CN116128130B - 一种基于图神经网络的短期风能数据预测方法及装置 - Google Patents
一种基于图神经网络的短期风能数据预测方法及装置 Download PDFInfo
- Publication number
- CN116128130B CN116128130B CN202310075122.6A CN202310075122A CN116128130B CN 116128130 B CN116128130 B CN 116128130B CN 202310075122 A CN202310075122 A CN 202310075122A CN 116128130 B CN116128130 B CN 116128130B
- Authority
- CN
- China
- Prior art keywords
- wind energy
- data
- energy data
- cgnn
- layer
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 38
- 230000004927 fusion Effects 0.000 claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000010248 power generation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G06N3/08—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"
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于图神经网络的短期风能数据预测方法及装置,通过对历史风能数据进行数据预处理,得到标准历史风能数据;构建包括CNN模块、GNN模块和时序卷积模块的初始CGNN模型;将标准历史风能数据输入到初始CGNN模型中,以使CNN模块对标准历史风能数据进行特征提取,得到稀疏图邻接矩阵,GNN模块对稀疏图邻接矩阵进行节点信息融合,得到信息融合图结构,时序卷积模块对信息融合图结构进行高维特征提取,得到第一风能预测数据;将采集的待预测地区的第一历史风能数据输入CGNN模型中,得到短期风能预测数据;与现有技术相比,本发明通过构建CGNN模型,能综合考虑各信息节点间的关系,提高风能预测数据的准确性。
Description
技术领域
本发明涉及能源经济大数据预测的技术领域,特别是涉及一种基于图神经网络的短期风能数据预测方法及装置。
背景技术
为了解决碳排放问题,风力发电和光伏发电是当前最主流的两种新能源发电形式,然而,新能源发电技术受气象因素、日夜周期等因素影响较大,具有较强的波动性和间歇性,这与能源供应所需的稳定性是相悖的。如此高比例的新能源电力如果直接接入电力***中会增大电网调度的难度并增加风险。为了能保证新能源电力***的可控运行,我们提出对于新能源数据预测的方法。此法能够帮助新能源发电***稳定运行、节约运行成本并且提升***的安全性和稳定性。
新能源功率预测是降低新能源随机性的关键技术方法,一般是基于新能源厂附近的气象预报数据、新能源功率数据和气象观测数据等动态数据,建立包含场地位置和设备参数模型去预测未来一段时间内新能源厂发电效率。在新能源大数据的预测方案中,短期预测是最有效的方法。
现有的经典预测模型和机器学习以及深度学习的预测方法,在针对时间序列数据的预测中都各有优劣;但是,时间序列数据特有的一些特征让简单的单种方法在预测数据时难以达到很好的效果,这些特点包括:(1)难以确定数据属于线性还是非线性,无法确定特定模型的有效性;(2)实际生产中的风能数据往往是混合着线性与非线性的,很少出现完全的线性数据或完全的非线性数据;(3)预测模型只能匹配对应的情况,单个模型不能捕捉不同的时间序列模式。
发明内容
本发明要解决的技术问题是:提供一种基于图神经网络的短期风能数据预测方法及装置,通过构建CGNN模型,能综合考虑各信息节点间的关系,提高风能预测数据的准确性。
为了解决上述技术问题,本发明提供了一种基于图神经网络的短期风能数据预测方法,包括:
获取历史风能数据,并对所述历史风能数据进行数据预处理,得到标准历史风能数据,其中,所述历史风能数据包括风速、温度、空气密度和气压;
构建初始CGNN模型,其中,所述CGNN模型包括CNN模块、GNN模块和时序卷积模块;
将所述标准历史风能数据输入到所述初始CGNN模型中,以使所述CNN模块对所述标准历史风能数据进行特征提取,得到稀疏图邻接矩阵,将所述稀疏图邻接矩阵发送给所述GNN模块,以使所述GNN模块对所述稀疏图邻接矩阵进行节点信息融合,得到信息融合图结构,并将所述信息融合图结构发送给所述时序卷积模块,以使所述时序卷积模块对所述信息融合图结构进行高维特征提取,得到第一风能预测数据,基于所述第一风能预测数据,判断是否需要重新对所述初始CGNN模型进行模型训练,若否,则确定CGNN模型;
采集待预测地区的第一历史风能数据,将所述第一历史风能数据输入到所述CGNN模型中,得到短期风能预测数据。
在一种可能的实现方式中,对所述历史风能数据进行数据预处理,得到标准历史风能数据,具体包括:
判断所述历史风能数据中是否存在缺失数据,若是,则基于时序指数平滑法,对所述历史风能数据进行插值处理,得到插值历史风能数据;
对所述插值历史风能数据进行归一化处理,得到标准历史风能数据。
在一种可能的实现方式中,所述CNN模块对所述标准历史风能数据进行特征提取,得到稀疏图邻接矩阵,具体包括:
基于所述CNN模块分别对所述风速、所述温度、所述空气密度和所述气压进行特征提取,分别得到所述风速、所述温度、所述空气密度和所述气压对风能的影响权重,基于所述影响权重,分别构建风速稀疏图邻接矩阵、温度稀疏图邻接矩阵、空气密度稀疏图邻接矩阵和气压稀疏图邻接矩阵。
在一种可能的实现方式中,所述GNN模块包括第一混合传播层和第二混合传播层,其中,所述第一混合传播层包括第一信息传播层和第一信息选择层,所述第二混合传播层包括第二信息传播层和第二信息选择层。
在一种可能的实现方式中,所述第一信息传播层和所述第二信息传播层的计算公式,如下所示:
其中,β是超参数,用来控制原始节点信息的比例,k表示信息传播层的深度,Hin表示当前层前一层的输出,A表示的是稀疏图邻接矩阵,Hin=H(),H()为第k个信息传播层的输出。
在一种可能的实现方式中,所述第一信息选择层和所述第二信息选择层的计算公式,如下所示:
其中,W()为参数矩阵,Hout则表示当前层的隐层输出状态,k表示信息传播层的深度,H()为第k个信息传播层的输出。
在一种可能的实现方式中,所述时序卷积模块包括第一inception层和第二inception层,其中,所述第一inception层连接tanh激活函数,所述第二inception层连接sigmoid激活函数。
本发明还提供了一种基于图神经网络的短期风能数据预测装置,包括:历史风能数据预处理单元、初始CGNN模型构建单元、初始CGNN模型训练单元和数据预测单元;
其中,所述历史风能数据预处理单元,用于获取历史风能数据,并对所述历史风能数据进行数据预处理,得到标准历史风能数据,其中,所述历史风能数据包括风速、温度、空气密度和气压;
所述初始CGNN模型构建单元,用于构建初始CGNN模型,其中,所述CGNN模型包括CNN模块、GNN模块和时序卷积模块;
所述初始CGNN模型训练单元,用于将所述标准历史风能数据输入到所述初始CGNN模型中,以使所述CNN模块对所述标准历史风能数据进行特征提取,得到稀疏图邻接矩阵,将所述稀疏图邻接矩阵发送给所述GNN模块,以使所述GNN模块对所述稀疏图邻接矩阵进行节点信息融合,得到信息融合图结构,并将所述信息融合图结构发送给所述时序卷积模块,以使所述时序卷积模块对所述信息融合图结构进行高维特征提取,得到第一风能预测数据,基于所述第一风能预测数据,判断是否需要重新对所述初始CGNN模型进行模型训练,若否,则确定CGNN模型;
所述数据预测单元,用于采集待预测地区的第一历史风能数据,将所述第一历史风能数据输入到所述CGNN模型中,得到短期风能预测数据。
在一种可能的实现方式中,所述历史风能数据预处理单元,用于对所述历史风能数据进行数据预处理,得到标准历史风能数据,具体包括:
判断所述历史风能数据中是否存在缺失数据,若是,则基于时序指数平滑法,对所述历史风能数据进行插值处理,得到插值历史风能数据;
对所述插值历史风能数据进行归一化处理,得到标准历史风能数据。
在一种可能的实现方式中,所述初始CGNN模型训练单元中所述CNN模块对所述标准历史风能数据进行特征提取,得到稀疏图邻接矩阵,具体包括:
基于所述CNN模块分别对所述风速、所述温度、所述空气密度和所述气压进行特征提取,分别得到所述风速、所述温度、所述空气密度和所述气压对风能的影响权重,基于所述影响权重,分别构建风速稀疏图邻接矩阵、温度稀疏图邻接矩阵、空气密度稀疏图邻接矩阵和气压稀疏图邻接矩阵。
在一种可能的实现方式中,所述GNN模块包括第一混合传播层和第二混合传播层,其中,所述第一混合传播层包括第一信息传播层和第一信息选择层,所述第二混合传播层包括第二信息传播层和第二信息选择层。
在一种可能的实现方式中,所述第一信息传播层和所述第二信息传播层的计算公式,如下所示:
其中,β是超参数,用来控制原始节点信息的比例,k表示信息传播层的深度,Hin表示当前层前一层的输出,A表示的是稀疏图邻接矩阵,Hin=H(),H()为第k个信息传播层的输出。
在一种可能的实现方式中,所述第一信息选择层和所述第二信息选择层的计算公式,如下所示:
其中,W()为参数矩阵,Hout则表示当前层的隐层输出状态,k表示信息传播层的深度,H()为第k个信息传播层的输出。
在一种可能的实现方式中,所述时序卷积模块包括第一inception层和第二inception层,其中,所述第一inception层连接tanh激活函数,所述第二inception层连接sigmoid激活函数。
本发明还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述的基于图神经网络的短期风能数据预测方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的基于图神经网络的短期风能数据预测方法。
本发明实施例一种基于图神经网络的短期风能数据预测方法及装置,与现有技术相比,具有如下有益效果:
通过对历史风能数据进行数据预处理,得到标准历史风能数据;构建包括CNN模块、GNN模块和时序卷积模块的初始CGNN模型;将标准历史风能数据输入到初始CGNN模型中,以使CNN模块对标准历史风能数据进行特征提取,得到稀疏图邻接矩阵,GNN模块对稀疏图邻接矩阵进行节点信息融合,得到信息融合图结构,时序卷积模块对信息融合图结构进行高维特征提取,得到第一风能预测数据;将采集的待预测地区的第一历史风能数据输入CGNN模型中,得到短期风能预测数据;与现有技术相比,本发明通过构建CGNN模型,先利用CNN模块提取有用知识并且学习时间序列数据的内部表示能力,再利用GNN模块处理各变量结点间的依赖关系,最后通过时序卷积模块抽取高维的时序特征。因此,所提出的CGNN模型能综合考虑各信息节点间的关系,提高风能预测数据的准确性。
附图说明
图1是本发明提供的一种基于图神经网络的短期风能数据预测方法的一种实施例的流程示意图;
图2是本发明提供的一种基于图神经网络的短期风能数据预测装置的一种实施例的结构示意图;
图3是本发明提供的一种实施例的CGNN模型结构示意图;
图4是本发明提供的一种实施例的GNN模块结构示意图;
图5是本发明提供的一种实施例的时序卷积模块结构示意图。
具体实施方式
下面将结合本发明中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
参见图1,图1是本发明提供的一种基于图神经网络的短期风能数据预测方法的一种实施例的流程示意图,如图1所示,该方法包括步骤101-步骤104,具体如下:
步骤101:获取历史风能数据,并对所述历史风能数据进行数据预处理,得到标准历史风能数据,其中,所述历史风能数据包括风速、温度、空气密度和气压。
一实施例中,在对待预测地区进行风能数据预测前,需要获取待预测地区的历史风能数据,以使将所述历史风能数据作为模型预测的训练数据,且由于风力的输出一般都与风速、温度、空气密度和气压有关,因此本实施例中获取的历史风能数据包括风速、温度、空气密度和气压,并将上述数据作为输入来训练网络模型,以使能将风速、温度、空气密度和气压等影响风能的多种因素建立起联系,准确的对接下来几天的风能进行预测。
优选的,从气象局中获取该预测地区在近年来的风能数据,作为获取的历史风能数据。
一实施例中,由于特殊的气候条件、仪器故障、网络传输误差等问题,可能导致相关风能数据在采集、换算和传输过程中产生误差,而数据的准确性和预测结果的准确性直接相关,且深度神经网络方法需要高质量的数据用于训练,因此,本实施例中还对获取的历史风能数据进行数据预处理,以使提高后续数模型训练和数据预测的准确性。
一实施例中,在对历史风能数据预处理时,通过判断所述历史风能数据中是否存在缺失数据,若是,则基于时序指数平滑法,对所述历史风能数据进行插值处理,得到插值历史风能数据。
具体的,基于所述历史风能数据中包含的数据类型,将所述历史风能数据划分为历史风速数据、历史温度数据、历史空气密度数据和历史气压数据,分别判断所述历史风速数据、所述历史温度数据、所述历史空气密度数据和所述历史气压数据中是否存在缺失数据,若是,则基于时序指数平滑法,对所述缺失数据进行数据预测,得到数据预测值,基于数据预测值对所述缺失数据进行插值处理,以使将所述数据预测值作为所述缺失数据,得到插值历史风速数据、插值历史温度数据、插值历史空气密度数据和插值历史气压数据,保证数据的可信度和平滑度。
优选的,在对所述缺失数据进行插值处理前,还分别对历史风速数据、历史温度数据、历史空气密度数据和历史气压数据进行异常数据处理,以使去除掉所述历史风速数据、历史温度数据、历史空气密度数据和历史气压数据,并将所述去除后的所述异常数据作为缺失数据。
一实施例中,对所述插值历史风能数据进行归一化处理,得到标准历史风能数据。
具体的,采用最大-最小归一化方法对所述插值历史风能数据进行归一化处理,并将其转化为[0,1]区间内的数据,得到标准历史风能数据,其中,所述标准历史风能数据为包含历史风能数据的时间序列数据。
步骤102:构建初始CGNN模型,其中,所述CGNN模型包括CNN模块、GNN模块和时序卷积模块。
一实施例中,由于CNN网络的特点是能够提取有用的知识并学习时间序列数据的内部表示,而GNN网络的特点可以处理各变量结点间的依赖关系,而时序卷积网络的特点能发现各种范围的时间模式,又能处理非常长的时间序列卷积;因此,本实施例中,通过结合所述CNN模块、所述GNN模块和所述时序卷积模块来构建所述初始CGNN模型,能集合各类深度学习技术的优点。
一实施例中,所述初始CGNN模型,其中,所述CGNN模型包括一个CNN模块、n个GNN模块和n个时序卷积模块,其中,n为正整数,且所述GNN模型的数量与所述CNN模型的数量相同,如图3所示,图是本实施例提供的CGNN模型结构示意图。
一实施例中,所述CNN模块用于对经过数据预处理的历史风能数据进行特征提取,由于该网络本身的特征点就是捕获时间序列之间的隐藏关系,并基于数据自适应地提取稀疏图邻接矩阵。
一实施例中,所述GNN模块用于整合节点以及邻居节点的信息,并且生成对应的图结构;所述GNN模块包括第一混合传播层和第二混合传播层,如图4所示,图4是本发明一种实施例的GNN模块结构示意图;两个混合传播层通过注意力机制来整合单个节点的输入和输出信息,并将单个节点的输入和输出信息进行相加,形成GNN模块的输出,即生成图结构对应的节点信息。
一实施例中,所述第一混合传播层包括第一信息传播层和第一信息选择层,所述第二混合传播层包括第二信息传播层和第二信息选择层。
一实施例中,所述第一信息传播层和第二信息传播层用于递归地传播节点信息;由于在多层图卷积网络中会遇到一个问题,同一个连通图的节点表征会随着网络层数的加深趋向于同一个相同的值,由于过度平滑问题导致无法区分不同的节点;因此,本实施例中通过在所述第一信息传播层和所述第二信息传播层中,加入一个初始节点信息保持因子,这样传播过程中节点既可以保持局部信息,而且还能得到更新的邻居节点信息,所述第一信息传播层和所述第二信息传播层的计算公式,如下所示:
式中,β是超参数,用来控制原始节点信息的比例,k表示信息传播层的深度,Hin表示当前层前一层的输出,A表示的是稀疏图邻接矩阵,Hin=H(),H()为第k个信息传播层的输出。
一实施例中,又由于多层图卷积网络中,还存在一些节点信息丢失后,将如何筛选重要的信息传递下一层的问题,基于此,GNN模块中设置的第一信息选择层和第二信息选择层就提过维护一个参数矩阵用来充当特征选择器;以使对重要的信息进行筛选并传递到下一层;其中,所述第一信息选择层和所述第二信息选择层的计算公式,如下所示:
其中,W()为参数矩阵,Hout则表示当前层的隐层输出状态,k表示信息传播层的深度,H()为第k个信息传播层的输出。
一实施例中,所述时序卷积模块是通过多个标准的一维膨胀卷积核抽取高维的时序特征;所述时序卷积模块包括第一inception层和第二inception层,其中,所述第一inception层连接tanh激活函数,所述第二inception层连接sigmoid激活函数,如图5所示,图5是本实施例提供的时序卷积模块结构示意图。
一实施例中,所述sigmoid激活函数将原始的输入数据转换成0到1之间的数值;所述tanh激活函数用于将原始的输入数据转换成-1到1之间的数值。
步骤103:将所述标准历史风能数据输入到所述初始CGNN模型中,以使所述CNN模块对所述标准历史风能数据进行特征提取,得到稀疏图邻接矩阵,将所述稀疏图邻接矩阵发送给所述GNN模块,以使所述GNN模块对所述稀疏图邻接矩阵进行节点信息融合,得到信息融合图结构,并将所述信息融合图结构发送给所述时序卷积模块,以使所述时序卷积模块对所述信息融合图结构进行高维特征提取,得到第一风能预测数据,基于所述第一风能预测数据,判断是否需要重新对所述初始CGNN模型进行模型训练,若否,则确定CGNN模型。
一实施例中,在构建初始CGNN模型后,还基于得到的标准历史风能数据对所述初始CGNN模型进行模型训练,以使得到训练后预测准确度较高的CGNN模型。
一实施例中,将所述标准历史风能数据按预设比例划分为训练风能数据集和测试风能数据集,基于所述训练风能数据集对所述初始CGNN模型进行模型训练,并基于所述测试风能数据集对训练后的所述初始CGNN模型进行准确度测试。
一实施例中,通过将数据预处理后得到的训练风能数据集输出到CNN模块中,以使所述CNN模块中的卷积层基于标准历史风能数据中的数据类型,分别对标准历史风能数据中的所述风速、所述温度、所述空气密度和所述气压进行特征提取,分别得到所述风速、所述温度、所述空气密度和所述气压对风能的影响权重,基于所述影响权重,分别构建风速稀疏图邻接矩阵、温度稀疏图邻接矩阵、空气密度稀疏图邻接矩阵和气压稀疏图邻接矩阵。
一实施例中,将得到的所述风速稀疏图邻接矩阵、温度稀疏图邻接矩阵、空气密度稀疏图邻接矩阵和气压稀疏图邻接矩阵分别输入到所述GNN模块中,以使基于所述GNN模块中的第一混合传播层整合各个稀疏图邻接矩阵中单个节点的输入信息,得到节点输入数据,并基于第二混合传播层整合各个稀疏图邻接矩阵中单个节点的输出信息,得到节点输出数据,并基于注意力机制整合所述节点输出数据和所述节点输入数据,生成信息融合图结构。
一实施例中,通过利用CNN模块中的卷积层来提取时间序列的内部表示特征;随后将提取到的特征送入GNN构造对应的图结构,可以达到识别时间序列中各节点的关系,进而提供准确的风能预测结果。
一实施例中,对于每个GNN模块生成的信息融合图结构,分别将其输入到对应的时序卷积模块中,以使所述时序卷积模块中的第一inception层和所述第二inception层对所述信息融合图结构进行高维特征提取,得到所述信息融合图结构的高维特征,对每个时序卷积模块输出的高维特征进行残差连接,第一风能预测数据。
一实施例中,得到第一风能预测数据后,还将所述第一风能预测数据与测试数据集中的测试风能数据进行对比,若是所述第一风能预测数据与所述测试风能数据之间的误差小于预设阈值,则认为训练后的初始CGNN模型满足预测需求,将所述初始CGNN模型设置为CGNN模型;若所述第一风能预测数据与所述测试风能数据之间的误差不小于预设阈值,则重新基于训练风能数据对所述初始CGNN模型进行训练,直至所述第一风能预测数据与所述测试风能数据之间的误差小于预设阈值,停止对所述初始CGNN模型进行训练。
步骤104:采集待预测地区的第一历史风能数据,将所述第一历史风能数据输入到所述CGNN模型中,得到短期风能预测数据。
实施例2
参见图2,图2是本发明提供的一种基于图神经网络的短期风能数据预测装置的一种实施例的结构示意图,如图2所示,该装置包括历史风能数据预处理单元201、初始CGNN模型构建单元202、初始CGNN模型训练单元203和数据预测单元204,具体如下:
所述历史风能数据预处理单元201,用于获取历史风能数据,并对所述历史风能数据进行数据预处理,得到标准历史风能数据,其中,所述历史风能数据包括风速、温度、空气密度和气压。
所述初始CGNN模型构建单元202,用于构建初始CGNN模型,其中,所述CGNN模型包括CNN模块、GNN模块和时序卷积模块。
所述初始CGNN模型训练单元203,用于将所述标准历史风能数据输入到所述初始CGNN模型中,以使所述CNN模块对所述标准历史风能数据进行特征提取,得到稀疏图邻接矩阵,将所述稀疏图邻接矩阵发送给所述GNN模块,以使所述GNN模块对所述稀疏图邻接矩阵进行节点信息融合,得到信息融合图结构,并将所述信息融合图结构发送给所述时序卷积模块,以使所述时序卷积模块对所述信息融合图结构进行高维特征提取,得到第一风能预测数据,基于所述第一风能预测数据,判断是否需要重新对所述初始CGNN模型进行模型训练,若否,则确定CGNN模型。
所述数据预测单元204,用于采集待预测地区的第一历史风能数据,将所述第一历史风能数据输入到所述CGNN模型中,得到短期风能预测数据。
一实施例中,所述历史风能数据预处理单元201,用于对所述历史风能数据进行数据预处理,得到标准历史风能数据,具体包括:判断所述历史风能数据中是否存在缺失数据,若是,则基于时序指数平滑法,对所述历史风能数据进行插值处理,得到插值历史风能数据;对所述插值历史风能数据进行归一化处理,得到标准历史风能数据。
一实施例中,所述初始CGNN模型训练单元203中所述CNN模块对所述标准历史风能数据进行特征提取,得到稀疏图邻接矩阵,具体包括:基于所述CNN模块分别对所述风速、所述温度、所述空气密度和所述气压进行特征提取,分别得到所述风速、所述温度、所述空气密度和所述气压对风能的影响权重,基于所述影响权重,分别构建风速稀疏图邻接矩阵、温度稀疏图邻接矩阵、空气密度稀疏图邻接矩阵和气压稀疏图邻接矩阵。
一实施例中,所述GNN模块包括第一混合传播层和第二混合传播层,其中,所述第一混合传播层包括第一信息传播层和第一信息选择层,所述第二混合传播层包括第二信息传播层和第二信息选择层。
一实施例中,所述第一信息传播层和所述第二信息传播层的计算公式,如下所示:
其中,β是超参数,用来控制原始节点信息的比例,k表示信息传播层的深度,Hin表示当前层前一层的输出,A表示的是稀疏图邻接矩阵,Hin=H(),H()为第k个信息传播层的输出。
一实施例中,所述第一信息选择层和所述第二信息选择层的计算公式,如下所示:
其中,W()为参数矩阵,Hout则表示当前层的隐层输出状态,k表示信息传播层的深度,H()为第k个信息传播层的输出。
一实施例中,所述时序卷积模块包括第一inception层和第二inception层,其中,所述第一inception层连接tanh激活函数,所述第二inception层连接sigmoid激活函数。
所属领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不在赘述。
需要说明的是,上述基于图神经网络的短期风能数据预测装置的实施例仅仅是示意性的,其中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单元,即可以位于一个地方,或者也可以分布到多个网络单元上。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。
在上述的基于图神经网络的短期风能数据预测方法的实施例的基础上,本发明另一实施例提供了一种基于图神经网络的短期风能数据预测终端设备,该基于图神经网络的短期风能数据预测终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时,实现本发明任意一实施例的基于图神经网络的短期风能数据预测方法。
示例性的,在这一实施例中所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述基于图神经网络的短期风能数据预测终端设备中的执行过程。
所述基于图神经网络的短期风能数据预测终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于图神经网络的短期风能数据预测终端设备可包括,但不仅限于,处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述基于图神经网络的短期风能数据预测终端设备的控制中心,利用各种接口和线路连接整个基于图神经网络的短期风能数据预测终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于图神经网络的短期风能数据预测终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序等;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在上述基于图神经网络的短期风能数据预测方法的实施例的基础上,本发明另一实施例提供了一种存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时,控制所述存储介质所在的设备执行本发明任意一实施例的基于图神经网络的短期风能数据预测方法。
在这一实施例中,上述存储介质为计算机可读存储介质,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
综上,本发明提供的一种基于图神经网络的短期风能数据预测方法及装置,通过对历史风能数据进行数据预处理,得到标准历史风能数据;构建包括CNN模块、GNN模块和时序卷积模块的初始CGNN模型;将标准历史风能数据输入到初始CGNN模型中,以使CNN模块对标准历史风能数据进行特征提取,得到稀疏图邻接矩阵,GNN模块对稀疏图邻接矩阵进行节点信息融合,得到信息融合图结构,时序卷积模块对信息融合图结构进行高维特征提取,得到第一风能预测数据;将采集的待预测地区的第一历史风能数据输入CGNN模型中,得到短期风能预测数据;与现有技术相比,本发明通过构建CGNN模型,能综合考虑各信息节点间的关系,提高风能预测数据的准确性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (8)
1.一种基于图神经网络的短期风能数据预测方法,其特征在于,包括:
获取历史风能数据,并对所述历史风能数据进行数据预处理,得到标准历史风能数据,其中,所述历史风能数据包括风速、温度、空气密度和气压;
构建初始CGNN模型,其中,所述CGNN模型包括CNN模块、GNN模块和时序卷积模块,所述GNN模块包括第一混合传播层和第二混合传播层,其中,所述第一混合传播层包括第一信息传播层和第一信息选择层,所述第二混合传播层包括第二信息传播层和第二信息选择层;
将所述标准历史风能数据输入到所述初始CGNN模型中,以使所述CNN模块对所述标准历史风能数据进行特征提取,得到稀疏图邻接矩阵,将所述稀疏图邻接矩阵发送给所述GNN模块,以使所述GNN模块对所述稀疏图邻接矩阵进行节点信息融合,得到信息融合图结构,并将所述信息融合图结构发送给所述时序卷积模块,以使所述时序卷积模块对所述信息融合图结构进行高维特征提取,得到第一风能预测数据,基于所述第一风能预测数据,判断是否需要重新对所述初始CGNN模型进行模型训练,若否,则确定CGNN模型;
采集待预测地区的第一历史风能数据,将所述第一历史风能数据输入到所述CGNN模型中,得到短期风能预测数据;
其中,所述CNN模块对所述标准历史风能数据进行特征提取,得到稀疏图邻接矩阵,包括:
基于所述CNN模块分别对所述风速、所述温度、所述空气密度和所述气压进行特征提取,分别得到所述风速、所述温度、所述空气密度和所述气压对风能的影响权重,基于所述影响权重,分别构建风速稀疏图邻接矩阵、温度稀疏图邻接矩阵、空气密度稀疏图邻接矩阵和气压稀疏图邻接矩阵。
2.如权利要求1所述的一种基于图神经网络的短期风能数据预测方法,其特征在于,对所述历史风能数据进行数据预处理,得到标准历史风能数据,具体包括:
判断所述历史风能数据中是否存在缺失数据,若是,则基于时序指数平滑法,对所述历史风能数据进行插值处理,得到插值历史风能数据;
对所述插值历史风能数据进行归一化处理,得到标准历史风能数据。
3.如权利要求1所述的一种基于图神经网络的短期风能数据预测方法,其特征在于,所述第一信息传播层和所述第二信息传播层的计算公式,如下所示:
;
其中,β是超参数,用来控制原始节点信息的比例,k表示信息传播层的深度,表示当前层前一层的输出,A表示的是稀疏图邻接矩阵,/>,/>为第k个信息传播层的输出。
4.如权利要求1所述的一种基于图神经网络的短期风能数据预测方法,其特征在于,所述第一信息选择层和所述第二信息选择层的计算公式,如下所示:
;
其中,为参数矩阵,/>则表示当前层的隐层输出状态,k表示信息传播层的深度,为第k个信息传播层的输出。
5.如权利要求1所述的一种基于图神经网络的短期风能数据预测方法,其特征在于,所述时序卷积模块包括第一inception层和第二inception层,其中,所述第一inception层连接tanh激活函数,所述第二inception层连接sigmoid激活函数。
6.一种基于图神经网络的短期风能数据预测装置,其特征在于,包括:历史风能数据预处理单元、初始CGNN模型构建单元、初始CGNN模型训练单元和数据预测单元;
其中,所述历史风能数据预处理单元,用于获取历史风能数据,并对所述历史风能数据进行数据预处理,得到标准历史风能数据,其中,所述历史风能数据包括风速、温度、空气密度和气压;
所述初始CGNN模型构建单元,用于构建初始CGNN模型,其中,所述CGNN模型包括CNN模块、GNN模块和时序卷积模块,所述GNN模块包括第一混合传播层和第二混合传播层,其中,所述第一混合传播层包括第一信息传播层和第一信息选择层,所述第二混合传播层包括第二信息传播层和第二信息选择层;
所述初始CGNN模型训练单元,用于将所述标准历史风能数据输入到所述初始CGNN模型中,以使所述CNN模块对所述标准历史风能数据进行特征提取,得到稀疏图邻接矩阵,将所述稀疏图邻接矩阵发送给所述GNN模块,以使所述GNN模块对所述稀疏图邻接矩阵进行节点信息融合,得到信息融合图结构,并将所述信息融合图结构发送给所述时序卷积模块,以使所述时序卷积模块对所述信息融合图结构进行高维特征提取,得到第一风能预测数据,基于所述第一风能预测数据,判断是否需要重新对所述初始CGNN模型进行模型训练,若否,则确定CGNN模型;
所述数据预测单元,用于采集待预测地区的第一历史风能数据,将所述第一历史风能数据输入到所述CGNN模型中,得到短期风能预测数据;
所述初始CGNN模型训练单元中所述CNN模块对所述标准历史风能数据进行特征提取,得到稀疏图邻接矩阵,包括:基于所述CNN模块分别对所述风速、所述温度、所述空气密度和所述气压进行特征提取,分别得到所述风速、所述温度、所述空气密度和所述气压对风能的影响权重,基于所述影响权重,分别构建风速稀疏图邻接矩阵、温度稀疏图邻接矩阵、空气密度稀疏图邻接矩阵和气压稀疏图邻接矩阵。
7.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5任意一项所述的基于图神经网络的短期风能数据预测方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的基于图神经网络的短期风能数据预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310075122.6A CN116128130B (zh) | 2023-01-31 | 2023-01-31 | 一种基于图神经网络的短期风能数据预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310075122.6A CN116128130B (zh) | 2023-01-31 | 2023-01-31 | 一种基于图神经网络的短期风能数据预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116128130A CN116128130A (zh) | 2023-05-16 |
CN116128130B true CN116128130B (zh) | 2023-10-24 |
Family
ID=86307768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310075122.6A Active CN116128130B (zh) | 2023-01-31 | 2023-01-31 | 一种基于图神经网络的短期风能数据预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128130B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784041A (zh) * | 2020-06-28 | 2020-10-16 | 中国电力科学研究院有限公司 | 一种基于图卷积神经网络的风电功率预测方法及*** |
CN114048930A (zh) * | 2022-01-13 | 2022-02-15 | 广东电网有限责任公司揭阳供电局 | 一种超短期风电功率预测方法和装置 |
CN114169394A (zh) * | 2021-11-04 | 2022-03-11 | 浙江大学 | 一种多尺度自适应图学习的多变量时间序列预测方法 |
KR20220040968A (ko) * | 2020-09-24 | 2022-03-31 | 고려대학교 산학협력단 | 템퍼럴 컨볼루션 신경망을 활용한 단기 전력 수요 예측 시스템 및 방법 |
WO2022088408A1 (zh) * | 2020-11-02 | 2022-05-05 | 南京博雅区块链研究院有限公司 | 基于图神经网络的交易欺诈检测方法及*** |
CN114792158A (zh) * | 2022-04-01 | 2022-07-26 | 三峡大学 | 基于时空融合图神经网络的多风电场短期功率预测方法 |
CN114818515A (zh) * | 2022-06-24 | 2022-07-29 | 中国海洋大学 | 一种基于自注意力机制和图卷积网络的多维时序预测方法 |
CN114912365A (zh) * | 2022-06-02 | 2022-08-16 | 重庆大学 | 基于parallel CNN-GRU的风压短期预测方法、装置和计算机设备 |
CN114971007A (zh) * | 2022-05-20 | 2022-08-30 | 山东华科信息技术有限公司 | 基于多尺度图卷积神经网络的光伏发电预测方法及*** |
CN115358838A (zh) * | 2022-08-22 | 2022-11-18 | 晋商消费金融股份有限公司 | 一种基于卷积神经网络的信贷时序数据建模方法及装置 |
CN115510739A (zh) * | 2022-09-01 | 2022-12-23 | 昆明理工大学 | 基于eemd-cnn-lstm的短期风电功率预测方法 |
-
2023
- 2023-01-31 CN CN202310075122.6A patent/CN116128130B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784041A (zh) * | 2020-06-28 | 2020-10-16 | 中国电力科学研究院有限公司 | 一种基于图卷积神经网络的风电功率预测方法及*** |
KR20220040968A (ko) * | 2020-09-24 | 2022-03-31 | 고려대학교 산학협력단 | 템퍼럴 컨볼루션 신경망을 활용한 단기 전력 수요 예측 시스템 및 방법 |
WO2022088408A1 (zh) * | 2020-11-02 | 2022-05-05 | 南京博雅区块链研究院有限公司 | 基于图神经网络的交易欺诈检测方法及*** |
CN114169394A (zh) * | 2021-11-04 | 2022-03-11 | 浙江大学 | 一种多尺度自适应图学习的多变量时间序列预测方法 |
CN114048930A (zh) * | 2022-01-13 | 2022-02-15 | 广东电网有限责任公司揭阳供电局 | 一种超短期风电功率预测方法和装置 |
CN114792158A (zh) * | 2022-04-01 | 2022-07-26 | 三峡大学 | 基于时空融合图神经网络的多风电场短期功率预测方法 |
CN114971007A (zh) * | 2022-05-20 | 2022-08-30 | 山东华科信息技术有限公司 | 基于多尺度图卷积神经网络的光伏发电预测方法及*** |
CN114912365A (zh) * | 2022-06-02 | 2022-08-16 | 重庆大学 | 基于parallel CNN-GRU的风压短期预测方法、装置和计算机设备 |
CN114818515A (zh) * | 2022-06-24 | 2022-07-29 | 中国海洋大学 | 一种基于自注意力机制和图卷积网络的多维时序预测方法 |
CN115358838A (zh) * | 2022-08-22 | 2022-11-18 | 晋商消费金融股份有限公司 | 一种基于卷积神经网络的信贷时序数据建模方法及装置 |
CN115510739A (zh) * | 2022-09-01 | 2022-12-23 | 昆明理工大学 | 基于eemd-cnn-lstm的短期风电功率预测方法 |
Non-Patent Citations (2)
Title |
---|
A multi-factor driven spatio-temporal wind power prediction model based on ensemble deep graph attention reinforcement learning networks;Yu Chengqing etal;《ENERGY》;第263卷;参见摘要,第2、3.2节 * |
Yu Chengqing etal.A multi-factor driven spatio-temporal wind power prediction model based on ensemble deep graph attention reinforcement learning networks.《ENERGY》.2023,第263卷参见摘要,第2、3.2节. * |
Also Published As
Publication number | Publication date |
---|---|
CN116128130A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Short‐term wind power forecasting and uncertainty analysis using a hybrid intelligent method | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN113822418A (zh) | 一种风电场功率预测方法、***、设备和存储介质 | |
CN110991737A (zh) | 一种基于深度置信网络的超短期风电功率预测方法 | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
Wen et al. | Data‐driven transient frequency stability assessment: A deep learning method with combined estimation‐correction framework | |
CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
CN117744916A (zh) | 储能容量的预测方法、装置、计算机设备及可读存储介质 | |
CN116050595A (zh) | 一种注意力机制与分解机制耦合的径流量预测方法 | |
Wang et al. | Tracking and predicting technological knowledge interactions between artificial intelligence and wind power: Multimethod patent analysis | |
CN113988398A (zh) | 一种风电机组功率预测方法、装置、电子设备和存储介质 | |
Wei et al. | Uncertainty quantification analysis of wind power: A data-driven monitoring-forecasting framework | |
CN116128130B (zh) | 一种基于图神经网络的短期风能数据预测方法及装置 | |
CN107918920B (zh) | 多光伏电站的出力关联性分析方法 | |
CN115544871A (zh) | 考虑可再生电源空间相关性的分布鲁棒型储能规划方法 | |
CN110991083B (zh) | 一种光伏电站模型确定方法、装置、设备及储存介质 | |
CN111476408A (zh) | 一种电力通信设备状态预测方法及*** | |
Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network | |
CN116979533B (zh) | 融合自适应小波的自注意力风电场功率预测方法 | |
CN115063255B (zh) | 一种海上风电场的运维资源优化配置方法、装置及*** | |
CN115222024B (zh) | 基于深度特征选择网络的短期光伏发电预测方法和*** | |
Mathenge et al. | A review on Artificial Neural Network models for short term wind power prediction | |
Blachnik et al. | Large Scale, Mid Term Wind Farms Power Generation Prediction. Energies 2023, 16, 2359 | |
Thakur | Estimating Missing Data in Low Energy Data Aggregation Using Deep Learning Algorithms |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |