CN114897260B 基于lstm神经网络的短期风速预测模型建模方法及预测方法 （浙江江南工程管理股份有限公司）_第1页
CN114897260B 基于lstm神经网络的短期风速预测模型建模方法及预测方法 （浙江江南工程管理股份有限公司）_第2页
CN114897260B 基于lstm神经网络的短期风速预测模型建模方法及预测方法 （浙江江南工程管理股份有限公司）_第3页
CN114897260B 基于lstm神经网络的短期风速预测模型建模方法及预测方法 （浙江江南工程管理股份有限公司）_第4页
CN114897260B 基于lstm神经网络的短期风速预测模型建模方法及预测方法 （浙江江南工程管理股份有限公司）_第5页
已阅读5页，还剩15页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于LSTM神经网络的短期风速预测模型建本发明公开了一种基于LSTM神经网络的短2采集得到的原始风速序列数据包括共D天的风速序列数据，每小时样本对原始风速序列数据进行预处理的方法包括m＝k/3.622)统计时均风速：将变换得到的风速序列数据u;中每天对应相同时刻的数据进行归u;表示经预处理得到的预处理风速序列数据；步骤五：以训练集训练LSTM神经网络模型，并以贝叶斯优化52)以误差函数的局部最优解对应的超参数更新LSTM神经网络模型，得到局部最优53)采用验证集对局部最优LSTM神经网络模型进行验证，计算验证集数据与由局部最优LSTM神经网络模型预测得到的预测数判断该局部最优LSTM神经网络模型对应的均方根误差是否小于当前全局最优LSTM神3模方法创建得到的短期风速预测模型预测得到预测风速序列数据i,,再对预测风速序列4[0014]51)基于高斯过程回归，建立LSTM神经网络模型的超参数与预测误差之间的函数[0015]52)以误差函数的局部最优解对应的超参数更新LSTM神经网络模型，得到局部最[0016]53)采用验证集对局部最优LSTM神经网络模型进行验证，计算验证集数据与由局5部最优LSTM神经网络模型预测得到的预测数据之间[0017]判断该局部最优LSTM神经网络模型对应的均方根误差是否小于当前全局最优[0019]进一步，所述步骤一中，采集得到的原始风速序列数据包括共D天的风速序列数u;表示经预处理得到的预处理风速序列数据。速序列数据中的具有显著规律的波动特征，以更好地揭示风速序列波动特性的内在规律，6[0051]22)统计时均风速：将变换得到的风速序列数据中每天7u;表示经预处理得到的预处理风速序列数据。[0059]51)基于高斯过程回归，建立LSTM神经网络模型的超参数与预测误差之间的函数[0060]52)以误差函数的局部最优解对应的超参数更新LSTM神经网络模型，得到局部最[0061]53)采用验证集对局部最优LSTM神经网络模型进行验证，计算验证集数据与由局部最优LSTM神经网络模型预测得到的预测数据之间[0062]判断该局部最优LSTM神经网络模型对应的均方根误差是否小于当前全局最优风速序列数据中的具有显著规律的波动特征，以更好地揭示风速序列波动特性的内在规证明，采用本实施例建模方法得到的短期风速预测8[0074]本实施例采用某风电场共3台风机的实测风速数据，数据包括24天，分辨率为[0075]为验证提出预测模型的准确性，将结果与多种预测模型进行对比，包括持续法9

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论