CN116050504A - 一种基于深度学习的风电功率短期预测模型 - Google Patents
一种基于深度学习的风电功率短期预测模型 Download PDFInfo
- Publication number
- CN116050504A CN116050504A CN202310088915.1A CN202310088915A CN116050504A CN 116050504 A CN116050504 A CN 116050504A CN 202310088915 A CN202310088915 A CN 202310088915A CN 116050504 A CN116050504 A CN 116050504A
- Authority
- CN
- China
- Prior art keywords
- data
- wind power
- term prediction
- deep learning
- prediction model
- 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
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000010248 power generation Methods 0.000 claims abstract description 6
- 238000010220 Pearson correlation analysis Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000003399 chemotactic effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 6
- 238000007619 statistical method Methods 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000035605 chemotaxis Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Fuzzy Systems (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于深度学习的风电功率短期预测模型，包括以下步骤：获取风力发电功率及NWP原始数据；将数据缺失值使用均值填补补全；使用皮尔逊相关性分析将数据降维，剔除不必要的特征；本发明通过采用基于深度学习的风电功率短期预测模型对风电功率进行短期预测，一方面承认事物发展的延续性，运用过去的时间序列数据进行统计分析，推测出事物的发展趋势；另一方面充分考虑到由于偶然因素影响而产生的随机性，为了消除随机波动产生的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测，解决了数据特征间信息提取不充分的问题，进一步提高了模型的预测精度。
Description
技术领域
本发明属于风电功率预测技术领域，具体涉及一种基于深度学习的风电功率短期预测模型。
背景技术
风电功率预测技术是指对未来一段时间内风电场所能输出的功率大小进行预测，以便安排调度计划。这是因为风能属于随机波动的不稳定能源，大规模的风电并入系统，必将会对系统的稳定性带来新的挑战。电力生产调度机构需要对未来数小时的风电输出功率有所了解。按风电场出力预测时间尺度划分，包括：长期预测、中期预测、短期预测以及超短期预测。
目前传统的对于风电功率短期预测的方式通常较为依赖特征工程，且基本针对于单条时序，通常只能预测未来单个时间点，数据特征间信息提取不充分，使用时依然存在较为严重的局限性。
发明内容
本发明要解决的技术问题是克服现有的缺陷，提供一种基于深度学习的风电功率短期预测模型，以解决上述背景技术中提出的目前传统的对于风电功率短期预测的方式通常较为依赖特征工程，且基本针对于单条时序，通常只能预测未来单个时间点，数据特征间信息提取不充分，使用时依然存在较为严重的局限性的问题。
为实现上述目的，本发明提供如下技术方案：一种基于深度学习的风电功率短期预测模型，包括以下步骤：
步骤一：获取风力发电功率及NWP原始数据；
步骤二：将数据缺失值使用均值填补补全；
步骤三：使用皮尔逊相关性分析将数据降维，剔除不必要的特征；
步骤四：对数据做归一化处理，得到归一化后的数据；
步骤五：利用图神经网络对多变量时间序列数据进行建模，即构造自适应邻接矩阵来学习变量之间隐藏的空间依赖关系；
步骤六：提取完的特征向量使用双向门控循环单元提取时间特征；
步骤七：将上一步提取完的特征通过注意力机制加权，最后通过全连接层输出；
步骤八：将预测数据反归一化得到最后结果。
优选的，所述步骤一中，在对风功率进行预测之前，首先就了解风能的特性，以便于对参数做合理的选取，风能最显著特点是变化性，由于气候、时间及地理环境因素的影响，在每一个时间点和空间点上风力的大小、方向都在瞬时变化。
优选的，所述步骤二中，将数据集中不含缺失值的变量(属性)称为完全数据,数据集中含有缺失值的变量称为缺失数据，填补数据的方法通常通过使用更大规模且多变的数据进行填补。
优选的，所述步骤二中，在使用这些数据进行数据填补时，需要注意对含有低覆盖率的序列点加以解释。
优选的，所述步骤三中，在统计学中通常采用皮尔逊积矩相关系数(PPMCC/PCCs)用于度量数据之间的相关关系密切程度的统计指标。
优选的，所述步骤四中，在对数据进行归一化处理时，采用数据同趋化处理方式，对不同性质的数据指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确的结果。
优选的，所述步骤五中，建立后的RBF神经网络模型由三层组成，分别为输入层、隐层、输出层，是一种新颖有效的前馈式神经网络。
优选的，所述RBF神经网络模型的输入层用来传递输入信号到隐层；隐层由径向基函数描述，其基函数大多采用高斯基函数，所进行的是非线性变换；输出层由简单的线性函数刻画，进行的是线性变换，在RBF神经网络模型中，输入层到隐层的连接权值均为1，隐层到输出层之间的连接权值是可调的，隐层的作用函数对输入信号将在局部产生响应，当输入信号靠近作用函数的中央范围时，隐层节点就会产生较大的输出，致使径向基函数网络具有极佳的局部逼近能力和学习速度快的优点。
优选的，所述步骤五中，使用图神经网络可以使得图神经网络模型在处理数据时不需要明确的图结构。
优选的，所述步骤七中，注意力机制包括第一算术逻辑单元、激活函数电路、缩放电路和第二算术逻辑单元。
与现有技术相比，本发明提供了一种基于深度学习的风电功率短期预测模型，具备以下有益效果：
1、本发明通过采用基于深度学习的风电功率短期预测模型对风电功率进行短期预测，一方面承认事物发展的延续性，运用过去的时间序列数据进行统计分析，推测出事物的发展趋势；另一方面充分考虑到由于偶然因素影响而产生的随机性，为了消除随机波动产生的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测，解决了数据特征间信息提取不充分的问题，进一步提高了模型的预测精度；
2、本发明和传统的预测方法相比，具有以下几个优势：弱依赖或不依赖特征工程，直接从数据中提取关系；传统的方法基本针对于单条时序，而深度学习可以同时预测多条时序，此外，还能捕获时序之间的相关性；可同时预测未来多个时间点；反向传播框架的开源，人们只需要关注于模型的组成以及损失函数的设计。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制，在附图中：
图1为本发明提出的基于深度学习的风电功率短期预测模型的步骤流程图；
图2为本发明提出的基于深度学习的风电功率短期预测模型的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，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，都属于本发明保护的范围。
请参阅图1-2，本发明提供一种技术方案：一种基于深度学习的风电功率短期预测模型，包括以下步骤：
步骤一：获取风力发电功率及NWP原始数据；
步骤二：将数据缺失值使用均值填补补全；
步骤三：使用皮尔逊相关性分析将数据降维，剔除不必要的特征；
步骤四：对数据做归一化处理，得到归一化后的数据；
步骤五：利用图神经网络对多变量时间序列数据进行建模，即构造自适应邻接矩阵来学习变量之间隐藏的空间依赖关系；
步骤六：提取完的特征向量使用双向门控循环单元提取时间特征；
步骤七：将上一步提取完的特征通过注意力机制加权，最后通过全连接层输出；
步骤八：将预测数据反归一化得到最后结果。
本发明中，优选的，步骤一中，在对风功率进行预测之前，首先就了解风能的特性，以便于对参数做合理的选取，风能最显著特点是变化性，由于气候、时间及地理环境因素的影响，在每一个时间点和空间点上风力的大小、方向都在瞬时变化。
本发明中，优选的，步骤二中，将数据集中不含缺失值的变量(属性)称为完全数据,数据集中含有缺失值的变量称为缺失数据，填补数据的方法通常通过使用更大规模且多变的数据进行填补。
本发明中，优选的，步骤二中，在使用这些数据进行数据填补时，需要注意对含有低覆盖率的序列点加以解释。
本发明中，优选的，步骤三中，在统计学中通常采用皮尔逊积矩相关系数(PPMCC/PCCs)用于度量数据之间的相关关系密切程度的统计指标。
本发明中，优选的，步骤四中，在对数据进行归一化处理时，采用数据同趋化处理方式，对不同性质的数据指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确的结果。
本发明中，优选的，步骤五中，建立后的RBF神经网络模型由三层组成，分别为输入层、隐层、输出层，是一种新颖有效的前馈式神经网络。
本发明中，优选的，RBF神经网络模型的输入层用来传递输入信号到隐层；隐层由径向基函数描述，其基函数大多采用高斯基函数，所进行的是非线性变换；输出层由简单的线性函数刻画，进行的是线性变换，在RBF神经网络模型中，输入层到隐层的连接权值均为1，隐层到输出层之间的连接权值是可调的，隐层的作用函数对输入信号将在局部产生响应，当输入信号靠近作用函数的中央范围时，隐层节点就会产生较大的输出，致使径向基函数网络具有极佳的局部逼近能力和学习速度快的优点。
本发明中，优选的，步骤五中，使用图神经网络可以使得图神经网络模型在处理数据时不需要明确的图结构。
本发明中，优选的，步骤七中，注意力机制包括第一算术逻辑单元、激活函数电路、缩放电路和第二算术逻辑单元。
实施例
请参阅图1-2，本发明提供一种技术方案：一种基于深度学习的风电功率短期预测模型，包括以下步骤：
步骤一：获取风力发电功率及NWP原始数据；
步骤二：将数据缺失值使用均值填补补全；
步骤三：使用皮尔逊相关性分析将数据降维，剔除不必要的特征；
步骤四：对数据做归一化处理，得到归一化后的数据；
步骤五：利用图神经网络对多变量时间序列数据进行建模，即构造自适应邻接矩阵来学习变量之间隐藏的空间依赖关系；
步骤六：提取完的特征向量使用双向门控循环单元提取时间特征；
步骤七：将上一步提取完的特征通过注意力机制加权，最后通过全连接层输出；
步骤八：将预测数据反归一化得到最后结果。
本实施例中，优选的，步骤一中，在对风功率进行预测之前，首先就了解风能的特性，以便于对参数做合理的选取，风能最显著特点是变化性，由于气候、时间及地理环境因素的影响，在每一个时间点和空间点上风力的大小、方向都在瞬时变化，图神经网络在处理关系依赖方面表现出了很高的能力。但是图神经网络需要用于信息传播的定义明确的图结构，这意味着它们无法直接应用于事先不知道相关性的多元时间序列。
本实施例中，优选的，步骤二中，将数据集中不含缺失值的变量(属性)称为完全数据,数据集中含有缺失值的变量称为缺失数据，填补数据的方法通常通过使用更大规模且多变的数据进行填补多元时间序列中的变量可以看作是图中的节点，它们通过隐藏的依赖关系相互连接。因此，利用图神经网络对多变量时间序列数据进行建模，可以在充分利用时间序列之间的相关性的同时，保留多变量时间序列的时间轨迹。
本实施例中，优选的，步骤二中，在使用这些数据进行数据填补时，需要注意对含有低覆盖率的序列点加以解释。
本实施例中，优选的，步骤三中，在统计学中通常采用皮尔逊积矩相关系数(PPMCC/PCCs)用于度量数据之间的相关关系密切程度的统计指标，构造自适应图神经网络，即构造自适应邻接矩阵来学习变量之间隐藏的空间依赖关系，该方法使得图神经网络模型在处理数据时不需要明确的图结构。
本实施例中，优选的，步骤四中，在对数据进行归一化处理时，采用数据同趋化处理方式，对不同性质的数据指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确的结果GCN+BIGRU的多元时间序列预测：首先构造自适应GCN网络提取风电场变量之间的空间特征,然后再使用BIGRU提取时间特征并使用注意力机制进行加权。
本实施例中，优选的，步骤五中，建立后的RBF神经网络模型由三层组成，分别为输入层、隐层、输出层，是一种新颖有效的前馈式神经网络。
本实施例中，优选的，RBF神经网络模型的输入层用来传递输入信号到隐层；隐层由径向基函数描述，其基函数大多采用高斯基函数，所进行的是非线性变换；输出层由简单的线性函数刻画，进行的是线性变换，在RBF神经网络模型中，输入层到隐层的连接权值均为1，隐层到输出层之间的连接权值是可调的，隐层的作用函数对输入信号将在局部产生响应，当输入信号靠近作用函数的中央范围时，隐层节点就会产生较大的输出，致使径向基函数网络具有极佳的局部逼近能力和学习速度快的优点。
本实施例中，优选的，步骤五中，使用图神经网络可以使得图神经网络模型在处理数据时不需要明确的图结构。
本实施例中，优选的，步骤七中，注意力机制包括第一算术逻辑单元、激活函数电路、缩放电路和第二算术逻辑单元。
本实施例中，最后使用线性回归层来综合时空特征并产生电功率的预测结果，具体步骤：
1.构造自适应邻接矩阵(通过模型训练学习边的关系)；
2.输入数据进行两个图卷积层得到特征数据；
图卷积层：
(1)输入数据进行全连接层操作；
(2)全连接层输出结果与自适应邻接矩阵相乘再经过激活函数得到输出特征结果；
然后再把特征数据接入BiGRU进行时序特征提取并通过注意力机制进行加权，模型实施步骤如下：
1)将历史数据进行相关性筛选；
2)将筛选过的数据进行归一化处理；
3)利用GCN深度挖掘特征间的耦合关系；
4)将处理过的数据输入到BIGUR中提取特征与时间之间的依赖关系；
5)通过注意力机制将上一步处理过的特征向量赋予不同的权重最后通过全连接层输出；
6)将预测后的数据反归一化，获得最后结果。
本发明通过采用基于深度学习的风电功率短期预测模型对风电功率进行短期预测，一方面承认事物发展的延续性，运用过去的时间序列数据进行统计分析，推测出事物的发展趋势；另一方面充分考虑到由于偶然因素影响而产生的随机性，为了消除随机波动产生的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测，解决了数据特征间信息提取不充分的问题，进一步提高了模型的预测精度；
本发明和传统的预测方法相比，具有以下几个优势：弱依赖或不依赖特征工程，直接从数据中提取关系；传统的方法基本针对于单条时序，而深度学习可以同时预测多条时序，此外，还能捕获时序之间的相关性；可同时预测未来多个时间点；反向传播框架的开源，人们只需要关注于模型的组成以及损失函数的设计。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于深度学习的风电功率短期预测模型，其特征在于：包括以下步骤：
步骤一：获取风力发电功率及NWP原始数据；
步骤二：将数据缺失值使用均值填补补全；
步骤三：使用皮尔逊相关性分析将数据降维，剔除不必要的特征；
步骤四：对数据做归一化处理，得到归一化后的数据；
步骤五：利用图神经网络对多变量时间序列数据进行建模，即构造自适应邻接矩阵来学习变量之间隐藏的空间依赖关系；
步骤六：提取完的特征向量使用双向门控循环单元提取时间特征；
步骤七：将上一步提取完的特征通过注意力机制加权，最后通过全连接层输出；
步骤八：将预测数据反归一化得到最后结果。
2.根据权利要求1所述的一种基于深度学习的风电功率短期预测模型，其特征在于：所述步骤一中，在对风功率进行预测之前，首先就了解风能的特性，以便于对参数做合理的选取，风能最显著特点是变化性，由于气候、时间及地理环境因素的影响，在每一个时间点和空间点上风力的大小、方向都在瞬时变化。
3.根据权利要求1所述的一种基于深度学习的风电功率短期预测模型，其特征在于：所述步骤二中，将数据集中不含缺失值的变量(属性)称为完全数据,数据集中含有缺失值的变量称为缺失数据，填补数据的方法通常通过使用更大规模且多变的数据进行填补。
4.根据权利要求1所述的一种基于深度学习的风电功率短期预测模型，其特征在于：所述步骤二中，在使用这些数据进行数据填补时，需要注意对含有低覆盖率的序列点加以解释。
5.根据权利要求1所述的一种基于深度学习的风电功率短期预测模型，其特征在于：所述步骤三中，在统计学中通常采用皮尔逊积矩相关系数(PPMCC/PCCs)用于度量数据之间的相关关系密切程度的统计指标。
6.根据权利要求1所述的一种基于深度学习的风电功率短期预测模型，其特征在于：所述步骤四中，在对数据进行归一化处理时，采用数据同趋化处理方式，对不同性质的数据指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确的结果。
7.根据权利要求1所述的一种基于深度学习的风电功率短期预测模型，其特征在于：所述步骤五中，建立后的RBF神经网络模型由三层组成，分别为输入层、隐层、输出层，是一种新颖有效的前馈式神经网络。
8.根据权利要求7所述的一种基于深度学习的风电功率短期预测模型，其特征在于：所述RBF神经网络模型的输入层用来传递输入信号到隐层；隐层由径向基函数描述，其基函数大多采用高斯基函数，所进行的是非线性变换；输出层由简单的线性函数刻画，进行的是线性变换，在RBF神经网络模型中，输入层到隐层的连接权值均为1，隐层到输出层之间的连接权值是可调的，隐层的作用函数对输入信号将在局部产生响应，当输入信号靠近作用函数的中央范围时，隐层节点就会产生较大的输出，致使径向基函数网络具有极佳的局部逼近能力和学习速度快的优点。
9.根据权利要求1所述的一种基于深度学习的风电功率短期预测模型，其特征在于：所述步骤五中，使用图神经网络可以使得图神经网络模型在处理数据时不需要明确的图结构。
10.根据权利要求1所述的一种基于深度学习的风电功率短期预测模型，其特征在于：所述步骤七中，注意力机制包括第一算术逻辑单元、激活函数电路、缩放电路和第二算术逻辑单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310088915.1A CN116050504A (zh) | 2023-02-03 | 2023-02-03 | 一种基于深度学习的风电功率短期预测模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310088915.1A CN116050504A (zh) | 2023-02-03 | 2023-02-03 | 一种基于深度学习的风电功率短期预测模型 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116050504A true CN116050504A (zh) | 2023-05-02 |
Family
ID=86119897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310088915.1A Pending CN116050504A (zh) | 2023-02-03 | 2023-02-03 | 一种基于深度学习的风电功率短期预测模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116050504A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117411078A (zh) * | 2023-09-22 | 2024-01-16 | 华中科技大学 | 一种考虑隐私保护的新能源并网系统出力预测方法 |
| CN117852729A (zh) * | 2024-03-08 | 2024-04-09 | 西安邮电大学 | 基于序列分解构图和注意力机制的天气预测方法及系统 |
-
2023
- 2023-02-03 CN CN202310088915.1A patent/CN116050504A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117411078A (zh) * | 2023-09-22 | 2024-01-16 | 华中科技大学 | 一种考虑隐私保护的新能源并网系统出力预测方法 |
| CN117852729A (zh) * | 2024-03-08 | 2024-04-09 | 西安邮电大学 | 基于序列分解构图和注意力机制的天气预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860982B (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| Tian et al. | Short-term wind speed prediction based on improved PSO algorithm optimized EM-ELM | |
| Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
| CN116050504A (zh) | 一种基于深度学习的风电功率短期预测模型 | |
| CN113128113B (zh) | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 | |
| CN112561058B (zh) | 基于Stacking-集成学习短期光伏功率预测方法 | |
| CN113255210B (zh) | 一种风电机组联邦故障诊断方法及系统 | |
| CN110059867B (zh) | 一种swlstm结合gpr的风速预测方法 | |
| Guan | Wave height prediction based on CNN-LSTM | |
| Hu et al. | Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model | |
| CN105931134A (zh) | 一种含并网光伏电站的系统可靠性评估方法 | |
| CN112653198A (zh) | 一种基于预测箱的风电出力场景生成方法及系统 | |
| CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
| CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
| CN116995669A (zh) | 新能源发电量的预测方法及其装置 | |
| CN116894504A (zh) | 一种风电集群功率超短期预测模型建立方法 | |
| CN118040678A (zh) | 一种短期海上风电功率组合预测方法 | |
| Peng et al. | Hmm-lstm for proactive traffic prediction in 6g wireless networks | |
| CN113988395B (zh) | 基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法 | |
| CN116418000A (zh) | 基于内嵌潮流神经网络的不可观配网贝叶斯状态估计方法 | |
| CN113964825A (zh) | 基于二次分解和BiGRU的超短期风电功率预测方法 | |
| LU504816B1 (en) | Interpretable deep learning model for extreme climate prediction | |
| Zhang et al. | Wind energy forecasting framework based on new perspective | |
| CN114781747B (zh) | 基于融合多源nwp的tpa-tcnmdn的超短期风电功率概率预测方法 | |
| Chen et al. | Research on Short-term Prediction Algorithm for Distributed Photovoltaic Power in Regional Distribution Networks |
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 |