-
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：CN112561058B
公开(公告)日：2023-06-06
申请号：CN202011469711.5
申请日：2020-12-15
Applicant: 广东工业大学
Abstract: 本发明公开了一种基于Stacking‑集成学习短期光伏功率预测方法，基于历史光伏预测数据样本集训练基于多个不同模型的基学习器构成的第一层预测模型，将第一层预测模型的预测结果输入元学习器模型训练第二层预测模型，然后将待预测日的输入变量经第一层预测模型和第二层预测模型预测后得出预测结果。基于Stacking‑集成学习短期光伏功率预测方法考虑不同深度学习的训练原理差异，充分发挥各模型优势，与传统单模型预测相比该预测方法的预测精度有着较为明显的提升。
-
公开(公告)号：CN114429078A
公开(公告)日：2022-05-03
申请号：CN202111585164.1
申请日：2021-12-22
Applicant: 广东工业大学
IPC: G06F30/27 , G06F30/23 , G06N3/04 , G06N3/08 , G06F113/06 , G06F119/06 , G06F119/08
Abstract: 本发明公开一种短期风电功率预测方法及系统，先需要获取不同地理位置的风电场的气象特征参数，在经过初步处理后，构成特征矩阵输入预测模型，采用预测模型中的空间注意力机制挖掘不同风电场与目标风电场的空间关系，再经由门控循环单元网络挖掘特征矩阵中存在的隐含关系，之后采用纵横交叉优化算法优化门控循环单元网络中的超参数矩阵完成预测模型的训练，最后使用预测模型进行风电功率的预测。本发明能够实现邻近风电场对目标风电场影响程度的量化，以提高风电功率的预测精度。
-
公开(公告)号：CN113689227A
公开(公告)日：2021-11-23
申请号：CN202110781000.X
申请日：2021-07-09
Applicant: 广东工业大学
Abstract: 本发明涉及电价预测的技术领域，更具体地，涉及一种基于纵横交叉算法和深度学习模型的日前电价预测方法，包含以下步骤：1)采集含有高比例新能源电力市场的原始电价数据，并对原始电价数据进行预处理；2)建立LSTM预测模型，将预测日之前的日前电价、负荷、风电和光伏发电量作为LSTM预测模型的特征输入；3)采用常规的梯度下降法初次训练LSTM预测模型；4)以最小均方误差为目标函数，基于纵横交叉算法对全连接层间的权系数与偏置进行微调，并得到最终优化好的长短时记忆网络深度学习模型。本发明可以有效地防止深度学习模型的权系数与偏置陷入局部最优，提升该模型的泛化性能，从而提升日前电价的预测精度。
-
Patent Agency Ranking
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：CN112561058A
公开(公告)日：2021-03-26
申请号：CN202011469711.5
申请日：2020-12-15
Applicant: 广东工业大学
Abstract: 本发明公开了一种基于Stacking‑集成学习短期光伏功率预测方法，基于历史光伏预测数据样本集训练基于多个不同模型的基学习器构成的第一层预测模型，将第一层预测模型的预测结果输入元学习器模型训练第二层预测模型，然后将待预测日的输入变量经第一层预测模型和第二层预测模型预测后得出预测结果。基于Stacking‑集成学习短期光伏功率预测方法考虑不同深度学习的训练原理差异，充分发挥各模型优势，与传统单模型预测相比该预测方法的预测精度有着较为明显的提升。
-
公开(公告)号：CN114429078B
公开(公告)日：2022-10-18
申请号：CN202111585164.1
申请日：2021-12-22
Applicant: 广东工业大学
IPC: G06F30/27 , G06F30/23 , G06N3/04 , G06N3/08 , G06F113/06 , G06F119/06 , G06F119/08
Abstract: 本发明公开一种短期风电功率预测方法及系统，先需要获取不同地理位置的风电场的气象特征参数，在经过初步处理后，构成特征矩阵输入预测模型，采用预测模型中的空间注意力机制挖掘不同风电场与目标风电场的空间关系，再经由门控循环单元网络挖掘特征矩阵中存在的隐含关系，之后采用纵横交叉优化算法优化门控循环单元网络中的超参数矩阵完成预测模型的训练，最后使用预测模型进行风电功率的预测。本发明能够实现邻近风电场对目标风电场影响程度的量化，以提高风电功率的预测精度。
-
公开(公告)号：CN113689030B
公开(公告)日：2022-05-27
申请号：CN202110888260.7
申请日：2021-08-03
Applicant: 广东工业大学
Abstract: 本发明提出一种基于双向注意力和二次优化的短期风功率预测方法，首先将风电功率子序列、风速子序列、风向正弦时间序列及风向余弦时间序列拼接处理形成输入张量，输入张量表征多种特征，建立双向注意力‑残差网络‑门控循环单元深度学习预测模型，并动态选择单个输入张量作为模型的训练样本进行训练，一方面确保训练样本更具有代表性，另一方面基于双向注意力‑残差网络‑门控循环单元深度学习预测模型能实现特征选择时的自适应学习，利用双向注意力机制从输入张量的时间维度和特征维度两方面考虑，提高了模型对重要信息的敏感性，最后，二次优化进一步提升了模型的泛化性能，更能提升短期风电功率预测精度。
-
公开(公告)号：CN113689030A
公开(公告)日：2021-11-23
申请号：CN202110888260.7
申请日：2021-08-03
Applicant: 广东工业大学
Abstract: 本发明提出一种基于双向注意力和二次优化的短期风功率预测方法，首先将风电功率子序列、风速子序列、风向正弦时间序列及风向余弦时间序列拼接处理形成输入张量，输入张量表征多种特征，建立双向注意力‑残差网络‑门控循环单元深度学习预测模型，并动态选择单个输入张量作为模型的训练样本进行训练，一方面确保训练样本更具有代表性，另一方面基于双向注意力‑残差网络‑门控循环单元深度学习预测模型能实现特征选择时的自适应学习，利用双向注意力机制从输入张量的时间维度和特征维度两方面考虑，提高了模型对重要信息的敏感性，最后，二次优化进一步提升了模型的泛化性能，更能提升短期风电功率预测精度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.02 seconds)
