亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于深度學(xué)習(xí)的風(fēng)電場功率預(yù)測系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

        2024-09-12 00:00:00徐軻孫元昊馬俊杰詹俊
        企業(yè)科技與發(fā)展 2024年6期
        關(guān)鍵詞:長短期記憶網(wǎng)絡(luò)數(shù)字化轉(zhuǎn)型

        摘要:當(dāng)前,數(shù)字化風(fēng)電場在功率預(yù)測方面主要關(guān)注風(fēng)電設(shè)備運(yùn)行中的實(shí)時(shí)動態(tài)采樣數(shù)據(jù),而忽略了風(fēng)電場固有的時(shí)空關(guān)聯(lián)特性對預(yù)測精度的影響。針對該問題,文章提出一種風(fēng)電場功率預(yù)測方法,該方法通過有效的特征工程提高風(fēng)電預(yù)測的精度。在單臺風(fēng)機(jī)功率預(yù)測方面,采用空間嵌入技術(shù)生成表征向量,用以描述不同風(fēng)機(jī)設(shè)備之間固有屬性的區(qū)別,為單臺風(fēng)機(jī)的精準(zhǔn)化功率預(yù)測提供數(shù)據(jù)支撐;在風(fēng)電場綜合功率預(yù)測方面,采用關(guān)聯(lián)圖譜記錄風(fēng)電場內(nèi)多維度的時(shí)空關(guān)聯(lián)特征,并有效聚合鄰居節(jié)點(diǎn)信息,以此向預(yù)測模型提供有效特征?;谏鲜龉β暑A(yù)測方法,設(shè)計(jì)并實(shí)現(xiàn)的這套高效的風(fēng)電場功率預(yù)測系統(tǒng),有助于推動風(fēng)電預(yù)測技術(shù)的進(jìn)一步發(fā)展與應(yīng)用。

        關(guān)鍵詞:風(fēng)電功率預(yù)測;智能預(yù)測系統(tǒng);數(shù)字化轉(zhuǎn)型;長短期記憶網(wǎng)絡(luò)

        中圖分類號:TP183;TM614" " " "文獻(xiàn)標(biāo)識碼:A" " " 文章編號:1674-0688(2024)06-0099-04

        0 引言

        近年來,可再生能源在世界能源結(jié)構(gòu)中的占比顯著增長,其中風(fēng)力發(fā)電技術(shù)被認(rèn)為是當(dāng)前世界上發(fā)展前景廣闊的新能源技術(shù)。全球風(fēng)能理事會(GWEC)的統(tǒng)計(jì)數(shù)據(jù)顯示,截至2023年初,全球風(fēng)電場累計(jì)裝機(jī)容量已達(dá)到906 GW[1]。然而,風(fēng)能固有的波動性特質(zhì)導(dǎo)致風(fēng)電場輸出功率不穩(wěn)定,這不僅為儲能設(shè)備帶來額外負(fù)擔(dān),還可能對電網(wǎng)供電的可靠性帶來不利影響[2]。在電力控制系統(tǒng)中集成高效的風(fēng)力發(fā)電預(yù)測模塊可以有效降低運(yùn)營成本,并顯著提升風(fēng)力發(fā)電系統(tǒng)的可信度和穩(wěn)定性[3]。研究表明,如果風(fēng)速預(yù)測精度能提高10%,則風(fēng)力發(fā)電量將比預(yù)期增加30 %左右[4]。常見的功率預(yù)測方法包括神經(jīng)網(wǎng)絡(luò)法和特征工程法兩大類別。在神經(jīng)網(wǎng)絡(luò)的應(yīng)用中,預(yù)測模型常由多種網(wǎng)絡(luò)層復(fù)合構(gòu)建。LAI等[5]指出預(yù)測模型應(yīng)兼顧長期(如晝夜、季節(jié))與短期(如云層變動、風(fēng)向)因素對風(fēng)電功率的影響,并據(jù)此提出了融合卷積神經(jīng)網(wǎng)絡(luò)的長短期時(shí)間序列網(wǎng)絡(luò)(LSTNet)。鑒于Transformer網(wǎng)絡(luò)在自然語言處理領(lǐng)域的優(yōu)越表現(xiàn),研究者們已將其拓展至?xí)r序預(yù)測領(lǐng)域,開發(fā)出Informer、AutoFormer、FedFormer等變體模型。此外,ZENG等[6]認(rèn)為注意力機(jī)制的置換不變性可能不適用于所有時(shí)序預(yù)測任務(wù),因此提出采用線性模型進(jìn)行預(yù)測。在特征工程領(lǐng)域,現(xiàn)有方法關(guān)注動態(tài)特征的挖掘。數(shù)值天氣預(yù)報(bào)(NWP)作為系統(tǒng)外特征,常被引入預(yù)測模型中,用以提供氣象信息支持[7]。PENG等[8]提出了一種基于順序浮動前向選擇(SFFS)的特征選擇方案,用于從動態(tài)時(shí)序數(shù)據(jù)中篩選有效特征,以將龐大的輸入數(shù)據(jù)維度縮減至1 000個(gè)以下。YU等[9]采用時(shí)空多聚類算法與混合神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法學(xué)習(xí)區(qū)域風(fēng)電場潛在的時(shí)空依賴關(guān)系,該方法適用于天氣狀況穩(wěn)定的環(huán)境,而在極端天氣環(huán)境下的魯棒性不足。此外,隨機(jī)搜索方法(如模擬退火算法、禁忌搜索算法、遺傳算法和隨機(jī)抽樣替換算法等)也被應(yīng)用于特征選擇,這些算法雖然能獲取局部最優(yōu)解,但是卻存在結(jié)果不確定及難以處理大規(guī)模訓(xùn)練數(shù)據(jù)的問題。針對風(fēng)電場中風(fēng)機(jī)節(jié)點(diǎn)之間復(fù)雜的時(shí)空特征學(xué)習(xí),雖引入了擅長處理圖狀結(jié)構(gòu)數(shù)據(jù)的圖神經(jīng)網(wǎng)絡(luò)(GNN)被引用,然而在風(fēng)場內(nèi)渦輪風(fēng)機(jī)設(shè)備數(shù)量較多的情況下,該類方法的模型學(xué)習(xí)能力仍顯不足[10-11]。

        綜上所述,現(xiàn)有研究多關(guān)注模型架構(gòu)的優(yōu)化和動態(tài)數(shù)據(jù)特征的高效提取,忽略了靜態(tài)特征和風(fēng)電場內(nèi)穩(wěn)定的時(shí)空耦合關(guān)聯(lián)對風(fēng)機(jī)功率的影響。本文設(shè)計(jì)的數(shù)字化智能預(yù)測系統(tǒng)采用空間嵌入技術(shù)生成向量,以精準(zhǔn)表征風(fēng)機(jī)設(shè)備的固有屬性;同時(shí),利用多種關(guān)聯(lián)圖譜描述風(fēng)電場內(nèi)的時(shí)空關(guān)聯(lián)耦合。在預(yù)測模塊,該系統(tǒng)將歷史數(shù)據(jù)與這些表征向量相拼接,共同輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測。

        1 系統(tǒng)設(shè)計(jì)

        1.1 系統(tǒng)開發(fā)環(huán)境

        (1)軟件環(huán)境。本系統(tǒng)運(yùn)行于Windows 10操作系統(tǒng),開發(fā)平臺為PyCharm Community Edition 2021.3.1,深度學(xué)習(xí)框架為Pytorch 1.12.1+cu116,編程語言為Python 3.10,CUDA(Compute Unified Device Architecture)版本為10.2。

        (2)硬件環(huán)境。用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的硬件平臺的配置包含Intel(R)Core(TM)i5-12490F、NVIDIA GeForce RTX 3090、64 GB內(nèi)存、4 TB機(jī)械硬盤存儲。用于開發(fā)和調(diào)試程序的硬件平臺的配置為Inter(R)Core(TM)i7-6700HQ CPU@2.60 GHz、NVIDA GeForce GTX 950M、16 GB 內(nèi)存、1 TB 硬盤存儲。

        1.2 系統(tǒng)功能設(shè)計(jì)

        本文設(shè)計(jì)的系統(tǒng)架構(gòu)主要包含以下4個(gè)層級:對數(shù)據(jù)進(jìn)行預(yù)處理的預(yù)處理層、訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的預(yù)訓(xùn)練層、維護(hù)圖譜和進(jìn)行功率預(yù)測的核心業(yè)務(wù)層、對數(shù)據(jù)進(jìn)行分析和挖掘的可視化層。系統(tǒng)總體架構(gòu)圖見圖1。

        (1)預(yù)處理層。負(fù)責(zé)從數(shù)據(jù)采集與監(jiān)控系統(tǒng)(SCADA)中獲取數(shù)據(jù),執(zhí)行數(shù)據(jù)清洗、格式轉(zhuǎn)換及歸一化處理,使數(shù)據(jù)轉(zhuǎn)化為方便神經(jīng)網(wǎng)絡(luò)訓(xùn)練的格式。

        (2)預(yù)訓(xùn)練層。該層的主要業(yè)務(wù)有3項(xiàng),一是使用空間嵌入技術(shù)生成風(fēng)機(jī)設(shè)備的表征向量;二是分析風(fēng)電場內(nèi)的多種時(shí)空關(guān)聯(lián)耦合,并據(jù)此構(gòu)建關(guān)聯(lián)圖譜;三是訓(xùn)練預(yù)測模型。

        (3)核心業(yè)務(wù)層。功率預(yù)測是系統(tǒng)的核心功能,為了對未來功率進(jìn)行有效預(yù)測,需要深入挖掘風(fēng)電場內(nèi)有效的時(shí)空特征,因此圖譜維護(hù)也屬于本層的內(nèi)容之一。設(shè)備表征向量在預(yù)訓(xùn)練階段生成,后期不再更新。

        (4)可視化層。該層的功能主要負(fù)責(zé)與用戶進(jìn)行交互及展示數(shù)據(jù)。用戶可通過該層方便、直觀地查看風(fēng)電場設(shè)備的實(shí)時(shí)運(yùn)行狀況、算法運(yùn)算結(jié)果(如時(shí)空圖譜的連接結(jié)構(gòu))以及未來的功率預(yù)測數(shù)據(jù)。

        2 系統(tǒng)實(shí)現(xiàn)

        2.1 數(shù)據(jù)處理子系統(tǒng)

        系統(tǒng)數(shù)據(jù)來自SCADA采集系統(tǒng),數(shù)據(jù)屬性視具體場景而異,常見的采樣數(shù)據(jù)包括有功功率(目標(biāo)變量)、無功功率、風(fēng)速、風(fēng)向、環(huán)境溫度、時(shí)間戳及葉片漿距角等。原始數(shù)據(jù)必須經(jīng)預(yù)處理后才能適配神經(jīng)網(wǎng)絡(luò)訓(xùn)練,原因如下。

        (1)部分?jǐn)?shù)據(jù)的格式并非連續(xù)數(shù)值型數(shù)據(jù)(如時(shí)間戳數(shù)據(jù)),神經(jīng)網(wǎng)絡(luò)無法直接讀取和計(jì)算。

        (2)同屬性之間的量綱大小存在差異,導(dǎo)致運(yùn)用梯度下降算法求解梯度時(shí),計(jì)算結(jié)果差距太大,大幅降低了神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度。

        (3)SCADA采樣系統(tǒng)得到的數(shù)據(jù)可能存在缺失值,因此需對數(shù)值進(jìn)行一定程度的修補(bǔ)或平滑濾波操作,以提升預(yù)測模型的精準(zhǔn)度。

        數(shù)據(jù)處理子系統(tǒng)負(fù)責(zé)對原始數(shù)據(jù)進(jìn)行加工,確保神經(jīng)網(wǎng)絡(luò)從數(shù)據(jù)中挖掘出有效的特征進(jìn)行預(yù)測。優(yōu)化數(shù)據(jù)處理子系統(tǒng)的措施如下。

        (1)刪除渦輪編號特征。采用空間嵌入技術(shù)獲取渦輪風(fēng)機(jī)隱藏特征的多維表征向量,為模型提供更全面的渦輪風(fēng)機(jī)特征。由于渦輪機(jī)編號本身不包含靜態(tài)特征信息,因此刪除該特征。

        (2)刪除運(yùn)行天數(shù)特征。該特征用于標(biāo)識數(shù)據(jù)之間的順序關(guān)系,然而循環(huán)神經(jīng)網(wǎng)絡(luò)具備時(shí)序建模能力,并且測試集和驗(yàn)證集中的數(shù)據(jù)屬于未來數(shù)據(jù),該特征在均值和方差上與訓(xùn)練集不同,可能會影響模型的判斷,因此刪除該特征。

        (3)對時(shí)間特征進(jìn)行重新編碼。因?yàn)椤靶r(shí)∶分鐘”的格式無法直接輸入模型,所以將時(shí)間戳進(jìn)行切割,形成兩個(gè)新的數(shù)值維度,以便識別發(fā)電功率與日內(nèi)時(shí)間變化的關(guān)聯(lián)性。

        2.2 風(fēng)機(jī)功率預(yù)測子系統(tǒng)

        為了大幅減少模型參數(shù)量,采用風(fēng)機(jī)功率預(yù)測子系統(tǒng)對單臺風(fēng)機(jī)設(shè)備進(jìn)行功率預(yù)測。針對模型難以僅憑有限的歷史數(shù)據(jù)區(qū)分設(shè)備特性及鑒別功率波動模式的問題,本系統(tǒng)引入空間嵌入技術(shù)生成表征向量,以反映設(shè)備固有屬性對其發(fā)電模式的影響。用于生成表征向量的預(yù)訓(xùn)練任務(wù)設(shè)定為功率預(yù)測任務(wù),表征向量的生成流程如下。

        (1)初始化表征向量:為每個(gè)風(fēng)機(jī)設(shè)備分配獨(dú)立且形狀相同的初始向量,其初始值為隨機(jī)值。

        (2)數(shù)據(jù)拼接:在預(yù)訓(xùn)練任務(wù)過程中,將風(fēng)機(jī)設(shè)備的歷史功率波動數(shù)據(jù)與空白時(shí)間步進(jìn)行拼接,以確保長短期記憶網(wǎng)絡(luò)輸出數(shù)據(jù)的形狀匹配任務(wù)需求。具體空白時(shí)間步的個(gè)數(shù)取決于預(yù)測的時(shí)長。

        (3)聯(lián)合優(yōu)化:在優(yōu)化預(yù)訓(xùn)練模型參數(shù)時(shí),采用梯度下降算法同時(shí)迭代更新模型參數(shù)與初始隨機(jī)向量。當(dāng)預(yù)測模型訓(xùn)練至收斂時(shí),設(shè)備對應(yīng)的隨機(jī)向量已具有表征性質(zhì),能夠反映風(fēng)機(jī)設(shè)備的固有屬性及統(tǒng)計(jì)特征(如風(fēng)向適應(yīng)性、功率波動平滑性、功率與風(fēng)速的波動一致性等)。

        在數(shù)據(jù)拼接環(huán)節(jié),由于表征向量為一維數(shù)據(jù),而時(shí)間步數(shù)據(jù)為二維數(shù)據(jù),因此將表征向量復(fù)制多份,確保每個(gè)時(shí)間步都與一維表征向量拼接。此外,必須確保歷史功率波動數(shù)據(jù)與設(shè)備表征向量源自同一風(fēng)機(jī)設(shè)備。數(shù)據(jù)拼接過程見圖2。激活LeakyRelu函數(shù)和一層線性層后,長短期記憶網(wǎng)絡(luò)的輸出結(jié)果即預(yù)測功率。

        2.3 風(fēng)電場綜合功率預(yù)測子系統(tǒng)

        風(fēng)電場綜合功率的預(yù)測需要綜合考慮風(fēng)場內(nèi)錯(cuò)綜復(fù)雜的時(shí)空關(guān)聯(lián)。風(fēng)電場綜合功率預(yù)測子系統(tǒng)運(yùn)用圖狀結(jié)構(gòu)模型,多方位地描述時(shí)空耦合關(guān)系,并結(jié)合多種聚合函數(shù)提取鄰域關(guān)聯(lián)特征用于輔助預(yù)測。數(shù)據(jù)分析提示了風(fēng)電場內(nèi)存在以下耦合關(guān)系。

        (1)風(fēng)機(jī)設(shè)備的功率波動趨勢與風(fēng)速波動趨勢呈現(xiàn)高度相關(guān)性。

        (2)距離相近的風(fēng)機(jī)間具有高度重合的風(fēng)速波動趨勢,僅有少量鄰近風(fēng)機(jī)之間的風(fēng)速相關(guān)性較弱。

        (3)部分風(fēng)機(jī)之間存在長期且穩(wěn)定的風(fēng)速波動相關(guān)性,這些設(shè)備之間的距離不局限于鄰域,間距較大的風(fēng)機(jī)之間也可能表現(xiàn)出此相關(guān)性。

        (4)歷史功率波動趨勢相似的片段,其相對應(yīng)的未來功率波動序列也有較高的相似性。

        基于上述發(fā)現(xiàn),本系統(tǒng)分別構(gòu)建了空間相關(guān)性圖譜和風(fēng)速相關(guān)性圖譜,以描述設(shè)備之間的關(guān)聯(lián)關(guān)系。以龍?jiān)措娏镜膭討B(tài)風(fēng)電數(shù)據(jù)集為例,圖3和圖4分別展示了基于該數(shù)據(jù)集構(gòu)造的風(fēng)速關(guān)聯(lián)圖譜連接結(jié)構(gòu)與距離關(guān)聯(lián)圖譜連接結(jié)構(gòu),圖中的圓點(diǎn)代表風(fēng)機(jī)設(shè)備,線條代表設(shè)備之間存在相關(guān)性,線條的深淺與粗細(xì)與相關(guān)性強(qiáng)度呈正相關(guān)。

        除了利用風(fēng)速與距離之間的序列相關(guān)性,本系統(tǒng)還從風(fēng)機(jī)歷史運(yùn)行記錄中匹配出與預(yù)測基準(zhǔn)序列相似度較高的片段,利用這些歷史波動相關(guān)性為預(yù)測模型提供數(shù)據(jù)支撐。由于預(yù)測基準(zhǔn)序列存在不確定性,因此需視具體情況實(shí)時(shí)計(jì)算預(yù)測模型與歷史記錄片段的相似性。

        在預(yù)測風(fēng)電場綜合功率之前,需將描述風(fēng)電場內(nèi)時(shí)空耦合關(guān)系的圖結(jié)構(gòu)數(shù)據(jù)轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)可處理的數(shù)值化格式。本系統(tǒng)采用5種聚合函數(shù)從圖結(jié)構(gòu)中提取數(shù)據(jù),這5種函數(shù)分別是均值函數(shù)(Mean)、最大值函數(shù)(Max)、最小值函數(shù)(Min)、標(biāo)準(zhǔn)差函數(shù)(Std)和中值函數(shù)(Mid)。圖5為數(shù)據(jù)拼接結(jié)構(gòu)圖,由于歷史圖譜被用于從相似趨勢的歷史片段中提取啟發(fā)式信息,因此在圖5中關(guān)于歷史關(guān)聯(lián)圖譜的“未來”部分是由實(shí)心方塊構(gòu)成,表明該部分包含有效數(shù)據(jù)。

        2.4 可視子系統(tǒng)

        在可視子系統(tǒng)展示預(yù)測模型在歷史序列上的預(yù)測測試結(jié)果,用于校驗(yàn)?zāi)P偷目尚哦取nA(yù)測模型測試結(jié)果圖見圖6。圖6中的“ground_truth”為測量值,“LSTM_8hf_DWH”為結(jié)合了8維隱變量及3張關(guān)聯(lián)圖譜的模型預(yù)測結(jié)果,“LSTM”為單個(gè)長短期記憶網(wǎng)的預(yù)測結(jié)果。使用可視化模塊可以直觀地對比模型性能的優(yōu)劣??梢暬到y(tǒng)還可展示風(fēng)機(jī)表征向量的迭代過程。圖7為30號風(fēng)機(jī)的12維表征向量迭代過程圖,其中縱坐標(biāo)為參數(shù)值,橫坐標(biāo)為迭代次數(shù)。此外,可視化系統(tǒng)可用于觀察距離關(guān)聯(lián)圖譜和風(fēng)度關(guān)聯(lián)圖譜的連接結(jié)構(gòu)(見圖3和圖4)。

        3 結(jié)語

        本文以SCADA數(shù)據(jù)集為基礎(chǔ),研究了分布式風(fēng)電場環(huán)境下單個(gè)渦輪風(fēng)機(jī)發(fā)電預(yù)測和風(fēng)場綜合功率預(yù)測的問題,旨在提出具有更高魯棒性和精準(zhǔn)性的解決方案;根據(jù)設(shè)計(jì)方案構(gòu)建了一套數(shù)字化預(yù)測系統(tǒng),該系統(tǒng)針對單渦輪風(fēng)機(jī)功率預(yù)測問題,采用基于隱變量空間嵌入的預(yù)測方法,利用空間嵌入技術(shù)挖掘并提取各發(fā)電設(shè)備的隱藏靜態(tài)特征,將其作為設(shè)備的標(biāo)識,使單一預(yù)測模型能夠在區(qū)分不同設(shè)備特性的基礎(chǔ)上,對多個(gè)設(shè)備的發(fā)電量進(jìn)行精確預(yù)測。針對風(fēng)電場綜合功率預(yù)測問題,系統(tǒng)采用了基于時(shí)空關(guān)聯(lián)圖譜的預(yù)測方法。該方法首先分析風(fēng)場數(shù)據(jù)集中的時(shí)空耦合關(guān)聯(lián),識別出設(shè)備之間的距離相關(guān)性、風(fēng)速波動相關(guān)性以及設(shè)備自身的歷史相關(guān)性。其次,根據(jù)這3種相關(guān)性構(gòu)建了3張獨(dú)立的關(guān)聯(lián)圖譜,以從多個(gè)角度描述風(fēng)電場內(nèi)復(fù)雜的時(shí)空耦合關(guān)系。再次,運(yùn)用多種聚合函數(shù)聚合各圖譜之間的鄰居節(jié)點(diǎn)信息,并結(jié)合設(shè)備表征向量,將結(jié)果拼接到時(shí)間序列上。最后,將拼接好的特征矩陣輸入預(yù)測模型進(jìn)行訓(xùn)練和預(yù)測。本文所提方法不僅具有良好的可解釋性和魯棒性,而且所設(shè)計(jì)的數(shù)字化系統(tǒng)在保證較高預(yù)測精度的同時(shí),有效降低了計(jì)算復(fù)雜度,為相關(guān)領(lǐng)域的研究與實(shí)踐提供了參考。

        4 參考文獻(xiàn)

        [1]GWEC (Global Wind Energy Council).Global Wind Report 2023[EB/OL].[2023-4-29].https://gwec.net/global-wind-report-2023.

        [2]PARSONS B,MILLIGAN M,ZAVADIL B,et al.Grid impacts of wind power:a summary of recent studies in the United States[J].Wind Energy:An International Journal for Progress and Applications in Wind Power Conversion Technology,2004,7(2):87-108.

        [3]KARINIOTAKIS G N,STAVRAKAKIS G S,NOGARET E F.Wind power forecasting using advanced neural networks models[J].IEEE Transactions on Energy Conversion,1996,11(4):762-767.

        [4]ACKERMANN T,S?DER L.Wind energy technology and current status:a review[J].Renewable and Sustainable EnergyRreviews,2000,4(4):315-374.

        [5]LAI G K,CHANG W C,YANG Y M,et al.Modeling long-and short-term temporal patterns with deep neural networks[C]//The 41st International ACM SIGIR Conference on Research amp; Development in Information Retrieval,2018:95-104.

        [6]ZENG A,CHEN M,ZHANG L,et al.Are transformers effective for time series forecasting?[C]//Proceedings of the AAAI Conference on Artificial Intelligence,2023,37(9):11121-11128.

        [7]GONG W Y,MEYER F J,LIU S Z,et al.Temporal filtering of InSAR data using statistical parameters from NWP models[J].IEEE Transactions on Geoscience and Remote Sensing,2015,53(7):4033-4044.

        [8]PENG X H,CHENG K,LANG J X,et al.Short-Term Wind Power Prediction for Wind Farm Clusters Based on SFFS Feature Selection and BLSTM deep learning[J].Energies,2021,14(7):1894.

        [9]YU G Z,LIU C Q,TANG B,et al.Short term wind power prediction for regional wind farms based on spatial-temporal characteristic distribution[J].Renewable Energy,2022,199:599-612.

        [10]GENG X L,XU L Y,HE X Y,et al.Graph optimization neural network with spatio-temporal correlation learning for multi-node offshore wind speed forecasting[J].Renewable Energy,2021,180:1014-1025.

        [11]KHODAYAR M,WANG J H.Spatio-temporal graph deep neural network for short-term wind speed forecasting[J].IEEE Transactions on Sustainable Energy,2018,10(2):670-681.

        *湖南省自然科學(xué)基金項(xiàng)目“基于可信聯(lián)邦學(xué)習(xí)的大型工業(yè)裝備故障診斷方法研究”(2024JJ7091);湖南省自然科學(xué)基金項(xiàng)目“基于時(shí)空特征學(xué)習(xí)的異質(zhì)多元時(shí)間序列異常檢測方法研究”(2024JJ7092)。

        【作者簡介】徐軻,男,江蘇鹽城人,在讀碩士研究生,研究方向:風(fēng)電功率預(yù)測;孫元昊,男,河南南陽人,在讀碩士研究生,研究方向:工業(yè)智能;馬俊杰,男,湖南長沙人,博士,講師,研究方向:工業(yè)智能;詹俊,男,湖南益陽人,博士,講師,研究方向:工業(yè)數(shù)據(jù)分析。

        【引用本文】徐軻,孫元昊,馬俊杰,等.基于深度學(xué)習(xí)的風(fēng)電場功率預(yù)測系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].企業(yè)科技與發(fā)展,2024(6):99-102.

        猜你喜歡
        長短期記憶網(wǎng)絡(luò)數(shù)字化轉(zhuǎn)型
        從餐館評論中提取方面術(shù)語
        多種算法對不同中文文本分類效果比較研究
        LSTM—RBM—NMS模型下的視頻人臉檢測方法研究
        餐飲業(yè)客流預(yù)測的深度聯(lián)合模型
        商情(2018年47期)2018-11-26 09:12:38
        基于LSTM的媒體網(wǎng)站用戶流量預(yù)測與負(fù)載均衡方法
        基于LSTM自動編碼機(jī)的短文本聚類方法
        試論融合創(chuàng)新思想對新時(shí)期圖書策劃和營銷的指導(dǎo)作用
        出版廣角(2016年22期)2017-01-17 17:35:58
        《華盛頓郵報(bào)》轉(zhuǎn)型的實(shí)踐與借鑒
        出版廣角(2016年15期)2016-10-18 00:12:27
        我國出版上市公司數(shù)字化轉(zhuǎn)型的困境與對策
        出版廣角(2016年11期)2016-09-29 16:19:53
        從微信公眾號看紙媒數(shù)字化轉(zhuǎn)型
        出版廣角(2016年10期)2016-08-09 16:44:00
        91情侣在线精品国产免费| 男人扒开女人双腿猛进视频| 又爽又黄又无遮挡网站| 99久久婷婷国产精品综合| 一本久道久久丁香狠狠躁| 成 人色 网 站 欧美大片在线观看| 国产精品无码久久久久久久久久| 大陆极品少妇内射aaaaa| 亚洲爱婷婷色婷婷五月| 久久精品国产99国产精2020丨| 亚洲色欲在线播放一区| 午夜国产精品视频免费看电影| 精品少妇一区二区三区入口| 日本一区二区在线免费视频| 中字幕人妻一区二区三区| 亚洲网站地址一地址二| 亚洲情精品中文字幕有码在线| 99久久久人妻熟妇精品一区二区| 久久久久无码国产精品一区| 黑人大荫道bbwbbb高潮潮喷| 亚洲自拍愉拍| 亚洲一区二区三区18| 奇米影视色777四色在线首页| 亚洲 欧美精品suv| 亚洲高清中文字幕精品不卡| 日日高潮夜夜爽高清视频| 精品国产青草久久久久福利| 人妻无码中文专区久久五月婷| 精品国产一区二区三区久久狼| 亚洲国产精品av在线| 亚洲色大成网站www久久九| 免费无码中文字幕A级毛片| 国产精品久久国产精麻豆| 国产日韩精品suv| 久久久久香蕉国产线看观看伊| 无码国产精品一区二区免费网曝| 亚洲综合小综合中文字幕| 国产乱码一区二区三区精品| 日韩吃奶摸下aa片免费观看| 亚洲欧美日韩国产综合久| 日本人妻av在线观看|