-
公开(公告)号:CN112633632A
公开(公告)日:2021-04-09
申请号:CN202011352009.0
申请日:2020-11-26
Applicant: 华中科技大学 , 国网辽宁省电力有限公司电力科学研究院 , 国家电网有限公司 , 中国电力科学研究院有限公司
Abstract: 本发明公开一种基于信号分解技术的集成短期风电集群功率预测方法,将采集的NWP数据及对应功率数据划分两个独立数据集,用于预测模型训练和测试;通过VMD和WT方法对训练数据进行数据预处理,预处理后数据再分别以SDAE、LSTM、BiLSTM、CNN为核心的模型进行预测得到子预测结果;子预测结果分别通过PLSR、BPNN、SVM网络型构建子预测模型,依据子预测模型子的准确性程度不同,为每项子预测结果分配权重,构成WPP预测模型;为WPP集成预测模型性能评判标准,选取最合适的集成预测模型,将S1的测试数据集输入选取的集成预测模型后进入预测,输出结果。通过本发明方法预测精度高,数据适用范围广,具有推广价值。
-
公开(公告)号:CN112633551A
公开(公告)日:2021-04-09
申请号:CN202011346919.8
申请日:2020-11-26
Applicant: 华中科技大学 , 内蒙古电力(集团)有限责任公司 , 中国电力科学研究院有限公司
Abstract: 本发明提供一种基于SDAE‑SVR‑BA的风电功率深度学习预测模型优化方法,包括以下步骤:(1)首先对原始特征数据库中的多维NWP数据和风电场历史功率数据进行预处理;(2)采用蝙蝠算法BA对堆栈去噪自动编码器SDAE的隐含层数和隐含层节点数进行优化;(3)采用SDAE对输入数据做特征映射;(4)采用蝙蝠算法BA优化支持向量回归SVR模型中的参数g和C,g为SVR模型中核函数半径,C为SVR模型中惩罚因子;(5)再将步骤(3)映射特征的数据输入使用BA优化的SVR模型中进行预测,最后输出优化后的预测结果。本发明通过采用BA优化的SDAE‑SVR预测模型,具有出色的特征提取与抽象能力,有效提升了短期风电功率预测的精度,提高了功率预测的鲁棒性和稳定性,适合推广使用。
-
公开(公告)号:CN112926398A
公开(公告)日:2021-06-08
申请号:CN202110117431.6
申请日:2021-01-28
Applicant: 中国南方电网有限责任公司 , 华中科技大学 , 中国电力科学研究院有限公司
Abstract: 本发明提供一种基于VMD‑EMD‑WT信号分解和SDAE深度学习的短期集群风电功率预测优化方法,包括以下步骤:对原始特征数据库中多维NWP数据和风电场历史功率数据进行预处理后划分为训练集和测试集,利用VMD、EMD和WT对训练集风速和风向特征量进行分解后作为新训练集,将新训练集和测试集的风速和风向特征量输入SDAE进行深度学习,建立VMD‑SDAE、EMD‑SDAE和WT‑SDAE预测子模型;将三个预测子模型输出结果随机划分成几个集合,使用SVM算法对每个集合进行集成,产生单次集成结果;将所有单次集成结果再随机划分成几个集合,再利用SVM算法对每个集合进行集成,建立多重集成学习模型,输出预测结果。本发明具有更高准确性和更好鲁棒性,有效提升短期风电功率预测精度。
-
公开(公告)号:CN112949904B
公开(公告)日:2022-06-07
申请号:CN202110118904.4
申请日:2021-01-28
Applicant: 华中科技大学
Abstract: 本发明公开一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法,将采集到的的数据划分为两个数据集,分别作为迁移学习的目标风电场和源风电场,首先根据与目标风电场的相关程度对源风电场的数据样本进行了多层级划分,然后基于多层级的源风电场数据样本构建目标风电场的多层级深度迁移学习模型,最后采用特征选择的方法对多层级深度迁移学习模型进行优化,通过该方法预测可以减少数据训练规模,避免数据过度拟合,具有推广价值。
-
公开(公告)号:CN112949904A
公开(公告)日:2021-06-11
申请号:CN202110118904.4
申请日:2021-01-28
Applicant: 华中科技大学
Abstract: 本发明公开一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法,将采集到的的数据划分为两个数据集,分别作为迁移学习的目标风电场和源风电场,首先根据与目标风电场的相关程度对源风电场的数据样本进行了多层级划分,然后基于多层级的源风电场数据样本构建目标风电场的多层级深度迁移学习模型,最后采用特征选择的方法对多层级深度迁移学习模型进行优化,通过该方法预测可以减少数据训练规模,避免数据过度拟合,具有推广价值。
-
-
-
-