买专利,只认龙图腾
首页 专利交易 科技果 科技人才 科技服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

【发明授权】融合长短期记忆网络和极限学习机的风电预测方法及系统_山东大学_202010676903.7 

申请/专利权人:山东大学

申请日:2020-07-14

公开(公告)日:2024-04-16

公开(公告)号:CN111832825B

主分类号:G06Q10/04

分类号:G06Q10/04;G06Q50/06;G06N3/0442;G06N3/08

优先权:

专利状态码:有效-授权

法律状态:2024.04.16#授权;2020.11.13#实质审查的生效;2020.10.27#公开

摘要:本公开提出了融合长短期记忆网络和极限学习机的风电预测方法,获取风电功率序列及对应的气象数据,按照频率大小将风电功率序列的特征数据和气象特征数据重新组合形成低频组合输入特征向量和高频组合输入特征向量;将低频组合输入特征向量输入至训练好的长短期记忆网络预测模型,获得第一预测结果,将高频组合输入特征向量输入至训练好极限学习机预测模型,获得第二预测结果;将长短期记忆网络预测模型与极限学习机预测模型的预测结果融合,得到风电功率的最终预测结果。针对不同频率的分量设置不同的预测模型,融合预测模型的预测结果能够提高风电预测的效果。同时充分考虑风电气象信息与风电功率的强耦合作用,提高了风电功率预测的准确性。

主权项:1.融合长短期记忆网络和极限学习机的风电预测方法,其特征是,包括如下步骤:获取风电功率序列及对应的气象数据,进行预处理获得风电功率序列的特征数据和气象特征数据;按照频率大小将风电功率序列的特征数据和气象特征数据重新组合形成低频组合输入特征向量和高频组合输入特征向量;将低频组合输入特征向量输入至训练好的长短期记忆网络预测模型,获得第一预测结果,将高频组合输入特征向量输入至训练好极限学习机预测模型,获得第二预测结果;将长短期记忆网络预测模型与极限学习机预测模型的预测结果融合,得到风电功率的最终预测结果;对风电功率序列的预处理采用集合经验模态分解,获得各个模态分量,所述模态分量包括低频分量和高频分量;对气象特征数据的预处理采用主成分分析法获得气象特征数据的主成分信息;按照频率大小将风电功率序列的特征数据和气象特征数据重新组合,具体的:将风电功率序列的低频分量与气象数据中影响风力发电的主成分信息组合作为低频组合输入特征向量,将风电功率序列的高频分量与所有气象特征分量组合作为高频组合输入特征向量;按照频率大小将风电功率序列的特征数据和气象特征数据重新组合,具体的步骤为:将采用集合经验模态分解的风电功率序列的特征数据划分为低频分量和高频分量;将基于集合经验模态分解的IMF低频分量与基于主成分分析法提取的气象信息主成分作为低频组合输入特征向量;将基于集合经验模态分解的IMF高频分量与所有的气象特征分量组合作为高频组合输入特征向量。

全文数据:

权利要求:

百度查询: 山东大学 融合长短期记忆网络和极限学习机的风电预测方法及系统

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。