-
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：CN115640868A
公开(公告)日：2023-01-24
申请号：CN202210999675.6
申请日：2022-08-19
Applicant: 广东工业大学
IPC: G06Q10/04 , G06Q50/06 , G06N3/0475 , G06N3/045 , G06N3/006 , G06N3/0442 , G06N3/086 , 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，涉及一种新建风电场少数据风电功率短期预测方法，具体来说，是一种基于进化生成对抗网络和双向门控循环单元的新建风电场少数据风电功率短期预测方法。本发明采用进化计算优化生成对抗网络，使得生成模型能够高效学习原始少数据的边际分布，并生成具有模态多样性和相似边际分布的新数据，以弥补原始小规模数据的局限性，对于新建风电场的少数据风电功率预测精度提升具有实际性的帮助；采用纵横交叉优化算法优化BiGRU网络中Dense层权重和偏置项，能够有效避开模型陷入局部最优并帮助其寻找到全局最优解，对提高少数据新建风电场的风电功率预测精度具有明显的效果。
-
公开(公告)号：CN115169544A
公开(公告)日：2022-10-11
申请号：CN202211075827.X
申请日：2022-09-05
Applicant: 广东工业大学
Abstract: 本发明公开了一种短期光伏发电功率预测方法及系统。首先获取目标域光伏发电站以及源域光伏发电站的特征数据，对数据进行预处理后划分出训练数据和测试数据，然后构建GRU‑DANN对抗迁移学习模型并对其进行训练，得到训练好的GRU‑DANN对抗迁移学习模型，最后将测试数据输入至训练好的GRU‑DANN对抗迁移学习模型中，得到目标域光伏发电站的目标功率，并按照时序生成与目标功率对应的功率时间序列。本发明可从多样本光伏发电站的数据中自动提取出建立少样本光伏发电站功率预测模型所需要的特征，实现多样本光伏发电站对少样本光伏发电站的有效迁移，以提高少样本光伏发电站的功率预测精度。
-
公开(公告)号：CN114372634A
公开(公告)日：2022-04-19
申请号：CN202210028816.X
申请日：2022-01-11
Applicant: 广东工业大学
Abstract: 本发明提出一种基于神经网络不平衡优化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，首先对风速时间序列、风向时间序列及风电功率时间序列预处理，得到特征向量，并构建神经网络，选定中间特征层，将特征向量作为神经网络的输入，对中间特征层进行特征张量相似性处理，提高了风电功率相近样本的特征相似性，使数据量少的风电功率样本可以依靠风电功率相近样本在神经网络中的传播增强拟合效果，提升了神经网络自身对不平衡风电序列样本的处理能力；对神经网络的训练损失进行多方向的不平衡优化，基于不平衡调整，扩展神经网络训练最优拟合参数的能力，使得神经网络泛化能力增强，提高风电功率的预测精度。
-
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。
-
Patent Agency Ranking
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：CN114169252B
公开(公告)日：2022-11-29
申请号：CN202111620744.X
申请日：2021-12-27
Applicant: 广东工业大学
IPC: G06F30/27 , G06F30/25 , G06N3/04 , G06N3/08 , G06F111/06 , G06F113/06 , G06F119/06 , G06F119/08
Abstract: 本发明公开了一种动态选择代表风电场的短期区域风电功率预测方法，先获取区域内各个风电场的数值天气预报数据，然后对数值天气预报数据作初步的预处理，并在时间段T内构建各个风电场的特征序列，之后以各个风电场在时间段T内的特征序列的加权和为参考风电场的特征序列，再采用纵横交叉优化算法优化，并根据参考风电场的特征序列，在每个时间段T内动态选择代表风电场，然后根据选择的代表风电场，采用GRU网络预测各个代表风电场的功率，最后建立深度学习的升尺度预测模型，将各个代表风电场的功率输入模型，即可获得区域风电功率序列。该方法能够有效的提升区域内短期风电功率的预测精度。
-
公开(公告)号：CN115169543A
公开(公告)日：2022-10-11
申请号：CN202211075821.2
申请日：2022-09-05
Applicant: 广东工业大学
Abstract: 本发明公开了一种基于迁移学习的短期光伏功率预测方法及系统，先获取源域以及目标域光伏发电站的特征数据并进行预处理，划分得到源域训练数据、目标域的训练数据和测试数据；然后通过源域训练数据对源域预测模型进行训练，找到最佳的源域预测模型；之后通过改进生成对抗网络对目标域训练数据进行增强，获得目标域增强训练数据；再将最佳源域预测模型的权重参数进行迁移，得到目标域预测模型；然后通过增强训练数据训练目标域预测模型，得到最佳目标域预测模型；最后将测试数据输入至最佳目标域预测模型中，得到目标光伏发电站的目标功率。本发明可有效提升对光伏发电站的短期功率进行预测的精度。
-
公开(公告)号：CN114372634B
公开(公告)日：2022-09-16
申请号：CN202210028816.X
申请日：2022-01-11
Applicant: 广东工业大学
Abstract: 本发明提出一种基于神经网络不平衡优化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，首先对风速时间序列、风向时间序列及风电功率时间序列预处理，得到特征向量，并构建神经网络，选定中间特征层，将特征向量作为神经网络的输入，对中间特征层进行特征张量相似性处理，提高了风电功率相近样本的特征相似性，使数据量少的风电功率样本可以依靠风电功率相近样本在神经网络中的传播增强拟合效果，提升了神经网络自身对不平衡风电序列样本的处理能力；对神经网络的训练损失进行多方向的不平衡优化，基于不平衡调整，扩展神经网络训练最优拟合参数的能力，使得神经网络泛化能力增强，提高风电功率的预测精度。
-
公开(公告)号：CN115395506A
公开(公告)日：2022-11-25
申请号：CN202210988184.1
申请日：2022-08-17
Applicant: 广东工业大学
Abstract: 本发明公开一种基于动态邻域的超短期风电功率预测方法及设备。将采集的风电数据划分成训练数据集和测试数据集，然后设定好BP神经网络的拓扑结构并输入训练数据进行训练，先通过CSO算法初始化BP神经网络的参数，计算初始种群中个体适应度值，然后执行横向纵向交叉，再次计算个体适应度值，之后根据个体适应度值计算粒子聚集度因子，再进行自适应邻域搜索更新粒子，得到训练完成的BP神经网络，最后将测试数据集输入训练好的BP神经网络中进行预测，得到预测的风电功率。本发明能够有效的提升超短期风电功率预测的精度。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.021 seconds)
