风电场，根据预设的风电功率上下阈值，采用RMSE作为评价标准来验证风电功率预测模型的精度，RMSE用于衡量预测值和真实值之间误差的离散程度，RMSE的计算公式如式（13）所示：
Figure 894553DEST_PATH_IMAGE046
（13）
其中，
Figure DEST_PATH_IMAGE048AA
为风电功率的预测值；p i 为风电功率的实际值；n为预测数据个数；i为预测点编号。
一种超短期风电功率预测***，该***包括：
分析模块，用于分析所需要数据的类型，并获取风电数据集；
填补模块，用于对获取的风电数据集进行缺失值填补；
筛选模块，用于使用Pearson相关系数从风电数据集中筛选最佳气象因素和历史功率组合；
选取模块，用于根据所述风电数据集，选取符合预定要求的时间窗口长度；
切片模块，用于对所述风电数据集进行归一化处理，根据所选时间窗口长度，将数据集切片化处理；
训练模块，用于搭建CNN、GRU神经网络的并行模型，并设置参数，利用切片处理后的数据集对模型进行训练；
调整模块，用于对模型所得到的预测结果进行反归一化调整。
本发明采用上述技术方案，通过选择所需要的风电数据集类型并进行预处理操作；利用Pearson相关系数筛选最佳气象因素和历史功率组合；根据原始数据选择合适时间窗口长度；搭建卷积神经网络和门控循环单元的并行结构模型；对模型所得到功率进行上下阈值设置方法。所提方法结合CNN和GRU两者优势，能有效提取复杂数据集的有效特征信息，并可以对风电数据集进行时序特征捕捉。本发明以单一的BP和LSTM方法作为对比，验证所提方法的预测效果。
附图说明
图1是本发明超短期风电功率预测方法的流程框图；
图2是卷积神经网络结构；
图3是门控循环单元网络基本单元。
具体实施方式
下面对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1-3之一所示，本发明超短期风电功率预测方法，其包括以下步骤：
S1、分析所需要数据的类型，并获取风电数据集；
S2、对获取的风电数据集进行缺失值填补；
S3、使用Pearson相关系数从风电数据集中筛选最佳气象因素和历史功率组合；
S4、根据风电数据集，选取符合预定要求的时间窗口长度；
S5、对风电数据集进行归一化处理，根据所选时间窗口长度，将数据集切片化处理；
S6、搭建CNN、GRU神经网络的并行模型，并设置参数，利用切片处理后的数据集对模型进行训练；
S7、对模型所得到的预测结果进行反归一化处理；
S8、在风电场，根据预设的风电功率上下阈值，对反归一化处理的结果进行调整。
实施例1
本发明在具体实施过程中，可以将上述步骤内容归纳为：数据选择、数据预处理、模型搭建、得到预测结果及结果分析五大部分：
一、数据选择；
首先，分析所需要的风电数据的具体类型，
风机输出的有功功率计算依据式（1）和式（2）：
Figure 376350DEST_PATH_IMAGE049
（1）
其中，P为风机输出的有功功率，单位为kW； C p 为风能转化系数；A为风轮扫掠面积，单位为m2；ρ为大气密度，单位为kg/m3；v为风速，单位为m/s：
Figure DEST_PATH_IMAGE004_8A
（2）
其中，ρ为大气密度；P a 为大气压力，单位为kPa；T为热力学温度，单位为K；P b 为饱和水蒸汽压力，单位为kPa；
Figure DEST_PATH_IMAGE006_6A
为空气相对湿度，单位为%。
从式（1）可知，风电功率与风速、大气密度、风轮扫掠面积有直接关系，其中，风轮扫掠面积受风向影响。从式（2）可知，大气密度受温度、气压影响。例如，选择某一风电场的数据作为实例，采样时间为5min，包含风速、大气密度、风向、温度、气压以及风电功率这6维度数据。
二、数据预处理
对原始数据集进行缺失值填补，所选填补方式为使用未缺失的前值进行填补。
使用式（17）对缺失数据进行填补：
Figure DEST_PATH_IMAGE050A
（17）
其中， x 2 表示填补数据； x 0 表示未进行缺失值填补的原始数据；fillna(·)表示使用的填补函数；method表示填补方法；pad表示用未缺失的前值进行填补；bfill表示用未缺失的后值进行填补；
Figure DEST_PATH_IMAGE010_6A
表示以缺失值为中心，以预设时间尺度内未缺失值的平均值进行填补。
然后使用Pearson相关系数筛选最佳气象因素，相关公式如式（3）所示：
Figure 864049DEST_PATH_IMAGE052
（3）
其中，x变量和y变量为气象因素中的两种变量；
Figure DEST_PATH_IMAGE014AAAA
分别为x变量、y变量的平均值；r xy 为相关系数；i为预测点编号；x i 、y i 分别为预测点i对应的x变量、y变量；n为预测数据个数；
相关系数r xy 越大，表示对应的x变量和y变量这2个因素相关性越强，使用式（18）筛选相关性强的因素：
Figure DEST_PATH_IMAGE016AAAA
（18）
其中，if (·)表示判断函数。
不同风电场中各气象因素和功率之间的相关性各不相同，需要根据具体风电场情况对气象因素进行筛选，得到此风电场中最佳的气象因素和风电功率的组合。
本实例中各气象因素和历史功率的相关系数如表1所示，只有风速和历史风电功率的相关性较强，为0.955，其余气象因素和历史功率的相关系数绝对值均在0.3以下，相关程度不高，因此模型所输入数据的维度为2维：风速、风电功率。
表1 不同变量的Pearson相关系数
Figure DEST_PATH_IMAGE054A
先对上述数据进行归一化处理，使得处理后数值范围为[0，1] ，其公式如式（4）所示：
Figure 278850DEST_PATH_IMAGE056
（4）
其中，x′为归一化之后的值；x为实际值；x max 、x min 分别为各维数据中的最大值和最小值；
再利用式（14）对归一化处理得到的结果数据进行切片处理，将结果数据转化成时间序列数据矩阵，得到呈现时序性的输入数据，作为并行CNN-GRU模型的输入数据；
Figure DEST_PATH_IMAGE057AA
（14）
其中，in t 表示t时刻的时间序列数据矩阵；W表示时间窗口长度；y t 表示t时刻的历史功率和气象因素矩阵。
当时窗长度过长时，模型可能会因捕捉误导性的时序特征（风电数据突变时）而导致预测精度降低；当时窗长度过短时，模型会因缺少必要时序特征，造成预测精度不高。因此需要根据具体的风电场数据选择合适的时间窗口长度，本实例选择的时窗大小为30，即2.5小时。并根据所选时窗长度对已归一化的数据进行切片化处理。
三、 模型搭建
1）卷积神经网络
CNN网络一般可分为一维卷积、二维卷积和三维卷积，其中一维卷积在处理多维度数据上有巨大优势。因此本发明选择一维卷积网络来提取原始数据的特征，其结构示意图如图2所示。
CNN网络与传统神经网络相比其最主要的特征在于局部连接和权值共享，通常由卷积层、池化层和全连接层组成。其中卷积层是CNN网络的核心部分，每层卷积层都具有若干卷积核，负责对输入数据进行特征捕捉；池化层对卷积层提取的特征向量进行采样，起到防止过拟合的作用且降低了数据的复杂度；全连接层用于连接各通道提取的特征。
CNN网络中最重要的部分是卷积部分，先通过不同的卷积方式对风电数据进行时序特征捕捉，得到每层神经网络的特征值。如式（5）和式（6）所示：
Figure 752557DEST_PATH_IMAGE059
（5）
Figure 721650DEST_PATH_IMAGE060
（6）
其中， y l j 为第l层第j个卷积核输出的特征；f（·）为激活函数；M i 为第l-1层输出的特征集合；y l-1 i 为第l-1层输出的第i个特征；K l j 为为第l层第j个卷积；b l j 为偏置；Relu(x 1)为Relu激活函数；x 1 为输入向量。
再根据式（5）和式（6）得到每层神经网络的特征值后，由于CNN得到的矩阵为三维矩阵，并行模型使用全连接层处理特征，需要传入二维矩阵，因此需要进行特征延展；本发明使用式（15）延展CNN网络最后得到的特征矩阵，并保存至out CNN ，以便并行CNN-GRU模型的搭建；
Figure DEST_PATH_IMAGE061AAA
（15）
其中，out CNN 表示CNN提取的特征矩阵；ConvId(·) 表示卷积神经网络提取特征的方式；Flatten (·) 表示特征延展；in t 表示t时刻的时间序列数据矩阵。
2）门控循环单元
LSTM网络是循环神经网络的一种，因其能捕获时间序列长短期依赖关系而被广泛应用。GRU是一种基于LSTM的优化结构，被广泛应用于时间序列数据处理的领域中。GRU将LSTM中的遗忘门、输入门集成为一个单独的更新门，因此相比LSTM具有更高效的模型训练效率，同时又保证了预测精度。GRU网络的基本结构如图3所示。
图3左侧虚线框内是重置门，右侧虚线框内是更新门；tanh是隐层状态正切函数，关联的公式为式（9）。圆角矩形外的实线小圆代表输入、输出变量，虚线小圆代表隐藏层的状态变量。采用GRU内部原理公式如式（7）、式（8）、式（9）和式（10）以提取特征矩阵out GRU ：
Figure 673425DEST_PATH_IMAGE063
（7）
Figure 145995DEST_PATH_IMAGE065
（8）
Figure 259445DEST_PATH_IMAGE067
（9）
Figure 715834DEST_PATH_IMAGE069
（10）
其中，x t 为当前时刻的输入向量；r t 、z t 分别为重置门和更新门；h t-1 、h t 、
Figure DEST_PATH_IMAGE036AAAA
分别为上一时刻的隐层状态、当前时刻的隐层状态和当前时刻的候选状态；W rx 、W zx 、W hx 为与x t 相关的权值矩阵； W rh 、W zh 、W hh 为与h t-1 相关的权值矩阵；b r 、b z 、b h 为偏置向量；σ为激活函数sigmoid；⊙为点乘。
更新门和重置门是GRU单元的核心部分，可以决定保留哪些信息。重置门r t ，可以重置上一时刻的隐藏层状态h t-1 ，即决定上一时刻信息的保留程度；更新门z t ，可以控制GRU单元记住或遗忘信息，即更新新状态的内容。
根据式（7）、式（8）、式（9）和式（10）提取到GRU的特征矩阵out GRU 后，再使用公式(16)进行保存，以便并行CNN-GRU模型的搭建；
Figure DEST_PATH_IMAGE038_5A
（16）
其中，out GRU 表示GRU提取的特征矩阵；GRU (·) 表示门控循环单元提取特征的方式；in t 表示t时刻的时间序列数据矩阵；3）搭建CNN、GRU神经网络的并行模型，并将CNN和GRU网络各自提取的特征融合，使用全连接层拼接处理，得到CNN-GRU并行模型，如式（11）所示：
Figure DEST_PATH_IMAGE040AAAA
（11）
其中，y 2 表示并行模型的输出结果； Φ 表示全连接层的激活函数；w 1 、w 2表示权重矩阵；b表示偏置向量；out CNN 表示CNN提取的特征矩阵；out GRU 表示GRU提取的特征矩阵。
模型具体参数如表2所示。按9:1的比例分配训练集、测试集，并将训练集数据输入所搭建的并行CNN-GRU模型中进行训练。
表2 并行CNN-GRU模型的参数设置
Figure DEST_PATH_IMAGE071A
四、得到预测结果
将测试集输入模型中得到风电功率预测值，并进行反归一化处理，使预测数据具有物理意义，如式（12）所示：
Figure 64775DEST_PATH_IMAGE073
（12）
其中，x′为归一化之后的值；x为实际值；x max 、x min 分别为各维数据中的最大值和最小值。
例如，根据具体风电场，设置风电功率的上下阈值，此风电场的上阈值x max 为10MW，下阈值x min 为0，对上述得到结果进行阈值修正。
五、根据具体风电场，设置风电功率的上下阈值，并对预测所得结果进行调整。
每个风电场的容量都是固定的，将风电场的最大容量设置为上限阈值，处理后的预测结果中超出部分判定为上限，并将预测部分低于0的结果判定为0值，且为下限；采用的公式如式（19）所示：
Figure DEST_PATH_IMAGE044AAA
（19）
其中，x 3 表示反归一化处理的结果；th表示上限阈值；Threshold(·)表示阈值处理函数。
为验证风电功率预测模型的精度，选择RMSE作为评价标准。RMSE可以用来衡量预测值和真实值之间误差的离散程度，它的值越小，则表示模型精度越高。RMSE的计算公式如式（13）所式：
Figure 657431DEST_PATH_IMAGE074
（13）
其中，
Figure DEST_PATH_IMAGE048AAA
为风电功率的预测值；p i 为风电功率的实际值；n为预测数据个数；i为预测点编号。
最终得到的预测结果如表3所示：
表3 不同模型预测RMSE误差
Figure DEST_PATH_IMAGE076A
综上所述，本发明实例选择所需要的风电数据集类型并进行预处理操作；利用Pearson相关系数筛选最佳气象因素和历史功率组合；根据原始数据选择合适时间窗口长度；搭建卷积神经网络和门控循环单元的并行结构模型；对模型所得到功率进行上下阈值设置方法。所提方法结合CNN和GRU两者优势，能有效提取复杂数据集的有效特征信息，并可以对风电数据集进行时序特征捕捉。本发明以单一的BP和LSTM方法作为对比，验证了所提方法的预测效果更好。
实施例2
一种超短期风电功率预测***，该***包括：
分析模块，用于分析所需要数据的类型，并获取风电数据集；
填补模块，用于对获取的风电数据集进行缺失值填补；
筛选模块，用于使用Pearson相关系数从风电数据集中筛选最佳气象因素和历史功率组合；
选取模块，用于根据所述风电数据集，选取符合预定要求的时间窗口长度；
切片模块，用于对所述风电数据集进行归一化处理，根据所选时间窗口长度，将数据集切片化处理；
训练模块，用于搭建CNN-GRU神经网络的并行模型，并设置参数，利用切片处理后的数据集对模型进行训练；
调整模块，用于对模型所得到的预测结果进行反归一化调整。
在本实施例中，可通过分析模块获取风电数据集；通过填补模块对获取的风电数据集进行缺失值填补；通过筛选模块筛选出最佳气象因素和历史功率组合；通过选取模块选取符合预定要求的时间窗口长度；通过切片模块将数据集切片化处理；通过训练模块对模型进行训练；通过调整模块对模型所得到的预测结果进行反归一化调整。
这种基于并行CNN-GRU的超短期风电功率预测***不仅可以提取复杂数据集的有效特征信息，还能对风电数据集进行时序特征捕捉，从而减少了数据维度，有助于模型更加高效、准确预测。
以上对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。

Claims (10)

1.一种超短期风电功率预测方法，其特征在于：所述超短期风电功率预测方法包括以下步骤：
S1、分析所需要数据的类型，并获取风电数据集；
S2、对获取的风电数据集进行缺失值填补；
S3、使用Pearson相关系数从风电数据集中筛选最佳气象因素和历史功率组合；
S4、根据风电数据集，选取符合预定要求的时间窗口长度；
S5、对风电数据集进行归一化处理，根据所选时间窗口长度，将数据集切片化处理；
S6、搭建CNN、GRU神经网络的并行模型，并设置参数，利用切片处理后的数据集对模型进行训练；
S7、对模型所得到的预测结果进行反归一化处理；
S8、在风电场，根据预设的风电功率上下阈值，对反归一化处理的结果进行调整。
2.根据权利要求1所述的超短期风电功率预测方法，其特征在于：所需要数据的类型，包括风速、大气密度、风向、温度、气压以及风电功率；其中，风电功率是指风机输出的有功功率，
风机输出的有功功率计算依据式（1）和式（2）：
Figure 314053DEST_PATH_IMAGE002
（1）
其中，P为风机输出的有功功率，单位为kW； C p 为风能转化系数；A为风轮扫掠面积，单位为m2；ρ为大气密度，单位为kg/m3；v为风速，单位为m/s：
Figure DEST_PATH_IMAGE004AAAA
（2）
其中，ρ为大气密度；P a 为大气压力，单位为kPa；T为热力学温度，单位为K；P b 为饱和水蒸汽压力，单位为kPa；
Figure DEST_PATH_IMAGE006AAA
为空气相对湿度，单位为%。
3.根据权利要求1所述的超短期风电功率预测方法，其特征在于：对于获取的风电数据集中缺失数据进行填补，包括：
用未缺失的前值进行填补；
或者用未缺失的后值进行填补；
或者基于风电场数据以及预设的时间尺度，以缺失值为中心，以预设时间尺度内未缺失值的平均值进行填补；
使用式（17）对缺失数据进行填补：
Figure DEST_PATH_IMAGE008AAA
（17）
其中， x 2 表示填补数据； x 0 表示未进行缺失值填补的原始数据；fillna(·)表示使用的填补函数；method表示填补方法；pad表示用未缺失的前值进行填补；bfill表示用未缺失的后值进行填补；
Figure DEST_PATH_IMAGE010AAA
表示以缺失值为中心，以预设时间尺度内未缺失值的平均值进行填补。
4.根据权利要求1所述的超短期风电功率预测方法，其特征在于：对于气象因素进行筛选，包括：通过式（3）获取x变量和y变量的相关系数，基于相关系数大小进行筛选；
Figure 886985DEST_PATH_IMAGE012
（3）
其中，x变量和y变量为气象因素中的两种变量；
Figure DEST_PATH_IMAGE014AA
分别为x变量、y变量的平均值；r xy 为相关系数；i为预测点编号；x i 、y i 分别为预测点i对应的x变量、y变量；n为预测数据个数；
相关系数r xy 越大，表示对应的x变量和y变量这2个因素相关性越强，使用式（18）筛选相关性强的因素：
Figure DEST_PATH_IMAGE016AA
（18）
其中，if (·)表示判断函数。
5.根据权利要求1所述的超短期风电功率预测方法，其特征在于：风电数据集的归一化处理并进行切片化，包括：
先利用式（4）对数据进行归一化处理；
Figure 197881DEST_PATH_IMAGE018
（4）
其中，x′为归一化之后的值；x为实际值；x max 、x min 分别为各维数据中的最大值和最小值；
再利用式（14）对归一化处理得到的结果数据进行切片处理，将结果数据转化成时间序列数据矩阵，得到呈现时序性的输入数据，作为并行CNN-GRU模型的输入数据；
Figure DEST_PATH_IMAGE020AA
（14）
其中，in t 表示t时刻的时间序列数据矩阵；W表示时间窗口长度；y t 表示t时刻的历史功率和气象因素矩阵。
6.根据权利要求1所述的超短期风电功率预测方法，其特征在于：搭建CNN、GRU神经网络的并行模型，包括以下步骤：
S6.1、CNN神经网络通过不同的卷积方式对风电数据进行时序特征捕捉，得到每层神经网络的特征值，如式（5）和式（6）所示：
Figure 655407DEST_PATH_IMAGE022
（5）
Figure 469779DEST_PATH_IMAGE024
（6）
其中， y l j 为第l层第j个卷积核输出的特征；f (·)为激活函数；M i 为第l-1层输出的特征集合；y l-1 i 为第l-1层输出的第i个特征；K l j 为为第l层第j个卷积；b l j 为偏置；Relu(x 1)为Relu激活函数；x 1 为输入向量；
S6.2、得到每层神经网络的特征值后，使用式（15）延展CNN网络最后得到的特征矩阵，并保存至out CNN 用于并行CNN-GRU模型的搭建；
Figure DEST_PATH_IMAGE026AAAA
（15）
其中，out CNN 表示CNN提取的特征矩阵；ConvId(·) 表示卷积神经网络提取特征的方式；Flatten (·) 表示特征延展；in t 表示t时刻的时间序列数据矩阵；
S6.3、GRU神经网络通过重置门和更新门控制不同时刻信息的保留程度，以提取特征矩阵out GRU ，提取使用的公式如式（7）、式（8）、式（9）和式（10）所示；
Figure 823400DEST_PATH_IMAGE028
（7）
Figure 90434DEST_PATH_IMAGE030
（8）
Figure 820492DEST_PATH_IMAGE032
（9）
Figure 489371DEST_PATH_IMAGE034
（10）
其中，x t 为当前时刻的输入向量；r t 、z t 分别为重置门和更新门；h t-1 、h t 、
Figure DEST_PATH_IMAGE036A
分别为上一时刻的隐层状态、当前时刻的隐层状态和当前时刻的候选状态；W rx 、W zx 、W hx 为与x t 相关的权值矩阵； W rh 、W zh 、W hh 为与h t-1 相关的权值矩阵；b r 、b z 、b h 为偏置向量；σ为激活函数sigmoid；⊙为点乘；
S6.4、GRU提取到的特征矩阵out GRU 后，使用公式(16)进行保存，以便并行CNN-GRU模型的搭建；
Figure DEST_PATH_IMAGE038A
（16）
其中，out GRU 表示GRU提取的特征矩阵；GRU (·) 表示门控循环单元提取特征的方式；in t 表示t时刻的时间序列数据矩阵；
S6.5、将CNN和GRU神经网络处理后的结果使用全连接层拼接处理，得到CNN-GRU并行模型，如式（11）所示：
Figure DEST_PATH_IMAGE040A
（11）
其中，y 2表示并行模型的输出结果； Φ表示全连接层的激活函数；w 1 、w 2表示权重矩阵；b表示偏置向量；out CNN 表示CNN提取的特征矩阵；out GRU 表示GRU提取的特征矩阵；
S6.6、将切片处理后的数据集输入到构建的CNN-GRU并行模型中进行训练。
7.根据权利要求1所述的超短期风电功率预测方法，其特征在于：对模型所得到的预测结果进行反归一化处理，包括：
采用式（12）对模型所得预测结果进行反归一化处理：
Figure 545052DEST_PATH_IMAGE042
（12）
其中，x′为归一化之后的值；x为实际值；x max 、x min 分别为各维数据中的最大值和最小值。
8.根据权利要求1所述的超短期风电功率预测方法，其特征在于：每个风电场的容量都是固定的，将风电场的最大容量设置为上限阈值，处理后的预测结果中超出部分判定为上限，并将预测部分低于0的结果判定为0值，且为下限；采用的公式如式（19）所示：
Figure DEST_PATH_IMAGE044A
（19）
其中，x 3 表示反归一化处理的结果；th表示上限阈值；Threshold(·)表示阈值处理函数。
9.根据权利要求1所述的超短期风电功率预测方法，其特征在于：在风电场，根据预设的风电功率上下阈值，采用RMSE作为评价标准来验证风电功率预测模型的精度，RMSE用于衡量预测值和真实值之间误差的离散程度，RMSE的计算公式如式（13）所示：
Figure 830540DEST_PATH_IMAGE046
（13）
其中，
Figure DEST_PATH_IMAGE048A
为风电功率的预测值；p i 为风电功率的实际值；n为预测数据个数；i为预测点编号。
10.一种超短期风电功率预测***，其特征在于，该***包括：
分析模块，用于分析所需要数据的类型，并获取风电数据集；
填补模块，用于对获取的风电数据集进行缺失值填补；
筛选模块，用于使用Pearson相关系数从风电数据集中筛选最佳气象因素和历史功率组合；
选取模块，用于根据风电数据集，选取符合预定要求的时间窗口长度；
切片模块，用于对风电数据集进行归一化处理，根据所选时间窗口长度，将数据集切片化处理；
训练模块，用于搭建CNN、GRU神经网络的并行模型，并设置参数，利用切片处理后的数据集对模型进行训练；
调整模块，用于对模型所得到的预测结果进行反归一化调整。
CN202111398570.7A 2021-11-24 2021-11-24 一种超短期风电功率预测方法及*** Pending CN113837499A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111398570.7A CN113837499A (zh) 2021-11-24 2021-11-24 一种超短期风电功率预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111398570.7A CN113837499A (zh) 2021-11-24 2021-11-24 一种超短期风电功率预测方法及***

Publications (1)

Publication Number Publication Date
CN113837499A true CN113837499A (zh) 2021-12-24

Family

ID=78971631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111398570.7A Pending CN113837499A (zh) 2021-11-24 2021-11-24 一种超短期风电功率预测方法及***

Country Status (1)

Country Link
CN (1) CN113837499A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988394A (zh) * 2021-10-21 2022-01-28 中国电建集团华东勘测设计研究院有限公司 基于格拉姆矩阵和卷积神经网络的风电超短期功率预测方法
CN114819377A (zh) * 2022-05-11 2022-07-29 云南电网有限责任公司电力科学研究院 分散式风电功率预测方法、***、装置及存储介质
CN115330040A (zh) * 2022-08-05 2022-11-11 江苏润和软件股份有限公司 基于深度学习的综合能源分布式风力发电预测方法及***
CN115375002A (zh) * 2022-07-12 2022-11-22 国网江苏省电力有限公司电力科学研究院 一种短期电力负荷预测方法、***、存储介质及计算设备
CN115545315A (zh) * 2022-10-12 2022-12-30 重庆移通学院 一种基于三维卷积神经网络和门控循环单元的pm2.5预测方法
CN116757340A (zh) * 2023-08-22 2023-09-15 国能日新科技股份有限公司 风电场短期风速融合预测方法及装置
CN117893030A (zh) * 2024-03-14 2024-04-16 中智(福建)科技有限公司 基于大数据的电力***风险预警方法
CN118013300A (zh) * 2024-04-08 2024-05-10 江苏海龙风电科技股份有限公司 一种用于风电机组的短期风电功率预测方法及***

Citations (6)

* 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
CN111475909A (zh) * 2019-10-28 2020-07-31 国网江西省电力有限公司电力科学研究院 一种基于长短期记忆网络的风电机组出力相关性映射建模方法
CN112001486A (zh) * 2020-08-28 2020-11-27 河北工业大学 一种基于深度学习的负荷分解方法
CN112232577A (zh) * 2020-10-23 2021-01-15 浙江八达电子仪表有限公司 用于多芯智能表的电力负荷概率预测***与方法
CN112733462A (zh) * 2021-01-21 2021-04-30 国网辽宁省电力有限公司阜新供电公司 一种结合气象因素的超短期风电场功率预测方法
US20210183108A1 (en) * 2019-12-16 2021-06-17 X Development Llc Edge-based crop yield prediction

Patent Citations (6)

* 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
CN111475909A (zh) * 2019-10-28 2020-07-31 国网江西省电力有限公司电力科学研究院 一种基于长短期记忆网络的风电机组出力相关性映射建模方法
US20210183108A1 (en) * 2019-12-16 2021-06-17 X Development Llc Edge-based crop yield prediction
CN112001486A (zh) * 2020-08-28 2020-11-27 河北工业大学 一种基于深度学习的负荷分解方法
CN112232577A (zh) * 2020-10-23 2021-01-15 浙江八达电子仪表有限公司 用于多芯智能表的电力负荷概率预测***与方法
CN112733462A (zh) * 2021-01-21 2021-04-30 国网辽宁省电力有限公司阜新供电公司 一种结合气象因素的超短期风电场功率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
薛阳,王琳,王舒,张亚飞,张宁: "一种结合CNN和GRU网络的超短期风电预测模型", 《可再生能源》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988394A (zh) * 2021-10-21 2022-01-28 中国电建集团华东勘测设计研究院有限公司 基于格拉姆矩阵和卷积神经网络的风电超短期功率预测方法
CN114819377A (zh) * 2022-05-11 2022-07-29 云南电网有限责任公司电力科学研究院 分散式风电功率预测方法、***、装置及存储介质
CN115375002A (zh) * 2022-07-12 2022-11-22 国网江苏省电力有限公司电力科学研究院 一种短期电力负荷预测方法、***、存储介质及计算设备
CN115330040A (zh) * 2022-08-05 2022-11-11 江苏润和软件股份有限公司 基于深度学习的综合能源分布式风力发电预测方法及***
CN115545315A (zh) * 2022-10-12 2022-12-30 重庆移通学院 一种基于三维卷积神经网络和门控循环单元的pm2.5预测方法
CN116757340A (zh) * 2023-08-22 2023-09-15 国能日新科技股份有限公司 风电场短期风速融合预测方法及装置
CN116757340B (zh) * 2023-08-22 2023-10-13 国能日新科技股份有限公司 风电场短期风速融合预测方法及装置
CN117893030A (zh) * 2024-03-14 2024-04-16 中智(福建)科技有限公司 基于大数据的电力***风险预警方法
CN117893030B (zh) * 2024-03-14 2024-05-28 中智(福建)科技有限公司 基于大数据的电力***风险预警方法
CN118013300A (zh) * 2024-04-08 2024-05-10 江苏海龙风电科技股份有限公司 一种用于风电机组的短期风电功率预测方法及***
CN118013300B (zh) * 2024-04-08 2024-06-04 江苏海龙风电科技股份有限公司 一种用于风电机组的短期风电功率预测方法及***

Similar Documents

Publication Publication Date Title
CN113837499A (zh) 一种超短期风电功率预测方法及***
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
CN111210082B (zh) 一种基于优化的bp神经网络算法的降水量预测方法
CN114092832B (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN115293415A (zh) 计及时间演变和空间相关的多风电场短期功率预测方法
CN114254561A (zh) 一种内涝预测方法、***及存储介质
CN110427654A (zh) 一种基于敏感状态的滑坡预测模型构建方法及***
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN108399470B (zh) 一种基于多示例遗传神经网络的室内pm2.5预测方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
Liu et al. Heating load forecasting for combined heat and power plants via strand-based LSTM
CN112149879A (zh) 一种计及宏观波动性分类的新能源中长期电量预测方法
CN107609667A (zh) 基于Box_cox变换和UFCNN的供热负荷预测方法及***
CN111242351A (zh) 基于自编码器和gru神经网络的热带气旋轨迹预测方法
CN112381282A (zh) 基于宽度学习***的光伏发电功率预测方法
CN116345555A (zh) 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法
CN115759389A (zh) 基于天气类型的相似日组合策略的日前光伏功率预测方法
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN114692981A (zh) 基于Seq2Seq模型的中长期径流预报方法和***
CN117290810B (zh) 基于循环卷积神经网络的短时强降水概率预报融合方法
CN116525135B (zh) 基于气象因素的时空模型对疫情发展态势进行预测的方法
CN112307672A (zh) 基于布谷鸟算法优化的bp神经网络短期风功率预测方法
CN107274024A (zh) 一种气象台站测量日总辐射曝辐量预测优化方法
CN109447843B (zh) 一种光伏出力预测方法及装置
CN111488974A (zh) 基于深度学习神经网络的海洋风能降尺度方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211224

RJ01 Rejection of invention patent application after publication