-
题名基于数据物理混合驱动的超短期风电功率预测模型
被引量：5
- 1
-
-
作者
杨茂
王达
王小海
范馥麟
高博
王勃
-
机构
现代电力系统仿真控制与绿色电能新技术教育部重点实验室(东北电力大学)
内蒙古电力(集团)有限责任公司
思克莱德大学能源与环境学院
中国电力科学研究院有限公司新能源与储能运行控制全国重点实验室
-
出处
《高电压技术》
EI
CAS
CSCD
北大核心
2024年第11期5132-5141,共10页
-
基金
国家重点研发计划(2018YFB0904200)
内蒙古电力(集团)有限责任公司科技项目(DUKZZZ-YBHT-2021-JSC0401-0015)。
-
文摘
为提升超短期风电功率预测精度,提出一种数据-物理混合驱动的超短期风电功率预测方法。首先,构建一种融合双向门控循环单元的残差网络结构,将其在测试集的预测结果作为预测模板。然后,根据风速-风电转换特性,基于多项式-线性回归模型拟合风电场风速-功率曲线,在风速高波动时点,以物理机理透明的风速-功率曲线进行预测。最后,根据风速波动阈值建立不同模型之间的动态切换机制,按切换的时点修改模板预测值,对于修正风速小于切入风速的时点,将预测值置零。在吉林省某装机容量为400.5 MW的风电场提供的数据上进行仿真实验得到,测试集第16步预测的平均归一化均方根误差为0.1589,全部切换中有利切换占比达到90.86%,验证了提出的超短期风电功率预测模型的有效性和适用性。
-
关键词
风电场
超短期预测
数据物理混合驱动
切换机制
波动阈值
深度残差网络
-
Keywords
wind farm
ultra-short-term forecasting
data-physical hybrid driven
switching mechanism
fluctuation threshold
deep residual network
-
分类号
TM614
[电气工程—电力系统及自动化]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于数据-物理混合模型的菇房空调节能控制方法
被引量：1
- 2
-
-
作者
孔祥书
郑文刚
张馨
王明飞
单飞飞
赵倩
-
机构
北京市农林科学院智能装备技术研究中心
北京市农林科学院信息技术研究中心
-
出处
《农业工程学报》
北大核心
2025年第4期309-317,共9页
-
基金
国家现代农业产业技术体系项目(CARS-20)
北京市食用菌创新团队项目(BAIC03-2024)。
-
文摘
针对模型预测控制在菇房节能控制中存在纯数据驱动温度预测模型可解释性差、优化求解速度慢等问题,该研究提出了一种基于数据-物理混合模型的菇房空调节能控制方法。首先,使用门控循环单元神经网络(gated recurrent unit neural network, GRU)与注意力机制(attention)作为预测模型,将菇房内部热平衡方程纳入损失函数中,实现基于数据-物理混合模型的菇房温度预测方法。然后,基于模型输出与参考轨迹的偏离程度和设备控制量建立目标函数。最后,利用改进型Adam算法快速地求解出空调在控制时域内的最优控制序列,实现菇房空调能耗最优控制。试验结果表明:与纯数据驱动的GRU模型相比,本文所提出的菇房温度预测模型,预测精度提高18%,均方根误差可控制在0.10℃内。与自适应矩估计(adaptive moment estimation,Adam)优化算法相比,改进型Adam算法适应度值降低6%,与带精英策略的快速非支配排序遗传算法相比(non-dominated sorting genetic algorithmⅡ, NSGA-Ⅱ)运算时长减少81%。与传统的阈值控制方法相比,本文所提出的模型预测控制方法跟踪精度提高63%,控制精度的均方根误差平均降低了73%,空调能耗平均降低了12%。该研究为菇房空调的节能控制提供了有效的控制方法。
-
关键词
节能
模型预测控制
深度学习
数据-物理混合驱动模型
菇房
-
Keywords
energy conservation
model predictive control
deep learning
data-physics hybrid driving model
mushroom room
-
分类号
S24
[农业科学—农业电气化与自动化]
-
