排序方式: 共有6条查询结果,搜索用时 30 毫秒
1
1.
2.
针对复杂多因素(气象信息、时间序列的混沌特性等)影响风电功率的短期预测,及风电时间序列的长期依赖问题,提出基于相空间重构和双向长短期记忆(bidirectional long short-term memories, BiLSTM)神经网络的风电功率短期预测方法。以全球能源预测竞赛的数据集为背景,基于嵌入定理从风电功率序列中重构出相空间,以展示其内在的混沌特性,其中相空间重构的参数依据C-C法确定;对选取的气象预测数据(未来风速、风向)进行归一化处理,并组合重构后的风电功率数据作为BiLSTM的输入量,重构前的功率数据作为输出量,训练预测模型。在全球能源预测竞赛2012提供的wf1数据集上进行日前预测实验,测试集前30 d的平均均方根误差为0.119 4,测试集107 d的平均均方根误差为0.140 9,相较于ANN、BiLSTM、RF和KNN,相空间重构-BiLSTM (Re-BiLSTM)的预测准确度和精度更高,验证了所提出的短期风电功率预测模型的有效性、适用性和泛化性。 相似文献
3.
4.
5.
6.
1