基于深度递归信念网络的风电功率短期预测方法
风能的随机性和波动性严重影响风电功率的预测精度.通过挖掘风速在不同波动程度和预测功率之间的高阶特征可以提高预测精度.文中首先采用摇摆窗算法识别风速的波动过程,并通过广义优先搜索邻居算法对不同的波动程度进行聚类,然后将不同的波动过程作为深度递归信念网络的分类训练数据,其中,深度递归信念网络由前向生成网络和横向及纵向2个误差反馈网络构成.最后,以误差分布的交叉熵作为损失函数,有效控制了误差迭代方向和模型的训练规模.算例结果表明,文中所提预测方法可以改善波动过程存在的预测误差.
波动识别;分类预测;深度递归信念网络;纵向误差反馈;横向误差反馈
45
国家自然科学基金资助项目51777126
2021-08-17(万方平台首次上网日期,不代表论文的发表时间)
共8页
85-92