-
公开(公告)号：CN116701868A
公开(公告)日：2023-09-05
申请号：CN202310669588.9
申请日：2023-06-07
申请人： 桂林电子科技大学 , 桂林智工科技有限责任公司
摘要： 本发明涉及电力系统运行与规划技术领域，具体涉及一种短期风电功率区段概率预测方法，利用深度学习挖掘数据中的隐含信息以及风电序列中的非线性特征，并产生预测概率区间，同时选择一种非线性权重方法提高粒子群算法的优化性能，即IPSO算法解决传统算法存在的部分问题，提高收敛速度，再混合人工智能算法选择CNN‑LSTM混合算法构建基于结合SVM与分位数回归的IPSO‑CNN‑LSTM算法预测模型，通过训练后完成短期风电功率概率预测，其中CNN网络能过够通过使用卷积核从样本数据中提取出其潜在的特征，而长短期记忆网络LSTM能够捕捉到长期的成分，避免现有部分算法存在梯度消失、爆炸的现象，提高了风电功率概率预测的效率。
-
公开(公告)号：CN118508430A
公开(公告)日：2024-08-16
申请号：CN202410805152.2
申请日：2024-06-21
IPC分类号： H02J3/00 , G06F18/20 , G06F18/10 , G06F18/15 , G06F17/18 , G06N3/045 , G06N3/0464 , G06N3/0442 , G06N3/08 , G06N3/006 , G06F123/02
摘要： 本发明涉及风力发电功率预测技术领域，具体涉及一种基于深度学习的短期风电功率预测方法，利用深度学习模型充分挖掘数据特征，结合多种神经网络构建预测模型，得到既定时刻的功率点预测结果，并通过非参数估计方法计算该时刻的功率预测区间及概率密度函数，即将收集到的风电功率历史数据与NWP数据经过筛选、处理后，再结合多种深度学习神经网络选择CNN与LSTM构建CNN‑LSTM组合预测模型，通过引入鲸鱼优化算法WOA与自注意力机制SA构建多元神经网络算法模型WOA‑CNN‑LSTM‑SA，再基于点预测的结果，结合自适应核密度估计方法ABKDE构建基于ABKDE的WOA‑CNN‑LSTM‑SA区间预测模型，完成短期风电功率的区间预测。其中CNN用于捕捉序列数据中的局部特征，LSTM用于捕捉序列数据中的时间序列特征，WOA算法加快组合模型收敛速率，SA增强模型的拟合能力与泛化能力，ABKDE用于拟合数据的分布，提供准确的概率密度估计，有效提高了短期风电功率区间预测的精度。
-
公开(公告)号：CN118336705A
公开(公告)日：2024-07-12
申请号：CN202410461565.3
申请日：2024-04-17
申请人： 桂林电子科技大学
IPC分类号： H02J3/00 , G06F18/15 , G06F18/213 , G06F18/214 , G06F18/2321 , G06F18/23213 , G06N3/045 , G06N3/0464 , G06N3/0442 , G06N3/08 , G06Q50/06
摘要： 本发明涉及电力工程技术领域，具体涉及一种短期负荷区间预测方法，利用深度学习提取数据的潜在特征信息，结合多种神经网络构建预测模型，得到既定时刻的功率点预测结果，并通过非参数估计方法计算不同置信水平下的负荷预测区间，即将采集的电力负荷历史数据与NWP数据经过筛选、预处理后，再结合多种神经网络选择ResNet与LSTM构建ResNet‑LSTM组合预测模型，通过引入霜冰优化算法RIME与自注意力机制SA构建多元神经网络算法模型RIME‑ResNet‑LSTM‑SA，训练模型实现短期电力负荷的点预测，再基于点预测的结果，结合QR与核密度估计方法构建基于核密度估计的ResNet‑QRLSTM区间预测模型，完成短期负荷的区间预测。其中ResNet用于捕捉序列数据中的局部特征，LSTM用于捕捉序列数据中的长期依赖关系，RIME算法加快组合模型收敛速率，SA增强模型的拟合能力与泛化能力，QR与核密度估计方法用于拟合数据的分布，对负荷的概率密度进行准确的估计，有效提高了负荷区间预测的精度。
-
公开(公告)号：CN118174294A
公开(公告)日：2024-06-11
申请号：CN202410444834.5
申请日：2024-04-15
申请人： 桂林电子科技大学
IPC分类号： H02J3/00 , G06F18/15 , G06F18/213 , G06N3/0442 , G06N3/082 , G06N3/0455
摘要： 本发明涉及电力负荷预测领域，具体涉及一种短期电力负荷预测方法，利用深度学习提取数据的潜在特征信息，结合多种人工智能算法构建预测模型，得到既定时刻的功率确定性预测结果，即将收集到的电力负荷历史数据与NWP数据经过筛选、处理后，再结合多种人工智能算法选择ResNet与LSTM构建ResNet‑LSTM组合预测模型，通过引入霜冰优化算法RIME与自注意力机制SA构建多元神经网络算法模型RIME‑ResNet‑LSTM‑SA，训练模型实现短期电力负荷的点预测，其中ResNet用于捕捉序列数据中的局部特征，LSTM用于捕捉序列数据中的长期依赖关系，RIME算法加快组合模型收敛速率，SA增强模型的拟合能力与泛化能力，有效提高了短期电力负荷预测的精度。
-
公开(公告)号：CN117933076A
公开(公告)日：2024-04-26
申请号：CN202410086834.2
申请日：2024-01-22
IPC分类号： G06F30/27 , G06F18/27 , G06N3/0442 , G06N3/084 , G06F113/06 , G06F119/06
摘要： 本发明涉及新能源发电技术领域，具体涉及一种短期风电功率区间预测方法，利用深度学习提取数据的潜在特征信息，利用回归分析拟合得到功率点预测曲线，并通过非参数估计方法预测概率区间，即将收集到的NWP数据经过筛选、处理后，再结合多种人工智能算法选择CNN，LSTM和BP混合算法构建基于基于支持向量回归的多元神经网络算法模型LSTM‑CNN‑BP‑SVR，通过训练实现短期风电功率单点预测，再基于多AI网络的点预测结果，采用KDE模型对风电功率的概率分布进行分析，完成短期风电功率概率预测，其中卷积神经网络CNN网络具有平移不变性以及多层次的特征提取能力，而长短期记忆神经网络LSTM对时间序列数据的特征有较好的捕捉能力、较强的非线性关系建模能力，反向传播神经网络BP具有全局优化能力以及较强的适应性，不同AI网络的点预测模型可分别进行参数训练，解决了组合预测模型的参数训练问题，提高了风电功率区间预测的精度。
-
-
-
-
搜索结果
5 条记录 (耗时 0.041 秒)
