龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
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：淮阴工学院
摘要：本发明涉及风速预测领域，公开了一种基于多模型集成的风电场风速预测方法及系统。该方法包括：获取历史风速w0t，通过插补以及剔除漂移风速得到wt，并采用DVNCMD分解wt；计算分解得到的各序列的融合特征熵，并依据熵值大小分为低、中等、高熵值序列；对应低、中等、高熵值序列建立BP、LSTM、CNN‑Bi‑LSTM‑Attention模型，并利用NRBO优化LSTM、CNN‑Bi‑LSTM‑Attention模型的超参数；最后叠加所有序列预测结果，得到最终预测风速。该系统利用数据量阈值判断模块更新模型参数，适应气候变化导致的风速变化，同时实时显示预测数据。本发明采用DVNCMD分解减少计算量提升分解效率，同时建立BP、LSTM、CNN‑Bi‑LSTM‑Attention模型优化计算效率减少计算时间，并添加NRBO优化算法进一步提升预测精度和效率，为风速发电提供新的思路与方法。
主权项：1.一种基于多模型集成的风电场风速预测方法，其特征在于，包括以下步骤：步骤1：获取历史风速数据w0t；步骤2：利用生成对抗网络GAN对w0t中的缺失值进行填补得到完整风速数据w1t，接着利用短时傅里叶变换STFT配合谱峭度算法，精确识别并剔除数据中的漂移数据，得到风速数据wt，并进行归一化处理；步骤3：引入降阶变分非线性啁啾模态分解DVNCMD将数据分解为K个模态函数IMF，计算各个模态分量的信息熵H、样本熵S、排列熵P，通过特征融合综合熵值，获得各分量的融合特征熵E；步骤4：通过分类器模型，将序列分为低熵值、中等熵值和高熵值序列，并分别建立BP神经网络、LSTM以及CNN-Bi-LSTM-Attention预测模型进行预测；步骤5：采用牛顿-拉弗森优化算法NRBO优化LSTM、CNN-Bi-LSTM-Attention的超参数，得到最优参数组合；步骤6：数据反归一化，将各分量预测结果叠加求和，得到最终的风速预测数据；步骤7：对预测结果进行评价，引用评价指标不限于克林-古普塔效率系数KGE、平均相对误差MAPE。
全文数据：
权利要求：
百度查询： 淮阴工学院 一种基于多模型集成的风电场风速预测方法及系统
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