-
公开(公告)号：CN117933363B
公开(公告)日：2024-06-11
申请号：CN202410264997.5
申请日：2024-03-08
Applicant: 广东工业大学
Abstract: 本发明公开了一种基于样本迁移的新建风电场短期风电功率预测方法和系统，涉及风电功率预测的技术领域，包括获取新建风电场及其周边风电场的历史风电数据；对历史风电数据进行预处理，获得风电相关数据矩阵；构建历史日天气特征向量集合，转化为历史日格拉姆矩阵，并构建样本集合；设置新建风电场的待预测日，从样本集合中筛选出相似日格拉姆矩阵，并计算对应的相似度权重，构建相似度权重序列；设置训练损失函数，对构建的风电功率预测神经网络模型进行训练，获得训练好的风电功率预测神经网络模型，用于新建风电场短期风电功率的预测，获得风电功率预测结果。本发明提高了基于样本迁移方法对新建风电场风电功率预测的精确度，泛化能力强。
-
公开(公告)号：CN115983494B
公开(公告)日：2023-09-12
申请号：CN202310113171.4
申请日：2023-02-10
Applicant: 广东工业大学
Abstract: 本发明提出一种新建小样本风电场的短期风电功率预测方法及系统，涉及风电功率预测的技术领域，首先获取区域内目标新建风电场及其周边风电场的风电相关数据，在经过初步处理后，获得风电场之间的区域风电场图，然后构建考虑时空特性的图卷积神经网络以提取区域风电场图内的信息，从而获取包含该区域所有风电场数据的特征，弥补新建风电场的小样本的不足，最后构建孪生门控循环协同误差修正预测模型使用获取的特征进行预训练，减少因风电波动性带来的误差，然后利用目标风电场数据对模型参数再次训练以进行精调，获得对目标小样本拟合更好的模型，提升新建少样本风电场风电功率预测的精度。
-
公开(公告)号：CN117892113B
公开(公告)日：2024-06-11
申请号：CN202410283502.3
申请日：2024-03-13
Applicant: 广东工业大学
IPC: G06F18/213 , G06N3/0442 , G06N3/045 , G06N3/0985 , G06Q10/04 , G06Q50/06 , 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，涉及一种自适应VMD和双重降维注意力机制的风电功率预测方法，双重降维注意力机制可以有效的对高维风电功率数据进行降维，可实现高维风电功率数据的降维和特征提取，减少数据冗余，有助于提升风电功率的预测精度；自适应VMD算法能够将功率信号分解成更容易训练的分量，从而提高训练效率；而采用纵横交叉优化算法优化网络模型的超参数矩阵，能够解决由神经网路搭建的网络模型中可能存在的局部最优问题。本发明自适应VMD和双重降维注意力机制的风电功率预测方法，不仅具有较高的训练效率，而且可以对高维风电功率数据进行降维、解决神经网络模型的局部最优问题，从而提高风电功率的预测精度。
-
公开(公告)号：CN117893361B
公开(公告)日：2024-07-05
申请号：CN202410296729.1
申请日：2024-03-15
Applicant: 广东工业大学
Abstract: 本发明公开了一种基于多尺度分析器的海上风电功率预测方法，如下：对获取的海上风电场的功率、风速和温度数据进行初步处理，得到风电功率时间序列、风速时间序列、温度时间序列；将风电功率时间序列输入到多尺度分析器，得到趋势性特征、长周期性特征和短周期性特征；将趋势性特征、长周期性特征和短周期性特征、风电功率时间序列、风速时间序列、温度时间序列重新组合成特征向量矩阵；将所述特征向量矩阵输入至海上风电功率预测模型进行海上风电功率预测。本发明将特征向量矩阵输入海上风电功率预测模型进行海上风电功率预测，提高了海上风电功率的预测精度，具有普适性。
-
Patent Agency Ranking
公开(公告)号：CN117893361A
公开(公告)日：2024-04-16
申请号：CN202410296729.1
申请日：2024-03-15
Applicant: 广东工业大学
Abstract: 本发明公开了一种基于多尺度分析器的海上风电功率预测方法，如下：对获取的海上风电场的功率、风速和温度数据进行初步处理，得到风电功率时间序列、风速时间序列、温度时间序列；将风电功率时间序列输入到多尺度分析器，得到趋势性特征、长周期性特征和短周期性特征；将趋势性特征、长周期性特征和短周期性特征、风电功率时间序列、风速时间序列、温度时间序列重新组合成特征向量矩阵；将所述特征向量矩阵输入至海上风电功率预测模型进行海上风电功率预测。本发明将特征向量矩阵输入海上风电功率预测模型进行海上风电功率预测，提高了海上风电功率的预测精度，具有普适性。
-
公开(公告)号：CN116070763A
公开(公告)日：2023-05-05
申请号：CN202310101458.5
申请日：2023-02-08
Applicant: 广东工业大学
IPC: G06Q10/04 , G06N3/08 , G06Q50/06 , G06N3/0442 , G06N3/0464
Abstract: 本发明提出一种基于梯度进化的新建风电场风电功率预测方法及系统，涉及风电功率预测的技术领域，从目标风电场及其邻近风电场中获取风电相关数据，并对风电相关数据进行处理然后构建邻近风电场与目标风电场的时空图卷积生成对抗网络，有效地利用一定范围内邻近风电场与目标风电场在时间、空间上关系，构建相似图、相关图、距离图，充分的挖掘时空特性生成数据实现数据扩充，可以提高生成样本的质量，采用进化门控循环单元网络，基于梯度进化计算框架实现不同训练方式的优势互补，交换融合梯度信息，解决由神经网络搭建的门控循环单元网络单一训练方式中可能存在梯度消失、梯度爆炸、局部最优问题，提升风电功率预测精度。
-
公开(公告)号：CN115983494A
公开(公告)日：2023-04-18
申请号：CN202310113171.4
申请日：2023-02-10
Applicant: 广东工业大学
Abstract: 本发明提出一种新建小样本风电场的短期风电功率预测方法及系统，涉及风电功率预测的技术领域，首先获取区域内目标新建风电场及其周边风电场的风电相关数据，在经过初步处理后，获得风电场之间的区域风电场图，然后构建考虑时空特性的图卷积神经网络以提取区域风电场图内的信息，从而获取包含该区域所有风电场数据的特征，弥补新建风电场的小样本的不足，最后构建孪生门控循环协同误差修正预测模型使用获取的特征进行预训练，减少因风电波动性带来的误差，然后利用目标风电场数据对模型参数再次训练以进行精调，获得对目标小样本拟合更好的模型，提升新建少样本风电场风电功率预测的精度。
-
公开(公告)号：CN117933363A
公开(公告)日：2024-04-26
申请号：CN202410264997.5
申请日：2024-03-08
Applicant: 广东工业大学
Abstract: 本发明公开了一种基于样本迁移的新建风电场短期风电功率预测方法和系统，涉及风电功率预测的技术领域，包括获取新建风电场及其周边风电场的历史风电数据；对历史风电数据进行预处理，获得风电相关数据矩阵；构建历史日天气特征向量集合，转化为历史日格拉姆矩阵，并构建样本集合；设置新建风电场的待预测日，从样本集合中筛选出相似日格拉姆矩阵，并计算对应的相似度权重，构建相似度权重序列；设置训练损失函数，对构建的风电功率预测神经网络模型进行训练，获得训练好的风电功率预测神经网络模型，用于新建风电场短期风电功率的预测，获得风电功率预测结果。本发明提高了基于样本迁移方法对新建风电场风电功率预测的精确度，泛化能力强。
-
公开(公告)号：CN117892113A
公开(公告)日：2024-04-16
申请号：CN202410283502.3
申请日：2024-03-13
Applicant: 广东工业大学
IPC: G06F18/213 , G06N3/0442 , G06N3/045 , G06N3/0985 , G06Q10/04 , G06Q50/06 , 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，涉及一种自适应VMD和双重降维注意力机制的风电功率预测方法，双重降维注意力机制可以有效的对高维风电功率数据进行降维，可实现高维风电功率数据的降维和特征提取，减少数据冗余，有助于提升风电功率的预测精度；自适应VMD算法能够将功率信号分解成更容易训练的分量，从而提高训练效率；而采用纵横交叉优化算法优化网络模型的超参数矩阵，能够解决由神经网路搭建的网络模型中可能存在的局部最优问题。本发明自适应VMD和双重降维注意力机制的风电功率预测方法，不仅具有较高的训练效率，而且可以对高维风电功率数据进行降维、解决神经网络模型的局部最优问题，从而提高风电功率的预测精度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.033 seconds)
