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
1
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
基于格拉姆角场与改进CNN-ResNet的风电功率预测方法
被引量:
6
1
作者
张淑清
杜灵韵
+2 位作者
王册浩
姜安琦
徐丽华
《电网技术》
EI
CSCD
北大核心
2023年第4期1540-1547,共8页
风电输出功率的不确定性给电力系统的调度带来了较大的困难,因此准确地预测风电功率变化显得尤为重要。受近些年图像处理蓬勃发展的影响,若将时间序列编码为二维图像,能够让神经网络从“视觉上”对数据进行识别和学习,一定程度上能提高...
风电输出功率的不确定性给电力系统的调度带来了较大的困难,因此准确地预测风电功率变化显得尤为重要。受近些年图像处理蓬勃发展的影响,若将时间序列编码为二维图像,能够让神经网络从“视觉上”对数据进行识别和学习,一定程度上能提高分类和计算方法的准确度。因此,提出了一种基于格拉姆角场(Gramian angular fields,GAF)与卷积神经网络–残差网络(convolutional neural network-residual neural network,CNN-Res Net)的预测风电功率的方法。首先,利用GAF将一维历史风电功率数据转换为二维图像,经过CNN提取时间序列的相关性和特征,再利用Res Net提取与风电功率相关的其他相关数据的特征,在增加网络深度的同时解决退化问题,以提高预测的准确度。然后,将两种网络融合,构建双输入网络结构。最后,将该方法应用在宁夏麻黄山第一风电场和西班牙加利西亚风电场数据集上,通过与Res Net、CNN-MLP(muti-layer perception)、门控循环单元、反向传播算法、长短期记忆网络和Bi LSTM(bi-directional long-short term memory)网络模型相比,所提出的GAF与改进CNN-Res Net的预测方法误差更小、预测准确度更高,从而为风电功率预测提供了新思路。
展开更多
关键词
风电功率预测
格拉姆角场
卷积神经网络
残差网络
CNN-ResNet
网络融合
下载PDF
职称材料
题名
基于格拉姆角场与改进CNN-ResNet的风电功率预测方法
被引量:
6
1
作者
张淑清
杜灵韵
王册浩
姜安琦
徐丽华
机构
教育部智能控制系统与智能装备工程研究中心(燕山大学)
国网冀北电力有限公司唐山供电公司
出处
《电网技术》
EI
CSCD
北大核心
2023年第4期1540-1547,共8页
基金
国家重点研发计划项目(2021YFB3201600)
国家自然科学基金项目(52275067)
河北省自然科学基金项目(F2020203058)。
文摘
风电输出功率的不确定性给电力系统的调度带来了较大的困难,因此准确地预测风电功率变化显得尤为重要。受近些年图像处理蓬勃发展的影响,若将时间序列编码为二维图像,能够让神经网络从“视觉上”对数据进行识别和学习,一定程度上能提高分类和计算方法的准确度。因此,提出了一种基于格拉姆角场(Gramian angular fields,GAF)与卷积神经网络–残差网络(convolutional neural network-residual neural network,CNN-Res Net)的预测风电功率的方法。首先,利用GAF将一维历史风电功率数据转换为二维图像,经过CNN提取时间序列的相关性和特征,再利用Res Net提取与风电功率相关的其他相关数据的特征,在增加网络深度的同时解决退化问题,以提高预测的准确度。然后,将两种网络融合,构建双输入网络结构。最后,将该方法应用在宁夏麻黄山第一风电场和西班牙加利西亚风电场数据集上,通过与Res Net、CNN-MLP(muti-layer perception)、门控循环单元、反向传播算法、长短期记忆网络和Bi LSTM(bi-directional long-short term memory)网络模型相比,所提出的GAF与改进CNN-Res Net的预测方法误差更小、预测准确度更高,从而为风电功率预测提供了新思路。
关键词
风电功率预测
格拉姆角场
卷积神经网络
残差网络
CNN-ResNet
网络融合
Keywords
wind power forecast
Gramian angular fields(GAF)
convolutional neural network(CNN)
residual neural network(ResNet)
CNN-ResNet
network convergence
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
作者
出处
发文年
被引量
操作
1
基于格拉姆角场与改进CNN-ResNet的风电功率预测方法
张淑清
杜灵韵
王册浩
姜安琦
徐丽华
《电网技术》
EI
CSCD
北大核心
2023
6
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