龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：郑州轻工业大学
申请日：2024-04-18
公开（公告）日：2024-06-21
公开（公告）号：CN118232341A
主分类号：H02J3/00
分类号：H02J3/00;G06N3/0442;G06N3/045;G06F18/10;G06F18/2135;G06N3/048;G06N3/084;G06N3/0985;G06Q50/06
优先权：
专利状态码：在审-公开
法律状态：2024.06.21#公开
摘要：本发明提出了一种基于EMD‑KPCA‑BiLSTM‑ATT模型的风电功率预测方法，其步骤为：首先，使用EMD对实验样本数据进行分解，得到一系列IMF分量和残差分量；其次，利用KPCA算法计算各IMF分量的贡献率进行降维处理，降维后的特征数据形成新的数据集；对新的数据集中的数据进行归一化处理后再划分为训练集和测试集；然后，利用训练集数据对BiLSTM‑ATT组合预测模型进行学习训练，对比预测结果，确定达到目标准确率的超参数，进而得到最优预测模型；最后，利用测试集数据对最优预测模型进行测试，得到待预测的风电功率，并对预测效果进行评价。本发明降低了外部环境因素对预测结果的影响，解决了时间序列的长时依赖问题，提高了预测精度。
主权项：1.一种基于EMD-KPCA-BiLSTM-ATT模型的风电功率预测方法，其特征在于，其步骤如下：异常数据处理：将实测风电功率数据以及风电场对应的环境监测仪获取的风速、风向、气温和空气密度四种环境数据作为实验样本，并采用四分位法和线性插值法对实验样本进行筛选和填充；经验模态分解EMD：使用EMD对异常数据处理后的实验样本数据进行分解，得到一系列IMF分量和残差分量；核主成分分析KPCA：利用KPCA算法计算各IMF分量的贡献率进行降维处理，降维后的特征数据形成新的数据集；数据归一化处理：对新的数据集中的数据进行归一化处理后再划分为训练集和测试集；最优模型参数确定：利用训练集数据对BiLSTM-ATT组合预测模型进行学习训练，对比预测结果，确定达到目标准确率的超参数，进而得到最优预测模型；功率预测：利用测试集数据对最优预测模型进行测试，得到待预测的风电功率，并对预测效果进行评价。
全文数据：
权利要求：
百度查询： 郑州轻工业大学 基于EMD-KPCA-BiLSTM-ATT模型的风电功率预测方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号