【技术实现步骤摘要】
本专利技术涉及电力系统的人工智能应用领域，具体为一种面向不平衡数据的短期风功率联邦学习分布式预测方法。
技术介绍
1、随着环保意识的提升和可再生能源技术的发展，风电、光伏等分布式能源在我国能源结构中的比重上升。然而，风力发电的固有特性，如风速等气候因素是决定风力发电功率输出的核心因素，其变化不仅具有时间上的时变性，还存在空间上的不均匀性，这种双重特性导致风力发电的功率输出具有显著的不稳定性。因此，为提升电网的稳定性和可靠性，需要运用先进的预测技术和方法，以实现对区域内多风电场功率输出的准确预测，从而保障电网的安全、稳定和高效运行。
2、近年来机器学习法中的深度学习逐渐受到关注。基于数据驱动的深度学习算法通过训练大量数据来优化预测模型，能够自动提取数据中的特征并学习复杂的映射关系，不仅能够处理非线性、非平稳的气象数据特征，同时能够适应不同时间尺度和空间尺度的预测需求。文献(符杨,任子旭,魏书荣,等.基于改进lstm-tcn模型的海上风电超短期功率预测[j].中国电机工程学报,2022,42(12):4292-4303.)提出了...
【技术保护点】
1.一种面向不平衡数据的短期风功率联邦学习分布式预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种面向不平衡数据的短期风功率联邦学习分布式预测方法，其特征在于：阶段一具体如下：
3.根据权利要求2所述的一种面向不平衡数据的短期风功率联邦学习分布式预测方法，其特征在于：阶段二具体如下：
4.根据权利要求1所述的一种面向不平衡数据的短期风功率联邦学习分布式预测方法，其特征在于：阶段三具体如下：
【技术特征摘要】
1.一种面向不平衡数据的短期风功率联邦学习分布式预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种面向不平衡数据的短期风功率联邦学习分布式预测方法，其特征在于：阶段一具体如下：
3....
【专利技术属性】
技术研发人员：牛哲文，郑杰，冀岳，兰松岩，董瑞康，韩肖清，党志芳，武宇翔，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。