期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于奇异值分解与卡尔曼滤波修正多位置NWP的短期风电功率预测
被引量:
2
1
作者
王丽婕
刘田梦
+3 位作者
王勃
郝颖
王铮
张元鹏
《太阳能学报》
EI
CAS
CSCD
北大核心
2022年第12期392-398,共7页
考虑到数值天气预报网格点位置和系统误差对短期风电功率预测精度的影响,提出一种基于奇异值分解与卡尔曼滤波修正多位置数值天气预报的短期风电功率预测模型。首先通过奇异值分解对多位置数值天气预报数据进行特征提取与降维处理;然后...
考虑到数值天气预报网格点位置和系统误差对短期风电功率预测精度的影响,提出一种基于奇异值分解与卡尔曼滤波修正多位置数值天气预报的短期风电功率预测模型。首先通过奇异值分解对多位置数值天气预报数据进行特征提取与降维处理;然后使用卡尔曼滤波方法修正数值天气预报风速数据,降低数值天气预报的系统误差;最后基于极端随机森林算法,利用修正的数值天气预报数据搭建短期风电功率预测模型。通过对某风电场进行仿真,并与单位置、未降维、未修正模型比较,结果表明降维修正模型的预测效果最好,平均误差和均方根误差分别为7.94%和9.96%。
展开更多
关键词
风电功率预测
数值天气预报
奇异值分解
卡尔曼滤波
极端随机森林
下载PDF
职称材料
基于聚类分析与神经网络的电力系统负荷预测
被引量:
7
2
作者
刘田梦
王丽婕
马嫒
《北京信息科技大学学报(自然科学版)》
2018年第4期24-28,共5页
电力负荷数据具有很强的非线性和随机性。为了提高负荷预测模型的精度,提出了一种基于聚类分析与神经网络相结合的预测模型。采用K均值聚类分析算法对影响负荷的各种因素进行分类处理,再选择预测日所属类别的历史数据作为训练样本对BP...
电力负荷数据具有很强的非线性和随机性。为了提高负荷预测模型的精度,提出了一种基于聚类分析与神经网络相结合的预测模型。采用K均值聚类分析算法对影响负荷的各种因素进行分类处理,再选择预测日所属类别的历史数据作为训练样本对BP神经网络模型进行建模;利用MATLAB对北京市朝阳区的负荷量进行预测分析。结果表明未聚类预测模型的平均相对误差为6.4633%,聚类后的负荷预测模型平均相对误差为2.1431%。可见对历史数据进行聚类后建立的负荷预测模型误差更小,预测精度更高。
展开更多
关键词
电力系统
短期负荷预测
K均值聚类分析
BP神经网络
下载PDF
职称材料
题名
基于奇异值分解与卡尔曼滤波修正多位置NWP的短期风电功率预测
被引量:
2
1
作者
王丽婕
刘田梦
王勃
郝颖
王铮
张元鹏
机构
北京信息科技大学自动化学院
国网北京昌平供电公司
中国电力科学研究院有限公司
国网山东省电力公司
出处
《太阳能学报》
EI
CAS
CSCD
北大核心
2022年第12期392-398,共7页
基金
国家自然科学基金(51607009)
北京市属高校高水平教师队伍建设支持计划青年拔尖人才培育计划(CIT&TCD201804053)
+1 种基金
北京信息科技大学促进高校内涵发展科研水平提高项目(2020KYNH211)
北京信息科技大学科研基金(2021XJJ17)。
文摘
考虑到数值天气预报网格点位置和系统误差对短期风电功率预测精度的影响,提出一种基于奇异值分解与卡尔曼滤波修正多位置数值天气预报的短期风电功率预测模型。首先通过奇异值分解对多位置数值天气预报数据进行特征提取与降维处理;然后使用卡尔曼滤波方法修正数值天气预报风速数据,降低数值天气预报的系统误差;最后基于极端随机森林算法,利用修正的数值天气预报数据搭建短期风电功率预测模型。通过对某风电场进行仿真,并与单位置、未降维、未修正模型比较,结果表明降维修正模型的预测效果最好,平均误差和均方根误差分别为7.94%和9.96%。
关键词
风电功率预测
数值天气预报
奇异值分解
卡尔曼滤波
极端随机森林
Keywords
wind power prediction
numerical weather prediction
singular value decomposition
Kalman filter
extreme random forest
分类号
TM614 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
基于聚类分析与神经网络的电力系统负荷预测
被引量:
7
2
作者
刘田梦
王丽婕
马嫒
机构
北京信息科技大学自动化学院
北京航天时代光电科技有限公司
出处
《北京信息科技大学学报(自然科学版)》
2018年第4期24-28,共5页
基金
国家自然科学基金资助项目(51607009)
文摘
电力负荷数据具有很强的非线性和随机性。为了提高负荷预测模型的精度,提出了一种基于聚类分析与神经网络相结合的预测模型。采用K均值聚类分析算法对影响负荷的各种因素进行分类处理,再选择预测日所属类别的历史数据作为训练样本对BP神经网络模型进行建模;利用MATLAB对北京市朝阳区的负荷量进行预测分析。结果表明未聚类预测模型的平均相对误差为6.4633%,聚类后的负荷预测模型平均相对误差为2.1431%。可见对历史数据进行聚类后建立的负荷预测模型误差更小,预测精度更高。
关键词
电力系统
短期负荷预测
K均值聚类分析
BP神经网络
Keywords
electric power system
short-term load forecasting
cluster analysis
BP neural network
分类号
TM715 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于奇异值分解与卡尔曼滤波修正多位置NWP的短期风电功率预测
王丽婕
刘田梦
王勃
郝颖
王铮
张元鹏
《太阳能学报》
EI
CAS
CSCD
北大核心
2022
2
下载PDF
职称材料
2
基于聚类分析与神经网络的电力系统负荷预测
刘田梦
王丽婕
马嫒
《北京信息科技大学学报(自然科学版)》
2018
7
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部