申请/专利权人：浙江大学

申请日：2024-01-16

公开（公告）日：2024-04-12

公开（公告）号：CN117874522A

主分类号：G06F18/214

分类号：G06F18/214;G06F18/21;G06F18/243;G06F18/15;G06F18/2433;G06N20/20;G06N5/01;G06N3/045;G06N3/0442;G06Q50/06;H02J3/00;H02J3/38

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明公开了一种考虑弃风数据识别的自适应集成超短期风电预测方法。该方法基于改进横纵四分位法开展弃风数据的识别和剔除，并对处理后的数据进行归一化处理；依据弃风数据识别后的结果，分别构建基于极限学习机、极限梯度提升和长短期记忆神经网络的风电功率基预测模型，开展基预测模型的风电功率预测；根据各个基预测模型在验证集上的误差，对各基预测模型赋权，对基预测模型进行自适应加权集成，得到风电功率预测结果。最后，开展多元条件下多个提前时间、多风速区间和多风电场预测误差概率分布的统计分析。

主权项：1.一种考虑弃风数据识别的自适应集成超短期风电预测方法，用于预测风电场出力的情况，其特征在于：所述考虑弃风数据识别的自适应集成超短期风电预测方法包括以下步骤：步骤1：基于改进横纵四分位法开展弃风数据的识别和剔除：将风速及其对应的风电功率数据按照风电功率从小到大排序，将风电功率区间划分为Nh份，得到Nh个风速数据子集合，对每个子集合应用横向四分位法剔除异常数据；然后，将应用横向四分位法剔除异常数据后的风速及其对应的风电功率数据按照风速从小到大排序，将风速区间划分为Nl份，得到Nl个风电功率数据子集合，对每个子集合应用纵向四分位法剔除异常数据，保留小于第一分位水平L的部分；并对剔除异常数据后的数据集合进行归一化处理；步骤2：构建多个风电功率基预测模型并训练：分别构建基于极限学习机、极限梯度提升和长短期记忆神经网络的风电功率基预测模型；根据预测的提前时间尺度自适应选取基预测模型输入特征，将归一化处理后的数据集合划分训练集、验证集和测试集开展训练；步骤3：风电功率自适应集成预测：各个基预测模型训练完毕之后，依据验证集的均方根误差给各个基预测模型自适应赋予权重，根据各个基预测模型分别开展预测，将多个基预测模型的输出进行加权集成得到风电功率预测结果。

全文数据：

权利要求：

百度查询： 浙江大学 考虑弃风数据识别的自适应集成超短期风电预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD