CN113964825A - 基于二次分解和BiGRU的超短期风电功率预测方法 - Google Patents
基于二次分解和BiGRU的超短期风电功率预测方法 Download PDFInfo
- Publication number
- CN113964825A CN113964825A CN202111228476.7A CN202111228476A CN113964825A CN 113964825 A CN113964825 A CN 113964825A CN 202111228476 A CN202111228476 A CN 202111228476A CN 113964825 A CN113964825 A CN 113964825A
- Authority
- CN
- China
- Prior art keywords
- wind power
- decomposition
- bigru
- time sequence
- power prediction
- 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
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001228 spectrum Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000010248 power generation Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000000053 physical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101100045541 Homo sapiens TBCD gene Proteins 0.000 description 1
- 101150093640 SSD1 gene Proteins 0.000 description 1
- 101100111629 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR2 gene Proteins 0.000 description 1
- 102100030290 Tubulin-specific chaperone D Human genes 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Power Engineering (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明涉及一种基于二次分解和BiGRU的超短期风电功率预测方法。适用于风力发电功率预测领域。本发明所采用的技术方案是:一种基于二次分解和BiGRU的超短期风电功率预测方法,其特征在于:获取风电数据,采用Pearson相关系数衡量风电数据中各变量与风电功率之间的相关程度,并基于Pearson系数选择变量构成输入信息;将输入信息进行归一化处理;采用奇异谱分解和变分模式分解相结合的二次分解方法,对归一化后的输入信息模式分解;采用BiGRU将模式分解后的所有模式信号分别进行时序信息建模;将所有时序信息网络的输出共同输入到全连接网络层进行信息融合和决策,获得最终的风电功率预测结果。
Description
技术领域
本发明涉及一种基于二次分解和BiGRU的超短期风电功率预测方法。适用于风力发电功率预测领域。
背景技术
风能作为新型能源,由于其储量无限、安全、清洁等特点使用广泛,得到各国的大力发展。风速的非平稳性导致风力发电功率的随机性和波动性较大,给大规模风力发电并网的安全稳定和经济运行带来了挑战,风力发电功率预测的精确率有待提高。
短期和超短期预测可以为电力调度和风电发电并网安全提供可靠的电力暂态信息,因此,风电功率预测研究主要集中在短期和超短期风电功率预测上。
风电功率预测大致分为以下四种类型:(1)物理方法;(2)统计方法;(3)深度学习方法;(4)混合方法。
物理方法主要基于数值天气预报(numerical weather prediction,NWP),利用太阳辐照度、风速、温度等气象信息和地理信息进行风电功率预测,由于需要详细的风电电站地理信息和气象数据,建模过程复杂。
统计方法通过建立气象和其他相关信息与风电功率之间的统计关系,进行风电功率的预测,统计方法较物理方法建模简单,在早期得到广泛应用。
随着深度学习的快速发展,并在各种领域取得重大成功,基于深度学习的风电功率预测方法被大量研究。基于BiGRU网络的时间序列建模被证明在风电功率预测方面表现良好,比传统统计方法和浅层神经网络方法预测效果更好。
混合模型预测方法是风电功率预测领域的研究热点,目前混合模型主要分为两种,一种是基于聚类算法的天气分型混合预测模型,另一种是基于信号分解的混合预测模型。基于信号分解方法的混合预测模型(“分解-预测-重构”方法)在风电功率预测中越来越受到关注。小波变换、变分模态分解、经验模态分解和奇异谱分析等信号分解方法可以有效的提取风电的显著特征,被应用于风电功率预测中。
虽然风电功率的预测方法越来越收到研究人员的关注,但现有方法依然存在预测精确率不足的问题。
发明内容
本发明要解决的技术问题是:针对上述存在的问题,提供一种基于二次分解和BiGRU的超短期风电功率预测方法。
本发明所采用的技术方案是:一种基于二次分解和BiGRU的超短期风电功率预测方法,其特征在于:
获取风电数据,采用Pearson相关系数衡量风电数据中各变量与风电功率之间的相关程度,并基于Pearson系数选择变量构成输入信息;
将输入信息进行归一化处理;
采用奇异谱分解和变分模式分解相结合的二次分解方法,对归一化后的输入信息模式分解;
采用BiGRU将模式分解后的所有模式信号分别进行时序信息建模;
将所有时序信息网络的输出共同输入到全连接网络层进行信息融合和决策,获得最终的风电功率预测结果。
所述输入信息包括经向风速、纬向风速和历史功率。
所述采用奇异谱分解和变分模式分解相结合的二次分解方法,对归一化后的输入信息进行模式分解,包括:
归一化后的输入信息经奇异谱分解后保留主信号和高频信号,利用变分模式分解将高频信号分解为k个模式信号。
所述采用BiGRU将模式分解后的所有模式信号分别进行时序信息建模,包括:
采用BiGRU将主信号和k个模式信号分别进行时序信息建模。
将所有时序信息网络的输出共同输入到全连接网络层进行信息融合和决策,包括:
将所有时序信息网络的输出共同输入到两个全连接网络层,第一个全连接层的节点数与分解后的模式信号数目对应,第二个全连接层的节点数为32个,最终输出风电功率预测结果。
所述时序信息建模包括时序信号长度的选择,时序信号长度取决于历史时刻的输入信息与未来风电功率的相关程度,采用Pearson系数表征历史时刻输入信息与未来风电功率的相关程度,并基于Pearson系数选择时间序列的时序长度。
一种基于二次分解和BiGRU的超短期风电功率预测装置,其特征在于:
输入信息获取模块,用于获取风电数据,采用Pearson相关系数衡量风电数据中各变量与风电功率之间的相关程度,并基于Pearson系数选择变量构成输入信息;
归一化处理模块,用于将输入信息进行归一化处理;
二次分解,用于采用奇异谱分解和变分模式分解相结合的二次分解方法,对归一化后的输入信息模式分解;
建模模块,用于采用BiGRU将模式分解后的所有模式信号分别进行时序信息建模;
结果预测模块,用于将所有时序信息网络的输出共同输入到全连接网络层进行信息融合和决策,获得最终的风电功率预测结果。
一种存储介质,其上存储有能被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现所述基于二次分解和BiGRU的超短期风电功率预测方法的步骤。
一种超短期风电功率预测设备,具有存储器和处理器,存储器上存储有能被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现所述基于二次分解和BiGRU的超短期风电功率预测方法的步骤。
本发明的有益效果是:本发明基于Pearson系数从风电数据中选择变量构成输入信息,采用奇异谱分解和变分模式分解相结合的二次分解方法,对输入信息模式分解,保留主信号和高频信号分解生成的k个模式信号,采用BiGRU将模式分解后的所有模式信号分别进行时序信息建模,将所有时序信息网络的输出共同输入到全连接网络层进行信息融合和决策,获得最终的风电功率预测结果,有效提升风电功率预测的精确率。
本发明中分解出的主信号反映了原始信号的内在变化趋势,高频信号反映了随机波动情况,对高频信号的进一步分解,有效降低了信号的波动性,降低风电功率时间序列特征映射的复杂度。
附图说明
图1为实施例中超短期风电功率预测算法流程图。
图2为实施例中原始信号的SSD分解结果图。
图3为实施例中高频信号的VMD分解结果图。
图4为GRU单元的内部结构图。
图5为BiGRU网络的结构图。
具体实施方式
如图1所示,本实施例为一种基于二次分解和BiGRU的超短期风电功率预测方法,具体包括以下步骤:
S1、获取风电数据,采用Pearson相关系数衡量风电数据中各变量与风电功率之间的相关程度,并基于Pearson系数选择变量构成输入信息,Pearson系数大于0.6。
风电场在每个数据采集时刻,可以获取环境温度、气压、经向风速、纬向风速、相对湿度、实际风电功率等多种风电数据。为了提取对风电功率预测有关的信息,剔除无用信息的干扰,本实施例采用Pearson相关系数衡量各变量与风电功率之间的相关程度,Pearson相关系数的计算公式为:
经过计算,经向风速、纬向风速与风电功率之间的Pearson系数值分别为0.873和0.895,具有较强的相关性。由于历史风电功率与未来风电功率具有时间相关性,因此,本例选择径向风速、纬向风速和历史风电功率作为输入信息。
S2、将输入信息进行归一化处理。为了消除数据之间的量纲影响,需要进行数据标准化处理,本实施例对所有变量分别进行了min-max标准化(Min-Max Normalization)归一化,如公式:
S3、采用奇异谱分解和变分模式分解相结合的二次分解方法,对归一化后的输入信息模式分解。
为了应对风电数据的随机性和波动性对预测效果带来的影响,本实施例采用奇异谱分解(SSD)和变分模式分解(VMD)相结合的二次分解方法进行数据信号处理。
原始信号经过SSD分解,结果如图2所示,其中SSD1代表分解后的主信号,SSD2是分解后的高频信号,SSD3是噪声,本实施例仅保留主信号和高频信号。图2中可以看出,主信号反映了原始信号的内在变化趋势,高频信号反映了随机波动情况。
如图3所示,将高频信号进行VMD分解,获得K(本例中K取5)个不同中心频率的信号,对高频信号的进一步分解,可以有效保留主要信息并剔除干扰信息,有效降低了信号的波动性,降低风电功率时间序列特征映射的复杂度。
S4、采用BiGRU将模式分解后的所有模式信号分别进行时序信息建模,形成多个与所有模式信号一一对应的时序信息网络。
时序信息建模是处理时序问题的主流解决方案,本实施例采用深度学习中的门控逻辑单元GRU构造双向时序信息网络——BiGRU,对二次分解获得的所有模型信号进行时序建模。时序信号长度的选择,取决于历史时刻的输入信息与未来风电功率的相关程度,本实施例采用Pearson系数表征历史时刻输入信息与未来风电功率的相关程度,并基于Pearson系数选择时间序列的时序长度,Pearson系数大于0.6。
如图4所示,是GRU的内部结构图,xt和yt分别为t时刻的输入和输出,ht-1和ht分别为t-1时刻和t时刻的隐状态,σ表示sigmoid函数,重置门和更新门分别决定丢弃先前信息的程度和更新哪些信息。
Zt=σ(Wxzxt+Whzht-1+bz)
rt=σ(Wxrxt+Whrht-1+br)
BiGRU网络是由两个方向相反的GRU网络构成,如图5是由n个GRU单元构成的BiGRU网络结构图。X=[x1,x2,…,xn]是长度为n的输入时序信号,Y=[y1,y2,…,yn]是相应的输出结果。从图中可以看出,相比GRU网络,BiGRU网络的每时刻节点都包含了整个输入序列的信息,能够更好地对整个输入时序序列进行特征表达。
S5、将所有时序信息网络的输出共同输入到两个全连接网络层进行信息融合和决策,获得最终的风电功率预测结果。第一个全连接层的节点数为K+1个(即二次分解后的模式信号数目),第二个全连接层的节点数为32个,最终输出风电功率预测结果。
本实施例为一种基于二次分解和BiGRU的超短期风电功率预测装置,包括输入信息获取模块、归一化处理模块、二次分解、建模模块和结果预测模块。
本例中输入信息获取模块用于获取风电数据,采用Pearson相关系数衡量风电数据中各变量与风电功率之间的相关程度,并基于Pearson系数选择变量构成输入信息;归一化处理模块用于将输入信息进行归一化处理;二次分解用于采用奇异谱分解和变分模式分解相结合的二次分解方法,对归一化后的输入信息模式分解;建模模块用于采用BiGRU将模式分解后的所有模式信号分别进行时序信息建模;结果预测模块用于将所有时序信息网络的输出共同输入到全连接网络层进行信息融合和决策,获得最终的风电功率预测结果。
本实施例还提供一种存储介质,其上存储有能被处理器执行的计算机程序,该计算机程序被执行时实现本例中基于二次分解和BiGRU的超短期风电功率预测方法的步骤。
本实施例还提供一种超短期风电功率预测设备,具有存储器和处理器,存储器上存储有能被处理器执行的计算机程序,该计算机程序被执行时实现本例中基于二次分解和BiGRU的超短期风电功率预测方法的步骤。
Claims (9)
1.一种基于二次分解和BiGRU的超短期风电功率预测方法,其特征在于:
获取风电数据,采用Pearson相关系数衡量风电数据中各变量与风电功率之间的相关程度,并基于Pearson系数选择变量构成输入信息;
将输入信息进行归一化处理;
采用奇异谱分解和变分模式分解相结合的二次分解方法,对归一化后的输入信息模式分解;
采用BiGRU将模式分解后的所有模式信号分别进行时序信息建模;
将所有时序信息网络的输出共同输入到全连接网络层进行信息融合和决策,获得最终的风电功率预测结果。
2.根据权利要求1所述的基于二次分解和BiGRU的超短期风电功率预测方法,其特征在于:所述输入信息包括经向风速、纬向风速和历史功率。
3.根据权利要求1所述的基于二次分解和BiGRU的超短期风电功率预测方法,其特征在于,所述采用奇异谱分解和变分模式分解相结合的二次分解方法,对归一化后的输入信息模式分解,包括:
归一化后的输入信息经奇异谱分解后保留主信号和高频信号,利用变分模式分解将高频信号分解为k个模式信号。
4.根据权利要求3所述的基于二次分解和BiGRU的超短期风电功率预测方法,其特征在于,所述采用BiGRU将模式分解后的所有模式信号分别进行时序信息建模,包括:
采用BiGRU将主信号和k个模式信号分别进行时序信息建模。
5.根据权利要求1或3或4所述的基于二次分解和BiGRU的超短期风电功率预测方法,其特征在于,将所有时序信息网络的输出共同输入到全连接网络层进行信息融合和决策,包括:
将所有时序信息网络的输出共同输入到两个全连接网络层,第一个全连接层的节点数与分解后的模式信号数目对应,第二个全连接层的节点数为32个,最终输出风电功率预测结果。
6.根据权利要求1所述的基于二次分解和BiGRU的超短期风电功率预测方法,其特征在于:所述时序信息建模包括时序信号长度的选择,时序信号长度取决于历史时刻的输入信息与未来风电功率的相关程度,采用Pearson系数表征历史时刻输入信息与未来风电功率的相关程度,并基于Pearson系数选择时间序列的时序长度。
7.一种基于二次分解和BiGRU的超短期风电功率预测装置,其特征在于:
输入信息获取模块,用于获取风电数据,采用Pearson相关系数衡量风电数据中各变量与风电功率之间的相关程度,并基于Pearson系数选择变量构成输入信息;
归一化处理模块,用于将输入信息进行归一化处理;
二次分解,用于采用奇异谱分解和变分模式分解相结合的二次分解方法,对归一化后的输入信息模式分解;
建模模块,用于采用BiGRU将模式分解后的所有模式信号分别进行时序信息建模;
结果预测模块,用于将所有时序信息网络的输出共同输入到全连接网络层进行信息融合和决策,获得最终的风电功率预测结果。
8.一种存储介质,其上存储有能被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现权利要求1~6任意一项所述基于二次分解和BiGRU的超短期风电功率预测方法的步骤。
9.一种超短期风电功率预测设备,具有存储器和处理器,存储器上存储有能被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现权利要求1~6任意一项所述基于二次分解和BiGRU的超短期风电功率预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111228476.7A CN113964825A (zh) | 2021-10-21 | 2021-10-21 | 基于二次分解和BiGRU的超短期风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111228476.7A CN113964825A (zh) | 2021-10-21 | 2021-10-21 | 基于二次分解和BiGRU的超短期风电功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113964825A true CN113964825A (zh) | 2022-01-21 |
Family
ID=79465462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111228476.7A Pending CN113964825A (zh) | 2021-10-21 | 2021-10-21 | 基于二次分解和BiGRU的超短期风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113964825A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496102A (zh) * | 2021-07-05 | 2021-10-12 | 华北电力大学(保定) | 一种基于改进BiGRU的配网超短期功率态势预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
CN109214575A (zh) * | 2018-09-12 | 2019-01-15 | 河海大学 | 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 |
CN112329979A (zh) * | 2020-09-23 | 2021-02-05 | 燕山大学 | 一种基于自适应深度残差网络的超短期风电功率预测方法 |
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 |
CN112836434A (zh) * | 2021-02-22 | 2021-05-25 | 中国电建集团华东勘测设计研究院有限公司 | 融合时序特征和统计特征的风电超短期功率预测方法 |
CN112990553A (zh) * | 2021-02-23 | 2021-06-18 | 中国电建集团华东勘测设计研究院有限公司 | 使用自注意机制和双线性融合的风电超短期功率预测方法 |
-
2021
- 2021-10-21 CN CN202111228476.7A patent/CN113964825A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
CN109214575A (zh) * | 2018-09-12 | 2019-01-15 | 河海大学 | 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 |
CN112329979A (zh) * | 2020-09-23 | 2021-02-05 | 燕山大学 | 一种基于自适应深度残差网络的超短期风电功率预测方法 |
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 |
CN112836434A (zh) * | 2021-02-22 | 2021-05-25 | 中国电建集团华东勘测设计研究院有限公司 | 融合时序特征和统计特征的风电超短期功率预测方法 |
CN112990553A (zh) * | 2021-02-23 | 2021-06-18 | 中国电建集团华东勘测设计研究院有限公司 | 使用自注意机制和双线性融合的风电超短期功率预测方法 |
Non-Patent Citations (1)
Title |
---|
LING XIANG等: "Deterministic and probabilistic multi-step forecasting for short-term wind speed based on secondary decomposition and a deep learning method", 《ENERGY CONVERSION AND MANAGEMENT》, 20 June 2020 (2020-06-20), pages 1 - 12 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496102A (zh) * | 2021-07-05 | 2021-10-12 | 华北电力大学(保定) | 一种基于改进BiGRU的配网超短期功率态势预测方法 |
CN113496102B (zh) * | 2021-07-05 | 2024-07-09 | 华北电力大学 | 一种基于改进BiGRU的配网超短期功率态势预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Short-term forecasting and uncertainty analysis of wind turbine power based on long short-term memory network and Gaussian mixture model | |
Deng et al. | Wind power forecasting methods based on deep learning: A survey | |
Wang et al. | A hybrid forecasting model based on outlier detection and fuzzy time series–A case study on Hainan wind farm of China | |
CN107730044A (zh) | 一种可再生能源发电和负荷的混合预测方法 | |
Yang et al. | A deep attention convolutional recurrent network assisted by k-shape clustering and enhanced memory for short term wind speed predictions | |
CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
CN114970952B (zh) | 一种考虑环境因素的光伏出力短期预测方法及*** | |
CN116937579A (zh) | 一种考虑时空相关性的风电功率区间预测及其可解释方法 | |
Yu et al. | Application of small sample virtual expansion and spherical mapping model in wind turbine fault diagnosis | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
CN115995810A (zh) | 一种考虑气象波动自适应匹配的风电功率预测方法及*** | |
CN116632820A (zh) | 基于序列延拓vmd与风速波动特性的风电功率预测方法 | |
Zhang et al. | Towards multi-scenario power system stability analysis: An unsupervised transfer learning method combining DGAT and data augmentation | |
CN113964825A (zh) | 基于二次分解和BiGRU的超短期风电功率预测方法 | |
Xu et al. | Short-term wind speed prediction based on GRU | |
Cao et al. | Deep learning-based online small signal stability assessment of power systems with renewable generation | |
CN112418504B (zh) | 一种基于混合变量选择优化深度信念网络风速预测方法 | |
CN117688362A (zh) | 基于多元数据特征增强的光伏功率区间预测方法及装置 | |
Rama et al. | Short-term fault prediction of wind turbines based on integrated RNN-LSTM | |
CN113988395A (zh) | 基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法 | |
Karamdel et al. | A regression model-based short-term PV power generation forecasting | |
Liao et al. | Wind power prediction based on periodic characteristic decomposition and multi-layer attention network | |
CN116070768A (zh) | 一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法 | |
Lin et al. | A Novel Multi-Model Stacking Ensemble Learning Method for Metro Traction Energy Prediction | |
Gu et al. | Load forecasting model considering dynamic coupling relationships using structured dynamic-inner latent variables and broad learning system |
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 |