CN115099296A - 基于深度学习算法的海浪高度预测方法 - Google Patents

基于深度学习算法的海浪高度预测方法 Download PDF

Info

Publication number
CN115099296A
CN115099296A CN202210398198.8A CN202210398198A CN115099296A CN 115099296 A CN115099296 A CN 115099296A CN 202210398198 A CN202210398198 A CN 202210398198A CN 115099296 A CN115099296 A CN 115099296A
Authority
CN
China
Prior art keywords
sea wave
sea
data
data information
wave height
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
CN202210398198.8A
Other languages
English (en)
Inventor
梅春晓
谭建鑫
卢盛欣
孟雷
于力强
张清清
张国峰
侯元柏
吴伟强
李练兵
高国强
韩旭
李永建
李佳琪
陈程
贾超
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.)
Hebei Construction Investment Offshore Wind Power Co ltd
Hebei University of Technology
Original Assignee
Hebei Construction Investment Offshore Wind Power Co ltd
Hebei 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 Hebei Construction Investment Offshore Wind Power Co ltd, Hebei University of Technology filed Critical Hebei Construction Investment Offshore Wind Power Co ltd
Priority to CN202210398198.8A priority Critical patent/CN115099296A/zh
Publication of CN115099296A publication Critical patent/CN115099296A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明为一种基于深度学习算法的海浪高度预测方法。第一阶段获取海浪数据信息，对海浪数据信息进行分析与预处理，分析海浪数据信息与海浪高度之间的相关性，采用Pearson、GRA和PCA相结合的方法对海浪数据信息进行特征上的提取，实现在模型输入特征量上的优化。第二阶段将处理后的数据作为模型的输入，确定网络结构，建立基于思维进化算法的双向门控循环单元的网络模型。第三阶段设置MEA参数以获取最优的权重和阈值，训练MEA‑BIGRU网络模型。最后同时建立BP神经网络模型和BIGRU网络模型进行对比验证，从而实现对海浪浪高的精准预测。

Description

基于深度学习算法的海浪高度预测方法
技术领域
本发明属于海浪浪高预测技术领域，涉及一种基于思维进化算法和深度学习的海浪高度预测方法，特别涉及一种基于思维进化算法和双向门控循环单元(BiGRU)的多变量海浪高度预测方法。
背景技术
如今，海上风电产业正在世界范围内如火如荼的发展，海上风力发电已逐渐成为可再生能源研究和开发的重要发展方向。自然，我国的海上风电业务也要紧紧跟随世界潮流，加强对海洋风力资源的综合开发提高资源利用率。由于海上风电的运维受到天气和海况的影响，除了更换或维护部件本身的成本，还会产生大量的包括海事、船只、长期停机等成本。因此，实时、精细化海浪预测***对海上风电场安全运维，提高运维效率并减少费用开支具有重要意义。
随着机器学习的广泛应用，使用机器学习算法对海洋环境进行预测展现了极大的应用前景。支持向量机(support vector machine，SVM)是机器学习中一个非常完善的分类和回归模型，支持向量机具有优秀的泛化能力。文献《James S C,Zhang Y,O'Donncha F.Amac hine learning framework to forecast wave conditions[J].CoastalEngineering,2018,137:1-10.》用机器学习对海浪要素进行预测，分别使用支持向量机(SVM)和多层感知机(MLP)对海浪的有效波高和特征周期进行预测，实现了机器学习在海浪预报方向的应用。近些年深度学习算法逐渐展现出其在海浪浪高预测方面的优势。长短期记忆网络(LSTM)的输出信息由输入门、遗忘门和输出门共同控制，而门控循环单元(GRU)是一种改进的LSTM，它将遗忘门和输入门集成到一个新的门中，减少了网络参数，提升了模型训练的效率，并且不容易过拟合。但是，门控循环单元通常会忽略海浪序列中的文本信息，并且无法有效捕获海浪序列中的时间序列规则，单一的门控循环单元无法快速准确地跟踪序列的变化特征。
文献《Shuntao Fan,Nianhao Xiao,Sheng Dong.A novel model to predictsignificant wave height based on long short-term memory network[J].OceanEngineering,2020,205:10-18》提出了一种长短期记忆(LSTM)网络，可以快速预测显著的波高，且精度更高。LSTM网络在10个不同环境条件的站进行1小时和6小时的预测。以过去4h的风速和过去1h的波高和风向为输入参数，得到了LSTM的预测结果。
文献《卢鹏,年圣全,邹国良,***,郑宗生.基于变分模态分解和注意力机制的浪高预测[J].海洋测绘,2021,41(02):34-39.》基于变分模态分解(VMD)，在引入注意力机制(AM)的基础上，对传统长短期记忆(LSTM)神经网络算法进行了改进，提出了一种基于混合模型的海浪高度预测算法。算法通过预处理、预测和重构3个主要步骤,对海浪高度的时间序列进行预测。
然而，上述算法均未考虑海浪浪高影响因素的相关性以及权重问题，因此本申请方法对海浪数据信息的特征进行提取，分析其相关性从而确定其权重，再通过BiGRU进行浪高预测。
发明内容
本发明的目的为针对当前技术中存在的问题，克服现有波高预测方法数据需求及处理量大、适应性较差且无法充分挖掘海浪高度数据之间的关系的缺陷，提供一种数据需求及处理量小、适应性好且可充分挖掘海浪高度数据之间的关系的海浪高度预测方法，提出一种基于思维进化算法和深度学习的海浪高度预测方法。该方法考虑属于时间序列预测技术领域，采用基于思维进化算法(MEA)和双向门控循环单元(BiGRU)的海浪高度预测方法，对海浪数据信息进行分析与预处理，将处理后的数据作为模型的输入，采用Pearson、GRA和PCA相结合的方法对海浪数据信息进行特征上的提取，确定网络结构，建立基于思维进化算法的双向门控循环单元(MEA-BiGRU)的网络模型，设置MEA参数以获取最优的权重和阈值，训练MEA-BiGRU网络模型，实现对海浪高度的精确预测；
为实现上述目的，本发明提供如下技术方案：
一种基于深度学习算法的海浪高度预测方法，其特征在于，包括获取海浪数据信息，对海浪数据信息进行分析与预处理；将处理后的数据作为模型的输入，确定网络结构，建立基于思维进化算法的双向门控循环单元的网络模型，设置MEA参数，训练MEA-BiGRU网络模型；建立BP神经网络模型和BiGRU网络模型进行对比验证，实现对海浪浪高的精准预测。
与现有技术相比，本发明的有益效果是：
1、针对海浪数据信息与海浪高度之间存在非线性关系，本发明提出Pearson、GRA和PCA相结合的方法对海浪数据信息进行特征上的提取，实现在模型输入特征量上的优化，使得更好的彰显海浪高度的特征，更好的覆盖了海浪参数的信息，减少了海浪参数的丢失，更好的预测海浪浪高。
2、在对于海洋领域，海浪浪高的预测上，思维进化算法和深度学习的结合扩展了海浪预测的方法，基于思维进化算法更好的优化了模型的权重和偏差，使得模型更好的预测海浪浪高，降低了海浪浪高预测的误差，提高了预测精度。
附图说明
图1是本发明规划方法的总体结构图；
图2是海浪数据信息特征量优化流程图；
图3是海浪数据信息的参数曲线图；
图4是海浪数据信息相关性的热图；
图5是BiGRU结构示意图；
图6是MEA-BiGRU模型流程图；
图7是海浪高度预测图。
具体实施方式
以下结合附图和具体实施例对本发明的技术方案进行详细说明，但并不以此限定本申请的保护范围。
在本实施例中，该海浪浪高预测的结构图如图1所示，获取海浪数据信息，对日期、时间、气温、风向、风速、气压、海温、上一时刻风浪浪高和上一时刻风浪周期这9个特征进行数据的分析与预处理，分析海浪数据信息与海浪高度之间的相关性，分别采用Pearson、GRA和PCA相关性分析方法，提取海浪浪高的特征，将处理后的数据作为模型的输入，确定网络结构，建立基于思维进化算法的双向门控循环单元(MEA-BiGRU)的网络模型，设置MEA参数以获取最优的权重和阈值，训练MEA-BiGRU网络模型，实现对海浪高度的精确预测。
步骤一、本实例中海浪数据信息来源于国家海洋科学数据中心(NMDC)的《中国台站观测数据》，主要包括小长山海洋站(122.7°E，39.2°N)2019年7月到2020年8月的测量日期、时间(0～24小时)、气温(℃)、风向(°)、风速(m/s)、气压(hpa)、海温(℃)、风浪周期(s)和风浪高度(m)等，共10248组数据。对日期、时间、气温、风向、风速、气压、海温、上一时刻风浪浪高和上一时刻风浪周期这9个特征进行数据的分析与预处理。()
对海浪数据信息进行预处理，如图2所示：通过马氏平均距离法对异常数据进行筛选并使用均值法对异常值进行替换，将预处理后海浪数据信息输入到python中，获得特征参数曲线图如图2所示，观察各特征参数的变化趋势；对海浪数据信息进行分析，通过皮尔逊相关系数(Pearson)测量每个特征与海浪浪高之间的线性相关性，皮尔逊相关系数在[-1，1]之间变化，其计算公式如下：
Figure BDA0003598350160000031
本实例基于python可以获取Pearson相关性的数值，如下表1所示，可以发现海浪数据信息与海浪高度的线性相关性不好，其中风速的相关性最高，其次是海温的相关性，其他海浪数据的相关性明显较差，因为线性相关性较弱，所以本实例选择正相关性的数据作下一步分析。
表1Pearson相关性数值
Figure BDA0003598350160000034
再通过灰色关联度分析(GRA)测量每个特征与海浪浪高之间的趋势相关度，灰色关联系数在[0，1]之间变化，其计算公式如下：
Figure BDA0003598350160000032
本实例基于python可以获取GRA相关性的数值，得到海浪数据信息GRA相关性热图如图3所示，得到海浪数据信息与海浪高度的相关性，如下表2所示，可以发现海浪数据信息整体与海浪高度的相关性整体较高，其中风速的相关性最高，其次是上一时刻风浪高度。
表2GRA相关性数值
Figure BDA0003598350160000033
Figure BDA0003598350160000041
已获取每个特征与海浪浪高Pearson和GRA的相关度系数，因为海浪是一个较强的非线性过程，得出特征之间的线性关系较弱，所以选择Pearson具有正相关的特征进行分析，选取风速，日期，时间，上一时刻风浪高度，上一时刻风浪周期；选择GRA具有较大相关性的特征进行分析，因为GRA相关性数值都较大，所以也选择风速，日期，时间，上一时刻风浪高度，上一时刻风浪周期。
两者相关度进行比较，首先选取风速作为输入特征，再基于主成分分析法(PCA)进行融合处理(使模型运算速度更快)，将日期与时间(小时)，上一时刻风浪高度与上一时刻风浪周期，进行降维处理，生成两个海浪数据融合参数，分别命名为时间数据和历史数据，使得保留更多数据的特征，避免数据饱和和泛化能力低；基于PCA对数据进行降维处理，获取海浪融合数据参数，其计算过程如下：
首先对所选海浪特征进行去中心化，即每一位特征减去各自的平均值；其次计算协方差矩阵C，并求取协方差矩阵C的特征值λ和相对应的特征向量u；最后将原始特征投影到选取的特征向量上，得到降维后的新维度的特征，其计算公式如下：
Figure BDA0003598350160000042
Cu＝λu (15)
Figure BDA0003598350160000043
获取分析后的海浪数据信息，对数据进行归一化处理，通过归一化方法将所有数据值的范围标准化到[0，1]之间，其计算公式如下：
Figure BDA0003598350160000044
将风速，时间数据和历史数据分为训练集和测试集，本发明将2019年7月底的部分数据和2019年8月至2020年7月的数据整理后作为数据集，其中80％作为训练集，20％作为测试集。将训练集作为模型的输入特征对模型进行训练。
步骤二、建立BiGRU网络模型，如图5所示，确定模型结构和拓扑结构，BiGRU是双向门控循环单元，其由输入层、前向隐藏层、后向隐藏层和输出层构成。输入层包含输入数据，在每一时刻将数据同时传递给前向隐藏层和后向隐藏层，即数据同时流向两个方向相反的GRU网络，输出层的输出序列由这两个GRU共同决定。其中一个前向低级别的GRU从前到后读取输入数据信息，一个后向高级别GRU，由后向前再次提炼数据信息；假设xt为时刻的输入向量，GRU网络的计算过程表示如下：
zt＝σ(Wzxt+Uzht-1+bz) (17)
rt＝σ(Wrxt+Urht-1+br) (18)
Figure BDA0003598350160000051
Figure BDA0003598350160000052
式中：zt和rt代表更新门和重置门；
Figure BDA0003598350160000053
代表候选隐藏层状态；ht-1和ht分别代表t-1和t时刻的隐藏层状态；W和U为权重；b为偏置；σ代表Sigmoid函数；
BiGRU网络结构的数学表达式如下：
Figure BDA0003598350160000054
Figure BDA0003598350160000055
Figure BDA0003598350160000056
式中：
Figure BDA0003598350160000057
和
Figure BDA0003598350160000058
分别为t时刻的前向和后向隐藏层的状态；
Figure BDA0003598350160000059
和
Figure BDA00035983501600000510
分别为t时刻前向和后向隐藏层状态的权重；bt是t时刻掩藏层状态的偏置。
步骤三、设置MEA参数，设置参数种群大小(popsize)，优胜子种群个数(bestsize)，临时子种群个数(tempsize)和子群体大小(SG)，其计算公式如下：
SG＝popsize/(bestsize+tempsize) (24)
设置种群大小为180，优胜子种群个数为3，临时子种群个数为3，可得子群体大小为30，基于MEA优化BiGRU网络模型；首先编码网络连接网络的权值和阈值，采用实数编码的方法，采取样本均方误差的倒数作为得分函数，产生初始种群；对个体得分进行排序，根据排序的高低，产生若干个优胜个体和临时个体，以这些个体为中心，在其周围产生一些新个体，将其构成的集合称为优胜子群体与临时子群体。
首先执行趋同操作，然后利用种群成熟判别函数ismature()判定各个子群体是否成熟。若成熟则趋同操作结束，若不成熟，则我们以新的中心产生子种群，之后再进行趋同操作，直至子种群成熟。在每个子静体内搜索出得分最高的个体，并将此个体的得分作为该子群体的得分。
若临时子群体得分高于优胜子群体的子群体，进行异化操作，临时子群体的个体替代优胜子群体中的个体，释放那些原处于优胜子群体中的个体，在全局范围内搜索个体形成新的临时子群体，以确保临时子群体的个数不变。
评判结果是否达到结束条件，若达到则进入下一步。若没达到，而迭代次数已达到网络设定值，也进入下一步，若迭代次数不满，则返回上述趋同操作；依据编码规则，解码最优个化赋值给BiGRU模型的权值和阀值，训练BiGRU网络，MEA-BiGRU整体过程如图6所示。
步骤四、本发明为了说明MEA-BiGRU算法模型的优越性，同时建立BP神经网络模型和BiGRU网络模型进行对比验证，采用均方误差、平均绝对误差、最大相对误差作为各模型预测性能的评估指标，本实施例通过BP神经网络模型和BiGRU网络模型进行对比，本发明所提方法与其他模型预测海浪高度的预测结果对比如图7所示，与其他模型预测结果评价指标对比如表3所示。
表3与其他模型预测结果评价指标对比
模型 E<sub>MAPE</sub> E<sub>MAE</sub> E<sub>RMSE</sub>
MEA-BiGRU 0.1132 0.3866 0.4735
BiGRU 0.1562 0.5433 0.6024
BP 0.2187 0.6278 0.7043
由表3可知采用本文方法的预测结果误差较低，MAPE误差稳定在12.0％以下，从表中可以看出MEA-BiGRU对比BP算法，三个评价指标分别提升了10.55％，0.2412，0.2308；对比BiGRU算法，三个评价指标分别提升了4.3％，0.1567，0.1289；MEA-BiGRU模型相较于其他算法预测结果的准确性有明显提高。
本文所提的一种基于海浪数据信息特征量的优化和基于MEA对BiGRU网络的优化的预测方法，此预测方法在一定程度上提高了海浪浪高预测的准确度。
以上所述仅是本发明的一个应用场景，凡依本发明申请专利范围所做的均等变化，或者应用于其他海浪浪高的预测之上，应属本发明的覆盖范围。
本发明未尽事宜为公知技术。

Claims (6)

1.一种基于深度学习算法的海浪高度预测方法，其特征在于，包括获取海浪数据信息，对海浪数据信息进行分析与预处理；将处理后的数据作为模型的输入，确定网络结构，建立基于思维进化算法的双向门控循环单元的网络模型，设置MEA参数，训练MEA-BiGRU网络模型；建立BP神经网络模型和BiGRU网络模型进行对比验证，实现对海浪浪高的精准预测。
2.根据权利要求1所述的基于深度学习算法的海浪高度预测方法，，其特征在于，所述浪数据信息为日期、时间、气温、风向、风速、气压、海温、上一时刻风浪浪高和上一时刻风浪周期。
3.根据权利要求1所述的基于深度学***均距离法对异常数据进行筛选并使用均值法对异常值进行替换，分析海浪数据信息与海浪高度之间的相关性，采用Pearson、GRA和PCA相结合的方法对海浪数据信息进行特征上的提取，再对提取的数据进行归一化处理。
4.根据权利要求3所述的基于深度学习算法的海浪高度预测方法，其特征在于，所述采用Pearson、GRA和PCA相结合的方法是指对海浪数据信息分别进行Pearson和GRA相关性分析，获取海浪数据信息与海浪高度的相关性系数，基于相关系数的关系对海浪数据信息进行PCA降维处理，获得特征数据。
5.根据权利要求4所述的基于深度学习算法的海浪高度预测方法，其特征在于，所述特征数据为风速、时间数据和历史数据，其中时间数据和历史数据为经过PCA降维处理的融合数据，时间数据为日期和时间的融合参数，历史数据为上一时刻风浪高度和上一时刻风浪周期的融合参数。
6.根据权利要求1所述的基于深度学习算法的海浪高度预测方法，其特征在于，所述思维进化算法的双向门控循环单元的网络模型是指基于思维进化算法优化双向门控循环单元，获取BiGRU最优的权重和阈值。
CN202210398198.8A 2022-04-15 2022-04-15 基于深度学习算法的海浪高度预测方法 Pending CN115099296A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210398198.8A CN115099296A (zh) 2022-04-15 2022-04-15 基于深度学习算法的海浪高度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210398198.8A CN115099296A (zh) 2022-04-15 2022-04-15 基于深度学习算法的海浪高度预测方法

Publications (1)

Publication Number Publication Date
CN115099296A true CN115099296A (zh) 2022-09-23

Family

ID=83287497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210398198.8A Pending CN115099296A (zh) 2022-04-15 2022-04-15 基于深度学习算法的海浪高度预测方法

Country Status (1)

Country Link
CN (1) CN115099296A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523125A (zh) * 2023-04-13 2023-08-01 宁波市气象台 一种基于海面风速预报的浪高预报方法
CN116992781A (zh) * 2023-09-27 2023-11-03 浙江大学海南研究院 基于深度学习的多步多要素风浪预报方法
CN117031310A (zh) * 2023-09-05 2023-11-10 南京工业大学 一种电动汽车动力电池剩余使用寿命预测方法
CN117314330A (zh) * 2023-09-01 2023-12-29 湖南工商大学 一种基于数字孪生的智能制造***

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523125A (zh) * 2023-04-13 2023-08-01 宁波市气象台 一种基于海面风速预报的浪高预报方法
CN116523125B (zh) * 2023-04-13 2023-10-20 宁波市气象台 一种基于海面风速预报的浪高预报方法
CN117314330A (zh) * 2023-09-01 2023-12-29 湖南工商大学 一种基于数字孪生的智能制造***
CN117031310A (zh) * 2023-09-05 2023-11-10 南京工业大学 一种电动汽车动力电池剩余使用寿命预测方法
CN116992781A (zh) * 2023-09-27 2023-11-03 浙江大学海南研究院 基于深度学习的多步多要素风浪预报方法
CN116992781B (zh) * 2023-09-27 2023-12-26 浙江大学海南研究院 基于深度学习的多步多要素风浪预报方法

Similar Documents

Publication Publication Date Title
CN108022001B (zh) 基于pca和分位数回归森林的短期负荷概率密度预测方法
CN115099296A (zh) 基于深度学习算法的海浪高度预测方法
CN116937579B (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
CN108549962B (zh) 基于历史分段序列搜索和时序稀疏化的风电功率预测方法
CN109581339B (zh) 一种基于头脑风暴自动调整自编码网络的声呐识别方法
CN110837915B (zh) 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法
CN114676742A (zh) 一种基于注意力机制和残差网络的电网异常用电检测方法
CN111628494B (zh) 一种基于逻辑回归法的低压配电网拓扑识别方法及***
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN114169445A (zh) 基于cae和gan混合网络的日前光伏功率预测方法、装置与***
CN114021483A (zh) 基于时域特征与XGBoost的超短期风电功率预测方法
CN112288157A (zh) 一种基于模糊聚类与深度强化学习的风电场功率预测方法
CN112836876B (zh) 一种基于深度学习的配电网线路负荷预测方法
CN110163437B (zh) 基于DPK-means的日前光伏发电功率预测方法
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及***
CN117313795A (zh) 一种基于改进dbo-lstm的智慧楼宇能耗预测方法
CN117151770A (zh) 一种基于注意力机制的lstm碳价预测方法和***
CN111488974A (zh) 基于深度学习神经网络的海洋风能降尺度方法
CN106960260B (zh) 一种便于电力调度的风电功率预测***
CN115641231A (zh) 一种电力***典型场景提取方法、***、电子设备及介质
CN114372640A (zh) 一种基于波动序列分类校正的风电功率预测方法
CN110991743B (zh) 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法
CN114091782A (zh) 中长期电力负荷预测方法
CN112348275A (zh) 一种基于在线增量学习的区域生态环境变化预测方法
CN113297791B (zh) 一种基于改进dbn的风功率组合预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication