公开(公告)号：CN113256018A

公开(公告)日：2021-08-13

申请号：CN202110636517.X

申请日：2021-06-08

Applicant: 河海大学

Inventor： 孙永辉 ,  周衍 ,  王森 ,  侯栋宸 ,  王建喜 ,  张林闯

IPC: G06Q10/04 ,  G06Q10/06 ,  G06F17/18 ,  G06K9/62 ,  G06N3/04 ,  G06N3/06 ,  G06N3/08

Abstract: 本发明公开了一种基于条件分位数回归模型的风电功率超短期概率预测方法，首先分析风电功率时间序列的特性，研究基于多元时间序列基序的层次聚类方法，综合考虑静态特性、动态特性及气象特性，然后基于聚类结果计算样本倍增系数，并以此为条件针对每一个样本类进行分位数回归以训练模型，完成参数优化，最后输入风电功率时间序列，实现超短期概率预测。本发明其预测区间性能明显优于传统基于分位数回归模型的预测模型，且具有较好的可靠度，极大的提高了风电功率预测可信度。

公开(公告)号：CN110991737A

公开(公告)日：2020-04-10

申请号：CN201911201581.4

申请日：2019-11-29

Applicant: 河海大学

Inventor： 王森 ,  孙永辉 ,  周衍 ,  侯栋宸 ,  张林闯

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N3/08

Abstract: 本发明公开了一种基于深度置信网络的超短期风电功率预测方法，该方法首先采集风电场的历史数据，得到训练样本集；然后利用训练样本对深度置信网络模型进行训练，得到训练后的深度置信网络模型；接着根据所述影响因素的待预测时刻的实际数据生成验证输入数据，同时将测试输入数据输入到已经完成训练的深度置信网络模型，模型输出值即为待预测时刻的风电功率预测值。本发明是基于深度置信网络模型的超短期风电功率预测方法，利用深度置信网络模型良好的特征筛选分析能力，提高了预测的精度，强化了模型的泛化能力。