10.13335/j.1000-3673.pst.2019.1266
基于二次模式分解和级联式深度学习的超短期风电功率预测
风电功率预测对电力系统的经济调度和运行至关重要.为了减少集合经验模式分解产生的高频本征模函数IMF1对预测结果造成的影响,使用小波包分解进一步将IMF1子序列分解成若干子系列.针对传统机器学习无法处理时间序列间关联信息和时间相关性的缺陷,提出了级联式卷积神经网络-门控循环单元预测模型,提取风电功率子序列、风速子序列和风向之间的耦合关系的隐含特征,并进一步挖掘各个时间序列之间的时间相关特征.实验结果表明,所提出的预测模型优于其他预测模型,并验证了所提预测模型的有效性.
风电功率预测、二次模式分解、卷积神经网络、门控循环单元
44
TM614(发电、发电厂)
国家自然科学基金61876040
2020-04-26(万方平台首次上网日期,不代表论文的发表时间)
共9页
445-453