首页|基于并行机器学习的风功率超短期预测

基于并行机器学习的风功率超短期预测

扫码查看
原文链接
  • 万方数据
  • 维普
针对风功率存在间歇性、随机性和波动性的特征及组合预测模型耗时长的问题,提出一种并行解决方案,建立集合经验模态分解(EEMD)与双向长短期记忆(BiLSTM)神经网络相结合的风功率并行组合预测模型.首先,利用EEMD将原始风功率序列分解为一系列本征模态函数;其次,借助多进程信息传递接口为本征模态函数构建并行BiLSTM神经网络子模型阵列,并采用贝叶斯优化算法率定各子模型超参数;最后,将并行子模型预测序列合成后便得到风功率预测结果.实例验证表明,所建模型在单步预测、多步预测和执行效率方面较五组对照模型均具备一定的优势.研究成果可为电网发电计划的制定及电力系统经济运行提供数据支撑和参考价值.
Ultra-short-term predictions of wind power based on parallel machine learning

李金龙、王义民、畅建霞、姜雯曦、王学斌

展开 >

西安理工大学水利水电学院,西安 710048

集合经验模态分解 双向长短期记忆 并行计算 贝叶斯优化 组合模型

国家自然科学基金国家自然科学基金国家自然科学基金

U1965202U200320452009101

2023

10.11660/slfdxb.20230105

水力发电学报
中国水力发电工程学会

水力发电学报

CSTPCDCSCD北大核心
影响因子：0.801
ISSN：1003-1243
年,卷(期)：2023.42(1)
  • 7
  • 20