CN115358314A - 风电功率预测模型的训练和功率预测的方法、装置和设备 - Google Patents

风电功率预测模型的训练和功率预测的方法、装置和设备 Download PDF

Info

Publication number
CN115358314A
CN115358314A CN202210997703.0A CN202210997703A CN115358314A CN 115358314 A CN115358314 A CN 115358314A CN 202210997703 A CN202210997703 A CN 202210997703A CN 115358314 A CN115358314 A CN 115358314A
Authority
CN
China
Prior art keywords
wind power
mode
prediction
model
data
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
CN202210997703.0A
Other languages
English (en)
Inventor
赵阳
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.)
Tianyi Cloud Technology Co Ltd
Original Assignee
Tianyi Cloud Technology 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 Tianyi Cloud Technology Co Ltd filed Critical Tianyi Cloud Technology Co Ltd
Priority to CN202210997703.0A priority Critical patent/CN115358314A/zh
Publication of CN115358314A publication Critical patent/CN115358314A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Wind Motors (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本申请涉及风电功率预测模型的训练和功率预测的方法、装置和设备，包括：获取历史不同采样点对应原始风电功率序列并进行奇异值分解，根据不同奇异值对应能量贡献值，从所述原始风电功率序列中分解出多个与模态对应风电功率子序列；对各模态风电功率子序列采用滑动窗口取数据，得到各模态窗口数据，并从各模态窗口数据中划分出训练集；采用分布式计算方式，将各模态训练集中窗口数据输入TCN模型进行单模态特征向量提取；利用SVM预测模型根据各单模态特征向量进行单模态下的功率预测，根据各模态下损失函数，调整SVM预测模型及对应模态TCN模型参数。解决现有风电功率预测中应对复杂状况时，存在的预测精度不高的技术问题。

Description

风电功率预测模型的训练和功率预测的方法、装置和设备
技术领域
本发明涉及机器学习在风电领域中的应用，尤其涉及风电功率预测模型的训练和功率预测的方法、装置和设备。
背景技术
随着化石能源的日益枯竭，人类急切需要一种取之不尽用之不竭的替代能源，风能就是其中一种。对一个地区的风电功率预测能够探测该地区的风能储量，作为该地区的风电场投资的重要参考。在电力调度领域，风力发电具有剧烈的短期振荡特性，因此为了规避风力发电带来的电网不平稳运行的风险，需要一种能精准预测风力发电功率的***，使得相关部门安排好备用容量和机组发电计划。
近几年，深度学习技术在风电预测领域取得飞速发展。深度学习利用大量的数据进行训练模型来提取风电功率序列的特征模态，并在各个模态上进行精准的预测，然后将预测结果加权求和形成最终的预测值。
然而现有的单个深度学习模型很难解析复杂多模态的风电功率序列，因而一种将风电功率序列前置分解出子序列，然后再利用深度学习模型，将模态相近的子序列进行短期预测的混合模型应运而生，例如SSA-TCN模型。虽然这种混合模型能够对风电功率的每一个模态设置一个预测模型，极大地提高预测精度，但是风电功率序列分解出来一般有几十个模态，单机预测***无法胜任这样巨大的计算量。
发明内容
本发明提供一种风电功率预测模型方法，引入奇异谱分析彻底解析风电序列，然后利用分布式计算框架加速子模型计算，最终使用支持向量机SVM模型对模态预测结果进行最优化选择，解决现有风电功率预测方法中应对复杂风力状况时，存在的预测精度不高的技术问题。
第一方面，本申请提供一种风电功率预测模型的训练的方法，包括：
获取历史不同采样点对应的原始风电功率序列；
对所述原始风电功率序列进行奇异值分解，根据不同奇异值对应的能量贡献值，从所述原始风电功率序列中分解出多个与模态对应的风电功率子序列；
对各模态的风电功率子序列采用滑动窗口取数据，得到各模态的窗口数据，并从各模态的窗口数据中划分出训练集；
采用分布式计算方式，将各模态训练集中的窗口数据输入时间卷积网络TCN模型进行单模态特征向量提取；
利用SVM预测模型根据各单模态特征向量进行单模态下的功率预测，根据各模态下损失函数，调整所述SVM预测模型及对应模态的TCN模型参数。
在一个或多个实施例，根据不同奇异值对应的能量贡献值，从所述原始风电功率序列中分解出多个与模态对应的风电功率子序列，包括：
将奇异值按照能量贡献值从高到低的顺序排序，得到奇异谱；
从奇异谱中确定噪声部分对应的奇异值，并从原始风电功率序列中，去除噪声部分对应的奇异值所对应的功率；
对于奇异谱中非噪声部分的奇异值，将能量贡献值在设定浮动范围内的奇异值在所述原始风电功率序列中功率值，作为一个模态对应的风电功率子序列。
在一个或多个实施例，对于奇异谱中非噪声部分的奇异值，将能量贡献值在设定浮动范围内的奇异值在所述原始风电功率序列中功率值，作为一个模态对应的风电功率子序列，包括：
将奇异值得到的三元组按照
Figure BDA0003806048960000021
复原为轨迹矩阵的成分矩阵；
将得到的成分矩阵根据如下公式按照副对角线取平均，得到风电功率序列的子序列：
Figure BDA0003806048960000031
其中，N为原始风电功率序列的长度，其中，bs,t是矩阵X′i的第s行、第t列元素，X′i(j)则是分量矩阵X′i序列化以后，第j个采样点的值。
在一个或多个实施例，该方法应用于主控机时，采用分布式计算方式将各模态训练集中的窗口数据输入时间卷积网络TCN模型进行单模态特征向量提取，包括：
主控机将从各模态的窗口数据中划分出训练集分发到各分机器，由分机器将对应模态训练集中的窗口数据输入TCN模型进行单模态特征向量提取，并将提取的单模态特征向量上报给主控机；
利用SVM预测模型根据各单模态特征向量进行单模态下的功率预测，根据各模态下损失函数，调整所述SVM预测模型及对应模态的TCN模型参数，包括：
由主控机利用SVM预测模型根据各单模态特征向量进行单模态下的功率预测，确定各模态下的损失函数，根据各模态下的损失函数产生传递梯度到对应的分机器，由各机器根据传递梯度更新TCN模型参数。
在一个或多个实施例，对各模态的风电功率子序列采用滑动窗口取数据，包括：
确定滑动窗口的长度及滑动步长；
利用滑动步长在各模态的风电功率子序列上滑动，每滑动一次，将滑动长度的数据作为一个样本；
将得到的样本划分为训练集及测试集。
在一个或多个实施例，所述方法还包括：
从各模态测试集中的窗口数据输入对应模态的TCN进行模态特征向量提取，利用SVM预测模型根据提取的特征向量进行单步预测，确定单步预测的精度，将单步预测的功率与之前采样点的功率重新组合为一个滑动窗口长度的新数据，将新数据输入TCN模型，并利用SVM模型再次执行单步预测，重复上述过程至得到设定多步长的预测，并确定设定多步长的预测精度；
确定单步及设定多步长的预测精度达到精度要求时，结束训练，并根据单步和设定多步长的预测精度，确定风电功率预测模型的最佳预测步长。
第二方面，本申请提供一种风电功率预测模型的功率预测的方法，包括：
获取历史不同采样点对应的原始风电功率序列；
对所述原始风电功率序列进行奇异值分解，根据不同奇异值对应的能量贡献值，从所述原始风电功率序列中分解出多个与模态对应的风电功率子序列；
对各模态的风电功率子序列采用滑动窗口取最近采样时间的窗口数据；
将各模态的窗口数据输入TCN模型进行单模态特征向量提取，利用SVM预测模型根据各单模态特征向量进行单模态下未来采样点的功率预测；
利用预测的不同模态下未来采样点的功率，按照奇异值分解的逆过程重构风电功率序列。
第三方面，本申请提供一种风电功率预测模型的训练的装置，包括：
数据处理模块，用于获取历史不同采样点对应的原始风电功率序列；
子序列确定模块，用于对所述原始风电功率序列进行奇异值分解，根据不同奇异值对应的能量贡献值，从所述原始风电功率序列中分解出多个与模态对应的风电功率子序列；
窗口划分模块，用于对各模态的风电功率子序列采用滑动窗口取数据，得到各模态的窗口数据，并从各模态的窗口数据中划分出训练集；
特征向量提取模块，用于采用分布式计算方式，将各模态训练集中的窗口数据输入时间卷积网络TCN模型进行单模态特征向量提取；
参数调整模块，用于利用SVM预测模型根据各单模态特征向量进行单模态下的功率预测，根据各模态下损失函数，调整所述SVM预测模型及对应模态的TCN模型参数。
在一个或多个实施例中，子序列确定模块根据不同奇异值对应的能量贡献值，从所述原始风电功率序列中分解出多个与模态对应的风电功率子序列，包括：
将奇异值按照能量贡献值从高到低的顺序排序，得到奇异谱；
从奇异谱中确定噪声部分对应的奇异值，并从原始风电功率序列中，去除噪声部分对应的奇异值所对应的功率值；
对于奇异谱中非噪声部分的奇异值，将能量贡献值在设定浮动范围内的奇异值对应的所述原始风电功率序列中的功率值，作为一个模态对应的风电功率子序列。
在一个或多个实施例中，所述子序列确定模块还用于对于奇异谱中非噪声部分的奇异值，将能量贡献值在设定浮动范围内的奇异值在所述原始风电功率序列中功率值，作为一个模态对应的风电功率子序列，包括：
将奇异值得到的三元组按照复原为轨迹矩阵的成分矩阵；
将得到的成分矩阵根据如下公式按照副对角线取平均，得到风电功率序列的子序列：
Figure BDA0003806048960000051
其中，N为原始风电功率序列的长度，其中，是矩阵的第s行、第t列元素，则是分量矩阵序列化以后，第j个采样点的值。
在一个或多个实施例中，该方法应用于主控机时，特征向量提取模块将各模态训练集中的窗口数据输入时间卷积网络TCN模型进行单模态特征向量提取，包括：
主控机将从各模态的窗口数据中划分出训练集分发到各分机器，由分机器将对应模态训练集中的窗口数据输入TCN模型进行单模态特征向量提取，并将提取的单模态特征向量上报给主控机；
利用SVM预测模型根据各单模态特征向量进行单模态下的功率预测，根据各模态下损失函数，调整所述SVM预测模型及对应模态的TCN模型参数，包括：
由主控机利用SVM预测模型根据各单模态特征向量进行单模态下的功率预测，确定各模态下的损失函数，根据各模态下的损失函数产生传递梯度到对应的分机器，由各机器根据传递梯度更新TCN模型参数。
在一个或多个实施例中，窗口划分模块对各模态的风电功率子序列采用滑动窗口取数据，包括：
确定滑动窗口的长度及滑动步长；
利用滑动步长在各模态的风电功率子序列上滑动，每滑动一次，将滑动长度的数据作为一个样本；
将得到的样本划分为训练集及测试集。
在一个或多个实施例中，还包括：
最佳步长确定模块，用于从各模态测试集中的窗口数据输入对应模态的TCN模型进行模态特征向量提取，利用SVM预测模型根据提取的特征向量进行单步预测，确定单步预测的精度，将单步预测的功率与之前采样点的功率重新组合为一个滑动窗口长度的新数据，将新数据输入TCN模型，并利用SVM模型再次执行单步预测，重复上述过程至得到设定多步长的预测，并确定设定多步长的预测精度；
确定单步及设定多步长的预测精度达到精度要求时，结束训练，并根据单步和设定多步长的预测精度，确定风电功率预测模型的最佳预测步长。
第四方面，本申请提供一种风电功率预测模型的功率预测的装置，包括：
数据处理模块，用于获取历史不同采样点对应的原始风电功率序列；
子序列确定模块，用于对所述原始风电功率序列进行奇异值分解，根据不同奇异值对应的能量贡献值，从所述原始风电功率序列中分解出多个与模态对应的风电功率子序列；
窗口划分模块，用于对各模态的风电功率子序列采用滑动窗口取数据，得到各模态的窗口数据，并从各模态的窗口数据中划分出训练集；
预测模块，用于采用分布式计算方式，将各模态的窗口数据输入TCN模型进行单模态特征向量提取，利用SVM预测模型根据各单模态特征向量进行单模态下未来采样点的功率预测；
重构模块，利用预测的不同模态下未来采样点的功率，按照奇异值分解的逆过程重构风电功率序列。
第五方面，本申请提供一种风电功率预测模型的训练和功率预测的设备，该设备包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述风电功率预测模型的训练方法，或者执行风电功率预测模型的方法。
本申请提供的风电功率预测模型的方法，具有以下有益效果：
引入奇异谱分析彻底解析风电序列，利用分布式计算框架加速子模型计算，最终使用支持向量机SVM模型对模态预测结果进行最优化选择，解决现有风电功率预测方法中应对复杂风力状况时，存在的预测精度不高的技术问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的风电功率预测模型的训练方法的流程框图；
图2为本申请实施例提供的奇异谱图；
图3为本申请实施例提供的基于分布式计算框架SSA-TCN-SVM预测模型图；
图4为本申请实施例提供的时间卷积网络TCN模型的结构图；
图5为本申请实施例提供的风电功率预测模型的训练方法的整体流程图；
图6为本申请实施例提供的与现有技术性能指标对比图；
图7为本申请实施例提供的风电功率预测模型方法流程图；
图8为本申请实施例提供的风电功率预测模型方法整体示意图；
图9为本申请实施例提供的风电功率预测模型的训练的装置示意图；
图10为本申请实施例提供的风电功率预测模型的功率预测的装置示意图；
图11为本申请实施例提供的风电功率预测模型的训练和功率预测的设备示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
现有单个深度学习模型很难解析复杂多模态的风电功率序列，因而混合模型应运而生。所谓混合模型就是将风电功率序列进行前置的分解环境，分解出子序列，然后再利用深度学习模型，将模态相近的子序列进行短期预测，例如SSA-TCN模型。这种做法能够极大的提升算法的预测精度。然而，风电功率序列分解出来一般有几十个模态，理论上，为每一个模态设置一个模型就可以完美的解析风电功率的所有序列。然而全模态预测对于计算资源消耗非常巨大，因此单机预测***难以胜任。
鉴于以上问题，本申请提供一种风电功率预测模型的训练方法，如图1所示，该方法包括：
步骤S101，获取历史不同采样点对应的原始风电功率序列；
获取风力发电厂的历史运行数据，由于风电场机组有多个，因此需要对风电场各机组的历史功率数据并合并，具体包括同一个采样点的数据进行相加合并，及在时间维度上按照采样顺序确定不同采样点对应的数据，并将存在缺失值的采样点进行缺失值填补，可以填补零值或均值或中位数，筛选出存在异常数据的采样点，并存在异常数据的采样点的功率值设为0，将处理完的结果存入分布式文件***HDFS上。
步骤S102，对原始风电功率序列进行奇异值分解，根据不同奇异值对应的能量贡献值，从所述原始风电功率序列中分解出多个与模态对应的风电功率子序列；
在一个或多个可能的实施例中，将从所述原始风电功率序列分解出的奇异值按照能量贡献值从高到低的顺序排序，得到奇异谱如图2，其中横轴表示74个奇异值，纵轴表示能量贡献值，所述能量贡献值低于设定阈值的尾部为噪声部分，从原始风电功率序列中，去除噪声部分对应的奇异值所对应的功率值。
对于奇异谱中非噪声部分对应的奇异值，将能量贡献值在设定浮动范围内的奇异值对应的所述原始风电功率序列中的功率值，作为一个模态对应的风电功率子序列。
下面给出得到功率子序列的具体方式：
(1)嵌入：从风电功率序列中提取长度为L的滑动窗口向量，按照公式①的方式，作为列向量嵌入到轨迹矩阵当中。
Figure BDA0003806048960000091
其中，aij表示矩阵中第i行第j的数据，xi表示风电功率序列的第i个采样点的功率。
(2)利用施密特正交法逐步求解所有输入矩阵的特征向量，然后根据一定的规则求解奇异值分解的左右特征向量，按照公式②的方式进行奇异值分解，得到三元组
Figure BDA0003806048960000101
Figure BDA0003806048960000102
上述奇异值分解求解左特征向量矩阵U及右特征向量矩阵V的过程中为现有方式，这里不再详述。上述M为对角矩阵。
(3)将奇异值得到的三元组按照公式③所示，复原为轨迹矩阵的成分矩阵；然后将成分矩阵按照公式④所示按照副对角线取平均，得到风电功率序列的子序列：
Figure BDA0003806048960000103
Figure BDA0003806048960000104
其中，N为原始风电功率序列的长度，其中，bs,t是矩阵X′i的第s行、第t列元素，X′i(j)则是分量矩阵X′i序列化以后，第j个采样点的值，上述ui是左特征向量矩阵中的特征向量，vi是右特征向量矩阵中的特征向量。由于风电功率序列的子序列是从原始功率序列中分解出来的，因此可以利用风电功率序列的子序列重构对应的风电功率序列，具体采用如下公式：
X(t)＝X′1(t)+X′2(t)+…+X′r(t) ⑤
在模型训练阶段，不需要进行风电功率序列重构，需要根据分解的风电功率子序列进行子模型训练。
步骤S103，对各模态的风电功率子序列采用滑动窗口取数据，得到各模态的窗口数据，并从各模态的窗口数据中划分出训练集；
根据使用的历史数据采样点，确定每个模态对应的子序列取数据的窗口步长。将每一个风电功率子序列进行窗口化，即，将序列中的元素替换为一个长度为L的窗口数据，并按照窗口步长滑动取下一个窗口数据，最终得到多个窗口数据，将这多个窗口数据作为样本集分为测试集合和训练集，示例性地，可以按照70％的比例划分训练集和测试集。
以滑动步长为1个采样点为例，将风电功率子序列第1～L个采样点的功率作为一个窗口数据即作为一个样本，将2～L+1个采样点的功率作为一个样本，以此类推得到其他样本。
在一个或多个可能的实施例中，对各模态的风电功率子序列采用滑动窗口取数据，包括：
确定滑动窗口的长度及滑动步长；
利用滑动步长在各模态的风电功率子序列上滑动，每滑动一次，将滑动长度的数据作为一个样本；
将得到的样本划分为训练集及测试集。
步骤S104，采用分布式计算方式，将各模态训练集中的窗口数据输入时间卷积网络TCN模型进行单模态特征向量提取；
TCN模型包括输入层、特征向量提取层及输出层，输入层输入窗口数据，特征提取层提取单模态的窗口数据的短期特征，输出层输出对应的单模态特征向量。
步骤S105，利用SVM预测模型根据各单模态特征向量进行单模态下的功率预测，根据各模态下损失函数，调整所述SVM预测模型及对应模态的TCN模型参数。
本申请利用SVM预测模型基于单模态特征向量对未来采样点的功率进行预测，针对各个TCN模型，根据预测的功率及真实功率确定损失函数，根据损失函数确定对应TCN模型调整参数及SVM预测模型的调整参数。
本申请实施例基于分布式***设计算法，对风电序列经由时间序列分解算法分解，然后再借由深度学习进行特征提取，最终将所有子模型的预测结果，借由回归算法进行拟合，得到精度较高的最终结果。本申请将复杂多模态、强随机性、强不确定性的风电功率序列进行奇异谱分解，可以利用分布式计算框集群的高算力彻底分解风电功率；同时本申请引入了一种基于SSA-TCN-SVM的时间卷积网络，能够充分提取风电功率序列所有短期特征从而让预测的曲线表达更多细节。此外，引入卷积网络后，输入序列的各个元素都经过同样的卷积操作获得最终结果，其结果的预测滞后性得到了明显的改善。本申请将SSA-TCN-SVN使用分布式训练的方法，同时并行运算，加快矩阵分解、子序列生成和训练速度，利用分布式场景扩大模型数量，求得更精确的预测结果。本方法还采用SVM，对各子模型的输出序列进行最优化的选择，对主要功率因素的序列扩大权重因子，对非主要的次要分量进行抑制，从而降低风电序列的随机性和不确定性，找到真正的趋势项和主要的细节分量。
在一个或多个可能的实施例中，该方法应用于主控机时，采用分布式计算方式，将各模态训练集中的窗口数据输入时间卷积网络TCN模型进行单模态特征向量提取，包括：
主控机将从各模态的窗口数据中划分出训练集分发到各分机器，由分机器将对应模态训练集中的窗口数据输入TCN模型进行单模态特征向量提取，并将提取的单模态特征向量上报给主控机；
利用SVM预测模型根据各单模态特征向量进行单模态下的功率预测，根据各模态下损失函数，调整所述SVM预测模型及对应模态的TCN模型参数，包括：
由主控机利用SVM预测模型根据各单模态特征向量进行单模态下的功率预测，确定各模态下的损失函数，根据各模态下的损失函数产生传递梯度到对应的分机器，由各机器根据传递梯度更新TCN模型参数。
本实施例提供的基于分布式计算框架SSA-TCN-SVM预测模型图3所示，其中每个机器包含一个TCN子模型，TCN是temperal convolutional network，即时间卷积网络。
TCN可以提取风电功率序列的短期特征，将提取的特征向量输出到主控机。
各从机器拥有前向和反向两个功能，前向用于产生基于该模态而最终输出，反向用于获得主控机的传递梯度，并基于此更新子模型的参数。
主控机用于产最终输出、损失函数。基于损失函数结果产生传递梯度broadcast到各机器，将损失函数值与阈值对比，设置早停策略，从而终止训练。因为风力环境是不断变化的，例如冬天和夏天的模型肯定有所不同。为了让分布式计算框架获得动态模型更新的功能，将主控机用于大周期的模型训练，每一个大周期进行阶段性模型训练并发布模型正式预测。但在大周期内个小周期内，主控机维持运行参数是正常运行模式，预训主控机则是在训练模式，不断的备份主控机上的历史数据，并且控制个从机器在闲时进行训练，一旦发现预测精度下降到阈值以下，就进行参数更新。这样双周期训练充分利用机器，并适用于随时变化的风力环境，动态调整模型。
本申请实施例在模型训练是进行单步预测，如图4所示为时间卷积网络TCN模型结构示意图，该时间卷积网络由一维因果卷积组成，因而具有时序性。TCN模型结合残差网络和扩张卷积，以达到同长度输入序列所需网络深度极大降低的效果，从而降低梯度消失的影响。
本申请训练过程中，TCN模型结合SVM模型进行单步预测，预测下一个未来采样点时刻的数据，如图4所示，输入第1～n个采样点时刻的数据，输出第2～n+1个采样点时刻的数据。
在一个或多个可能的实施例中，该方法还包括：
从各模态测试集中的窗口数据输入对应模态的TCN模型进行单模态特征向量提取，利用SVM预测模型根据提取的单模态特征向量进行单步预测，确定单步预测的精度，将单步预测的功率与之前采样点的功率重新组合为一个滑动窗口长度的新数据，将新数据输入TCN模型，并利用SVM模型再次执行单步预测，重复上述过程至得到设定多步长的预测，并确定设定多步长的预测精度；
确定单步及设定多步长的预测精度达到精度要求时，结束训练，并根据单步和设定多步长的预测精度，确定风电功率预测模型的最佳预测步长。
上述步骤S105，本申请实施例将传统TCN模型应用的DenseLayer层替换支持向量机优化的SVM模型，采用SVM模型向量优化理论预测未来采样点的功率，可以得到更好的预测效果。
下面对SVM优化理论进行解释，公式中涉及的各个符号可以相关技术确定，这里不再表述。支持向量机的优化问题可以采用如下公式表达：
Figure BDA0003806048960000141
该优化问题的对偶问题：
Figure BDA0003806048960000142
输出层参数更新：
Figure BDA0003806048960000143
Figure BDA0003806048960000144
采用SVM模型向量优化理论预测未来采样点的功率，将线性的回归问题，基于核函数空间上，将线性问题转化为非线性问题，从而更好的分离出各样本点的边界。使用SVM模型可以拥有更好的泛性。能够让我们训练的风电预测模型承受更复杂的风电场景，并获得较为准确的预测结果。
如图5为本申请实施例中风电功率预测模型的训练方法的整体流程图，具体包括：
步骤S501，获取历史不同采样点对应的原始风电功率序列；
步骤S502，对风电功率序列历史值进行预处理，缺失值填补零值或均值或中位数，异常值设为0；
步骤S503，对预处理过的风电功率序列进行奇异谱分解，根据奇异谱去除噪声，将非噪声部分分解出多个与模态对应的风电功率子序列；
对预处理过的风电功率序列进行奇异值分解得到奇异谱，根据奇异谱去除风电功率序列中能量贡献值低于设定阈值的噪声部分，并将非噪声部分分解出多个与模态对应的风电功率子序列。
步骤S504，对各模态的风电功率子序列采用滑动窗口取数据，将得到各模态的窗口数据，并划分出训练集和测试集；
步骤S505，将各模态训练集中的窗口数据输入时间卷积网路TCN模型进行单模态特征向量提取并发送到主控机；
步骤S506，主控机利用SVM预测模型根据各单模态特征向量进行单模态下的功率预测，计算损失函数并产生传递梯度到对应的分机器，调整所述SVM预测模型及对应模态的TCN模型参数；
步骤S507，各机器根据传递梯度更新TCN模型参数，至主控机确认TCN模型收敛时执行步骤S508；
步骤S508，将各模态测试集中的窗口数据输入对应模态的TCN模型进行模态特征向量提取并发送到主控机；
步骤S509，主控机利用SVM预测模型根据提取的特征向量进行单步预测，确定单步预测的精度；
步骤S510，将单步预测的功率与之前采样点的功率重新组合为一个滑动窗口长度的新数据，将新数据输入TCN模型，并利用SVM预测模型再次执行单步预测，重复上述过程，至得到设定多步长的预测，并确定设定多步长的预测精度；
步骤S511，确定单步及设定多步长的预测精度达到精度要求时，结束训练，并根据单步和设定多步长的预测精度，确定风电功率预测模型的最佳预测步长。
如图6所示，本发明所提出的方法相比于对比方法在性能上具有大幅的提升。
可以看出，SSA-TCN-SVM的RMSE最小，R2最高，说明SSA-TCN-SVM较好地拟合真实曲线，具有最小的预测误差振荡，预测精度最高。与SSA-TCN-SVM相比，TCN模型的R2指数下降最快，而SSA-TCN-SVM的R2指数下降最慢。
本申请实施例还提供一种风电功率预测模型的功率预测的方法，如图7所示，包括：
步骤701，获取历史不同采样点对应的原始风电功率序列；
步骤702，对所述原始风电功率序列进行奇异值分解，根据不同奇异值对应的能量贡献值，从所述原始风电功率序列中分解出多个与模态对应的风电功率子序列；
步骤703，对各模态的风电功率子序列采用滑动窗口取最近采样时间的窗口数据；
步骤704，将各模态的窗口数据输入TCN模型进行单模态特征向量提取，利用SVM预测模型根据各单模态特征向量进行单模态下未来采样点的功率预测；
步骤705，利用预测的不同模态下未来采样点的功率，按照奇异值分解的逆过程重构风电功率序列。
在应用风电功率预测模型进行未来采样点功率预测时，可以预测单步采样点的功率，也可以预测最佳预测步长的采样点功率，或者根据需求预测未来一段时间内采样点的功率，采用将新预测的数据与之前的数据组合输入模型的方式得到，具体方式参见上述描述，这里不再重述。
如图8所示，为风电功率预测模型方法整体示意图，其中原始风电功率序列进行奇异值分解的方式参见上述实施例；将得到的各风电功率子序列分到对应的分机器，由各分机器利用TCN模型进行单模态特征向量提取，利用SVM预测模型根据各单模态特征向量进行单模态下未来采样点的功率预测然后不断生成新的输入再预测后续采样点的数据，将预测的结果发送到主控机，由主控机的SVM回归预测模型，确定将不同模态未来预设时间段内采样点的风电功率子序列，按照奇异值分解的逆过程重构为预测的风电功率序列。
基于相同的发明构思，本申请还提供一种风电功率预测模型的训练的装置，如图9所示，包括：
数据处理模块901，用于获取历史不同采样点对应的原始风电功率序列；
子序列确定模块902，用于对所述原始风电功率序列进行奇异值分解，根据不同奇异值对应的能量贡献值，从所述原始风电功率序列中分解出多个与模态对应的风电功率子序列；
窗口划分模块903，用于对各模态的风电功率子序列采用滑动窗口取数据，得到各模态的窗口数据，并从各模态的窗口数据中划分出训练集；
特征向量提取模块904，用于采用分布式计算方式，将各模态训练集中的窗口数据输入时间卷积网络TCN模型进行单模态特征向量提取；
参数调整模块905，用于利用SVM预测模型根据各单模态特征向量进行单模态下的功率预测，根据各模态下损失函数，调整所述SVM预测模型及对应模态的TCN模型参数。
基于相同的发明构思，本申请还提供一种风电功率预测模型的功率预测的装置，如图10所示，包括：
数据处理模块1001，用于获取历史不同采样点对应的原始风电功率序列；
子序列确定模块1002，用于对所述原始风电功率序列进行奇异值分解，根据不同奇异值对应的能量贡献值，从所述原始风电功率序列中分解出多个与模态对应的风电功率子序列；
窗口划分模块1003，用于对各模态的风电功率子序列采用滑动窗口取数据，得到各模态的窗口数据，并从各模态的窗口数据中划分出训练集；
预测模块1004，用于采用分布式计算方式，将各模态的窗口数据输入TCN模型进行单模态特征向量提取，利用SVM预测模型根据各单模态特征向量进行单模态下未来采样点的功率预测；
重构模块1005，利用预测的不同模态下未来采样点的功率，按照奇异值分解的逆过程重构风电功率序列。
基于相同的发明构思，本申请还提供一种风电功率预测模型的训练和功率预测的设备1100，如图11所示，包括至少一个处理器1102；以及与所述至少一个处理器通信连接的存储器1001；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述风电功率预测模型的训练方法，或者执行风电功率预测模型的方法。
存储器1101用于存储程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。存储器1101可以为易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，简称RAM)；也可以为非易失性存储器(non-volatile memory)，例如快闪存储器(flash memory)，硬盘(hard disk drive，简称HDD)或固态硬盘(solid-state drive，简称SSD)；还可以为上述任一种或任多种易失性存储器和非易失性存储器的组合。
处理器1102可以是中央处理器(central processing unit，简称CPU)，网络处理器(network processor，简称NP)或者CPU和NP的组合。还可以是硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit，简称ASIC)，可编程逻辑器件(programmable logic device，简称PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device，简称CPLD)，现场可编程逻辑门阵列(field-programmable gate array，简称FPGA)，通用阵列逻辑(generic array logic，简称GAL)或其任意组合。
本公开实施例还提供一种计算机程序产品，当所述计算机程序产品在电子设备上运行时，使得所述电子设备执行实现本公开实施例上述任意一项风电功率预测模型方法或任意一项风电功率预测模型方法任一可能涉及的方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站的站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站的站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
以上对本申请所提供的技术方案进行了详细介绍，本申请中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种风电功率预测模型的训练方法，其特征在于，包括：
获取历史不同采样点对应的原始风电功率序列；
对所述原始风电功率序列进行奇异值分解，根据不同奇异值对应的能量贡献值，从所述原始风电功率序列中分解出多个与模态对应的风电功率子序列；
对各模态的风电功率子序列采用滑动窗口取数据，得到各模态的窗口数据，并从各模态的窗口数据中划分出训练集；
采用分布式计算方式，将各模态训练集中的窗口数据输入时间卷积网络TCN模型进行单模态特征向量提取；
利用SVM预测模型根据各单模态特征向量进行单模态下的功率预测，根据各模态下损失函数，调整所述SVM预测模型及对应模态的TCN模型参数。
2.如权利要求1所述的方法，其特征在于，根据不同奇异值对应的能量贡献值，从所述原始风电功率序列中分解出多个与模态对应的风电功率子序列，包括：
将奇异值按照能量贡献值从高到低的顺序排序，得到奇异谱；
从奇异谱中确定噪声部分对应的奇异值，并从原始风电功率序列中，去除噪声部分对应的奇异值所对应的功率值；
对于奇异谱中非噪声部分的奇异值，将能量贡献值在设定浮动范围内的奇异值对应的所述原始风电功率序列中的功率值，作为一个模态对应的风电功率子序列。
3.如权利要求2所述的方法，其特征在于，对于奇异谱中非噪声部分的奇异值，将能量贡献值在设定浮动范围内的奇异值在所述原始风电功率序列中功率值，作为一个模态对应的风电功率子序列，包括：
将奇异值得到的三元组按照
Figure FDA0003806048950000011
复原为轨迹矩阵的成分矩阵；
将得到的成分矩阵根据如下公式按照副对角线取平均，得到风电功率序列的子序列：
Figure FDA0003806048950000021
其中，N为原始风电功率序列的长度，其中，bs,t是矩阵Xi′的第s行、第t列元素，Xi′(j)则是分量矩阵Xi′序列化以后，第j个采样点的值。
4.如权利要求1所述的方法，其特征在于，该方法应用于主控机时，采用分布式计算方式，将各模态训练集中的窗口数据输入时间卷积网络TCN模型进行单模态特征向量提取，包括：
主控机将从各模态的窗口数据中划分出训练集分发到各分机器，由分机器将对应模态训练集中的窗口数据输入TCN模型进行单模态特征向量提取，并将提取的单模态特征向量上报给主控机；
利用SVM预测模型根据各单模态特征向量进行单模态下的功率预测，根据各模态下损失函数，调整所述SVM预测模型及对应模态的TCN模型参数，包括：
由主控机利用SVM预测模型根据各单模态特征向量进行单模态下的功率预测，确定各模态下的损失函数，根据各模态下的损失函数产生传递梯度到对应的分机器，由各机器根据传递梯度更新TCN模型参数。
5.如权利要求1所述的方法，其特征在于，对各模态的风电功率子序列采用滑动窗口取数据，包括：
确定滑动窗口的长度及滑动步长；
利用滑动步长在各模态的风电功率子序列上滑动，每滑动一次，将滑动长度的数据作为一个样本；
将得到的样本划分为训练集及测试集。
6.如权利要求5所述的方法，其特征在于，还包括：
从各模态测试集中的窗口数据输入对应模态的TCN模型进行单模态特征向量提取，利用SVM预测模型根据提取的单模态特征向量进行单步预测，确定单步预测的精度，将单步预测的功率与之前采样点的功率重新组合为一个滑动窗口长度的新数据，将新数据输入TCN模型，并利用SVM模型再次执行单步预测，重复上述过程至得到设定多步长的预测，并确定设定多步长的预测精度；
确定单步及设定多步长的预测精度达到精度要求时，结束训练，并根据单步和设定多步长的预测精度，确定风电功率预测模型的最佳预测步长。
7.一种风电功率预测模型的功率预测方法，其特征在于，包括：
获取历史不同采样点对应的原始风电功率序列；
对所述原始风电功率序列进行奇异值分解，根据不同奇异值对应的能量贡献值，从所述原始风电功率序列中分解出多个与模态对应的风电功率子序列；
对各模态的风电功率子序列采用滑动窗口取最近采样时间的窗口数据；
将各模态的窗口数据输入TCN模型进行单模态特征向量提取，利用SVM模型预测模型根据各单模态特征向量进行单模态下未来采样点的功率预测；
利用预测的不同模态下未来采样点的功率，按照奇异值分解的逆过程重构风电功率序列。
8.一种风电功率预测模型的训练的装置，其特征在于，包括：
数据处理模块，用于获取历史不同采样点对应的原始风电功率序列；
子序列确定模块，用于对所述原始风电功率序列进行奇异值分解，根据不同奇异值对应的能量贡献值，从所述原始风电功率序列中分解出多个与模态对应的风电功率子序列；
窗口划分模块，用于对各模态的风电功率子序列采用滑动窗口取数据，得到各模态的窗口数据，并从各模态的窗口数据中划分出训练集；
特征向量提取模块，用于采用分布式计算方式，将各模态训练集中的窗口数据输入时间卷积网络TCN模型进行单模态特征向量提取；
参数调整模块，用于利用SVM预测模型根据各单模态特征向量进行单模态下的功率预测，根据各模态下损失函数，调整所述SVM预测模型及对应模态的TCN模型参数。
9.一种风电功率预测模型的功率预测的装置，其特征在于，包括：
数据处理模块，用于获取历史不同采样点对应的原始风电功率序列；
子序列确定模块，用于对所述原始风电功率序列进行奇异值分解，根据不同奇异值对应的能量贡献值，从所述原始风电功率序列中分解出多个与模态对应的风电功率子序列；
窗口划分模块，用于对各模态的风电功率子序列采用滑动窗口取数据，得到各模态的窗口数据，并从各模态的窗口数据中划分出训练集；
预测模块，用于采用分布式计算方式，将各模态的窗口数据输入TCN模型进行单模态特征向量提取，利用SVM预测模型根据各单模态特征向量进行单模态下未来采样点的功率预测；
重构模块，利用预测的不同模态下未来采样点的功率，按照奇异值分解的逆过程重构风电功率序列。
10.一种风电功率预测模型的电子设备，其特征在于，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-6中任何一项所述的方法，或者执行如权利要求7所述的方法。
CN202210997703.0A 2022-08-19 2022-08-19 风电功率预测模型的训练和功率预测的方法、装置和设备 Pending CN115358314A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210997703.0A CN115358314A (zh) 2022-08-19 2022-08-19 风电功率预测模型的训练和功率预测的方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210997703.0A CN115358314A (zh) 2022-08-19 2022-08-19 风电功率预测模型的训练和功率预测的方法、装置和设备

Publications (1)

Publication Number Publication Date
CN115358314A true CN115358314A (zh) 2022-11-18

Family

ID=84002521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210997703.0A Pending CN115358314A (zh) 2022-08-19 2022-08-19 风电功率预测模型的训练和功率预测的方法、装置和设备

Country Status (1)

Country Link
CN (1) CN115358314A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117093815A (zh) * 2023-10-10 2023-11-21 浙江威格泵业有限公司 一种用于bmc变频循环屏蔽泵流速检测技术

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117093815A (zh) * 2023-10-10 2023-11-21 浙江威格泵业有限公司 一种用于bmc变频循环屏蔽泵流速检测技术
CN117093815B (zh) * 2023-10-10 2024-01-26 浙江威格泵业有限公司 一种用于bmc变频循环屏蔽泵流速检测方法

Similar Documents

Publication Publication Date Title
CN110533183B (zh) 流水线分布式深度学习中异构网络感知的任务放置方法
CN110826803A (zh) 一种电力现货市场的电价预测方法及装置
CN116306798A (zh) 一种超短时风速预测方法及***
CN115358314A (zh) 风电功率预测模型的训练和功率预测的方法、装置和设备
CN113094899B (zh) 一种随机潮流计算方法、装置、电子设备及存储介质
CN116799796A (zh) 一种光伏发电功率预测方法、装置、设备及介质
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
CN114298132A (zh) 风电功率预测方法及装置、电子设备
CN114239396A (zh) 一种风机齿轮箱状态预测方法及***
CN111400964B (zh) 一种故障发生时间预测方法及装置
CN111931990B (zh) 基于优化最小二乘支持向量机的电力负荷预测方法
CN117220283A (zh) 一种光伏发电功率预测方法、装置和设备
CN104573331A (zh) 一种基于MapReduce的K近邻数据预测方法
CN115438590B (zh) 一种基于bp神经网络的降水预报订正方法及***
CN109299725B (zh) 一种张量链并行实现高阶主特征值分解的预测***和装置
CN117054803A (zh) 一种含分布式光伏配电网接地故障辨识方法及***
CN108985622B (zh) 一种基于dag的电力***稀疏矩阵并行求解方法和***
CN109840308B (zh) 一种区域风电功率概率预报方法及***
CN110991741A (zh) 一种基于深度学习的断面约束概率预警方法及***
CN116628488A (zh) 风电功率预测模型的训练方法、风电功率预测方法及设备
CN108268982B (zh) 一种大规模有源配电网分解策略评价方法和装置
CN113947237A (zh) 一种基于ams-tcn的风电功率误差修正方法
CN117748500B (zh) 光伏功率预测方法、装置、设备及介质
CN117435308B (zh) 一种基于并行计算算法的Modelica模型仿真方法及***
CN117458478A (zh) 一种基于奇异谱分析的短期风功率预测方法

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