首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

基于RF-SSA特征提取与误差修正的超短期风电功率预测方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:三峡大学

摘要:基于RF‑SSA特征提取与误差修正的超短期风电功率预测方法,包括以下步骤:S1:通过归一化处理不同输入气象特征对风电功率的影响;S2:使用随机森林RF进行气象特征提取,根据提取后的气象采用累积贡献率进行气象特征重要性排序。S3:基于步骤2选取部分气象特征与历史风电功率组合成多变量输入,然后对提取的气象特征实现降噪处理;S4:采用构卷积神经网络CNN对降噪处理后的气象数据进行特征提取,采用长短期记忆神经网络LSTM进行超短期风电功率预测;S5:基于步骤4建立的CNN‑LSTM预测模型构建误差补偿模型;S6:将模型预测结果与模型误差补偿值进行相加并反归一化得到最终的预测结果;步骤7:采用均方根误差、平均绝对误差对预测模型结果进行评估指标计算。

主权项:1.基于RF-SSA特征提取与误差修正的超短期风电功率预测方法,其特征在于,包括以下步骤:步骤1:通过归一化处理不同输入气象特征对风电功率的影响,确保数据在相同尺度上进行比较,从而提高模型的性能和稳定性;步骤2:基于步骤1完成数据归一化后,使用随机森林RF进行气象特征提取,根据提取后的气象采用累积贡献率进行气象特征重要性排序;步骤3:基于步骤2选取若干气象特征与历史风电功率组合成多变量输入,然后基于改进的Cao算法确定奇异谱分析SSA最佳嵌入维数,对提取的气象特征实现降噪处理;步骤4:采用构卷积神经网络CNN对降噪处理后的气象数据进行特征提取,然后采用长短期记忆神经网络LSTM进行超短期风电功率预测;步骤5:基于步骤4建立的CNN-LSTM预测模型构建误差补偿模型;步骤6:将步骤4模型预测结果与步骤5模型误差补偿值进行相加并反归一化得到最终的预测结果;步骤7:采用均方根误差、平均绝对误差来对预测模型结果进行评估指标计算。

全文数据:

权利要求:

百度查询: 三峡大学 基于RF-SSA特征提取与误差修正的超短期风电功率预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。

相关技术
相关技术
相关技术
相关技术