基于集成多尺度LSTM的短时风功率预测

基于集成多尺度LSTM的短时风功率预测

TP391.4; 风能作为一种无污染可再生能源,风力发电的比例在全球范围内逐年增加.针对风力发电存在出力波动大,从而导致电网电力不稳定的问题,提出基于集成多尺度长短时记忆网络(LSTM,long short-term memory)的短时风功率预测模型.利用LSTM对序列数据的特殊处理能力,集成多个基预测模型对不同尺度时间数据的预测结果,共同进行短时风功率预测.风功率的精确预测有利于电力资源的全面掌控和调度.采用中国东北地区风力发电真实数据集对模型进行验证,结果证实研究方法预测精度较高,有很好的稳定性....

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:重庆大学学报 2021-07, Vol.44 (7), p.75-81
Hauptverfasser: 易善军, 王汉军, 向勇, 田长翼, 高大禹, 陈志奎
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 81
container_issue 7
container_start_page 75
container_title 重庆大学学报
container_volume 44
creator 易善军
王汉军
向勇
田长翼
高大禹
陈志奎
description TP391.4; 风能作为一种无污染可再生能源,风力发电的比例在全球范围内逐年增加.针对风力发电存在出力波动大,从而导致电网电力不稳定的问题,提出基于集成多尺度长短时记忆网络(LSTM,long short-term memory)的短时风功率预测模型.利用LSTM对序列数据的特殊处理能力,集成多个基预测模型对不同尺度时间数据的预测结果,共同进行短时风功率预测.风功率的精确预测有利于电力资源的全面掌控和调度.采用中国东北地区风力发电真实数据集对模型进行验证,结果证实研究方法预测精度较高,有很好的稳定性.
doi_str_mv 10.11835/j.issn.1000-582X.2021.07.008
format Article
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_cqdxxb202107008</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>cqdxxb202107008</wanfj_id><sourcerecordid>cqdxxb202107008</sourcerecordid><originalsourceid>FETCH-LOGICAL-s1028-466cf0544584fced189da5e52551446d5bc1520525507fc61d8e85b8812cb0d63</originalsourceid><addsrcrecordid>eNpjYFA1NNAzNLQwNtXP0sssLs7TMzQwMNA1tTCK0DMyMDLUMzDXMzCwYGHghItzMHAVF2cZGBhbWliacTIYPp2_68muvpez2551THi6ZNbTDbue7lrmExzi-3xWy_P5a59N3_Zycd_TrvnP-9pfLmp5trWbh4E1LTGnOJUXSnMzhLq5hjh76Pr4u3s6O_roFhsaGFnompiZJacZmJqYmFqYpCWnphhaWKYkmqaaGpmaGpqYmKWYJiUbmhoZgPgG5mnJZoYpFqkWpkkWFoZGyUkGKWbG3AzqEHPLE_PSEvPS47PyS4vygDbGJxemVFQkgfxnYA70nTEAYdNW4g</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于集成多尺度LSTM的短时风功率预测</title><source>Chongqing University Open Access Journals</source><creator>易善军 ; 王汉军 ; 向勇 ; 田长翼 ; 高大禹 ; 陈志奎</creator><creatorcontrib>易善军 ; 王汉军 ; 向勇 ; 田长翼 ; 高大禹 ; 陈志奎</creatorcontrib><description>TP391.4; 风能作为一种无污染可再生能源,风力发电的比例在全球范围内逐年增加.针对风力发电存在出力波动大,从而导致电网电力不稳定的问题,提出基于集成多尺度长短时记忆网络(LSTM,long short-term memory)的短时风功率预测模型.利用LSTM对序列数据的特殊处理能力,集成多个基预测模型对不同尺度时间数据的预测结果,共同进行短时风功率预测.风功率的精确预测有利于电力资源的全面掌控和调度.采用中国东北地区风力发电真实数据集对模型进行验证,结果证实研究方法预测精度较高,有很好的稳定性.</description><identifier>ISSN: 1000-582X</identifier><identifier>DOI: 10.11835/j.issn.1000-582X.2021.07.008</identifier><language>chi</language><publisher>国网内蒙古东部电力有限公司,呼和浩特010010%中国科学院沈阳计算技术研究所有限公司,沈阳110168%大连理工大学软件学院,辽宁大连116620</publisher><ispartof>重庆大学学报, 2021-07, Vol.44 (7), p.75-81</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/cqdxxb/cqdxxb.jpg</thumbnail><link.rule.ids>780</link.rule.ids></links><search><creatorcontrib>易善军</creatorcontrib><creatorcontrib>王汉军</creatorcontrib><creatorcontrib>向勇</creatorcontrib><creatorcontrib>田长翼</creatorcontrib><creatorcontrib>高大禹</creatorcontrib><creatorcontrib>陈志奎</creatorcontrib><title>基于集成多尺度LSTM的短时风功率预测</title><title>重庆大学学报</title><description>TP391.4; 风能作为一种无污染可再生能源,风力发电的比例在全球范围内逐年增加.针对风力发电存在出力波动大,从而导致电网电力不稳定的问题,提出基于集成多尺度长短时记忆网络(LSTM,long short-term memory)的短时风功率预测模型.利用LSTM对序列数据的特殊处理能力,集成多个基预测模型对不同尺度时间数据的预测结果,共同进行短时风功率预测.风功率的精确预测有利于电力资源的全面掌控和调度.采用中国东北地区风力发电真实数据集对模型进行验证,结果证实研究方法预测精度较高,有很好的稳定性.</description><issn>1000-582X</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2021</creationdate><recordtype>article</recordtype><recordid>eNpjYFA1NNAzNLQwNtXP0sssLs7TMzQwMNA1tTCK0DMyMDLUMzDXMzCwYGHghItzMHAVF2cZGBhbWliacTIYPp2_68muvpez2551THi6ZNbTDbue7lrmExzi-3xWy_P5a59N3_Zycd_TrvnP-9pfLmp5trWbh4E1LTGnOJUXSnMzhLq5hjh76Pr4u3s6O_roFhsaGFnompiZJacZmJqYmFqYpCWnphhaWKYkmqaaGpmaGpqYmKWYJiUbmhoZgPgG5mnJZoYpFqkWpkkWFoZGyUkGKWbG3AzqEHPLE_PSEvPS47PyS4vygDbGJxemVFQkgfxnYA70nTEAYdNW4g</recordid><startdate>20210701</startdate><enddate>20210701</enddate><creator>易善军</creator><creator>王汉军</creator><creator>向勇</creator><creator>田长翼</creator><creator>高大禹</creator><creator>陈志奎</creator><general>国网内蒙古东部电力有限公司,呼和浩特010010%中国科学院沈阳计算技术研究所有限公司,沈阳110168%大连理工大学软件学院,辽宁大连116620</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>20210701</creationdate><title>基于集成多尺度LSTM的短时风功率预测</title><author>易善军 ; 王汉军 ; 向勇 ; 田长翼 ; 高大禹 ; 陈志奎</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-s1028-466cf0544584fced189da5e52551446d5bc1520525507fc61d8e85b8812cb0d63</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2021</creationdate><toplevel>online_resources</toplevel><creatorcontrib>易善军</creatorcontrib><creatorcontrib>王汉军</creatorcontrib><creatorcontrib>向勇</creatorcontrib><creatorcontrib>田长翼</creatorcontrib><creatorcontrib>高大禹</creatorcontrib><creatorcontrib>陈志奎</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>重庆大学学报</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>易善军</au><au>王汉军</au><au>向勇</au><au>田长翼</au><au>高大禹</au><au>陈志奎</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于集成多尺度LSTM的短时风功率预测</atitle><jtitle>重庆大学学报</jtitle><date>2021-07-01</date><risdate>2021</risdate><volume>44</volume><issue>7</issue><spage>75</spage><epage>81</epage><pages>75-81</pages><issn>1000-582X</issn><abstract>TP391.4; 风能作为一种无污染可再生能源,风力发电的比例在全球范围内逐年增加.针对风力发电存在出力波动大,从而导致电网电力不稳定的问题,提出基于集成多尺度长短时记忆网络(LSTM,long short-term memory)的短时风功率预测模型.利用LSTM对序列数据的特殊处理能力,集成多个基预测模型对不同尺度时间数据的预测结果,共同进行短时风功率预测.风功率的精确预测有利于电力资源的全面掌控和调度.采用中国东北地区风力发电真实数据集对模型进行验证,结果证实研究方法预测精度较高,有很好的稳定性.</abstract><pub>国网内蒙古东部电力有限公司,呼和浩特010010%中国科学院沈阳计算技术研究所有限公司,沈阳110168%大连理工大学软件学院,辽宁大连116620</pub><doi>10.11835/j.issn.1000-582X.2021.07.008</doi><tpages>7</tpages></addata></record>
fulltext fulltext
identifier ISSN: 1000-582X
ispartof 重庆大学学报, 2021-07, Vol.44 (7), p.75-81
issn 1000-582X
language chi
recordid cdi_wanfang_journals_cqdxxb202107008
source Chongqing University Open Access Journals
title 基于集成多尺度LSTM的短时风功率预测
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-07T12%3A12%3A58IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E9%9B%86%E6%88%90%E5%A4%9A%E5%B0%BA%E5%BA%A6LSTM%E7%9A%84%E7%9F%AD%E6%97%B6%E9%A3%8E%E5%8A%9F%E7%8E%87%E9%A2%84%E6%B5%8B&rft.jtitle=%E9%87%8D%E5%BA%86%E5%A4%A7%E5%AD%A6%E5%AD%A6%E6%8A%A5&rft.au=%E6%98%93%E5%96%84%E5%86%9B&rft.date=2021-07-01&rft.volume=44&rft.issue=7&rft.spage=75&rft.epage=81&rft.pages=75-81&rft.issn=1000-582X&rft_id=info:doi/10.11835/j.issn.1000-582X.2021.07.008&rft_dat=%3Cwanfang_jour%3Ecqdxxb202107008%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=cqdxxb202107008&rfr_iscdi=true