CN117252448B - 基于时空特征提取及二次分解聚合的风电功率预测方法 - Google Patents
基于时空特征提取及二次分解聚合的风电功率预测方法 Download PDFInfo
- Publication number
- CN117252448B CN117252448B CN202311542188.8A CN202311542188A CN117252448B CN 117252448 B CN117252448 B CN 117252448B CN 202311542188 A CN202311542188 A CN 202311542188A CN 117252448 B CN117252448 B CN 117252448B
- Authority
- CN
- China
- Prior art keywords
- wind power
- model
- decomposition
- algorithm
- 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.)
- Active
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 238000006116 polymerization reaction Methods 0.000 title abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 230000002776 aggregation Effects 0.000 claims abstract description 17
- 238000004220 aggregation Methods 0.000 claims abstract description 17
- 238000010187 selection method Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 230000009977 dual effect Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000005314 correlation function Methods 0.000 claims description 3
- DDVBPZROPPMBLW-IZGXTMSKSA-N latrunculin A Chemical compound C([C@H]1[C@@]2(O)C[C@H]3C[C@H](O2)CC[C@@H](\C=C/C=C/CC\C(C)=C/C(=O)O3)C)SC(=O)N1 DDVBPZROPPMBLW-IZGXTMSKSA-N 0.000 claims description 3
- NSHPHXHGRHSMIK-IWQSFCKSSA-N latrunculin B Natural products C[C@H]1CC[C@@H]2C[C@@H](C[C@@](O)(O2)[C@@H]3CSC(=O)N3)OC(=O)C=C(C)/CCC=C/1 NSHPHXHGRHSMIK-IWQSFCKSSA-N 0.000 claims description 3
- DDVBPZROPPMBLW-UHFFFAOYSA-N latrunculin-A Natural products O1C(=O)C=C(C)CCC=CC=CC(C)CCC(O2)CC1CC2(O)C1CSC(=O)N1 DDVBPZROPPMBLW-UHFFFAOYSA-N 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Power Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
Abstract
本发明提供一种基于时空特征提取及二次分解聚合的风电功率预测方法，该方法包括：根据风电场集群的特征数据和经纬度信息之间的相关性建立图网络模型；利用双重特征选择方法选取重组后的图网络模型的时空相关特征的最优特征子集；依次利用变分模态分解算法和群分解算法对历史风电功率数据进行两次分解得到分量数据；利用多尺度排列熵算法对分量数据进行度量得到融合子集；将利用并行Stacking模型对融合子集进行预测得到的未来预测值进行重构，以实现风电场集群的功率预测。本发明提出变分模态分解算法和群分解算法的二次分解与多尺度排列熵算法相结合的分解聚合方法，克服了原始风电场中功率序列的复杂性和非平稳性的同时，有效减少了计算成本。
Description
技术领域
本发明涉及风电功率预测技术领域，特别涉及一种基于时空特征提取及二次分解聚合的风电功率预测方法。
背景技术
随着化石能源消耗和环境污染的加剧，风能成为人们代替传统化石能源的重要能源之一。然而风能具有随机性和间歇性问题，给风电并网带来极大的困难。因此风电功率预测的重要性日益突出。精准的短期风电功率预测能够极大消除风电对电网造成的不确定性扰动，有助于增强电网风电消纳的能力，节约电网稳定运行成本，提高对风能的利用率。因此，风功率预测对电网调度和稳定运行具有非常重要的研究价值。
短期风电功率预测模型包括物理模型、统计机器学***稳随机过程比较困难；现有技术中还存在利用LSTM和BP神经网络、ARIMA做了风电预测的性能对比，实验证明，LSTM网络对频率高、波动性大的信号响应速度更快，更能适应风电曲线。但单一统计机器学习模型存在局部最优、过度拟合与普适性不佳的缺点，在预测样本剧烈波动区段，预测误差较大。
在风电功率预测中，在组合预测是通过对风电数据集进行预处理，能够有效提高模型的预测精度。数据预处理又分为两个重要部分：特征提取和信号分解。在特征分解方面，由于风电场集群每个节点的风电场，都是通过SCADA、气象站等收集了风速、风向、天气、气压等大量的特征数据，并且相近区域内的风电场存在相互的影响。现有技术中存在一种用于风电场集群时空风速预测的时空图深度神经网络：该图神经网络学***的空间特征。参照图神经网络建立风电场集群图模型，构建空间矩阵，提取风电场空间特征向量。将提取的特征和目标风电场本身的风速、风向、气压等组成新的数据集。
为了减少计算成本和提高风电场风电功率预测的准确性，在预测之前需要对特征进行特征选择。特征选择方法有两大类：过滤器（Filter）和封装器(Wrapper)。现有技术中使用斯皮尔曼相关系数方法提取相关性强的特征，有利于提高风电功率预测的精度，但斯皮尔曼等过滤器评估与学习算法的性能偏差较大。封装器利用学习算法的训练准确率评估特征子集，偏差小，计算量大，不适合大数据集。过滤式和封装式是两种互补的模式，两者可以结合，能够减少不相关特征和删除冗余特征，减少对计算资源的消耗，缩短训练时间，提高模型性能。
在信号处理方面，合适的信号处理方法能够降低复杂信号的随机性和波动性。现有技术中存在一种基于经验模态分解（empirical mode decomposition，EMD）的风电功率预测算法。但经验模态分解存在模态混合的缺点，尤其在风电预测中分解序列较多，模态混合现象严重。利用变分模态分解(VMD)将原始风电信号分解成不用中心频率的内模态分量和一个残差模块，并采用最大重叠离散小波包变换方法对含高频噪声的分量进行去噪。但小波变换去噪后会出现伪吉布斯现象。
经过信号分解的各个分量预测算法的选择上，常使用一个组合模型或者一个类似Stacking的模型构建集成模型，其中组合模型通常采用取平均的方式，未能充分体现不同预测算法数据观测的差异性。为了通过取长补短的方式训练出更优异的模型，基于同质Stacking集成多个差异化子学习器的预测模型，取得比组合模型更好的预测精度。由于风电功率信号分解聚合之后，表现出不同的频率特性。而一个固定的Stacking模型同时去预测不同频率的子序列，并不能同时达到最优的预测效果。
发明内容
基于此，本发明的目的是提供一种基于时空特征提取及二次分解聚合的风电功率预测方法，以至少解决上述技术中的不足。
本发明提出一种基于时空特征提取及二次分解聚合的风电功率预测方法，包括：
收集风电场集群的特征数据以及经纬度信息，并根据所述特征数据和所述经纬度信息之间的相关性建立图网络模型；
提取所述图网络模型的时空相关特征，并对所述时空相关特征进行重组，利用双重特征选择方法选取重组后的时空相关特征的最优特征子集；
获取历史风电功率数据，并依次利用变分模态分解算法和群分解算法对所述历史风电功率数据进行两次分解，以得到对应的分量数据；
利用多尺度排列熵算法对所述分量数据进行度量，并将多尺度排列熵接近的子序列进行合并，以得到融合子集；
基于频率的不同，利用并行Stacking模型对所述融合子集进行预测，以得到对应的未来预测值，并将所述未来预测值进行重构，以实现所述风电场集群的功率预测。
进一步的，根据所述特征数据和所述经纬度信息之间的相关性建立图网络模型的步骤包括：
根据所述经纬度信息计算出所述风电场集群中任意两个风电场之间的距离；
构建距离阈值，并利用所述距离阈值和所述距离筛选出所述风电场集群中符合预设条件的风电场；
计算出所述符合预设条件的风电场之间的相互信息，将相关性符合预设相关性要求的风电场构建图网络模型。
进一步的，所述风电场集群中任意两个风电场之间的距离的计算公式为：
；
；
式中，风电场A的经纬度为(LonA, LatA)，风电场B的经纬度为(LonB, LatB)，按照0度经线的基准，东经取经度的正值，西经取经度负值，R为地球半径，d为风电场A与风电场B之间的距离。
进一步的，利用双重特征选择方法选取重组后的时空相关特征的最优特征子集的步骤包括：
利用Spearman相关系数筛选出所述重组后的时空相关特征中的主要影响特征；
基于封装器的序列向前选择特征算法结合K-NN模型从所述主要影响特征中找到最佳的特征组合，以得到最优特征子集。
进一步的，所述主要影响特征的计算公式为：
式中，表示重组后的时空相关特征中第/>个数据对的位次值之差。
进一步的，在获取历史风电功率数据，并依次利用变分模态分解算法和群分解算法对所述历史风电功率数据进行两次分解，以得到对应的分量数据的步骤中，利用变分模态分解算法对所述历史风电功率数据进行分解的步骤包括：
构造变分问题，约束条件为保证所有模态分量之和等于原始信号：
式中，K表示分解模态的数量；表示分解得到的k个模态分量；/>表示中心频率；表示卷积运算；/>表示原始信号；/>表示梯度运算；
引入拉格朗日乘法算子以及二次惩罚因子α，以将约束变分问题转变为非约束变分问题：
；
结合交替方向乘子算法和傅里叶等距变换，交替更新，/>，/>，优化后得到各模态分量和中心频率：
；
；
式中，表示噪声容忍度，/>，/>，/>，/>分别表示/>，/>，和/>的傅里叶变换。
进一步的，在获取历史风电功率数据，并依次利用变分模态分解算法和群分解算法对所述历史风电功率数据进行两次分解，以得到对应的分量数据的步骤中，利用群分解算法对所述历史风电功率数据进行分解的步骤包括：
由信号功率谱峰值确定所述模态分量的初始中心频率：
；
式中，为模态分量信号的韦尔奇功率谱，q为群分解算法的分解过程中频率作为中心频率的次数，/>为阈值；
由所述模态分量的初始中心频率得到滤波器的参数M和/>：
式中，odd为舍入运算；
对模态分量信号y(t)进行滤波，得到输出信号u(t)，则输入输出信号的方差为：
若输入输出信号的方差D大于方差阈值，以u(t)为输入信号重复滤波，直到D<Dh时记录输出信号/>；
更新输入信号：
式中，为互相关函数，/>为时延；
利用更新的输入信号，重复所述由信号功率谱峰值确定所述模态分量的初始中心频率的步骤，直到，输出的输入信号为余量r(t)；
计算本征模态函数分量：
式中，k为本征模态函数分量的个数，且。
进一步的，利用多尺度排列熵算法对所述分量数据进行度量，并将多尺度排列熵接近的子序列进行合并，以得到融合子集的步骤包括：
对长度为N的风电功率子序列进行粗粒化序列：
；
式中，，s为尺度因子，[N/s]表示取整数；
对进行重构可得：
；
式中：表示第/>个重构的分量，/>表示延时时间，m表示嵌入维数；
重构风电功率时间序列按照升序排列可以得到：
；
其中，，时间序列{/>}按照Shannon商的形式定义：
；
将进行归一化处理：
；
其中，的取值范围为[0,1],/>越大则风电功率子序列越随机，/>越小则风电功率子序列越规则；
计算出MPE的值之后，使用近似准则：
；
其中，表示二次分解后子序列的总数量，{/>}表示对应于第i个子序列的VS值；
根据近似准则，对子序列进行重构，得到重构后的风电功率子序列。
进一步的，基于频率的不同，利用并行Stacking模型对所述融合子集进行预测，以得到对应的未来预测值的步骤包括：
将重构后的风电功率子序列根据频率，划分为高中低频；
将高频子序列输入到Stacking-1模型中进行预测，得到预测值，其中，Stacking-1模型的基模型采用DT模型、ANN模型、SVM模型，元模型采用GBDT算法模型；
将中频子序列输入到Stacking-2模型中进行预测，得到预测值，其中Stacking-2模型的基模型采用LSTM模型、XGBoost模型、DL模型，元模型采用GBDT算法模型；
将低频子序列输入到Stacking-3模型中进行预测，得到预测值，其中Stacking-3的基模型采用RF模型、LASSO模型、K-NN模型，元模型采用GBDT算法模型。
本发明当中的基于时空特征提取及二次分解聚合的风电功率预测方法，具备以下有益效果：
（1）提出了过滤器和封装器相结合的特征选择方法，减少不相关特征和删除冗余特征，减少对计算资源的消耗，缩短训练时间，提高模型性能；
（2）提出变分模态分解算法和群分解算法的二次分解与多尺度排列熵算法相结合的分解聚合方法，克服了原始风电场中功率序列的复杂性和非平稳性的同时，有效减少了计算成本，提高了风电功率的预测精度；
（3）针对风电功率的分解子序列呈现的不同频率，设计了一种并行Stacking预测模型，获得了比传统的单一模型、同质集成和常规组合模型更好的预测结果；
（4）基于变分模态分解算法和群分解算法的二次分解与多尺度排列熵算法的分解聚合与并行Stacking多模型并行预测，提出一种预测的新方式，丰富了现有的风电功率预测研究框架。
附图说明
图1为本发明第一实施例中的基于时空特征提取及二次分解聚合的风电功率预测方法的流程图；
图2为图1中步骤S101的详细流程图；
图3为本发明第一实施例中图网络模型的结构示意图；
图4为图1中步骤S102的详细流程图；
图5为本发明第一实施例中并行Stacking风力发电功率预测模型示意图；
图6为本发明第二实施例中的计算机的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1，所示为本发明第一实施例中的基于时空特征提取及二次分解聚合的风电功率预测方法，所述方法具体包括步骤S101至S105：
S101，收集风电场集群的特征数据以及经纬度信息，并根据所述特征数据和所述经纬度信息之间的相关性建立图网络模型；
进一步的，请参阅图2，所述步骤S101具体包括步骤S1011~S1013：
S1011，根据所述经纬度信息计算出所述风电场集群中任意两个风电场之间的距离；
S1012，构建距离阈值，并利用所述距离阈值和所述距离筛选出所述风电场集群中符合预设条件的风电场；
S1013，计算出所述符合预设条件的风电场之间的相互信息，将相关性符合预设相关性要求的风电场构建图网络模型。
在具体实施时，收集风电场集群中各个风电场的历史数据，包括经纬度、各高度风速、风向、气温、湿度等气象数据和风电功率数据；本实施例选取中国西北某地区风电场集群数据进行分析，风电场集群26个风电场，每个风电场的备选特征包括风速(高度为10m、30m、50m、70m)、风向(高度为0、10m、30m、50m、70m)、轮毂风速风向、气温、气压、空气湿度，以及风力发电功率，步长为15分钟。
具体的，设定风电场集群的风电场数量为N，历史数据长度为M。构建历史风电数据, 其中/>表示第i个风电场的历史功率。
收集风电场的经纬度信息，/>，如图3所示，假设风电场A的经纬度为(LonA, LatA)，风电场B的经纬度为(LonB, LatB)，按照0度经线的基准，东经取经度的正值(Longitude)，西经取经度负值(-Longitude)，R为地球半径，d为风电场A与风电场B之间的距离，可以得到计算两点距离的如下公式：
；
；
式中，R为地球半径。
具体的，设置阈值。假设以风电场A为中心，计算风电场A、风电场B之间的距离/>，当/>，则风电场A、风电场B存在组成图网络的可能，以同样的方式，以风电场A为中心，筛选出所有符合条件的风电场。再计算所有风电场之间相互信息，选择相关性强的风电场组成图网络模型，以图3为例，当/>，得到可能组成网络的风电场A/B/C/D/E/F/G，之后再根据风电场之间的相关性分析，剔除风电场G，最后将A/B/C/D/E/F共同组成图网络模型，提取时空相关特征，组成新的特征。根据图网络模型，提取了38列特征。
在图网络模型中，根据相互信息提取相关性强的特征，纳入到风电场A中，共同组成风电场A新的风电功率特征。
S102，提取所述图网络模型的时空相关特征，并对所述时空相关特征进行重组，利用双重特征选择方法选取重组后的时空相关特征的最优特征子集；
进一步的，请参阅图4，所述步骤S102具体包括步骤S1021~S1022：
S1021，利用Spearman相关系数筛选出所述重组后的时空相关特征中的主要影响特征；
S1022，基于封装器的序列向前选择特征算法结合K-NN模型从所述主要影响特征中找到最佳的特征组合，以得到最优特征子集。
在具体实施时，使用Spearman相关系数筛选主要的影响特征，Spearman相关系数公式如下：
式中，表示重组后的时空相关特征中第/>个数据对的位次值之差。
Spearman相关系数评估与学习算法的性能偏差较大，而向前选择法计算的偏差小。基于封装器的序列向前选择特征法（SFS）结合K-NN（K-Nearest Neighbor）模型找到最好的特征组合，从而得到最优特征子集。
具体的，利用双重特征选择方法选取最优特征子集。先利用过滤器中的斯皮尔曼相关系数方法，提取相关性强的子集。将38列特征，经过筛选之后，降至17列。再针对提取后的子集，使用封装器中的向前特征选择法筛选出最终的子集。最后子集特征降至12列。
S103，获取历史风电功率数据，并依次利用变分模态分解算法和群分解算法对所述历史风电功率数据进行两次分解，以得到对应的分量数据；
在具体实施时，针对历史风电发电功率数据的波动性和间歇性。使用变分模态分解算法（VMD）对历史风电发电功率数据进行分解为7个子序列。VMD分解的过程如下：
1）构造变分问题的求解：
构造变分问题，约束条件为保证所有模态分量之和等于原始信号：
式中，K表示分解模态的数量；表示分解得到的k个模态分量；/>表示中心频率；表示卷积运算；/>表示原始信号；/>表示梯度运算；
2）约束变分问题的求解：
引入拉格朗日乘法算子以及二次惩罚因子α，以将约束变分问题转变为非约束变分问题：
；
3）各模态分量和中心频率的傅里叶变换求解：
结合交替方向乘子算法和傅里叶等距变换，交替更新，/>，/>，优化后得到各模态分量和中心频率：
；
；
式中，表示噪声容忍度，/>，/>，/>，/>分别表示/>，/>，和/>的傅里叶变换。
进一步的，VMD分解之后，其低频子序列仍然存在较大的噪声，需要进一步降噪处理。而群体分解在处理非稳态信号具有较好的效果，利用群分解算法（SWD）分解为5个子序列，具体步骤包括：
SWD的基石是蜂群过滤（SwF），这是一种由蜂群-猎物狩猎设想的处理方法。在适当的参数化下，SwF的迭代应用的输出结果是输入信号的单个输入信号的一个组成部分。为了控制该方法，"狩猎 "参数与SwF特定响应之间的关系被提取出来。SWD由连续的在不同的 "猎取 "参数下连续应用迭代SwF，以便将现有的成分提取出来。提取的现有成分通过将SWD应用于非稳态多分量信号分解。SWD的过程为：
由信号功率谱峰值确定所述模态分量的初始中心频率：
；
式中，为模态分量信号的韦尔奇功率谱，q为群分解算法的分解过程中频率作为中心频率的次数，/>为阈值；
由所述模态分量的初始中心频率得到滤波器的参数M和/>：
式中，odd为舍入运算；
对模态分量信号y(t)进行滤波，得到输出信号u(t)，则输入输出信号的方差为：
若输入输出信号的方差D大于方差阈值，以u(t)为输入信号重复滤波，直到D<Dh时记录输出信号/>。
更新输入信号：
式中，为互相关函数，/>为时延；
利用更新的输入信号，重复步骤至步骤所述由信号功率谱峰值确定所述模态分量的初始中心频率的步骤，直到，输出的输入信号为余量r(t)；
计算本征模态函数分量：
式中，k为本征模态函数分量的个数，且。
最终，SWD将VMD分解后的低频子序列再次分解为5个新的子序列，加上VMD分解的其余子序列，总共得到11个子序列。
S104，利用多尺度排列熵算法对所述分量数据进行度量，并将多尺度排列熵接近的子序列进行合并，以得到融合子集；
在具体实施时，两次分解之后，组成新的子序列，其波动性明显减少。这是有利于提高预测的精度。但是经过两次分解之后，子序列过多，会大大增加风电功率预测的计算成本。为了平衡时间复杂度和预测精度，采用多尺度排列熵度量各个子序列，并使用近似法则重构子序列。
其中，风电功率样本经过VMD-SWD算法分解后，得到长度为N的子频带信号x(t)，计算其多尺度排列熵的主要流程如下。
1.对长度为N的风电功率子序列进行粗粒化序列：
；
式中，，s为尺度因子，[N/s]表示取整数；
2. 对进行重构可得：
；
式中：表示第/>个重构的分量，/>表示延时时间，m表示嵌入维数；
3. 重构风电功率时间序列按照升序排列可以得到：
；
其中，，时间序列{/>}按照Shannon商的形式定义：
；
4.当时，每种符号序列的概率都相等，时间复杂程度最高，排列熵最大为/>，将/>进行归一化处理，处理后等式如下：
；
其中，的取值范围为[0,1],/>越大则风电功率子序列越随机，/>越小则风电功率子序列越规则；
具体的，使用信号二次分解技术可以较大程度提高预测的精度，然而分解后直接预测，将大大增加预测的时间复杂度。为了均衡预测精度和时间复杂度，采用MPE和近似准则的子序列聚合策略来重新组合初始分解的子序列。近似准则表示如下：
；
其中，表示二次分解后子序列的总数量，{/>}表示对应于第i个子序列的VS值；
根据近似准则，对子序列进行重构，最终得到风电功率子序列。
在本实施例中，根据近似准则，对子序列进行重构，最终得到3个风电功率子序列。/>
S105，基于频率的不同，利用并行Stacking模型对所述融合子集进行预测，以得到对应的未来预测值，并将所述未来预测值进行重构，以实现所述风电场集群的功率预测。
在具体实施时，将融合后得到风电功率子序列根据频率输入到并行Stacking模型中，划分为高中低频。
将高频子序列输入到Stacking-1模型中进行预测，得到预测值，其中，Stacking-1模型的基模型采用DT模型、ANN模型、SVM模型，元模型采用GBDT算法模型；
将中频子序列输入到Stacking-2模型中进行预测，得到预测值，其中Stacking-2模型的基模型采用LSTM模型、XGBoost模型、DL模型，元模型采用GBDT算法模型；
将低频子序列输入到Stacking-3模型中进行预测，得到预测值，其中Stacking-3的基模型采用RF模型、LASSO模型、K-NN模型，元模型采用GBDT算法模型。
具体的，如图5所示，将高频子序列输入到Stacking-1中，将中频子序列输入到Stacking-2中，将低频子序列输入到Stacking-3中，分别进行预测，得到预测，最后将预测的/>得到预测结果/>。
进一步，将所述未来预测值进行重构，以实现所述风电场集群的功率预测，其中包括：
1）重构。最后对各分量值的预测值进行重构。
2）验证过程：
验证过程中，当基于双重特征提取及二次分解的并行Stacking风力发电功率预测完成后，结合实际的风电功率数据，与预测的风电功率数据值进行对比，评估预测精度；选取标准均方根误差（NRMSE）、标准平均绝对误差(NMAE)、平均绝对百分比误差（MAPE）与决定系数R2作为评价指标，计算如下：
式中：表示风电功率的观测值，/>表示风电功率的预测值，/>风电功率观测值的平均值，/>表示真实结果最大值与最小值的差。/>
基于双重特征提取及二次分解的并行Stacking风力发电功率预测方法与其它模型（SVM、DT、RF、ANN、DNN、ARIMA、LSTM、LASSO、K-NN、CNN-LSTM、Bagging、AdaBoost、XGBoost）进行比较。采用中国西北地区某风电场的发电功率数据验证。对比结果如表1所示。
表1
从表1可以看出，与其它模型相比，本发明提出基于双重特征提取及二次分解的并行Stacking风力发电功率预测方法取得了更小的NMAE、NRMSE和MAPE，说明本发明提出基于双重特征提取及二次分解的并行Stacking风力发电功率预测性能优于其它的单模型及组合模型预测模型。
综上，本发明上述实施例当中的基于时空特征提取及二次分解聚合的风电功率预测方法，具备以下有益效果：
（1）提出了过滤器和封装器相结合的特征选择方法，减少不相关特征和删除冗余特征，减少对计算资源的消耗，缩短训练时间，提高模型性能；
（2）提出变分模态分解算法和群分解算法的二次分解与多尺度排列熵算法相结合的分解聚合方法，克服了原始风电场中功率序列的复杂性和非平稳性的同时，有效减少了计算成本，提高了风电功率的预测精度；
（3）针对风电功率的分解子序列呈现的不同频率，设计了一种并行Stacking预测模型，获得了比传统的单一模型、同质集成和常规组合模型更好的预测结果；
（4）基于变分模态分解算法和群分解算法的二次分解与多尺度排列熵算法的分解聚合与并行Stacking多模型并行预测，提出一种预测的新方式，丰富了现有的风电功率预测研究框架。
实施例二
本发明还提出一种计算机，请参阅图6，所示为本发明第三实施例中的计算机，包括存储器10、处理器20以及存储在所述存储器10上并可在所述处理器20上运行的计算机程序30，所述处理器20执行所述计算机程序30时实现上述的基于时空特征提取及二次分解聚合的风电功率预测方法。
其中，存储器10至少包括一种类型的存储介质，所述存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器10在一些实施例中可以是计算机的内部存储单元，例如该计算机的硬盘。存储器10在另一些实施例中也可以是外部存储装置，例如插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，存储器10还可以既包括计算机的内部存储单元也包括外部存储装置。存储器10不仅可以用于存储安装于计算机的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
其中，处理器20在一些实施例中可以是电子控制单元 (Electronic ControlUnit，简称ECU，又称行车电脑)、中央处理器（Central Processing Unit, CPU）、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器10中存储的程序代码或处理数据，例如执行访问限制程序等。
需要指出的是，图6示出的结构并不构成对计算机的限定，在其它实施例当中，该计算机可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
本发明实施例还提出一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的基于时空特征提取及二次分解聚合的风电功率预测方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备（如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***）使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (2)
1.一种基于时空特征提取及二次分解聚合的风电功率预测方法，其特征在于，包括：
收集风电场集群的特征数据以及经纬度信息，并根据所述特征数据和所述经纬度信息之间的相关性建立图网络模型，其中，根据所述特征数据和所述经纬度信息之间的相关性建立图网络模型的步骤包括：
根据所述经纬度信息计算出所述风电场集群中任意两个风电场之间的距离，其中，所述风电场集群中任意两个风电场之间的距离的计算公式为：
；
；
式中，风电场A的经纬度为(LonA, LatA)，风电场B的经纬度为(LonB, LatB)，按照0度经线的基准，东经取经度的正值，西经取经度负值，R为地球半径，d为风电场A与风电场B之间的距离；
构建距离阈值，并利用所述距离阈值和所述距离筛选出所述风电场集群中符合预设条件的风电场；
计算出所述符合预设条件的风电场之间的相互信息，将相关性符合预设相关性要求的风电场构建图网络模型；
提取所述图网络模型的时空相关特征，并对所述时空相关特征进行重组，利用双重特征选择方法选取重组后的时空相关特征的最优特征子集，其中，利用双重特征选择方法选取重组后的时空相关特征的最优特征子集的步骤包括：
利用Spearman相关系数筛选出所述重组后的时空相关特征中的主要影响特征；
基于封装器的序列向前选择特征算法结合K-NN模型从所述主要影响特征中找到最佳的特征组合，以得到最优特征子集；
获取历史风电功率数据，并依次利用变分模态分解算法和群分解算法对所述历史风电功率数据进行两次分解，以得到对应的分量数据，其中，在获取历史风电功率数据，并依次利用变分模态分解算法和群分解算法对所述历史风电功率数据进行两次分解，以得到对应的分量数据的步骤中，利用变分模态分解算法对所述历史风电功率数据进行分解的步骤包括：
构造变分问题，约束条件为保证所有模态分量之和等于原始信号：
式中，K表示分解模态的数量；表示分解得到的k个模态分量；/>表示中心频率；/>表示卷积运算；/> 表示原始信号；/>表示梯度运算；
引入拉格朗日乘法算子以及二次惩罚因子α，以将约束变分问题转变为非约束变分问题：
；
结合交替方向乘子算法和傅里叶等距变换，交替更新，/>，/>，优化后得到各模态分量和中心频率：
；
；
式中，表示噪声容忍度，/>，/>，/>，/>分别表示/>，/>，/>和/>的傅里叶变换；
由信号功率谱峰值确定所述模态分量的初始中心频率：
；
式中，为模态分量信号的韦尔奇功率谱，q为群分解算法的分解过程中频率/>作为中心频率的次数，/>为阈值；
由所述模态分量的初始中心频率得到滤波器的参数M和/>：
式中，odd为舍入运算；
对模态分量信号y(t)进行滤波，得到输出信号u(t)，则输入输出信号的方差为：
若输入输出信号的方差D大于方差阈值，以u(t)为输入信号重复滤波，直到D<Dh时记录输出信号/>；
更新输入信号：
式中，为互相关函数，/>为时延；
利用更新的输入信号，重复所述由信号功率谱峰值确定所述模态分量的初始中心频率的步骤，直到，输出的输入信号为余量r(t)；
计算本征模态函数分量：
式中，k为本征模态函数分量的个数，且；
利用多尺度排列熵算法对所述分量数据进行度量，并将多尺度排列熵接近的子序列进行合并，以得到融合子集，其中，利用多尺度排列熵算法对所述分量数据进行度量，并将多尺度排列熵接近的子序列进行合并，以得到融合子集的步骤包括：
对长度为N的风电功率子序列进行粗粒化序列：
；
式中，，s为尺度因子，[N/s]表示取整数；
对进行重构可得：
；
式中：表示第/>个重构的分量，/>表示延时时间，m表示嵌入维数；
重构风电功率时间序列按照升序排列可以得到：
；
其中，，时间序列{/>}按照Shannon商的形式定义：
；
将进行归一化处理：
；
其中，的取值范围为[0,1], />越大则风电功率子序列越随机，/>越小则风电功率子序列越规则；
计算出MPE的值之后，使用近似准则：
；
其中，表示二次分解后子序列的总数量，{/>}表示对应于第i个子序列的VS值；
根据近似准则，对子序列进行重构，得到重构后的风电功率子序列；
基于频率的不同，利用并行Stacking模型对所述融合子集进行预测，以得到对应的未来预测值，并将所述未来预测值进行重构，以实现所述风电场集群的功率预测，其中，基于频率的不同，利用并行Stacking模型对所述融合子集进行预测，以得到对应的未来预测值的步骤包括：
将重构后的风电功率子序列根据频率，划分为高中低频；
将高频子序列输入到Stacking-1模型中进行预测，得到预测值，其中，Stacking-1模型的基模型采用DT模型、ANN模型、SVM模型，元模型采用GBDT算法模型；
将中频子序列输入到Stacking-2模型中进行预测，得到预测值，其中Stacking-2模型的基模型采用LSTM模型、XGBoost模型、DL模型，元模型采用GBDT算法模型；
将低频子序列输入到Stacking-3模型中进行预测，得到预测值，其中Stacking-3的基模型采用RF模型、LASSO模型、K-NN模型，元模型采用GBDT算法模型。
2.根据权利要求1所述的基于时空特征提取及二次分解聚合的风电功率预测方法，其特征在于，所述主要影响特征的计算公式为：
式中，表示重组后的时空相关特征中第/>个数据对的位次值之差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311542188.8A CN117252448B (zh) | 2023-11-20 | 2023-11-20 | 基于时空特征提取及二次分解聚合的风电功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311542188.8A CN117252448B (zh) | 2023-11-20 | 2023-11-20 | 基于时空特征提取及二次分解聚合的风电功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117252448A CN117252448A (zh) | 2023-12-19 |
| CN117252448B true CN117252448B (zh) | 2024-02-20 |
Family
ID=89137321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311542188.8A Active CN117252448B (zh) | 2023-11-20 | 2023-11-20 | 基于时空特征提取及二次分解聚合的风电功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117252448B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117934208B (zh) * | 2024-03-18 | 2024-06-11 | 广东工业大学 | 一种基于多通道深度网络的多源数据海上风电预测方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112417028A (zh) * | 2020-11-26 | 2021-02-26 | 国电南瑞科技股份有限公司 | 一种风速时序特征挖掘方法及短期风电功率预测方法 |
| WO2021056727A1 (zh) * | 2019-09-27 | 2021-04-01 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
| CN113937763A (zh) * | 2021-10-14 | 2022-01-14 | 远景智能国际私人投资有限公司 | 风电功率预测方法、装置、设备及存储介质 |
| CN114021818A (zh) * | 2021-11-05 | 2022-02-08 | 华南理工大学 | 一种考虑时空分布特征的风电功率多步预测方法 |
| CN114444378A (zh) * | 2021-12-27 | 2022-05-06 | 上海电力大学 | 一种区域风电集群的短期功率预测方法 |
| CN115034432A (zh) * | 2022-04-25 | 2022-09-09 | 浙江运达风电股份有限公司 | 一种风电场风力发电机组风速预测方法 |
| CN115683620A (zh) * | 2022-11-09 | 2023-02-03 | 新疆大学 | 基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法 |
| CN115934691A (zh) * | 2022-11-18 | 2023-04-07 | 中国华能集团清洁能源技术研究院有限公司 | 短期光伏功率的确定方法及装置 |
| CN116127833A (zh) * | 2022-12-19 | 2023-05-16 | 中国华能集团清洁能源技术研究院有限公司 | 基于vmd和lstm融合模型的风电功率预测方法、***、装置及介质 |
| CN116562650A (zh) * | 2023-05-17 | 2023-08-08 | 湖南城市学院 | 一种短期风电功率预测方法、装置及计算机可读存储介质 |
| CN116701975A (zh) * | 2023-02-20 | 2023-09-05 | 中国电力科学研究院有限公司 | 一种考虑时空特性的风资源分区方法、装置及电子设备 |
| CN116861348A (zh) * | 2023-06-07 | 2023-10-10 | 国网吉林省电力有限公司吉林供电公司 | 一种基于实际距离建立集群分析的光伏电站异常检测方法 |
| CN116960978A (zh) * | 2023-07-31 | 2023-10-27 | 河海大学 | 基于风速-功率组合分解重构的海上风电功率预测方法 |
| CN116995670A (zh) * | 2023-09-04 | 2023-11-03 | 昆明理工大学 | 基于多模式分解和多分支输入的光伏功率超短期预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102675431B1 (ko) * | 2018-04-27 | 2024-06-17 | 델피누스 메디컬 테크놀로지스, 인크. | 초음파 단층 촬영 이미지에 대한 특징 추출 및 분류를 위한 시스템 및 방법 |
-
2023
- 2023-11-20 CN CN202311542188.8A patent/CN117252448B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021056727A1 (zh) * | 2019-09-27 | 2021-04-01 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
| CN112417028A (zh) * | 2020-11-26 | 2021-02-26 | 国电南瑞科技股份有限公司 | 一种风速时序特征挖掘方法及短期风电功率预测方法 |
| CN113937763A (zh) * | 2021-10-14 | 2022-01-14 | 远景智能国际私人投资有限公司 | 风电功率预测方法、装置、设备及存储介质 |
| CN114021818A (zh) * | 2021-11-05 | 2022-02-08 | 华南理工大学 | 一种考虑时空分布特征的风电功率多步预测方法 |
| CN114444378A (zh) * | 2021-12-27 | 2022-05-06 | 上海电力大学 | 一种区域风电集群的短期功率预测方法 |
| CN115034432A (zh) * | 2022-04-25 | 2022-09-09 | 浙江运达风电股份有限公司 | 一种风电场风力发电机组风速预测方法 |
| CN115683620A (zh) * | 2022-11-09 | 2023-02-03 | 新疆大学 | 基于群分解和改进多尺度权重散布熵的齿轮箱故障诊断方法 |
| CN115934691A (zh) * | 2022-11-18 | 2023-04-07 | 中国华能集团清洁能源技术研究院有限公司 | 短期光伏功率的确定方法及装置 |
| CN116127833A (zh) * | 2022-12-19 | 2023-05-16 | 中国华能集团清洁能源技术研究院有限公司 | 基于vmd和lstm融合模型的风电功率预测方法、***、装置及介质 |
| CN116701975A (zh) * | 2023-02-20 | 2023-09-05 | 中国电力科学研究院有限公司 | 一种考虑时空特性的风资源分区方法、装置及电子设备 |
| CN116562650A (zh) * | 2023-05-17 | 2023-08-08 | 湖南城市学院 | 一种短期风电功率预测方法、装置及计算机可读存储介质 |
| CN116861348A (zh) * | 2023-06-07 | 2023-10-10 | 国网吉林省电力有限公司吉林供电公司 | 一种基于实际距离建立集群分析的光伏电站异常检测方法 |
| CN116960978A (zh) * | 2023-07-31 | 2023-10-27 | 河海大学 | 基于风速-功率组合分解重构的海上风电功率预测方法 |
| CN116995670A (zh) * | 2023-09-04 | 2023-11-03 | 昆明理工大学 | 基于多模式分解和多分支输入的光伏功率超短期预测方法 |
Non-Patent Citations (7)
| Title |
|---|
| Wind Power Prediction Based on Variational Mode Decomposition and Feature Selection;Gang Zhang et al;《JOURNAL OF MODERN POWER SYSTEMS AND CLEAN ENERGY》;20211130;第9卷(第6期);第1520-1529页 * |
| 基于SWD–RCMFE 混合算法的轴承故障诊断研究;曲孝海 等;《湖南文理学院学报（自然科学版）》;第35卷(第1期);第8-12页 * |
| 基于VMD-SE和机器学习算法的短期风电功率多层级综合预测模型;张亚超 等;《电网技术》;第40卷(第05期);第1334-1340页 * |
| 基于变分模态分解和多尺度排列熵的变压器局部放电信号特征提取;张蒙 等;《华北电力大学学报》;第43卷(第06期);第31-37页 * |
| 孙佳 等.《网络安全大数据分析与实战》.机械工业出版社,2022,第102-103页. * |
| 杨游云 等.《Python广告数据挖掘与分析实战》.机械工业出版社,2021,第26-27页. * |
| 程光 等.《互联网大数据挖掘与分类》.东南大学出版社,2015,第172页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117252448A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117252448B (zh) | 基于时空特征提取及二次分解聚合的风电功率预测方法 | |
| CN109886464B (zh) | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 | |
| US11544542B2 (en) | Computing device and method | |
| CN113392732B (zh) | 一种局部放电超声信号抗干扰方法及*** | |
| US11423043B2 (en) | Methods and systems for wavelet based representation | |
| CN112668611B (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
| CN113222998B (zh) | 基于自监督低秩网络的半监督图像语义分割方法及装置 | |
| CN116316591A (zh) | 基于混合双向门控循环的短期光伏功率预测方法及*** | |
| CN112949610A (zh) | 一种基于降噪算法的改进Elman神经网络的预测方法 | |
| CN112988548A (zh) | 一种基于降噪算法的改进Elman神经网络的预测方法 | |
| CN115511162A (zh) | 一种基于CVMD-GRU-DenseNet混合模型的短期电力负荷预测方法 | |
| Qu et al. | Short-term wind farm cluster power prediction based on dual feature extraction and quadratic decomposition aggregation | |
| CN116596129A (zh) | 一种电动汽车充电场站短期负荷预测模型构建方法 | |
| CN116976491A (zh) | 一种信息预测方法、装置、设备、存储介质及程序产品 | |
| CN113343590B (zh) | 一种基于组合模型的风速预测方法及*** | |
| Huang et al. | Short term load forecasting based on wavelet decomposition and random forest | |
| CN115659165A (zh) | 园区负荷数据样本的构建方法、装置、设备及存储介质 | |
| Yang et al. | Multi-factor PM2. 5 concentration optimization prediction model based on decomposition and integration | |
| CN111242043A (zh) | 一种时间序列大数据的稀疏化方法及*** | |
| Chu et al. | Similarity based filter pruning for efficient super-resolution models | |
| CN110705044A (zh) | 基于深度学习对风力发电***进行仿真的仿真验证方法 | |
| CN116738191B (zh) | 时序数据的增强处理方法、装置和计算机设备 | |
| CN113807387B (zh) | 基于svm分类的特征指标风电出力时间序列构建方法和装置 | |
| CN118332427A (zh) | 基于多级残差特征融合的储能电容高低温性能评测方法 | |
| CN117709487A (zh) | 一种多层堆叠集成模型优化方法、装置、设备及存储介质 |
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 |