-
公开(公告)号：CN115409250A
公开(公告)日：2022-11-29
申请号：CN202210989917.3
申请日：2022-08-17
Applicant: 东南大学
Abstract: 本发明涉及一种基于误差补偿框架的机器学习辐照度预测方法，属于光伏发电技术领域。预测方法包括：S1，训练数据获取，获取目标地区历史辐照度数据及其对应的气象数据；S2，数据预处理，包括气象信息特征编码以及数据归一化；S3，获取当前机器模型在时刻T‑K到T的辐照度预测误差，此过程中不更新模型；将时刻T‑K到T的预测误差序列与外界气象数据序列进行信息融合，并用于更新模型；S4，预测，将历史辐照度和气象数据输入误差补偿框架，利用该框架的补偿机制，在预测辐照度的同时降低预测误差。通过本发明的端到端误差补偿框架，模型误差信息可以用于动态更新机器学习模型，在不改变模型结构的前提下降低辐照度的预测误差，提升预测精度。
-
公开(公告)号：CN114781744B
公开(公告)日：2025-03-07
申请号：CN202210492332.0
申请日：2022-05-07
Applicant: 东南大学
IPC: G06F18/213 , G06N3/0464 , G06N3/0442 , G06N3/09
Abstract: 本发明涉及一种基于编码解码器的深度学习多步长辐照度预测方法，属于光伏发电技术领域。预测方法包括：S1，训练数据获取，获取目标地区历史辐照度数据及其对应的气象数据并制作监督数据集；S2，数据预处理，包括气象信息特征编码以及数据归一化；S3，训练编码解码器模型，其中编码器模型由TCN和LSTM级联结构构成，解码器由LSTM和MLP级联结构构成；利用读取当前时段t0～tN的辐照度作为监督信息，以及t0时刻之前的历史辐照度和气象信息作为输入数据，训练编码解码器模型；S4，预测，将历史数据输入步骤S3训练得到的编码解码器模型，预测未来多步的太阳辐照度。本发明能够充分利用辐照度序列的历史信息，实验表明该发明能够有效提升多步长辐照度预测的精度。
-
公开(公告)号：CN115409258A
公开(公告)日：2022-11-29
申请号：CN202211027097.6
申请日：2022-08-25
Applicant: 东南大学
Abstract: 本发明涉及一种混合深度学习短期辐照度预测方法，属于光伏发电技术领域。预测方法包括:S1，训练数据获取，获取目标地区历史辐照度数据及其对应的气象数据；S2，数据预处理，包括气象信息特征编码以及数据归一化；S3，利用分解算法获取辐照度子序列；S4，获取当前参数下的编码解码器模型在历史时刻的辐照度预测误差，此过程中不更新模型；将获取的预测误差与原始数据进行信息融合，基于当前时刻的监督信息更新模型；S5，预测，将辐照度子序列和气象数据输入误差补偿框架，利用误差补偿机制，在预测辐照度的同时降低预测误差。本发明结合了数据平稳分解、深度学习模型、误差补偿，从数据处理、模型优化、误差处理三个角度提升辐照度预测精度。
-
公开(公告)号：CN114781744A
公开(公告)日：2022-07-22
申请号：CN202210492332.0
申请日：2022-05-07
Applicant: 东南大学
Abstract: 本发明涉及一种基于编码解码器的深度学习多步长辐照度预测方法，属于光伏发电技术领域。预测方法包括：S1，训练数据获取，获取目标地区历史辐照度数据及其对应的气象数据并制作监督数据集；S2，数据预处理，包括气象信息特征编码以及数据归一化；S3，训练编码解码器模型，其中编码器模型由TCN和LSTM级联结构构成，解码器由LSTM和MLP级联结构构成；利用读取当前时段t0～tN的辐照度作为监督信息，以及t0时刻之前的历史辐照度和气象信息作为输入数据，训练编码解码器模型；S4，预测，将历史数据输入步骤S3训练得到的编码解码器模型，预测未来多步的太阳辐照度。本发明能够充分利用辐照度序列的历史信息，实验表明该发明能够有效提升多步长辐照度预测的精度。
-
-
-
Search Results
4
records
(took 0.014 seconds)
