典型文献
基于PCC-CNN-GRU的短期风电功率预测
文献摘要：
可靠的风功率预测对于电力部门制定电力调度计划、维护电网的安全运行具有重要意义.这项任务极富挑战性,因为影响风功率预测准确率的因素较多,如地理因素、环境因素、人为因素等.将环境因素考虑在内,提出一种基于深度学习的组合预测模型PCC-CNN-GRU皮尔逊相关系数法(Pearson correlation coefficient)-卷积神经网络(convolutional neural networks)-门控循环单元(gate recurrent unit).该模型首先使用皮尔逊相关系数法分析输入数据中不同因素与风功率之间的相关关系,剔除与功率无关的因素,重构新的输入数据并进行归一化处理,并使用一维卷积神经网络对数据的深层特征进行提取,最后将提取的特征送入GRU神经网络进行预测.实验使用新疆某地风场实地采集数据仿真,结果表明,该方法的预测误差最小,预测能力最强.
文献关键词：
风功率预测;PCC;CNN;组合预测模型
中图分类号：
作者姓名：
杨芮;文武;徐虹
作者机构：
成都信息工程大学计算机学院,四川成都610225
文献出处：
引用格式：
[1]杨芮;文武;徐虹-.基于PCC-CNN-GRU的短期风电功率预测)[J].成都信息工程大学学报,2022(02):165-170
A类：
B类：
PCC,GRU,短期风电功率预测,风功率预测,电力部门,电力调度,调度计划,极富,预测准确率,地理因素,人为因素,组合预测模型,皮尔逊相关系数,相关系数法,correlation,coefficient,convolutional,neural,networks,门控循环单元,gate,recurrent,unit,输入数据,不同因素,归一化处理,一维卷积神经网络,深层特征,送入,风场,采集数据,数据仿真,预测误差,预测能力
AB值：
0.340706
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。
