CN103049798A - 一种应用于光伏发电系统的短期发电功率预测方法 - Google Patents
一种应用于光伏发电系统的短期发电功率预测方法 Download PDFInfo
- Publication number
- CN103049798A CN103049798A CN2012105164973A CN201210516497A CN103049798A CN 103049798 A CN103049798 A CN 103049798A CN 2012105164973 A CN2012105164973 A CN 2012105164973A CN 201210516497 A CN201210516497 A CN 201210516497A CN 103049798 A CN103049798 A CN 103049798A
- Authority
- CN
- China
- Prior art keywords
- electric generation
- operator
- neural network
- photovoltaic
- short
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种应用于光伏发电系统的短期发电功率预测方法,其特征在于它包括两个阶段:1、将原始发电功率信号进行经验模态分解;2、为每个分解分量构建基于遗传算法的BP神经网络预测模型。本发明的好处主要表现在:提前进行准确的光伏发电功率预测,可以确定传统电网与光伏发电微网的电流流动方向,制定电力系统的调度方案并降低电力系统运行成本;同时,还能提前制定能源储备规划,减少光伏发电的不可控性和间歇性对大电网造成不利影响,增强光伏发电的市场竞争优势。同时,本系统也是将人工神经网络、遗传算法等计算机技术运用于光伏发电功率预测的一个先例,具有很大的新颖性和实用性。
Description
技术领域
本发明涉及一种应用于光伏发电系统的短期发电功率预测方法,具体的说,涉及一种基于经验模态分解(Empirical Mode Decomposition,简称EMD)和遗传算法-BP神经网络(Genetic Algorithm-Back Propagation NeuralNetwork,简称GA-BPNN)的短期光伏发电预测方法。
背景技术
由于化石燃料的日益枯竭及其所带来的环境污染问题,世界各国都在不遗余力地发展利用可再生能源。而地球所接受到的太阳能,虽只占太阳表面发出的全部能量的二十亿分之一左右,但是这些能量相当于全球所需总能量的3-4万倍,可谓取之不尽,用之不竭。太阳能和石油、煤炭等矿物燃料不同,不会导致“温室效应”和全球性气候变化,也不会造成环境污染。太阳能已经成为世界各国缓解化石燃料资源不足,改善环境的重要战略之一,已经被列为2l世纪的重要替代能源。而将太阳光直接转化为电能,即光伏发电是运用最广泛,最有发展前途的太阳能利用技术。随着技术的不断进步和光伏组件成本的逐步降低,光伏发电与传统能源发电方式相比具有愈来愈显著的社会效益和经济效益。我国拥有丰富的太阳能资源,在光伏发电领域也取得了很大的进展,并且实施了《可再生能源法》,为发展光伏发电提供了法律保障。目前,光伏发电已具备大规模商业开发的技术和经济条件,其在大电网中所占的比例不断提高。
但是,太阳能受天气、季节、大气情况、云层厚度等等多种因素影响再加上各用户或小区使用的光伏电池种类及其安装位置随机,使光伏发电成为属于波动性和间歇性电源。光伏发电系统相对于大电网是一个不可控源,随着大量的光伏发电接入电网,势必会对电力系统的安全、稳定运行以及保证电能质量带来严峻挑战,从而限制光伏发电的发展规模。同时,由于电能的特殊性,即生产、输送、分配、消费是同时进行的,电能难以贮存,或者说贮存能力极小而代价高昂。光伏发电应该在满足系统内负荷需求的情况下,生产多少就使用多少。从发电企业(光伏发电场)的角度来考虑,将来光伏发电一旦参与市场竞争,相比于其它可控的发电方式,光伏发电的间歇性将大大削弱光伏发电的竞争力,而且还会由于供电的不可靠性受到经济损失。提前对光伏发电功率进行预测,将在很大程度上提高光伏发电的市场竞争力。
综上可知,对光伏发电的发电功率进行短期预测,将使电力调度部门能够提前根据发电功率变化及时调整调度计划,保证电能质量,减少系统的备用容量,降低电力系统运行成本。同时,这也是减轻光伏发电对电网造成不利影响、提高电网中光伏发电比例的一种有效途径。
发明内容
本发明所要解决的技术问题是:设计开发一种基于经验模态分解和遗传算法-BP神经网络的短期光伏发电功率预测方法,能够准确的预测光伏发电系统的发电功率,使电力调度部门能够合理调度发电容量,充分的利用太阳能资源,获得更多的经济效益和社会效益。
为了解决上述技术问题,本发明采用以下技术方案:
一种应用于光伏发电系统的短期发电功率预测方法,其特征在于它包括两个阶段:①将原始发电功率信号进行经验模态分解;②为每个分解分量构建基于遗传算法的BP神经网络预测模型;
1)原始发电功率信号进行经验模态分解:首先使用卡尔曼滤波器消除原始发电功率样本值中的异常数据并使用互信息理论选择最小特征子集,将预处理后的发电功率信号使用经验模态分解得到由低频到高频的一系列本征模组成分量信号和一个剩余分量信号;
2)构建BP神经网络预测模型:针对发电功率信号经过经验模态分解得到的各个分量自身的规律和特点,分别为其构建基于遗传算法的BP神经网络预测模型,并聚合各个分量的预测值得到最终的发电功率预测结果。
给的一个原始信号s(t),经验模态分解过程如下:
1)找出s(t)的所有极值点,并用三次样条插值函数拟合形成原数据的上包络线smax(t);同样,找出所有的极小值点,并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线smin(t);
2)计算上包络线和下包络线的平均值mj(t)=(smax(t)+smin(t))/2,提取剩余部分:hj(t)=sj(t)-mj(t);
3)检查hj(t)是否是一个本征模函数,如果是,则c1=hj(t),就提取出了一个本征模分量c1;如果不是,则用hj(t)代替s(t),重复(1)(2)两步直到它是一个本征模函数或者达到设定的分解阈值;
4)将r=s(t)-hj(t)作为一个新的信号r(t),对r(t)重复上述步骤直到获取所有的本征模函数IMFs c1(t),..,cn(t)或使r(t)变为一个单极函数;
经过上述的分解步骤,则原始信号s(t)可以表示为:
其中,n是分解得到的本征模函数数量,ci(i=1,2,…,n)是本征模函数,r是分解得到的剩余分量。
BP神经网络预测模型使用输入层、隐藏层和输出层三层结构,其中,输入层具有26个输入变量,这些变量分别是预测日前两天7:00-18:00每个小时的发电量、环境温度和天气类型,预测模型的输出则是一个小时的光伏发电预测量,隐藏层神经元的数目通过多次试验获得。
所述BP神经网络预测模型的遗传学习算法包括三个步骤:初始种族数目,计算适应度函数,遗传算子操作,其中遗传算子操作包括三种基本操作算子:选择,交叉和变异,遗传算法步骤:
1)产生初始种族:预测模型使用Sigmoid函数作为隐藏层的传输函数,W1定义为输入层与隐藏层之间的权重矩阵,W2定义为隐藏层和输出层之间的权重矩阵,θ1,θ2分别定义为隐藏层和输出层的阈值矩阵,β定义为Sigmoid函数中定义的形状参数,染色体定义如下:
xi={β,W1,W2,θ1,θ2}
预测模型使用随机数产生器来生成T个个体,经过多次试验表明:当T在[50,200]中是最合适的;
2)计算适应度函数:遗传算法的目标是搜索个体xi来最小化神经网络的总体误差στ,适应度函数的定义为总体误差στ加上γ的倒数,其中,γ是(0,0.01]之间的一个正数,στ是为预测值与实际值的方差倒数;
3)遗传算子操作:
A.选择算子:选出较优的个体并淘汰次优的个体,使用适应度比例算法作为选择算子,个体的选中概率正比于其适应度函数;
B.交叉算子:染色体采用实数编码,交叉算子采用算术交叉算子,算术交叉算子使用两个个体的线性组合出生一个新的个体;
C.变异算子:使用高斯算子作为变异算子,在均匀分布值随机选择一个变量,加上一个符合高斯分布N(0,σ2)的随机干扰变量。
本课题研制的短期光伏发电功率预测方法具有以下优点和积极效果:
(1)对运行中的太阳能发电站的发电功率进行预测,提前预测发电功率变化的情况,从而可以优化电网调度,降低电力系统运行成本并保证电网平稳运行。由于太阳能具有波动性、间歇性等特点,因此,光伏发电电功率也是波动的、间歇的。当光伏发电在电网中所占的比例很小时,上述特点不会对电网带来明显影响。但是,随着光伏发电装机容量的迅猛发展,光伏发电在电网中的比例不断增加,一旦超过某个比例,接入电网的光伏发电将会对电力系统的安全、稳定运行以及保证电能质量带来严峻挑战。解决这些问题的关键就是对光伏发电功率进行预测。
(2)合理调度发电容量,满足电力市场交易需要,为光伏发电商业发展提供有利条件。充分的利用太阳能资源,获得更多的经济效益和社会效益。
综上所述,采用本发明提出的短期光伏发电预测系统好处主要表现在:提前进行准确的光伏发电功率预测,可以确定传统电网与光伏发电微网的电流流动方向,制定电力系统的调度方案并降低电力系统运行成本;同时,还能提前制定能源储备规划,减少光伏发电的不可控性和间歇性对大电网造成不利影响,增强光伏发电的市场竞争优势。同时,本系统也是将人工神经网络、遗传算法等计算机技术运用于光伏发电功率预测的一个先例,具有很大的新颖性和实用性。
附图说明
图1是本发明的预测方案整体结构图
图2是本发明的经验模态分解流程图
图3是本发明的BP神经网络预测模型结构图
图4是本发明使用的遗传算法流程图
图5是发电功率原始数据曲线图
图6是预处理后发电功率曲线图
图7是经验模态分分解结果图
图8是经验模态分解的各分量预测结果图。
具体实施方式
图1是本发明的预测方案整体流程图。图5是发电功率原始数据曲线图,图6是预处理后发电功率曲线图。一种应用于光伏发电系统的短期发电功率预测方法,它包括两个阶段:①将原始发电功率信号进行经验模态分解;②为每个分解分量构建基于遗传算法的BP神经网络预测模型;
1)原始发电功率信号进行经验模态分解:首先使用卡尔曼滤波器消除原始发电功率样本值中的异常数据并使用互信息理论选择最小特征子集,将预处理后的发电功率信号使用经验模态分解得到由低频到高频的一系列本征模组成分量信号和一个剩余分量信号;
2)构建BP神经网络预测模型:针对发电功率信号经过经验模态分解得到的各个分量自身的规律和特点,分别为其构建基于遗传算法的BP神经网络预测模型,并聚合各个分量的预测值得到最终的发电功率预测结果。
本发明使用经验模态分解来分解非线性和非平稳的光伏发电功率信号。经验模态分解是一种新的分解分解非线性和非平稳信号的信号分解方法,它由NASA的黄锷博士于1998年提出。其分解原理基于下面的假设:(1)原始信号至少具有一个最大值和一个最小值;(2)数据的局部时域特性是由极值点间的时间尺度唯一确定;⑶如果数据没有极值点但有拐点,则可以通过对数据微分一次或多次求得极值,然后再通过积分来获得分解结果。
经验模态分解尤其适合于非线性信号的分解。它只依据数据本身的时间尺度特征,将原始信号分解为几个本征模分量和一个剩余分量。本征模分量满足下面两个条件:⑴在函数在整个时间范围内,局部极值点和过零点的数目必须相等,或最多相差一个;⑵在任意时刻点,局部最大值的包络(上包络线)和局部最小值的包络(下包络线)平均必须为零。
图2是本发明的经验模态分解流程图。给的一个原始信号s(t),经验模态分解过程如下:(1)找出s(t)的所有极值点,并用三次样条插值函数拟合形成原数据的上包络线smax(t);同样,找出所有的极小值点,并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线smin(t)。(2)计算上包络线和下包络线的平均值m(t)=(smax(t)+smin(t))/2,提取剩余部分:hj(t)=sj(t)-mj(t)。(3)检查hj(t)是否是一个本征模函数(是否满足本征模函数的两个条件)。如果是,则c1=hj(t),就提取出了一个本征模分量c1;如果不是,则用hj(t)代替s(t),重复(1)(2)两步直到它是一个本征模函数或者达到设定的分解阈值。(4)将r=s(t)-hj(t)作为一个新的信号r(t),对r(t)重复上述步骤直到获取所有的本征模函数IMFs c1(t),..,cn(t)或使r(t)变为一个单极函数。
经过上述的分解步骤,则原始信号s(t)可以表示为:
其中,n是分解得到的本征模函数数量,ci(i=1,2,…,n)是本征模函数,r是分解得到的剩余分量。
图3是本发明的BP神经网络预测模型结构图。本发明所提出的BP神经网络预测模型使用三层结构(输入层、隐藏层和输出层)。其中,输入层具有26个输入变量,这些变量分别是预测日前两天7:00-18:00每个小时的发电量(一个24个),环境温度和天气类型(分为晴天、阴天和雨天三种类型)。预测模型的输出则是一个小时的光伏发电预测量。隐藏层神经元的数目通过多次试验获得。输出层只有一个变量,即各分量的预测结果。本发明所提出的预测模型的训练算法使用遗传算法。
BP神经网络传统的学习算法是梯度下降法,例如动量反向传播的算法(MOBPR)和可变学习速率传播算法(VLBR)等。这些算法都有以下缺点:(1)低学习效率和慢收敛;(2)对参数选择敏感且易陷入局部最优;(3)新加入的训练样本将会影响已经训练过的样本。鉴于梯度下降法具有的缺点,本发明使用遗传算法作为预测模型的学习算法来克服上述缺点。遗传算法由Holland[11]于1975年提出。遗传算法是一种全局最优的渐进性最优搜索算法,其基本思想是模拟自然环境中的生物遗传和进化过程。它从多个点开始并行搜索,可以有效地防止陷入局部最优解。本发明所提出的预测模型使用遗传算法来找到问题的最优解,然后使用误差反向传播来确定最优的网络连接权重。本发明所提出的遗传学习算法包括三个步骤:初始种族数目,计算适应度函数,遗传算子操作。其中,遗传算子操作包括三种基本操作算子:选择,交叉和变异。
图4是本发明使用的遗传算法流程图。本发明所提出的遗传算法步骤:
1)产生初始种族
为了提高计算的准确性和效率,本发明直接使用真实数字进行编码。本发明构建的预测模型使用Sigmoid函数作为隐藏层的传输函数。
W1定义为输入层与隐藏层之间的权重矩阵,W2定义为隐藏层和输出层之间的权重矩阵。θ1,θ2分别定义为隐藏层和输出层的阈值矩阵,β定义为Sigmoid函数中定义的形状参数。染色体定义如下:
xi={β,W1,W2,θ1,θ2}
种族数目直接影响到遗传算法的收敛速率和计算效率。本发明所提出的模型使用随机数产生器来生成T个个体,经过多次试验表明:当T在[50,200]中是最合适的。
2)计算适应度函数
遗传算法的目标是搜索个体xi来最小化神经网络的总体误差στ。因此,适应度函数的定义为总体误差στ加上γ的倒数。其中,γ是(0,0.01]之间的一个正数,στ是为预测值与实际值的方差倒数。
3)遗传算子操作
A.选择算子
选择算子的功能是选出较优的个体并淘汰次优的个体。本发明使用适应度比例算法作为选择算子,个体的选中概率正比于其适应度函数。
B.交叉算子
由于染色体采用实数编码,本发明的交叉算子采用算术交叉算子。算术交叉算子使用两个个体的线性组合出生一个新的个体。
C.变异算子
变异算子的作用是改变群体中个体的基因值。本发明使用高斯算子作为变异算子。在均匀分布值随机选择一个变量,加上一个符合高斯分布N(0,σ2)的随机干扰变量。
图7是经验模态分分解结果图:
Empirical Mode Decomposition:经验模态分解,简称EMD
imf1:经验模态分解分量一
imf2:经验模态分解分量二
imf3:经验模态分解分量三
imf4:经验模态分解分量四
imf5:经验模态分解分量五
imf6:经验模态分解分量六
imf7:经验模态分解分量七
RES:经验模态分解剩余分量。
图8经验模态分解的各分量预测结果图:
imf1:经验模态分解分量一
imf2:经验模态分解分量二
imf3:经验模态分解分量三
imf4:经验模态分解分量四
imf5:经验模态分解分量五
imf6:经验模态分解分量六
imf7:经验模态分解分量七
RES:经验模态分解剩余分量
Actual power:发电功率实际曲线
Predicted power:发电功率预测曲线。
表一预测精度对比
Claims (4)
1.一种应用于光伏发电系统的短期发电功率预测方法,其特征在于它包括两个阶段:①将原始发电功率信号进行经验模态分解;②为每个分解分量构建基于遗传算法的BP神经网络预测模型;
1)原始发电功率信号进行经验模态分解:首先使用卡尔曼滤波器消除原始发电功率样本值中的异常数据并使用互信息理论选择最小特征子集,将预处理后的发电功率信号使用经验模态分解得到由低频到高频的一系列本征模组成分量信号和一个剩余分量信号;
2)构建BP神经网络预测模型:针对发电功率信号经过经验模态分解得到的各个分量自身的规律和特点,分别为其构建基于遗传算法的BP神经网络预测模型,并聚合各个分量的预测值得到最终的发电功率预测结果。
2.如权利要求1所述的一种应用于光伏发电系统的短期发电功率预测方法,其特征在于:给的一个原始信号s(t),经验模态分解过程如下:
1)找出s(t)的所有极值点,并用三次样条插值函数拟合形成原数据的上包络线smax(t);同样,找出所有的极小值点,并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线smin(t);
2)计算上包络线和下包络线的平均值mj(t)=(smax(t)+smin(t))/2,提取剩余部分:hj(t)=sj(t)-mj(t);
3)检查hj(t)是否是一个本征模函数,如果是,则c1=hj(t),就提取出了一个本征模分量c1;如果不是,则用hj(t)代替s(t),重复(1)(2)两步直到它是一个本征模函数或者达到设定的分解阈值;
4)将r=s(t)-hj(t)作为一个新的信号r(t),对r(t)重复上述步骤直到获取所有的本征模函数IMFs c1(t),..,cn(t)或使r(t)变为一个单极函数;
经过上述的分解步骤,则原始信号s(t)可以表示为:
其中,n是分解得到的本征模函数数量,ci(i=1,2,…,n)是本征模函数,r是分解得到的剩余分量。
3.如权利要求1所述的一种应用于光伏发电系统的短期发电功率预测方法,其特征在于:BP神经网络预测模型使用输入层、隐藏层和输出层三层结构,其中,输入层具有26个输入变量,这些变量分别是预测日前两天7:00-18:00每个小时的发电量、环境温度和天气类型,预测模型的输出则是一个小时的光伏发电预测量,隐藏层神经元的数目通过多次试验获得。
4.如权利要求1所述的一种应用于光伏发电系统的短期发电功率预测方法,其特征在于:所述BP神经网络预测模型的遗传学习算法包括三个步骤:初始种族数目,计算适应度函数,遗传算子操作,其中遗传算子操作包括三种基本操作算子:选择,交叉和变异,遗传算法步骤:
1)产生初始种族:预测模型使用Sigmoid函数作为隐藏层的传输函数,W1定义为输入层与隐藏层之间的权重矩阵,W2定义为隐藏层和输出层之间的权重矩阵,θ1,θ2分别定义为隐藏层和输出层的阈值矩阵,β定义为Sigmoid函数中定义的形状参数,染色体定义如下:
xi={β,W1,W2,θ1,θ2}
预测模型使用随机数产生器来生成T个个体,经过多次试验表明:当T在[50,200]中是最合适的;
2)计算适应度函数:遗传算法的目标是搜索个体xi来最小化神经网络的总体误差στ,适应度函数的定义为总体误差στ加上γ的倒数,其中,γ是(0,0.01]之间的一个正数,στ是为预测值与实际值的方差倒数;
3)遗传算子操作:
A.选择算子:选出较优的个体并淘汰次优的个体,使用适应度比例算法作为选择算子,个体的选中概率正比于其适应度函数;
B.交叉算子:染色体采用实数编码,交叉算子采用算术交叉算子,算术交叉算子使用两个个体的线性组合出生一个新的个体;
C.变异算子:使用高斯算子作为变异算子,在均匀分布值随机选择一个变量,加上一个符合高斯分布N(0,σ2)的随机干扰变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210516497.3A CN103049798B (zh) | 2012-12-05 | 2012-12-05 | 一种应用于光伏发电系统的短期发电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210516497.3A CN103049798B (zh) | 2012-12-05 | 2012-12-05 | 一种应用于光伏发电系统的短期发电功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103049798A true CN103049798A (zh) | 2013-04-17 |
CN103049798B CN103049798B (zh) | 2016-04-20 |
Family
ID=48062430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210516497.3A Active CN103049798B (zh) | 2012-12-05 | 2012-12-05 | 一种应用于光伏发电系统的短期发电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103049798B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218757A (zh) * | 2013-04-28 | 2013-07-24 | 重庆大学 | 一种确定光伏发电容量可信度的方法 |
CN104616085A (zh) * | 2015-02-16 | 2015-05-13 | 河海大学常州校区 | 一种基于bp神经网络的光伏发电量预测方法 |
CN105308853A (zh) * | 2013-06-21 | 2016-02-03 | 株式会社东芝 | 预测系统、预测装置以及预测方法 |
CN105589998A (zh) * | 2015-12-23 | 2016-05-18 | 华北电力大学 | 一种光伏输出功率超短期预测方法 |
CN107016453A (zh) * | 2016-12-08 | 2017-08-04 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
CN107886445A (zh) * | 2017-11-09 | 2018-04-06 | 王钊 | 一种基于神经元大数据分析的功率调整方法 |
CN108108659A (zh) * | 2017-11-23 | 2018-06-01 | 国网辽宁省电力有限公司 | 基于经验模态分解的孤岛检测关键特征提取方法 |
CN108365822A (zh) * | 2018-04-12 | 2018-08-03 | 山东大学 | 光伏电池在不同光照温度条件下工作特性的预测方法及系统 |
CN109255470A (zh) * | 2018-08-10 | 2019-01-22 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于大数据分析的变电设备非项目类成本预测方法 |
CN109344751A (zh) * | 2018-09-20 | 2019-02-15 | 上海工程技术大学 | 一种车内噪声信号的重构方法 |
CN110516844A (zh) * | 2019-07-25 | 2019-11-29 | 太原理工大学 | 基于emd-pca-lstm的多变量输入光伏功率预测方法 |
CN111191841A (zh) * | 2019-12-30 | 2020-05-22 | 润联软件系统(深圳)有限公司 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
WO2020118587A1 (zh) * | 2018-12-12 | 2020-06-18 | 华北电力大学扬中智能电气研究中心 | 一种负荷预测方法及装置 |
CN111476402A (zh) * | 2020-03-16 | 2020-07-31 | 云南电网有限责任公司 | 耦合气象信息与emd技术的风电发电能力预测方法 |
CN111507766A (zh) * | 2020-04-16 | 2020-08-07 | 武汉科泽睿新材料科技有限公司 | 应用区块链和人工智能的微电网电力大数据交易管理系统 |
CN112398142A (zh) * | 2020-10-26 | 2021-02-23 | 广西大学 | 一种基于经验模态分解的电网频率智能控制方法 |
CN113178880A (zh) * | 2021-03-25 | 2021-07-27 | 浙江大学 | 一种基于风电功率概率预测的混合储能优化定容与调控方法 |
CN113361803A (zh) * | 2021-06-28 | 2021-09-07 | 嘉兴国电通新能源科技有限公司 | 基于生成对抗网络的超短期光伏功率预测方法 |
CN113469442A (zh) * | 2021-07-05 | 2021-10-01 | 国网山东省电力公司东营供电公司 | 基于经验模态分解的光伏功率超短期预测方法及系统 |
CN113688669A (zh) * | 2021-07-13 | 2021-11-23 | 国网浙江省电力有限公司紧水滩水力发电厂 | 一种水电机组振动信号能量特征识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002271982A (ja) * | 2001-03-14 | 2002-09-20 | Ennet Corp | 余剰電力管理システムおよびその制御方法 |
-
2012
- 2012-12-05 CN CN201210516497.3A patent/CN103049798B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002271982A (ja) * | 2001-03-14 | 2002-09-20 | Ennet Corp | 余剰電力管理システムおよびその制御方法 |
Non-Patent Citations (3)
Title |
---|
方江晓: "《短期风速和风电功率预测模型的研究》", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
郑艳秋: "《基于模式分解和神经网络的短期电力负荷预测方法研究》", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
郑艳秋: "《基于模式分解和神经网络的短期电力负荷预测方法研究》", 《中国优秀硕士学位论文全文数据库工程科技II辑》, no. 12, 15 December 2009 (2009-12-15) * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218757A (zh) * | 2013-04-28 | 2013-07-24 | 重庆大学 | 一种确定光伏发电容量可信度的方法 |
CN105308853A (zh) * | 2013-06-21 | 2016-02-03 | 株式会社东芝 | 预测系统、预测装置以及预测方法 |
CN104616085A (zh) * | 2015-02-16 | 2015-05-13 | 河海大学常州校区 | 一种基于bp神经网络的光伏发电量预测方法 |
CN105589998A (zh) * | 2015-12-23 | 2016-05-18 | 华北电力大学 | 一种光伏输出功率超短期预测方法 |
CN107016453A (zh) * | 2016-12-08 | 2017-08-04 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
CN107886445A (zh) * | 2017-11-09 | 2018-04-06 | 王钊 | 一种基于神经元大数据分析的功率调整方法 |
CN108108659A (zh) * | 2017-11-23 | 2018-06-01 | 国网辽宁省电力有限公司 | 基于经验模态分解的孤岛检测关键特征提取方法 |
CN108108659B (zh) * | 2017-11-23 | 2021-11-09 | 国网辽宁省电力有限公司 | 基于经验模态分解的孤岛检测关键特征提取方法 |
CN108365822A (zh) * | 2018-04-12 | 2018-08-03 | 山东大学 | 光伏电池在不同光照温度条件下工作特性的预测方法及系统 |
CN108365822B (zh) * | 2018-04-12 | 2019-03-22 | 山东大学 | 光伏电池在不同光照温度条件下工作特性的预测方法及系统 |
CN109255470A (zh) * | 2018-08-10 | 2019-01-22 | 国网河北省电力有限公司石家庄供电分公司 | 一种基于大数据分析的变电设备非项目类成本预测方法 |
CN109344751A (zh) * | 2018-09-20 | 2019-02-15 | 上海工程技术大学 | 一种车内噪声信号的重构方法 |
CN109344751B (zh) * | 2018-09-20 | 2021-10-08 | 上海工程技术大学 | 一种车内噪声信号的重构方法 |
WO2020118587A1 (zh) * | 2018-12-12 | 2020-06-18 | 华北电力大学扬中智能电气研究中心 | 一种负荷预测方法及装置 |
CN110516844A (zh) * | 2019-07-25 | 2019-11-29 | 太原理工大学 | 基于emd-pca-lstm的多变量输入光伏功率预测方法 |
CN111191841A (zh) * | 2019-12-30 | 2020-05-22 | 润联软件系统(深圳)有限公司 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
CN111191841B (zh) * | 2019-12-30 | 2020-08-25 | 润联软件系统(深圳)有限公司 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
CN111476402A (zh) * | 2020-03-16 | 2020-07-31 | 云南电网有限责任公司 | 耦合气象信息与emd技术的风电发电能力预测方法 |
CN111507766A (zh) * | 2020-04-16 | 2020-08-07 | 武汉科泽睿新材料科技有限公司 | 应用区块链和人工智能的微电网电力大数据交易管理系统 |
CN112398142A (zh) * | 2020-10-26 | 2021-02-23 | 广西大学 | 一种基于经验模态分解的电网频率智能控制方法 |
CN113178880A (zh) * | 2021-03-25 | 2021-07-27 | 浙江大学 | 一种基于风电功率概率预测的混合储能优化定容与调控方法 |
CN113178880B (zh) * | 2021-03-25 | 2022-06-21 | 浙江大学 | 基于风电功率概率预测的混合储能优化定容与调控方法 |
CN113361803A (zh) * | 2021-06-28 | 2021-09-07 | 嘉兴国电通新能源科技有限公司 | 基于生成对抗网络的超短期光伏功率预测方法 |
CN113469442A (zh) * | 2021-07-05 | 2021-10-01 | 国网山东省电力公司东营供电公司 | 基于经验模态分解的光伏功率超短期预测方法及系统 |
CN113688669A (zh) * | 2021-07-13 | 2021-11-23 | 国网浙江省电力有限公司紧水滩水力发电厂 | 一种水电机组振动信号能量特征识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103049798B (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103049798B (zh) | 一种应用于光伏发电系统的短期发电功率预测方法 | |
Liu et al. | Random forest solar power forecast based on classification optimization | |
Lin et al. | Short-term power prediction for photovoltaic power plants using a hybrid improved Kmeans-GRA-Elman model based on multivariate meteorological factors and historical power datasets | |
Tang et al. | Entropy method combined with extreme learning machine method for the short-term photovoltaic power generation forecasting | |
Hong et al. | Optimal sizing of hybrid wind/PV/diesel generation in a stand-alone power system using Markov-based genetic algorithm | |
Ho et al. | Investigation of solar energy: The case study in Malaysia, Indonesia, Colombia and Nigeria | |
Wang et al. | Dynamic spatio-temporal correlation and hierarchical directed graph structure based ultra-short-term wind farm cluster power forecasting method | |
Wen et al. | Optimizing the sizes of wind and photovoltaic plants complementarily operating with cascade hydropower stations: Balancing risk and benefit | |
CN109858673A (zh) | 一种光伏发电系统功率预测方法 | |
CN103400204A (zh) | 基于svm-马尔科夫组合法的太阳能光伏发电量预测方法 | |
Zhang et al. | Achieving wind power and photovoltaic power prediction: An intelligent prediction system based on a deep learning approach | |
Manirathinam et al. | Sustainable renewable energy system selection for self-sufficient households using integrated fermatean neutrosophic fuzzy stratified AHP-MARCOS approach | |
Shahiduzzaman et al. | Renewable energy production forecasting: a comparative machine learning analysis | |
Shi et al. | Comparison study of two meta-heuristic algorithms with their applications to distributed generation planning | |
Siddique et al. | Assessing the sustainability of bitcoin mining: Comparative review of renewable energy sources | |
Li et al. | Optimal design and operation method of integrated energy system based on stochastic scenario iteration and energy storage attribute evaluation | |
Xu et al. | Influence of different optimization aalgorithms on prediction accuracy of photovoltaic output power based on BP neural network | |
CN104239962A (zh) | 一种基于相关性分析的区域电网总风功率短期预测方法 | |
Feng et al. | Peak operation optimization of cascade hydropower reservoirs and solar power plants considering output forecasting uncertainty | |
Bataev et al. | Assessment of development effectiveness of solar energy in Russia | |
Zhang et al. | Ultra-short-term wind power forecasting model based on time-section fusion and pattern classification | |
Zhao et al. | Research on Multiobjective Optimal Operation Strategy for Wind‐Photovoltaic‐Hydro Complementary Power System | |
Lv et al. | Research on short-term load forecasting approach for smart grid | |
CN113159437B (zh) | 一种短期光伏发电输出功率的预测方法 | |
Kuamr et al. | ANN-ANFIS based forecast model for predicting PV and wind energy generation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |