典型文献
基于SDAE深度学习与多重集成的风电集群短期功率预测
文献摘要：
风电功率预测(wind power prediction,WPP)技术是电力系统调度与安全运行的关键性因素,为了更好地提升风电功率预测技术的精度,在集成学习的基础上提出了一种多重集成的集群短期WPP方法.所提方法包含4步:第1步,利用变分模式分解、经验模态分解和小波变换将原始风电序列分解为多个子序列;第2步,根据子序列构造多个堆叠去噪自动编码器(stacked denoising autoencoders,SDAE)进行深度学习;第3步,将第2步的结果随机划分成几个集合,利用支持向量机(support vector machine,SVM)对每个集合进行集成;第4步,将第3步的集成的结果再随机划分成几个集合,利用SVM对每个集合进行集成,重复以上步骤直至得到最终的集成预测结果.结果表明,多重集成学习得到前96 h预测结果的平均归一化均方根误差相比单次集成减少了 0.010 1,百分比为9.01％;相比SDAE减少了 0.015 1,百分比为13.54％;相比SVM减少了 0.017 5,百分比为14.66％.论文研究可为基于深度学习和集成学习的风电集群短期功率预测提供参考.
文献关键词：
信号分解技术;深度学习;集成学习;风电;短期预测;风电集群功率预测
中图分类号：
作者姓名：
李聪;彭小圣;王皓怀;车建峰;王勃;刘纯
作者机构：
华中科技大学电气与电子工程学院强电磁工程与新技术国家重点实验室,武汉430074;中国南方电网电力调度控制中心,广州510623;中国电力科学研究院有限公司新能源与储能运行控制国家重点实验室,北京100192
文献出处：
引用格式：
[1]李聪;彭小圣;王皓怀;车建峰;王勃;刘纯-.基于SDAE深度学习与多重集成的风电集群短期功率预测)[J].高电压技术,2022(02):504-512
A类：
风电集群功率预测
B类：
SDAE,多重集,短期功率预测,风电功率预测,wind,power,prediction,WPP,电力系统调度,关键性因素,预测技术,集成学习,变分模式分解,经验模态分解,小波变换,序列分解,子序列,堆叠,去噪,自动编码器,stacked,denoising,autoencoders,support,vector,machine,上步,集成预测,习得,信号分解技术,短期预测
AB值：
0.310103
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
