{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,6,22]]，“日期-时间”：“2024-06-22T07:48:44Z”，“时间戳”：17190425245555}，“引用-计数”：24，“发布者”：“爱思唯尔BV”，“许可证”：[{“开始”：{-date-parts”：[[2019,4,1]]，《日期-时间》：“2019-04-01T00:00:00Z“，”timestamp“：1554076800000}，”content-version“：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com/tdm\/userlicense\/1.0\/”}]，“资助者”：[{“DOI”：“10.13039\/501100001809”，“name”：“国家自然科学基金”，“DOI-asserted-by”：“crossref”，“award”：[“61877043”，“6187744”，“91746205”]}，{“name”:“国家重点研发计划科技支撑重点项目天津”，“奖项”：[“18YFZCGX00960”]}]，“内容域”：{“域”：[”elsevier.com“，”sciencedirect.com“]，“crossmark-restriction”：true}，“short-container-title“：[”Future Generation Computer Systems“]，”published-print“：{”date-parts“：[[2019,4]]}，”DOI“：”10.1016\/j.Future.2018.09.054“，”type“：”journal-article“，”created“：{”date-ports“”：[[2018,10,16]]，“日期时间”：“2018-10-16T16:31:08Z”，“时间戳”：1539707468000}，“页面”：“33-42”，“更新策略”：“http://\/dx.doi.org\/10.1016\/elsevier_cm_policy”，“源”：“Crossref”，”is-referenced-by-count“：205，”title“：[”LSTM-EFG for wind power forecasting based on sequential correlation features“]，”prefix“：”10.1016“，”volume“：”93“，”author“：[{”given“ruigo”，“家”：“余”，“sequence”：“first”，“affiliation”：[]}，{“given”：“Jie”，“family”：“Gao”，“segment”：“additional”，“filiance”：[]}“，”affiliation“：[]}，{”given“：”Mankun“，“family”：“Zhao”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Jie”，“faily”：”Zhang“，“se序列”：“additional”、“afficiation”：[]}、{“ORCID”：”http://\/ORCID.org\/00000-0002-7827-4365“，“authenticated-ORCID”：false，“givens”：“Ruixuan”，“家族”：“Zhang”，“sequence”:“additionable”，“filiance”：[]}，“ORCID:”http://\-ORCID“.org \/00000-0001-5366-2508“，“authenticated-orcid”：false，“given”：“Zhuo”，“family”：“Zhang”，“sequence”：“additional”，“affiliation”：[]}]，“member”：“78”，“reference”：[{“key”：”10.1016\/j.future.2018.09.054_b1“，”article-title“：”2015年可再生能源-全球状况报告“，”author“：”REN“，“year”：“2015”，“journal-title”：“Environ.PolicyCollect.”}，{“密钥”：“10.1016\/j.future.2018 8.09.054_b2“，“非结构化”：“J.Hossain，世界风能资源评估报告，2014年。”}，{“key”：“10.1016\/J.future.2018.09.054_b3”，“unstructured”：“G.W.E.Council，Global wind report，2018年。”{“issue”：“1”，“key“：”10.1016\/J.future.2018.09.054_b4“，”doi-asserted-by“：”crossref“，”first page“：“250”，“doi”：“101109\/TSTE.2012.2215631”，“article-title”：“机组组合和经济调度中的需求调度和概率风电预测：伊利诺伊州案例研究”，“卷”：“4”，“作者”：“Botterud”，“年份”：“2013年”，“期刊标题”：“IEEE Trans.Sustainable Energy”}，{“问题”：“四”，“关键”：“10.1016\/j.future.2018.09.054_b5”，“doi-asserted-by”：“crossref”，“首页”：“692”，“doi”：“10.1109\/TSTE.2011.2181878”，“article-title”：“1c48小时风电并网动态运行平衡储备计算”，“volume”：“3”，“author”：“Menemenlis”，“year”：“2012”，“journal-title“：”IEEE Trans.Sustainable Energy“}，{“issue”：“三”，“key”：”10.1016\/j.future.2018.09.054_b6“，”doi-asserted-by“crossref”，“首页”：“1651”，“DOI”：“10.1109\/TPWRS.2010.2089541”，“文章标题”：“基于风力发电预测不确定性的储能规模确定的概率方法”，“容量”：“26”，“作者”：“Bludszuweit”，“年份”：“2011”，“期刊标题”：《IEEE Trans.power Syst.》}，{“问题”：“4”，“关键”：“101016\/j.future.2018.09.054_b7”，“DOI-asserted-by”：“crossref”，“首页”：“728”，“DOI”：“10.1109\/60.556371”，“article-title”：“风力发电系统充分性评估的序贯模拟技术”，“卷”：“11”，“作者”：“Billinton”，“年份”：“1996”，“期刊标题”：“IEEE Trans.energy Convers.”}，{“key”：“101016\/j.future.2018.09.054_b8”：“使用自回归移动平均模型进行风力发电预测和误差分析”，“作者”：“Rajagopalan”，“年份”：“2009年”，“新闻标题”：“电力能源协会通用会议..pes.ieee”}，{“问题”：“4”，“关键”：“10.1016\/j.future.2018.09.054_b9”，“doi-asserted-by”：“crossref”，《首页》：“2546”，“doi”：“101109\/TPWRS.2015.2468586”，“article-title”：“基于ARIMA-频率分解的风速时间序列建模”，“卷”：“31”，“作者”：“尤努斯”，“年份”：“2016年”，“日志标题”：“IEEE电力系统交易”}，{“密钥”：“10.1016\/j.future.2018.09.054_b10”，“文章标题”：”使用卡尔曼滤波器的短期风预测“，“卷“：”9“作者”，“博萨尼”，“年”：“1985”，“日记标题”：“Wind Eng.”}，{“key”：“10.1016\/j.future.2018.09.054_b11”，“doi-asserted-by”：“crossref”，“unstructured”：“N.A.Treiber，j.Heinermann，O.Kramer，风力发电预测与机器学习，2016.”，“doi”：“101007\/978-3319-31858-5_2”}：“10.1016\/j.enconman.2018.01.010”，“article-title”：“基于变分模式分解、奇异谱分析、lstm网络和elm的智能多步深度学习风速预测模型”，“volume”：“159”，“author”：“Liu”，“year”：“2018”，“journal-title“：“Energy Convers.Manage”}，{“key”：”10.1016\/j.future.2018.09.054_b13“，“doi-asserted-by”：“crossref”，“first page”：“681”，“doi”：“10.1016\/j.enconman.2018.03.098”，“article-title”：“利用深度学习时间序列预测和极值优化的非线性学习集成进行风速预测”，“volume”：”165“，“author”：“Chen”，“year”：“2018”，“journal-title“：”Energy Convers.Manage“}，{“issue”：“3”，“key”：“10.1016\/j.future.2018.09.054_b14”，“doi-asserted-by”：“crossref”，“first page”：“526”，“doi”：“10.3390\/en11030526”，“article-title”：“基于回波状态网络和长短期记忆的风力预测”，“volume”：”11“，“author”：“Lpez”，“year”：“2018”，“journal-title“：”Energies“}”，{“key”：“”：“电力与能源工程会议”，“第一页”：“1148”，“文章标题”：“基于深度长短期记忆的风电短期预测”，“作者”：“Qu”，“年份”：“2016”}，{“关键”：“10.1016\/j.future。2018.09.054_b16”，“doi断言者”：“crossref”，“非结构化”：“Y.Cheng，C.Xu，D.Mashima，V.L.L.Thing，Y。Wu，PowerLSTM:使用长短期记忆神经网络进行电力需求预测，2017年。”，“DOI”：“10.1007\/978-3-19-69179-4_51”}，{“key”：“101016\/j.future.2018.09.054_b17”，“article-title”：“基于LSTM的短期风电功率预测”，“author”：“Qiaomu”，“year”：“2017”，“journal-title“：”电力系统技术“}”，{10.1016\/j.future.2018.09.054_b18“，“series-title”：“Iee-Inns-Enns国际神经网络联合会议”，“首页”：“3189”，“article-title”：“时间和计数的递归网络”，“作者”：“Gers”，“年份”：“2000”}，{“问题”：“6”，“密钥”：“10.1016\/j.future.2019.054_b19”，“doi-asserted-by”：“crossref”，“第一页”：”78“，“doi”：“10.1109\/MPE.2007.906306“，“article-title”：“预测风”，“volume”：“5”，“author”：“Ernst”，“year”：“2007”，“journal-title“：”电力能源杂志IEEE“}，{“key”：”10.1016\/j.future.2018.09.054_b20“，“series-title”：”电力工程学会冬季会议“，“首页”：“977 vol.3”，“article-title:”使用神经网络估算风力发电量”，“作者”：“李”，“年份”：“2001”}，{“问题”：“8”，“关键”：“10.1016\/j.future.2018.09.054_b21”，“doi-asserted-by”：“crossref”，“首页”：“1735”，“doi”：“101162\/neco.1997.9.8.1735”，《文章-标题》：“长期记忆”，“卷”：“9”，“作家”：“Hochreiter”，“年”：“1997”，“日志标题“：”神经计算。“}，{”key“：”10.1016\/j.future.2018.09.054_b22“，”series-title“：”伯克利数理统计与概率研讨会论文集“，”首页“：”281“，”article-title“：“多元观测值分类与分析的一些方法”，“author”：“Macqueen”，“year”：“1966”}，“issue”：“23”，“key”：“10.1016\/j.future.2018.9.054_b23”，“doi-asserted-by“：”crossref“，”first page“：”298“，”doi“：”10.21136\/CMJ.1973.101168“，”article-title“：”图的代数连通性“，”volume“：“23”，“author”：“Fiedler”，“year”：“1973”，“journal-title”：“Czechoslovak Math”。J.“}，{”key“：”10.1016\/J.future.2018.09.054_b24“，”series-title“：”BIRCH:一种新的数据聚类算法及其应用“，”author“：”Zhang“，”year“：”1997“}]，”container-title“：[”future Generation Computer Systems“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/api.elsevier.com\/content\/article\/PII:S0167739X18314420？httpAccept=text\/xml“，”content-type“：”text\/.xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，{“URL”：“https:\/\/api.elsevier.com\/content\/article\/PII:S0167739X18314420？httpAccept=text\/plain“，”内容类型“：”文本\/plaine“，”content-version[2021,2,12]]，“日期时间”：“2021-02-12T11:28:04Z”，“时间戳”：1613129284000｝，“分数”：1，“资源”：｛“主要”：｛http://\/dx.doi.org\/10.1016\/j.future.2018.09.054“，”关系“：{}，”ISSN“：[”0167-739X“]，”ISSN-type“：[{”value“：”0167739X“，”type“:”print“}]，”主题“：[]，”published“：{”date-parts“：[2019,4]}，“assertion”：[{“value”：“Elsevier”，“name”：“publisher”，“label”：“此文章由”}维护，{“值”：“LSTM-EFG基于序列相关特征的风力发电预测”，“name”：“articletitle”，“label”：“Article Title”}，{“value”：“Future Generation Computer Systems”，“name:”journaltitle“，”label“：”Journal Title“}，”value“：”https:\/\/doi.org\/101016\/j.Future.2018.09.054“，”name“：”articlelink“，”标签“：”CrossRef DOI链接到出版商维护的版本“}，{“value”：“article”，“name”：“content_type”，“label”：“content-type”}，}“values”：“\u00a9 2018 Elsevier B.V.保留所有权利。”，“名称”：“版权”，“标签”：“copyright”}]}