-
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。
-
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：CN117874500B
公开(公告)日：2024-06-07
申请号：CN202410283505.7
申请日：2024-03-13
Applicant: 广东工业大学
IPC: G06F18/213 , G06F18/25 , G06N3/042 , G06N3/0464 , G06Q10/04 , G06Q50/06 , H02J3/00 , H02J3/38
Abstract: 本发明涉及功率预测的技术领域，更具体地，涉及一种多视角融合海上风电场机群功率预测方法，首先获取特征向量，根据各风机的数据和地理位置构造功率关系矩阵和图矩阵，然后构建空间图嵌入模块，从而将图矩阵嵌入节点空间信息和图间节点信息，将嵌入信息矩阵输入至交叉融合卷积模块，随后构建切比雪夫图卷积神经网络处理特征向量和多视角拓扑矩阵，使每个风机的特征向量都能得到其他风机的有效权重，最后由多重门控时序模块筛选出时序特征。本发明不仅可充分捕捉风电机群的结构特征，而且可充分捕捉风电机群的动态特性，有效减少因忽略风机之间关系导致的误差，弥补了单一风机数据特征欠缺的不足，整体提升海上风电功率预测精度。
-
公开(公告)号：CN117874500A
公开(公告)日：2024-04-12
申请号：CN202410283505.7
申请日：2024-03-13
Applicant: 广东工业大学
IPC: G06F18/213 , G06F18/25 , G06N3/042 , G06N3/0464 , G06Q10/04 , G06Q50/06 , H02J3/00 , H02J3/38
Abstract: 本发明涉及功率预测的技术领域，更具体地，涉及一种多视角融合海上风电场机群功率预测方法，首先获取特征向量，根据各风机的数据和地理位置构造功率关系矩阵和图矩阵，然后构建空间图嵌入模块，从而将图矩阵嵌入节点空间信息和图间节点信息，将嵌入信息矩阵输入至交叉融合卷积模块，随后构建切比雪夫图卷积神经网络处理特征向量和多视角拓扑矩阵，使每个风机的特征向量都能得到其他风机的有效权重，最后由多重门控时序模块筛选出时序特征。本发明不仅可充分捕捉风电机群的结构特征，而且可充分捕捉风电机群的动态特性，有效减少因忽略风机之间关系导致的误差，弥补了单一风机数据特征欠缺的不足，整体提升海上风电功率预测精度。
-
-
-
Search Results
4
records
(took 0.019 seconds)
