-
公开(公告)号：CN115169544A
公开(公告)日：2022-10-11
申请号：CN202211075827.X
申请日：2022-09-05
Applicant: 广东工业大学
Abstract: 本发明公开了一种短期光伏发电功率预测方法及系统。首先获取目标域光伏发电站以及源域光伏发电站的特征数据，对数据进行预处理后划分出训练数据和测试数据，然后构建GRU‑DANN对抗迁移学习模型并对其进行训练，得到训练好的GRU‑DANN对抗迁移学习模型，最后将测试数据输入至训练好的GRU‑DANN对抗迁移学习模型中，得到目标域光伏发电站的目标功率，并按照时序生成与目标功率对应的功率时间序列。本发明可从多样本光伏发电站的数据中自动提取出建立少样本光伏发电站功率预测模型所需要的特征，实现多样本光伏发电站对少样本光伏发电站的有效迁移，以提高少样本光伏发电站的功率预测精度。
-
公开(公告)号：CN114914913A
公开(公告)日：2022-08-16
申请号：CN202210711647.X
申请日：2022-06-22
Applicant: 广东工业大学
Abstract: 本发明涉及一种考虑变流器驱动稳定性约束的机组组合方法，包括如下步骤：建立机组组合目标函数；求解机组组合目标函数；构建风电动态交互影响评估模型，校验变流器驱动稳定性裕度；基于功率灵敏度对机组出力进行调整；根据调整后的出力状态更新机组的组合方案。通过风电动态交互影响评估模型对初始机组组合的变流器驱动稳定性裕度进行检验，在变流器驱动稳定性裕度不符合设定的阈值的情况下，基于功率灵敏度对机组出力进行调整，形成一个新的机组组合来提高变流器驱动稳定裕度，避免由风电并网对电力系统调度带来的变流器驱动失稳等潜在风险。
-
公开(公告)号：CN113688869B
公开(公告)日：2022-05-27
申请号：CN202110827561.9
申请日：2021-07-21
Applicant: 广东工业大学
Abstract: 本发明涉及光伏数据重构的技术领域，更具体地，涉及一种基于生成对抗网络的光伏数据缺失重构方法，包括以下步骤：S10：获取历史光伏数据，并对历史光伏数据进行归一化预处理；S20：将每日的光伏数据都形成一个1×T×n张量；S30：生成对抗网络学习光伏数据的分布规律，训练好的生成对抗网络能够生成符合真实样本数据分布规律的重构备选样本G(z)；S40：采用大小为T×n的二值掩码矩阵M描述光伏数据的缺失值位置；S50：设置重构约束损失函数，找到最佳备选样本G'(z)；S60：截取最佳备选样本的对应位置填充缺失值，即得重构样本。本发明可以在光伏数据含有大量缺失值时，对光伏数据多特征的缺失值进行重构填充，具有较高的重构准确率。
-
公开(公告)号：CN115395506A
公开(公告)日：2022-11-25
申请号：CN202210988184.1
申请日：2022-08-17
Applicant: 广东工业大学
Abstract: 本发明公开一种基于动态邻域的超短期风电功率预测方法及设备。将采集的风电数据划分成训练数据集和测试数据集，然后设定好BP神经网络的拓扑结构并输入训练数据进行训练，先通过CSO算法初始化BP神经网络的参数，计算初始种群中个体适应度值，然后执行横向纵向交叉，再次计算个体适应度值，之后根据个体适应度值计算粒子聚集度因子，再进行自适应邻域搜索更新粒子，得到训练完成的BP神经网络，最后将测试数据集输入训练好的BP神经网络中进行预测，得到预测的风电功率。本发明能够有效的提升超短期风电功率预测的精度。
-
公开(公告)号：CN114169252A
公开(公告)日：2022-03-11
申请号：CN202111620744.X
申请日：2021-12-27
Applicant: 广东工业大学
IPC: G06F30/27 , G06F30/25 , G06N3/04 , G06N3/08 , G06F111/06 , G06F113/06 , G06F119/06 , G06F119/08
Abstract: 本发明公开了一种动态选择代表风电场的短期区域风电功率预测方法，先获取区域内各个风电场的数值天气预报数据，然后对数值天气预报数据作初步的预处理，并在时间段T内构建各个风电场的特征序列，之后以各个风电场在时间段T内的特征序列的加权和为参考风电场的特征序列，再采用纵横交叉优化算法优化，并根据参考风电场的特征序列，在每个时间段T内动态选择代表风电场，然后根据选择的代表风电场，采用GRU网络预测各个代表风电场的功率，最后建立深度学习的升尺度预测模型，将各个代表风电场的功率输入模型，即可获得区域风电功率序列。该方法能够有效的提升区域内短期风电功率的预测精度。
-
Patent Agency Ranking
公开(公告)号：CN114169251A
公开(公告)日：2022-03-11
申请号：CN202111616484.9
申请日：2021-12-27
Applicant: 广东工业大学
IPC: G06F30/27 , G06F30/23 , G06N3/04 , G06N3/08 , G06F111/04 , G06F111/06 , G06F113/06 , G06F119/06
Abstract: 本发明涉及风电功率预测的技术领域，更具体地，涉及一种超短期风电功率预测方法，本实施例采用多元变分模态分解方法，将所采集的风电功率和风速序列依次进行分解，并拼接形成一个T×F的输入特征矩阵，降低复杂度。再通过自动编码器与极限学习机的结合构建深度极限学习机预测模型，并利用多目标纵横交叉算法对所建立的预测模型作权值和阈值的初始寻优。将寻优结果作为深度极限学习模型的初始参数并继续训练，最后利用训练好的模型对分解后的各子序列分别进行预测，将各子序列预测结果叠加从而得到风电功率预测值。本发明的超短期风电功率预测方法，有效提升了模型在风电功率的预测精度、预测稳定性与泛化性能。
-
公开(公告)号：CN115640868A
公开(公告)日：2023-01-24
申请号：CN202210999675.6
申请日：2022-08-19
Applicant: 广东工业大学
IPC: G06Q10/04 , G06Q50/06 , G06N3/0475 , G06N3/045 , G06N3/006 , G06N3/0442 , G06N3/086 , H02J3/00 , H02J3/38
Abstract: 本发明涉及风电功率预测的技术领域，更具体地，涉及一种新建风电场少数据风电功率短期预测方法，具体来说，是一种基于进化生成对抗网络和双向门控循环单元的新建风电场少数据风电功率短期预测方法。本发明采用进化计算优化生成对抗网络，使得生成模型能够高效学习原始少数据的边际分布，并生成具有模态多样性和相似边际分布的新数据，以弥补原始小规模数据的局限性，对于新建风电场的少数据风电功率预测精度提升具有实际性的帮助；采用纵横交叉优化算法优化BiGRU网络中Dense层权重和偏置项，能够有效避开模型陷入局部最优并帮助其寻找到全局最优解，对提高少数据新建风电场的风电功率预测精度具有明显的效果。
-
公开(公告)号：CN113688869A
公开(公告)日：2021-11-23
申请号：CN202110827561.9
申请日：2021-07-21
Applicant: 广东工业大学
Abstract: 本发明涉及光伏数据重构的技术领域，更具体地，涉及一种基于生成对抗网络的光伏数据缺失重构方法，包括以下步骤：S10：获取历史光伏数据，并对历史光伏数据进行归一化预处理；S20：将每日的光伏数据都形成一个1×T×n张量；S30：生成对抗网络学习光伏数据的分布规律，训练好的生成对抗网络能够生成符合真实样本数据分布规律的重构备选样本G(z)；S40：采用大小为T×n的二值掩码矩阵M描述光伏数据的缺失值位置；S50：设置重构约束损失函数，找到最佳备选样本G'(z)；S60：截取最佳备选样本的对应位置填充缺失值，即得重构样本。本发明可以在光伏数据含有大量缺失值时，对光伏数据多特征的缺失值进行重构填充，具有较高的重构准确率。
-
公开(公告)号：CN114914913B
公开(公告)日：2024-03-12
申请号：CN202210711647.X
申请日：2022-06-22
Applicant: 广东工业大学
IPC: H02J3/24 , H02J3/46 , H02J3/38 , G06Q10/0631 , G06Q50/06
Abstract: 本发明涉及一种考虑变流器驱动稳定性约束的机组组合方法，包括如下步骤：建立机组组合目标函数；求解机组组合目标函数；构建风电动态交互影响评估模型，校验变流器驱动稳定性裕度；基于功率灵敏度对机组出力进行调整；根据调整后的出力状态更新机组的组合方案。通过风电动态交互影响评估模型对初始机组组合的变流器驱动稳定性裕度进行检验，在变流器驱动稳定性裕度不符合设定的阈值的情况下，基于功率灵敏度对机组出力进行调整，形成一个新的机组组合来提高变流器驱动稳定裕度，避免由风电并网对电力系统调度带来的变流器驱动失稳等潜在风险。
-
公开(公告)号：CN114169252B
公开(公告)日：2022-11-29
申请号：CN202111620744.X
申请日：2021-12-27
Applicant: 广东工业大学
IPC: G06F30/27 , G06F30/25 , G06N3/04 , G06N3/08 , G06F111/06 , G06F113/06 , G06F119/06 , G06F119/08
Abstract: 本发明公开了一种动态选择代表风电场的短期区域风电功率预测方法，先获取区域内各个风电场的数值天气预报数据，然后对数值天气预报数据作初步的预处理，并在时间段T内构建各个风电场的特征序列，之后以各个风电场在时间段T内的特征序列的加权和为参考风电场的特征序列，再采用纵横交叉优化算法优化，并根据参考风电场的特征序列，在每个时间段T内动态选择代表风电场，然后根据选择的代表风电场，采用GRU网络预测各个代表风电场的功率，最后建立深度学习的升尺度预测模型，将各个代表风电场的功率输入模型，即可获得区域风电功率序列。该方法能够有效的提升区域内短期风电功率的预测精度。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.03 seconds)
