-
公开(公告)号：CN105741192B
公开(公告)日：2021-05-18
申请号：CN201610113700.0
申请日：2016-02-29
Applicant: 南京信息工程大学
IPC: G06Q50/06
Abstract: 本发明公开了一种风电场风电机机舱短期风速组合预报方法，分别采用动态时间规整法和相关系数法对预报风电机机舱与所有风电机机舱逐日对应一定时段的风速子序列进行相似性分析，提取演化最相似的若干子序列的风速数据，分别建立基于动态时间规整法和相关系数法的广义回归神经网络子模型预报单元，各子模型的具体参数采用粒子群算法进行全局优化，两个子模型预报结果的平均值作为组合预报方法的最终预报结果。本发明实现了对风电场内每台风电机的机舱风速进行精细化预报，从而有效提高整个风电场的短期出力预报水平。
-
公开(公告)号：CN107169612A
公开(公告)日：2017-09-15
申请号：CN201710473103.3
申请日：2017-06-21
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于神经网络的风电机有功功率预测及误差订正方法，首先采用小波功率谱分析方法，提取风电机有功功率时间序列中隐含的显著周期序列并分离得到残差序列，然后分别对显著周期序列和残差序列采用神经网络模型进行预测，其中显著周期序列采用基于粒子群算法优化并叠加误差订正的BP神经网络进行预测，残差序列采用粒子群算法优化并叠加误差订正的RBF神经网络进行预测，由显著周期序列和残差序列的预测结果可以获得最终风电机有功功率预测结果。本发明实现了对风电场内每台风电机有功功率进行精细化预报，从而可以有效提高整个风电场的短期出力预报水平。
-
公开(公告)号：CN105138729A
公开(公告)日：2015-12-09
申请号：CN201510443853.7
申请日：2015-07-24
Applicant: 南京信息工程大学
IPC: G06F17/50
Abstract: 本发明公开了基于PSO-GRNN风电场风电机缺损风速值填充方法，依次进行风速数据相似性判定；确定GRNN填充子模型待优化参数集和评价此优化参数集的适应度函数；运用PSO算法优化待优化的参数，建立GRNN填充子模型；GRNN填充子模型进行GRNN组合，生成最终的填充结果。本发明针对以往单一填充模型稳定性差的缺点，提取与缺损测量风速风电机在缺损采样点附近风速演化最相似的若干台风电机的测量风速，采用PSO-GRNN神经网络组合填充模型对各子模型的填充结果进行动态组合，同时设计了对于组合用GRNN最佳平滑系数的确定方案，进一步提高了最终的填充结果精度和稳定性。
-
Patent Agency Ranking
公开(公告)号：CN105741192A
公开(公告)日：2016-07-06
申请号：CN201610113700.0
申请日：2016-02-29
Applicant: 南京信息工程大学
IPC: G06Q50/06
Abstract: 本发明公开了一种风电场风电机机舱短期风速组合预报方法，分别采用动态时间规整法和相关系数法对预报风电机机舱与所有风电机机舱逐日对应一定时段的风速子序列进行相似性分析，提取演化最相似的若干子序列的风速数据，分别建立基于动态时间规整法和相关系数法的广义回归神经网络子模型预报单元，各子模型的具体参数采用粒子群算法进行全局优化，两个子模型预报结果的平均值作为组合预报方法的最终预报结果。本发明实现了对风电场内每台风电机的机舱风速进行精细化预报，从而有效提高整个风电场的短期出力预报水平。
-
公开(公告)号：CN107274024A
公开(公告)日：2017-10-20
申请号：CN201710473102.9
申请日：2017-06-21
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种气象台站测量日总辐射曝辐量预测优化方法，包括：提取测量日总辐射曝辐量时间序列中的显著周期序列并分离得到残差序列，采用基于粒子群算法优化的BP神经网络对显著周期序列进行预测；对残差序列先进行小波分解，之后对小波分解各分量序列采用基于粒子群算法优化的BP神经网络进行预测，各分量预测结果之和为残差序列的预测结果；由显著周期序列和残差序列的预测结果可以获得最终日总辐射曝辐量预测结果。本发明可以有效提高对于残差序列的预报精度，从而整体提高台站测量日总辐射曝辐量的预报精度。
-
公开(公告)号：CN105138729B
公开(公告)日：2018-01-09
申请号：CN201510443853.7
申请日：2015-07-24
Applicant: 南京信息工程大学
IPC: G06F17/50
Abstract: 本发明公开了基于PSO‑GRNN风电场风电机缺损风速值填充方法，依次进行风速数据相似性判定；确定GRNN填充子模型待优化参数集和评价此优化参数集的适应度函数；运用PSO算法优化待优化的参数，建立GRNN填充子模型；GRNN填充子模型进行GRNN组合，生成最终的填充结果。本发明针对以往单一填充模型稳定性差的缺点，提取与缺损测量风速风电机在缺损采样点附近风速演化最相似的若干台风电机的测量风速，采用PSO‑GRNN神经网络组合填充模型对各子模型的填充结果进行动态组合，同时设计了对于组合用GRNN最佳平滑系数的确定方案，进一步提高了最终的填充结果精度和稳定性。
-
公开(公告)号：CN107203827A
公开(公告)日：2017-09-26
申请号：CN201710473063.2
申请日：2017-06-21
Applicant: 南京信息工程大学
CPC classification number: G06Q10/04 , G06F17/148 , G06Q50/06
Abstract: 本发明公开了一种基于多尺度分析的风电机风速预测优化方法，其主要技术在于基于多尺度分析的原理，采用小波功率谱分析技术，提取风电机测量风速时间序列中隐含的显著周期序列并分离得到残差序列，采用基于粒子群算法优化的RBF神经网络对显著周期序列和残差序列分别进行预测，由显著周期序列和残差序列的预测结果可以获得最终风电机风速预测结果。本发明实现了对风电场内每台风电机的测量风速进行精细化预报，从而有效提高整个风电场的短期出力预报水平。
-
公开(公告)号：CN107301475A
公开(公告)日：2017-10-27
申请号：CN201710477986.5
申请日：2017-06-21
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于连续功率谱分析的电力负荷预测优化方法，采用连续功率谱分析方法，提取电力负荷时间序列中隐含的显著周期序列并分离得到残差序列，采用基于粒子群算法优化的BP神经网络对显著周期序列进行预测，获得各显著周期序列的预测结果；采用粒子群算法优化的RBF神经网络对残差序列的一阶差分序列进行预测，后经差分反运算得到残差序列的预测结果，最后将平均电力负荷时间序列的平均值与各显著周期序列的预测结果以及残差序列的预测结果相加获得最终预测结果。本发明针对电力负荷数据的周期性特点，建立预测模型能够大幅提高短期电力负荷预报精度。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.025 seconds)
