Nothing Special   »   [go: up one dir, main page]

CN114897260A - 基于lstm神经网络的短期风速预测模型建模方法及预测方法 - Google Patents

基于lstm神经网络的短期风速预测模型建模方法及预测方法 Download PDF

Info

Publication number
CN114897260A
CN114897260A CN202210621834.9A CN202210621834A CN114897260A CN 114897260 A CN114897260 A CN 114897260A CN 202210621834 A CN202210621834 A CN 202210621834A CN 114897260 A CN114897260 A CN 114897260A
Authority
CN
China
Prior art keywords
wind speed
neural network
sequence data
lstm neural
speed sequence
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
CN202210621834.9A
Other languages
English (en)
Inventor
胡伟成
程宝龙
周婷
钱铮
李明
杨婧
吴俊�
刘震卿
袁紫婷
郭坤鹏
周桐
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.)
Zhejiang Jiangnan Engineering Management Co ltd
Original Assignee
Zhejiang Jiangnan Engineering Management 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 Zhejiang Jiangnan Engineering Management Co ltd filed Critical Zhejiang Jiangnan Engineering Management Co ltd
Priority to CN202210621834.9A priority Critical patent/CN114897260A/zh
Publication of CN114897260A publication Critical patent/CN114897260A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于LSTM神经网络的短期风速预测模型建模方法，包括如下步骤：步骤一：采集数据，得到原始风速序列数据；步骤二：预处理：得到预处理风速序列数据，以剔除原始风速序列数据中的具有显著规律的波动特征；步骤三：数据分割：将预处理风速序列数据分割为训练集和验证集；步骤四：创建LSTM神经网络模型，初始化超参数；步骤五：以训练集训练LSTM神经网络模型，并以贝叶斯优化算法对LSTM神经网络模型的超参数进行优化选择，得到短期风速预测模型。本发明还提出了一种基于LSTM神经网络的短期风速预测方法，通过挖掘风速序列的波动特性并优化选择超参数，从而提高短期风速的预测效果。

Description

基于LSTM神经网络的短期风速预测模型建模方法及预测方法
技术领域
本发明属于风速预测技术领域，具体的为一种基于LSTM神经网络的短期风速预测模型建模方法及预测方法。
背景技术
近年来，由于对风能开发和风力发电并网的急剧需求，风力发电短期预测(提前4小时预测)变得越来越重要，而影响风力发电的关键因素是风机轮毂高度的风速，因此提前预测未来4小时的风速大小变得至关重要。然而，受到中尺度气流、局部地形和机群尾流效应的综合影响，风速具有很强的波动特性。随着深度学习技术的快速发展，许多学者采用长短期记忆(LSTM，long short-term memory)等深度学习算法开展风速预测研究，但仍面临几大难题：
1)深度学习算法为黑匣子，无法揭示风速序列波动特性的内在规律；
2)深度学习算法超参数庞大，且对模型预测结果影响极大，模型超参数的选取存在较大困难。
为此，如何深入挖掘风速序列的波动特性，针对深度学习算法的超参数进行优化选择，仍是有待深入研究的重大难题。
发明内容
有鉴于此，本发明的目的在于提供一种基于LSTM神经网络的短期风速预测模型建模方法及预测方法，通过挖掘风速序列的波动特性并优化选择超参数，从而提高短期风速的预测效果。
为达到上述目的，本发明提供如下技术方案：
本发明首先提出了一种基于LSTM神经网络的短期风速预测模型建模方法，包括如下步骤：
步骤一：采集数据，得到原始风速序列数据；
步骤二：预处理：对原始风速序列数据进行数据变换与标准化预处理，得到预处理风速序列数据，以剔除原始风速序列数据中的具有显著规律的波动特征；
步骤三：数据分割：将预处理风速序列数据分割为训练集和验证集；
步骤四：创建LSTM神经网络模型，初始化超参数；
步骤五：以训练集训练LSTM神经网络模型，并以贝叶斯优化算法对LSTM神经网络模型的超参数进行优化选择，方法如下：
51)基于高斯过程回归，建立LSTM神经网络模型的超参数与预测误差之间的函数关系，得到误差函数；
52)以误差函数的局部最优解对应的超参数更新LSTM神经网络模型，得到局部最优LSTM神经网络模型；
53)采用验证集对局部最优LSTM神经网络模型进行验证，计算验证集数据与由局部最优LSTM神经网络模型预测得到的预测数据之间的均方根误差；
判断该局部最优LSTM神经网络模型对应的均方根误差是否小于当前全局最优LSTM神经网络模型对应的均方根误差；若是，则以该局部最优LSTM神经网络模型作为新的全局最优LSTM神经网络模型，迭代次数加1；若否，则迭代次数加1；
54)判断迭代次数是否达到最大迭代次数；若否，则执行步骤51)；若是，则迭代结束，以当前的全局最优LSTM神经网络模型为短期风速预测模型。
进一步，所述步骤一中，采集得到的原始风速序列数据包括共D天的风速序列数据，每小时样本数为N个，则每一天的样本长度为H为24N，总样本长度为DH。
进一步，所述步骤二中，对原始风速序列数据进行预处理的方法包括如下步骤：
21)变换：假定原始风速序列数据复合韦伯分布，利用经验法计算韦伯分布的参数k，从而获得指数变化参数m，以对原始风速序列数据进行变换：
k＝(Mean(Ut)/Std(Ut))-1.086
m＝k/3.6
Figure BDA0003677093910000021
其中，Ut表示原始风速序列数据；
Figure BDA0003677093910000022
表示变换得到的风速序列数据；m表示指数变化参数；k表示韦伯分布的参数；
22)统计时均风速：将变换得到的风速序列数据
Figure BDA0003677093910000023
中每天对应相同时刻的数据进行归类；并计算每个小时内的ND个样本数的均值和标准差，记为μt和σt，其中，t取值为h、2h…24h，对应24个时刻的节点信息；
23)光滑样条插值：将得到的24个时刻的节点信息前后排列，得到排布为h、2h…24h、h、2h…24h的均值μt和标准差σt的48个节点信息，然后对其进行光滑样条插值，并取中间段的24个节点信息作为一天内的数据，得到插值处理后的均值μ1t和标准差σ1t；
24)标准化：基于得到的均值μ1t和标准差σ1t，对变换得到的风速序列数据
Figure BDA0003677093910000024
进行标准化处理，以剔除原始风速序列数据中具有显著规律的波动特征，得到最终的预处理风速序列数据：
Figure BDA0003677093910000031
其中，
Figure BDA0003677093910000032
表示经预处理得到的预处理风速序列数据。
本发明还提出了一种基于LSTM神经网络的短期风速预测方法，采用如上所述建模方法创建得到的短期风速预测模型预测得到预测风速序列数据Ut，再对预测风速序列数据Ut进行逆变换，得到实际的预测风速序列数据：
U't＝(Utσ1t+μ1t)1/m
其中，U't表示逆变换后得到的预测风速序列数据；Ut表示逆变换前得到的预测风速序列数据。
本发明的有益效果在于：
本发明基于LSTM神经网络的短期风速预测模型建模方法，通过预处理剔除原始风速序列数据中的具有显著规律的波动特征，以更好地揭示风速序列波动特性的内在规律，便于LSTM神经网络模型进行训练和预测；通过采用贝叶斯优化算法对LSTM神经网络模型的超参数进行优化选择，能够提高LSTM神经网络模型的收敛速度和预测效果；经过实验证明，采用本发明建模方法得到的短期风速预测模型可提高短期风速(提前4小时)的预测效果约9％-35％。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明基于LSTM神经网络的短期风速预测方法实施例的流程图；
图2为对原始风速序列数据进行数据变换与标准化预处理的流程图；
图3为分辨率是10min的原始风速序列数据的曲线图；
图4为预测误差的柱状图；(a)为风机#1；(b)为风机#2；(c)为风机#3；
图5为各模型预测误差分布综合对比图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
如图1所示，本实施例基于LSTM神经网络的短期风速预测模型建模方法，包括如下步骤：
步骤一：采集数据，得到原始风速序列数据。本实施例中，采集得到的原始风速序列数据包括共d天的风速序列数据，每小时样本数为n个，则每一天的样本长度为H为24n，总样本长度为dH。
步骤二：预处理：对原始风速序列数据进行数据变换与标准化预处理，得到预处理风速序列数据，以剔除原始风速序列数据中的具有显著规律的波动特征。如图2所示，本实施例中，对原始风速序列数据进行预处理的方法(SSP预处理方法)包括如下步骤：
21)变换：假定原始风速序列数据复合韦伯分布，利用经验法计算韦伯分布的参数k，从而获得指数变化参数m，以对原始风速序列数据进行变换：
k＝(Mean(Ut)/Std(Ut))-1.086
m＝k/3.6
Figure BDA0003677093910000041
其中，Ut表示原始风速序列数据；
Figure BDA0003677093910000042
表示变换得到的风速序列数据；m表示指数变化参数；k表示韦伯分布的参数；
22)统计时均风速：将变换得到的风速序列数据
Figure BDA0003677093910000043
中每天对应相同时刻的数据进行归类；并计算每个小时内的nD个样本数的均值和标准差，记为μt和σt，其中，t取值为h、2h…24h，对应24个时刻的节点信息；
23)光滑样条插值：将得到的24个时刻的节点信息前后排列，得到排布为h、2h…24h、h、2h…24h的均值μt和标准差σt的48个节点信息，然后对其进行光滑样条插值，并取中间段的24个节点信息作为一天内的数据，得到插值处理后的均值μ1t和标准差σ1t；
24)标准化：基于得到的均值μ1t和标准差σ1t，对变换得到的风速序列数据
Figure BDA0003677093910000044
进行标准化处理，以剔除原始风速序列数据中具有显著规律的波动特征，得到最终的预处理风速序列数据：
Figure BDA0003677093910000045
其中，
Figure BDA0003677093910000046
表示经预处理得到的预处理风速序列数据。
步骤三：数据分割：将预处理风速序列数据分割为训练集、验证集和测试集。训练集主要用于训练LSTM神经网络模型；测试集用于对训练LSTM神经网络模型的预测效果进行验证，以避免过拟合现象；测试集主要用于评价LSTM神经网络模型的预测效果。其中，本实施例以前16h的数据作为训练集，以后4h的数据作为测试集，剩余数据作为验证集。
步骤四：创建LSTM神经网络模型，初始化超参数，本实施例中，LSTM神经网络模型需要优化的超参数包括时长、隐藏层、隐藏层节点、舍弃率和学习率5个超参数，其余超参数为定值。其中，时长指采用若干过去的样本预测下一个时刻的值，范围为24-144；隐藏层指采用的LSTM层数，范围为1-2；隐藏层节点指每个LSTM隐藏层的节点数，范围为16-64；舍弃率指LSTM模型训练过程随机舍弃神经元的比例，范围为0.1-0.5；学习率指模型的初始学习率，范围为0.01-0.5。这些超参数的初始值为随机生成。
步骤五：以训练集训练LSTM神经网络模型，并以贝叶斯优化算法对LSTM神经网络模型的超参数进行优化选择，方法如下：
51)基于高斯过程回归，建立LSTM神经网络模型的超参数与预测误差之间的函数关系，得到误差函数；
52)以误差函数的局部最优解对应的超参数更新LSTM神经网络模型，得到局部最优LSTM神经网络模型；
53)采用验证集对局部最优LSTM神经网络模型进行验证，计算验证集数据与由局部最优LSTM神经网络模型预测得到的预测数据之间的均方根误差；
判断该局部最优LSTM神经网络模型对应的均方根误差是否小于当前全局最优LSTM神经网络模型对应的均方根误差；若是，则以该局部最优LSTM神经网络模型作为新的全局最优LSTM神经网络模型，迭代次数加1；若否，则迭代次数加1；
54)判断迭代次数是否达到最大迭代次数；若否，则执行步骤51)；若是，则迭代结束，以当前的全局最优LSTM神经网络模型为短期风速预测模型。
本实施例基于LSTM神经网络的短期风速预测模型建模方法，通过预处理剔除原始风速序列数据中的具有显著规律的波动特征，以更好地揭示风速序列波动特性的内在规律，便于LSTM神经网络模型进行训练和预测；通过采用贝叶斯优化算法对LSTM神经网络模型的超参数进行优化选择，能够提高LSTM神经网络模型的收敛速度和预测效果；经过实验证明，采用本实施例建模方法得到的短期风速预测模型可提高短期风速(提前4小时)的预测效果约9％-35％。
具体的，本实施例基于LSTM神经网络的短期风速预测方法，采用本实施例如上所述建模方法创建得到的短期风速预测模型预测得到预测风速序列数据Ut，再对预测风速序列数据Ut进行逆变换，得到实际的预测风速序列数据：
U't＝(Utσ1t+μ1t)1/m
其中，U't表示逆变换后得到的预测风速序列数据；Ut表示逆变换前得到的预测风速序列数据。
本实施例可采用多种误差评估指标对预测风速数据的预测效果进行评价，如下：
Figure BDA0003677093910000051
Figure BDA0003677093910000052
Figure BDA0003677093910000061
其中，U't表示逆变换后得到的预测风速序列数据；N表示样本数量。
实验验证
本实施例采用某风电场共3台风机的实测风速数据，数据包括24天，分辨率为10min，即样本总长为3456，将最后24个样本(即4h)作为测试集，用于验证提前4h预测(24步提前)的精度提升效果，如图3所示。
为验证提出预测模型的准确性，将结果与多种预测模型进行对比，包括持续法(PM)、差分自回归移动平均(ARIMA)、人工神经网络(ANN)、ARIMA-ANN、季节性预处理-人工神经网络(SEA-ANN)、BO-LSTM共六种模型。
三台风机的预测误差指标如图4所示，可发现，与其它模型相比，本实施例创建得到的短期风速预测模型的整体预测误差最低。
为准确评估各模型的预测精度，将三台风机预测的误差进行统计，绘制模型误差分布如图5所示。整体而言，提出的模型可降低短期风速预测误差约9％-35％，预测精度提升效果十分显著，且预测误差分布的波动性整体较好。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (4)

1.一种基于LSTM神经网络的短期风速预测模型建模方法，其特征在于：包括如下步骤：
步骤一：采集数据，得到原始风速序列数据；
步骤二：预处理：对原始风速序列数据进行数据变换与标准化预处理，得到预处理风速序列数据，以剔除原始风速序列数据中的具有显著规律的波动特征；
步骤三：数据分割：将预处理风速序列数据分割为训练集和验证集；
步骤四：创建LSTM神经网络模型，初始化超参数；
步骤五：以训练集训练LSTM神经网络模型，并以贝叶斯优化算法对LSTM神经网络模型的超参数进行优化选择，方法如下：
51)基于高斯过程回归，建立LSTM神经网络模型的超参数与预测误差之间的函数关系，得到误差函数；
52)以误差函数的局部最优解对应的超参数更新LSTM神经网络模型，得到局部最优LSTM神经网络模型；
53)采用验证集对局部最优LSTM神经网络模型进行验证，计算验证集数据与由局部最优LSTM神经网络模型预测得到的预测数据之间的均方根误差；
判断该局部最优LSTM神经网络模型对应的均方根误差是否小于当前全局最优LSTM神经网络模型对应的均方根误差；若是，则以该局部最优LSTM神经网络模型作为新的全局最优LSTM神经网络模型，迭代次数加1；若否，则迭代次数加1；
54)判断迭代次数是否达到最大迭代次数；若否，则执行步骤51)；若是，则迭代结束，以当前的全局最优LSTM神经网络模型为短期风速预测模型。
2.根据权利要求1所述基于LSTM神经网络的短期风速预测模型建模方法，其特征在于：所述步骤一中，采集得到的原始风速序列数据包括共D天的风速序列数据，每小时样本数为N个，则每一天的样本长度为H为24N，总样本长度为DH。
3.根据权利要求2所述基于LSTM神经网络的短期风速预测模型建模方法，其特征在于：所述步骤二中，对原始风速序列数据进行预处理的方法包括如下步骤：
21)变换：假定原始风速序列数据复合韦伯分布，利用经验法计算韦伯分布的参数k，从而获得指数变化参数m，以对原始风速序列数据进行变换：
k＝(Mean(Ut)/Std(Ut))-1.086
m＝k/3.6
Figure FDA0003677093900000011
其中，Ut表示原始风速序列数据；
Figure FDA0003677093900000012
表示变换得到的风速序列数据；m表示指数变化参数；k表示韦伯分布的参数；
22)统计时均风速：将变换得到的风速序列数据
Figure FDA0003677093900000021
中每天对应相同时刻的数据进行归类；并计算每个小时内的ND个样本数的均值和标准差，记为μt和σt，其中，t取值为h、2h…24h，对应24个时刻的节点信息；
23)光滑样条插值：将得到的24个时刻的节点信息前后排列，得到排布为h、2h…24h、h、2h…24h的均值μt和标准差σt的48个节点信息，然后对其进行光滑样条插值，并取中间段的24个节点信息作为一天内的数据，得到插值处理后的均值μ1t和标准差σ1t；
24)标准化：基于得到的均值μ1t和标准差σ1t，对变换得到的风速序列数据
Figure FDA0003677093900000022
进行标准化处理，以剔除原始风速序列数据中具有显著规律的波动特征，得到最终的预处理风速序列数据：
Figure FDA0003677093900000023
其中，
Figure FDA0003677093900000024
表示经预处理得到的预处理风速序列数据。
4.一种基于LSTM神经网络的短期风速预测方法，其特征在于：采用如权利要求1-3任一项所述建模方法创建得到的短期风速预测模型预测得到预测风速序列数据Ut，再对预测风速序列数据Ut进行逆变换，得到实际的预测风速序列数据：
Ut'＝(Utσ1t+μ1t)1/m
其中，Ut'表示逆变换后得到的预测风速序列数据；Ut表示逆变换前得到的预测风速序列数据。
CN202210621834.9A 2022-06-02 2022-06-02 基于lstm神经网络的短期风速预测模型建模方法及预测方法 Pending CN114897260A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210621834.9A CN114897260A (zh) 2022-06-02 2022-06-02 基于lstm神经网络的短期风速预测模型建模方法及预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210621834.9A CN114897260A (zh) 2022-06-02 2022-06-02 基于lstm神经网络的短期风速预测模型建模方法及预测方法

Publications (1)

Publication Number Publication Date
CN114897260A true CN114897260A (zh) 2022-08-12

Family

ID=82726977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210621834.9A Pending CN114897260A (zh) 2022-06-02 2022-06-02 基于lstm神经网络的短期风速预测模型建模方法及预测方法

Country Status (1)

Country Link
CN (1) CN114897260A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117034785A (zh) * 2023-10-09 2023-11-10 中国华能集团清洁能源技术研究院有限公司 风电机组功率预测方法、装置及电子设备
CN118316072A (zh) * 2024-04-12 2024-07-09 武汉风伯科技有限公司 一种基于风力预测的一次调频方法、系统及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558968A (zh) * 2018-11-02 2019-04-02 国网冀北电力有限公司经济技术研究院 风电场出力相关性分析方法及装置
CN111222677A (zh) * 2019-10-22 2020-06-02 浙江运达风电股份有限公司 一种基于长短期记忆时间神经网络的风速预测方法及系统
CN111695724A (zh) * 2020-06-01 2020-09-22 浙江大学 一种基于混合神经网络模型的风速预测方法
CN114021830A (zh) * 2021-11-12 2022-02-08 天津大学 一种基于cnn-lstm的多时间范围风速预测方法
CN114066071A (zh) * 2021-11-19 2022-02-18 厦门大学 一种基于能耗的电力参数优化方法、终端设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558968A (zh) * 2018-11-02 2019-04-02 国网冀北电力有限公司经济技术研究院 风电场出力相关性分析方法及装置
CN111222677A (zh) * 2019-10-22 2020-06-02 浙江运达风电股份有限公司 一种基于长短期记忆时间神经网络的风速预测方法及系统
CN111695724A (zh) * 2020-06-01 2020-09-22 浙江大学 一种基于混合神经网络模型的风速预测方法
CN114021830A (zh) * 2021-11-12 2022-02-08 天津大学 一种基于cnn-lstm的多时间范围风速预测方法
CN114066071A (zh) * 2021-11-19 2022-02-18 厦门大学 一种基于能耗的电力参数优化方法、终端设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117034785A (zh) * 2023-10-09 2023-11-10 中国华能集团清洁能源技术研究院有限公司 风电机组功率预测方法、装置及电子设备
CN118316072A (zh) * 2024-04-12 2024-07-09 武汉风伯科技有限公司 一种基于风力预测的一次调频方法、系统及介质

Similar Documents

Publication Publication Date Title
CN110942194A (zh) 一种基于tcn的风电预测误差区间评估方法
CN114861533B (zh) 基于时间卷积网络的风功率超短期预测方法
CN110910004A (zh) 一种多重不确定性的水库调度规则提取方法及系统
CN109492748B (zh) 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法
CN113344288B (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN114897260A (zh) 基于lstm神经网络的短期风速预测模型建模方法及预测方法
CN112819238A (zh) 基于混沌鸡群优化算法的短期风电功率预测方法
CN114997578A (zh) 一种基于深度学习的智慧风电场实时状态评估方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN115759389A (zh) 基于天气类型的相似日组合策略的日前光伏功率预测方法
CN116702937A (zh) 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法
CN115392387B (zh) 一种低压分布式光伏发电出力预测方法
CN116826737A (zh) 一种光伏功率的预测方法、装置、存储介质及设备
CN111192158A (zh) 一种基于深度学习的变电站日负荷曲线相似度匹配方法
CN108038518A (zh) 一种基于气象数据的光伏发电功率确定方法及系统
CN117081064B (zh) 一种基于误差评估的风电功率组合预测方法和系统
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN112801350A (zh) 基于不确定度的深度学习超短时风电功率预测方法
CN117933316A (zh) 一种基于可解释贝叶斯卷积网络的地下水位概率预报方法
CN115936062A (zh) 基于场景生成与深度学习的光伏功率日前区间预测方法
CN117290673A (zh) 一种基于多模型融合的船舶能耗高精度预测系统
CN113449471B (zh) 利用ap聚类-跳转持续改进mc的风电出力模拟生成方法
CN116070458A (zh) 基于rac-gan的新建风电场场景生成方法
CN115456286A (zh) 一种短期光伏功率预测方法
CN116911418A (zh) 一种基于小波变换与优化bp神经网络的光伏发电功率超短期预测方法

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