申请/专利权人:广东工业大学
申请日:2024-03-08
公开(公告)日:2024-04-26
公开(公告)号:CN117933363A
主分类号:G06N3/096
分类号:G06N3/096;G06N3/0464;G06Q10/04;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:2024.05.14#实质审查的生效;2024.04.26#公开
摘要:本发明公开了一种基于样本迁移的新建风电场短期风电功率预测方法和系统,涉及风电功率预测的技术领域,包括获取新建风电场及其周边风电场的历史风电数据;对历史风电数据进行预处理,获得风电相关数据矩阵;构建历史日天气特征向量集合,转化为历史日格拉姆矩阵,并构建样本集合;设置新建风电场的待预测日,从样本集合中筛选出相似日格拉姆矩阵,并计算对应的相似度权重,构建相似度权重序列;设置训练损失函数,对构建的风电功率预测神经网络模型进行训练,获得训练好的风电功率预测神经网络模型,用于新建风电场短期风电功率的预测,获得风电功率预测结果。本发明提高了基于样本迁移方法对新建风电场风电功率预测的精确度,泛化能力强。
主权项:1.一种基于样本迁移的新建风电场短期风电功率预测方法,其特征在于,包括:S1:获取新建风电场及其周边风电场的历史风电数据,所述历史风电数据包括历史天气数据序列和历史风电功率数据序列;S2:对每个风电场的历史风电数据进行预处理,获得每个风电场的风电相关数据矩阵;S3:根据每个风电场的风电相关数据矩阵,构建每个风电场的历史日天气特征向量集合,并转化为对应的历史日格拉姆矩阵,利用所有历史日格拉姆矩阵构建样本集合;S4:设置新建风电场的待预测日,对应的历史日格拉姆矩阵为待预测日格拉姆矩阵;从所述样本集合中筛选出若干个与待预测日格拉姆矩阵相似的历史日格拉姆矩阵,作为相似日格拉姆矩阵;S5:根据所述待预测日格拉姆矩阵和相似日格拉姆矩阵,对每个所述相似日格拉姆矩阵计算对应的相似度权重,构建相似度权重序列;S6:基于相似日格拉姆矩阵对应的历史日天气特征向量和历史风电功率数据构建输入序列,设置训练损失函数,对构建的风电功率预测神经网络模型进行训练,并利用相似度权重序列对网络模型参数进行优化,获得训练好的风电功率预测神经网络模型;S7:利用所述训练好的风电功率预测神经网络模型对新建风电场短期风电功率进行预测,获得风电功率预测结果。
全文数据:
权利要求:
百度查询: 广东工业大学 基于样本迁移的新建风电场短期风电功率预测方法和系统
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。