典型文献
基于贝叶斯LSTM的风电功率概率性预测研究
文献摘要：
确定性的风电功率预测可供电力调度系统实行长时间尺度优化,但不能计算预测结果的概率与波动区间.以贝叶斯神经网络为基础,采用长短期记忆网络(LSTM)处理风电功率预测的历史时序数据,提取时序数据的关联特征,学习时序数据的趋势变化,构建了贝叶斯LSTM网络预测模型.并采用皮尔森相关系数法(Pearson)分析了风电功率的历史数据集,剔除无关变量,对数据集进行了降维处理,简化了预测模型的整体结构.随后将LSTM处理后的时序数据与降维后的气象数据一起送入预测模型,通过在某风电数据集上不同置信度区间的概率预测以及和其他预测算法的对比验证可知,所提方法可对风电功率波动作出较为准确的响应,预测效果更好.
文献关键词：
贝叶斯神经网络;LSTM;风电功率;概率预测
中图分类号：
作者姓名：
冯惠丽
作者机构：
中国大唐集团科学技术研究总院有限公司,北京 100000
文献出处：
引用格式：
[1]冯惠丽-.基于贝叶斯LSTM的风电功率概率性预测研究)[J].科技与创新,2022(22):96-99
A类：
概率性预测
B类：
预测研究,确定性的,风电功率预测,电力调度系统,行长,长时间尺度,尺度优化,贝叶斯神经网络,长短期记忆网络,时序数据,关联特征,趋势变化,皮尔森相关系数,相关系数法,历史数据,降维处理,整体结构,气象数据,起送,送入,置信度,概率预测,预测算法,对比验证,风电功率波动
AB值：
0.249892
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。
