CN103218674A - 基于bp神经网络模型的光伏发电系统输出功率预测方法 - Google Patents
基于bp神经网络模型的光伏发电系统输出功率预测方法 Download PDFInfo
- Publication number
- CN103218674A CN103218674A CN2013101169243A CN201310116924A CN103218674A CN 103218674 A CN103218674 A CN 103218674A CN 2013101169243 A CN2013101169243 A CN 2013101169243A CN 201310116924 A CN201310116924 A CN 201310116924A CN 103218674 A CN103218674 A CN 103218674A
- Authority
- CN
- China
- Prior art keywords
- neural network
- output power
- generating system
- photovoltaic generating
- day
- 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.)
- Pending
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
本发明公开了一种基于BP神经网络模型的光伏发电系统输出功率预测方法。包括以下步骤：选取光伏发电系统输出功率的影响因素；根据所选取的影响因素的历史数据生成输入向量，以所对应的光伏发电系统的输出功率的历史数据作为输出，得训练样本；利用训练样本对BP神经网络进行训练，得训练后BP神经网络；根据所选取的影响因素的待预测时刻的实际数据生成测试输入向量，并将测试输入向量输入训练后BP神经网络，其输出即为待预测时刻的光伏发电系统输出功率的预测值。本发明的光伏发电系统输出功率预测方法进行建模预测，提供了一种基于BP神经网络的预测方法，利用BP神经网络良好的非线性函数逼近能力，改善了预测模型的精度和泛化能力。
Description
技术领域
本发明属于电力系统技术领域，具体涉及一种基于BP神经网络模型的光伏发电系统输出功率预测方法。
背景技术
随着全球范围内能源紧缺和环保问题的日益突出，可再生能源的利用引起广泛的重视。光伏发电作为一种重要的可再生能源形式，它是目前可再生能源中技术最具规模化开发条件和商业化发展前景的发电方式之一，越来越受到人们的关注。
目前大规模的光伏发电系统已经在国内外大量建成。江苏淮安洪泽光伏电站，位于洪泽县白马湖滩涂上，项目远期规划总建设规模为120MW，一期项目20MW，预计年均发电量达2600万千瓦时。大唐新能源在江苏淮安利用工业园区内建筑物屋顶开展光伏发电项目，该太阳能并网发电系统设计容量1.93MWp。
但是由于光伏发电系统的输出受到太阳辐照强度和天气因素的影响，其输出功率具有波动性和间歇性，是一个非平稳的随机过程。光伏发电系统相对于大电网将是一个不可控源，其发电随机性会对大电网造成冲击，会影响电力系统的安全、稳定、经济运行。目前对于光伏发电的随机性以及光伏发电预测技术的研究不多，而这正是光伏发电大规模应用的难点之一。因此，对光伏发电系统输出功率的准确预测，有利于电力系统调度部门适时调整调度计划，从而有效地减轻光伏发电系统接入对电网的不利影响。
目前，国外的发电预测系统还处于不断更新和完善之中，国内还没有实用的光伏发电预测系统。对于含有不同类型光伏发电单元的系统来说，转换效率、安装角度等参数也存在差异，确定光伏发电系统输出模型的参数值难度提高，对于既定的光伏阵列，传统的预测方法预测效果比较差。因此，需要新的光伏发电系统输出功率预测方法。
发明内容
本发明的目的是：针对现有技术在光伏发电预测系统输出功率预测方面的缺陷，提供一种基于BP神经网络模型的光伏发电系统输出功率预测方法。
本发明的技术解决方案是：该基于BP神经网络模型的光伏发电系统输出功率预测方法包括以下步骤：
（A）分析并选取光伏发电系统输出功率的影响因素，采集负荷的历史数据，得到训练样本集；
（B）根据所选取的影响因素的历史数据生成输入向量，以所对应的光伏发电系统的输出功率的历史数据作为输出，得到训练样本；
（C）利用所述训练样本对BP神经网络方法进行训练，得到训练后的BP神经网络；
（D）根据所选取的影响因素的待预测时刻的实际数据生成测试输入向量，并将测试输入向量输入训练后的BP神经网络，其输出即为待预测时刻的光伏发电系统输出功率的预测值。
更进一步的，所述BP神经网络的输入向量的维数为所述输入向量的特征维数。
更进一步的，所述降维处理采用非负矩阵分解（NMF）方法。
更进一步的，所述影响因素包括：预测日前两天同一时刻发电量、预测日前一天同一时刻发电量、预测日前两小时发电量、预测日前一小时发电量、预测日前一天同一时刻日照强度、预测日前一小时日照强度、预测日时刻日照强度、预测日前一天同一时刻温度、预测日前一小时温度、预测日时刻温度、预测日前一天同一时刻风速、预测日前一小时风速、预测日时刻风速。
更进一步的，步骤B中根据所选取的影响因素的历史数据生成输入向量，具体按照以下步骤：首先，利用所选取的影响因素的历史数据构造特征向量；然后，对该特征向量进行降维处理，得到输入向量。
更进一步的，步骤D中根据所选取的影响因素的待预测时刻的实际数据生成测试输入向量，具体按照以下步骤：首先，利用所选取的影响因素的待预测时刻的实际数据构造测试特征向量；然后，对该测试特征向量进行降维处理，得到测试输入向量。
更进一步的，所述输入向量的维数为5。
更进一步的，所述降低维数处理利用k折交叉训练方法得到维数的最优取值。
更进一步的，所述非负矩阵分解方法选择欧式距离平方作为非负矩阵分解的目标函数。
本发明的有益效果：1、光伏发电系统输出功率预测预测方法进行建模预测，是一种基于BP神经网络的电网供电可靠性预测方法，利用BP神经网络良好的非线性函数逼近能力，改善了预测模型的精度和泛化能力；2、技术方案中所述输入向量由各影响因素的数据直接生成，但当所选取的影响因素较多时，过多的变量会导致计算复杂度高，从而影响预测效率，为此，本发明通过对原始数据样本进行降维处理（特征提取）来降低预测的计算复杂度，提高效率；3、所述降维处理采用非负矩阵分解方法，使用非负矩阵分解对输入样本进行降维处理，降低了算法复杂度，提高了预测效率；4、所述降低维数处理利用k折交叉训练方法得到维数的最优取值。
附图说明
图1为本发明的基于BP神经网络模型的光伏发电系统输出功率预测方法的流程图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明的思路是利用人工智能神经网络构建光伏发电系统输出功率预测方法，利用该预测模型对下一个时刻的光伏发电量进行预测。
下面对该预测模型的建立过程进行详细说明。
请参阅图1所示，本发明的光伏发电系统输出功率预测预测方法，包括以下步骤：
1）分析并选取负荷预测的影响因素，采集负荷的历史数据，得到训练样本集；其中，影响因素包括：预测日前两天同一时刻发电量、预测日前一天同一时刻发电量、预测日前两小时发电量、预测日前一小时发电量、预测日前一天同一时刻日照强度、预测日前一小时日照强度、预测日时刻日照强度、预测日前一天同一时刻温度、预测日前一小时温度、预测日时刻温度、预测日前一天同一时刻风速、预测日前一小时风速、预测日时刻风速；
2）根据影响因素的历史数据生成输入向量，以所对应的光伏发电系统输出功率的历史数据作为输出，得到训练样本；生成输入变量的具体步骤如下：首先利用所选取的影响因素的历史数据构造特征向量，然后对特征向量进行降维处理，本发明采用非负矩阵分解方法；其中，非负矩阵分解方法选择欧式距离平方作为非负矩阵分解目标函数；降低维数处理利用k折交叉训练方法得到维数的最优取值；本发明通过计算得到输入向量维数是5；
3）利用步骤2）得到的训练样本对BP神经网络进行训练，得到训练后的BP神经网络模型；
4）根据步骤1）选取的影响因素的待预测时刻的实际数据生成测试输入向量，并将测试输入向量输入到训练后的BP神经网络，其输出即为待预测时刻的负荷预测值。
人工神经网络是人工智能技术的一种，具有大规模分布式并行处理、非线性、自组织、自学习、联想记忆等优良特性，因此可以作为一种预测手段；BP算法是训练人工神经网络的基本方法，其基本思想是最小二乘算法；它采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小； 
为BP神经网络的输入变量，
为BP神经网络的预测值，
为输入层与隐含层的权值，
为隐含层与输出层的权值；输入节点为n，隐含层节点可设为l=2n，输出节点为m；其训练具体步骤如下：
（1）BP神经网络初始化：根据模型确定输入层节点数、隐含层节点数和输出层节点数，初始化、
、隐含层阀值a、输出层阀值b，给定学习速率和神经元激励函数；
（2）隐含层输出计算：根据输入向量，输入层和隐含层连接权值
以及隐含层阀值a，计算隐含层输出H：
式中：l为隐含层节点数；f为隐含层激励函数，本发明选函数为：
（3）输出层输出计算：根据隐含层输出H，连接权值
和阀值b，计算BP神经网络预测输出O：
（4）误差计算：根据网络预测输出O和期望输出d，计算网络预测误差e：
(4)
（5）权值更新：根据网络预测误差e更新网络连接权值
和：
(5)
式中：
为学习速率，
；
（6）阀值更新：根据网络预测误差e更新网络节点阀值a，
（7）判断算法迭代是否结束，若没有介绍，返回步骤（2）。
由于本发明选择了13个影响因素作为输入变量，因此可将BP神经网络的输入层节点设为13，输出层节点数设为1；但采用该方案时，较多变量会导致计算复杂度高，影响预测效率；因此，本发明对输入变量先进行降维处理；可采用的降维方法较多，例如可以采用现有的非负矩阵分解、主成分分析、粗糙集约简和灰色关联度等方法；本发明优选采用非负矩阵分解方法；
其中，非负矩阵分解（Nonnegative matrix factorization，NMF）问题可以描述为：对一个的非负矩阵V，可以将其分解为一个
的非负矩阵W和一个
的非负矩阵H的乘积：
V=WH (9)
其中，原矩阵V中的列向量可看作是左矩阵W（称为基向量）中所有列向量的加权和，而权重系数为右矩阵H中对应列向量中的元素；因此，下面将在矩阵W的列新张成的线性空间中考虑问题，矩阵H中的列可认为是原矩阵V中对应列在该新特征空间的新特征向量；分解后数据的存储空间大小为
；
NMF的实现可以表述为最优化问题，常用的目标函数有2个，本文选择欧式距离平方作为NMF目标函数，其中，i和j分别表示矩阵的行和列；
矩阵V与矩阵WH的欧式距离的平方：
(10)
式（10）当且仅当在V=WH时达到最小值0；
具体步骤如下，其中k表示矩阵降维后的维数：
1）对于非负矩阵W和H随机赋初值；
2）更新W和H；
3）重复步骤2）直至收敛。
本发明通过k折交叉训练方法，得到维数的最优取值。
本发明的光伏发电系统输出功率预测方法利用BP神经网络进行建模预测，利用其良好的非线性函数逼近能力，改善预测模型的精度和泛化能力；并在此基础上使用非负矩阵分解对输入样本进行降维处理，降低了算法复杂度，提高了预测效率。
Claims (9)
1.基于BP神经网络模型的光伏发电系统输出功率预测方法，其特征在于：该输出功率预测方法包括以下步骤：
（A）分析并选取光伏发电系统输出功率的影响因素，采集负荷的历史数据，得训练样本集；
（B）根据所选取的影响因素的历史数据生成输入向量，以所对应的光伏发电系统的输出功率的历史数据作为输出，得到训练样本；
（C）利用所述训练样本对BP神经网络进行训练，得到训练后的BP神经网络；
（D）根据所选取的影响因素的待预测时刻的实际数据生成测试输入向量，并将测试输入向量输入训练后的BP神经网络，其输出即为待预测时刻的光伏发电系统输出功率的预测值。
2.如权利要求1所述的基于BP神经网络的光伏发电系统输出功率预测方法，其特征在于：所述BP神经网络的输入向量的维数为所述输入向量的特征维数。
3.如权利要求1所述的基于BP神经网络的光伏发电系统输出功率预测方法，其特征在于：步骤B中根据所选取的影响因素的历史数据生成输入向量，具体按照以下步骤：首先，利用所选取的影响因素的历史数据构造特征向量；然后，对该特征向量进行降维处理，得到输入向量。
4.如权利要求1所述的基于BP神经网络的光伏发电系统输出功率预测方法，其特征在于：步骤D中根据所选取的影响因素的待预测时刻的实际数据生成测试输入向量，具体按照以下步骤：首先，利用所选取的影响因素的待预测时刻的实际数据构造测试特征向量；然后，对该测试特征向量进行降维处理，得到测试输入向量。
5.如权利要求1所述的基于BP神经网络的光伏发电系统输出功率预测方法，其特征在于：所述输入向量的维数为5。
6.如权利要求3或4所述的基于BP神经网络的光伏发电系统输出功率预测方法，其特征在于：所述降维处理采用非负矩阵分解方法。
7.如权利要求3或4所述的基于BP神经网络的光伏发电系统输出功率预测方法，其特征在于：所述降低维数处理利用k折交叉训练方法得到维数的最优取值。
8.如权利要求6所述的基于BP神经网络的光伏发电系统输出功率预测方法，其特征在于：所述非负矩阵分解方法选择欧式距离平方作为非负矩阵分解的目标函数。
9.如权利要求1所述的基于BP神经网络的光伏发电系统输出功率预测方法，其特征在于所述影响因素包括：预测日前两天同一时刻发电量、预测日前一天同一时刻发电量、预测日前两小时发电量、预测日前一小时发电量、预测日前一天同一时刻日照强度、预测日前一小时日照强度、预测日时刻日照强度、预测日前一天同一时刻温度、预测日前一小时温度、预测日时刻温度、预测日前一天同一时刻风速、预测日前一小时风速、预测日时刻风速。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2013101169243A CN103218674A (zh) | 2013-04-07 | 2013-04-07 | 基于bp神经网络模型的光伏发电系统输出功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2013101169243A CN103218674A (zh) | 2013-04-07 | 2013-04-07 | 基于bp神经网络模型的光伏发电系统输出功率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103218674A true CN103218674A (zh) | 2013-07-24 |
Family
ID=48816439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2013101169243A Pending CN103218674A (zh) | 2013-04-07 | 2013-04-07 | 基于bp神经网络模型的光伏发电系统输出功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103218674A (zh) |
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544546A (zh) * | 2013-10-31 | 2014-01-29 | 浙江大学 | 一种在线预测电力系统静态电压稳定极限的方法 |
| CN103678891A (zh) * | 2013-12-02 | 2014-03-26 | 中国南方电网有限责任公司 | 火电机组负荷裕度实时预测方法 |
| CN103904682A (zh) * | 2014-03-18 | 2014-07-02 | 许继电气股份有限公司 | 一种基于风光混合模型的功率预测方法 |
| CN104299031A (zh) * | 2014-06-13 | 2015-01-21 | 国家电网公司 | Bp神经网络超短期负荷预测方法 |
| CN104346659A (zh) * | 2014-11-26 | 2015-02-11 | 北京邮电大学 | 应用于高倍聚光光伏发电系统的短期发电量预测方法 |
| CN104408562A (zh) * | 2014-11-25 | 2015-03-11 | 许继集团有限公司 | 一种基于bp神经网络的光伏系统发电效率综合评估方法 |
| 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 |
| CN104794544A (zh) * | 2015-04-24 | 2015-07-22 | 国家电网公司 | 基于智能算法的分布式光伏发电防窃电监测方法 |
| CN104978611A (zh) * | 2015-07-06 | 2015-10-14 | 东南大学 | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 |
| CN104992248A (zh) * | 2015-07-07 | 2015-10-21 | 中山大学 | 一种微电网光伏电站发电量组合预测方法 |
| CN105426956A (zh) * | 2015-11-06 | 2016-03-23 | 国家电网公司 | 一种超短期光伏预测方法 |
| CN105512760A (zh) * | 2015-12-04 | 2016-04-20 | 北京国电通网络技术有限公司 | 基于神经网络的光伏电站发电量的计算方法及系统 |
| CN105928292A (zh) * | 2016-04-20 | 2016-09-07 | 山东三九制冷设备有限公司 | 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 |
| CN106169771A (zh) * | 2016-08-01 | 2016-11-30 | 河海大学常州校区 | 一种可预测发电量数据的并网逆变器 |
| CN106169104A (zh) * | 2016-06-30 | 2016-11-30 | 国网江苏省电力公司南通供电公司 | 基于bp神经网络模型的台区日用电量的预测方法及系统 |
| CN106372745A (zh) * | 2016-08-27 | 2017-02-01 | 山东电力工程咨询院有限公司 | 一种基于模糊ebf网络的光伏发电量预测方法 |
| CN108227760A (zh) * | 2017-12-29 | 2018-06-29 | 无锡十新能源投资有限公司 | 一种基于预测系统的太阳能跟踪控制系统及方法 |
| CN108710752A (zh) * | 2018-05-17 | 2018-10-26 | 西南科技大学 | 一种基于灰色关联分析和bp神经网络的电机数据分析方法 |
| CN108846527A (zh) * | 2018-08-27 | 2018-11-20 | 云南电网有限责任公司电力科学研究院 | 一种光伏发电功率预测方法 |
| CN109284874A (zh) * | 2018-10-26 | 2019-01-29 | 昆明电力交易中心有限责任公司 | 光伏电站的日发电量预测方法、装置、设备及存储介质 |
| CN109558948A (zh) * | 2017-09-25 | 2019-04-02 | 成都万江港利科技股份有限公司 | 一种基于大数据的设备故障诊断方法及系统 |
| CN110751326A (zh) * | 2019-10-17 | 2020-02-04 | 江苏远致能源科技有限公司 | 一种光伏日前功率预测方法、装置以及存储介质 |
| CN111898812A (zh) * | 2020-07-17 | 2020-11-06 | 国网江苏省电力有限公司南京供电分公司 | 一种分布式光伏数据虚拟采集方法 |
| CN111915084A (zh) * | 2020-08-03 | 2020-11-10 | 国网山东省电力公司电力科学研究院 | 一种基于神经网络的混合型光伏发电功率预测方法及系统 |
| CN111950811A (zh) * | 2020-08-27 | 2020-11-17 | 国网山东省电力公司聊城供电公司 | 基于双层人工神经网络的区域光伏功率预测方法及系统 |
| CN112215428A (zh) * | 2020-10-20 | 2021-01-12 | 国网山东省电力公司电力科学研究院 | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 |
| CN112289393A (zh) * | 2020-10-28 | 2021-01-29 | 广西贺州市桂东电子科技有限责任公司 | 一种基于神经网络集成学习的阳极铝箔性能预测系统 |
| CN112884360A (zh) * | 2021-03-18 | 2021-06-01 | 国家电网有限公司 | 分布式光伏电站综合成效评估方法、系统、设备及介质 |
| CN115940806A (zh) * | 2023-01-10 | 2023-04-07 | 柏腾数科(杭州)科技有限公司 | 一种光伏发电系统及其故障诊断方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495953A (zh) * | 2011-11-29 | 2012-06-13 | 河北省电力建设调整试验所 | 基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法 |
| CN102521671A (zh) * | 2011-11-29 | 2012-06-27 | 华北电力大学 | 一种风电功率超短期预测方法 |
-
2013
- 2013-04-07 CN CN2013101169243A patent/CN103218674A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495953A (zh) * | 2011-11-29 | 2012-06-13 | 河北省电力建设调整试验所 | 基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法 |
| CN102521671A (zh) * | 2011-11-29 | 2012-06-27 | 华北电力大学 | 一种风电功率超短期预测方法 |
Cited By (42)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544546A (zh) * | 2013-10-31 | 2014-01-29 | 浙江大学 | 一种在线预测电力系统静态电压稳定极限的方法 |
| CN103678891B (zh) * | 2013-12-02 | 2016-08-17 | 中国南方电网有限责任公司 | 火电机组负荷裕度实时预测方法 |
| CN103678891A (zh) * | 2013-12-02 | 2014-03-26 | 中国南方电网有限责任公司 | 火电机组负荷裕度实时预测方法 |
| CN103904682A (zh) * | 2014-03-18 | 2014-07-02 | 许继电气股份有限公司 | 一种基于风光混合模型的功率预测方法 |
| CN104299031A (zh) * | 2014-06-13 | 2015-01-21 | 国家电网公司 | Bp神经网络超短期负荷预测方法 |
| CN104408562A (zh) * | 2014-11-25 | 2015-03-11 | 许继集团有限公司 | 一种基于bp神经网络的光伏系统发电效率综合评估方法 |
| CN104408562B (zh) * | 2014-11-25 | 2018-01-16 | 许继集团有限公司 | 一种基于bp神经网络的光伏系统发电效率综合评估方法 |
| CN104346659A (zh) * | 2014-11-26 | 2015-02-11 | 北京邮电大学 | 应用于高倍聚光光伏发电系统的短期发电量预测方法 |
| 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 |
| CN104794544A (zh) * | 2015-04-24 | 2015-07-22 | 国家电网公司 | 基于智能算法的分布式光伏发电防窃电监测方法 |
| CN104978611A (zh) * | 2015-07-06 | 2015-10-14 | 东南大学 | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 |
| CN104992248A (zh) * | 2015-07-07 | 2015-10-21 | 中山大学 | 一种微电网光伏电站发电量组合预测方法 |
| CN105426956A (zh) * | 2015-11-06 | 2016-03-23 | 国家电网公司 | 一种超短期光伏预测方法 |
| CN105426956B (zh) * | 2015-11-06 | 2019-01-22 | 国家电网公司 | 一种超短期光伏预测方法 |
| CN105512760A (zh) * | 2015-12-04 | 2016-04-20 | 北京国电通网络技术有限公司 | 基于神经网络的光伏电站发电量的计算方法及系统 |
| CN105512760B (zh) * | 2015-12-04 | 2019-08-20 | 北京中电普华信息技术有限公司 | 基于神经网络的光伏电站发电量的计算方法及系统 |
| CN105928292A (zh) * | 2016-04-20 | 2016-09-07 | 山东三九制冷设备有限公司 | 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 |
| CN105928292B (zh) * | 2016-04-20 | 2018-05-22 | 山东三九制冷设备有限公司 | 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 |
| CN106169104A (zh) * | 2016-06-30 | 2016-11-30 | 国网江苏省电力公司南通供电公司 | 基于bp神经网络模型的台区日用电量的预测方法及系统 |
| CN106169771B (zh) * | 2016-08-01 | 2018-12-25 | 河海大学常州校区 | 一种可预测发电量数据的并网逆变器 |
| CN106169771A (zh) * | 2016-08-01 | 2016-11-30 | 河海大学常州校区 | 一种可预测发电量数据的并网逆变器 |
| CN106372745A (zh) * | 2016-08-27 | 2017-02-01 | 山东电力工程咨询院有限公司 | 一种基于模糊ebf网络的光伏发电量预测方法 |
| CN109558948A (zh) * | 2017-09-25 | 2019-04-02 | 成都万江港利科技股份有限公司 | 一种基于大数据的设备故障诊断方法及系统 |
| CN108227760A (zh) * | 2017-12-29 | 2018-06-29 | 无锡十新能源投资有限公司 | 一种基于预测系统的太阳能跟踪控制系统及方法 |
| CN108227760B (zh) * | 2017-12-29 | 2021-08-10 | 无锡十一新能源投资有限公司 | 一种基于预测系统的太阳能跟踪控制系统及方法 |
| CN108710752A (zh) * | 2018-05-17 | 2018-10-26 | 西南科技大学 | 一种基于灰色关联分析和bp神经网络的电机数据分析方法 |
| CN108710752B (zh) * | 2018-05-17 | 2022-10-28 | 西南科技大学 | 一种基于灰色关联分析和bp神经网络的电机数据分析方法 |
| CN108846527A (zh) * | 2018-08-27 | 2018-11-20 | 云南电网有限责任公司电力科学研究院 | 一种光伏发电功率预测方法 |
| CN109284874B (zh) * | 2018-10-26 | 2021-08-17 | 昆明电力交易中心有限责任公司 | 光伏电站的日发电量预测方法、装置、设备及存储介质 |
| CN109284874A (zh) * | 2018-10-26 | 2019-01-29 | 昆明电力交易中心有限责任公司 | 光伏电站的日发电量预测方法、装置、设备及存储介质 |
| CN110751326A (zh) * | 2019-10-17 | 2020-02-04 | 江苏远致能源科技有限公司 | 一种光伏日前功率预测方法、装置以及存储介质 |
| CN111898812B (zh) * | 2020-07-17 | 2022-10-04 | 国网江苏省电力有限公司南京供电分公司 | 一种分布式光伏数据虚拟采集方法 |
| CN111898812A (zh) * | 2020-07-17 | 2020-11-06 | 国网江苏省电力有限公司南京供电分公司 | 一种分布式光伏数据虚拟采集方法 |
| CN111915084A (zh) * | 2020-08-03 | 2020-11-10 | 国网山东省电力公司电力科学研究院 | 一种基于神经网络的混合型光伏发电功率预测方法及系统 |
| CN111950811A (zh) * | 2020-08-27 | 2020-11-17 | 国网山东省电力公司聊城供电公司 | 基于双层人工神经网络的区域光伏功率预测方法及系统 |
| CN111950811B (zh) * | 2020-08-27 | 2024-04-09 | 国网山东省电力公司聊城供电公司 | 基于双层人工神经网络的区域光伏功率预测方法及系统 |
| CN112215428A (zh) * | 2020-10-20 | 2021-01-12 | 国网山东省电力公司电力科学研究院 | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 |
| CN112215428B (zh) * | 2020-10-20 | 2022-08-26 | 国网山东省电力公司电力科学研究院 | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 |
| CN112289393A (zh) * | 2020-10-28 | 2021-01-29 | 广西贺州市桂东电子科技有限责任公司 | 一种基于神经网络集成学习的阳极铝箔性能预测系统 |
| CN112289393B (zh) * | 2020-10-28 | 2023-08-22 | 广西贺州市桂东电子科技有限责任公司 | 一种基于神经网络集成学习的阳极铝箔性能预测系统 |
| CN112884360A (zh) * | 2021-03-18 | 2021-06-01 | 国家电网有限公司 | 分布式光伏电站综合成效评估方法、系统、设备及介质 |
| CN115940806A (zh) * | 2023-01-10 | 2023-04-07 | 柏腾数科(杭州)科技有限公司 | 一种光伏发电系统及其故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103218674A (zh) | 基于bp神经网络模型的光伏发电系统输出功率预测方法 | |
| Xiao et al. | Combined forecasting models for wind energy forecasting: A case study in China | |
| Chang | An RBF neural network combined with OLS algorithm and genetic algorithm for short-term wind power forecasting | |
| Zheng et al. | Bio-inspired optimization of sustainable energy systems: a review | |
| CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
| Jebli et al. | Deep learning based models for solar energy prediction | |
| Squartini et al. | Optimization algorithms for home energy resource scheduling in presence of data uncertainty | |
| CN102938562B (zh) | 一种区域内风电总功率的预测方法 | |
| Michael et al. | Short-term solar irradiance forecasting based on a novel Bayesian optimized deep Long Short-Term Memory neural network | |
| CN103106544A (zh) | 一种基于t-s型模糊神经网络的光伏发电预测系统 | |
| Fei et al. | A practical model for single-step power prediction of grid-connected PV plant using artificial neural network | |
| Chitsazan et al. | Wind speed forecasting using an echo state network with nonlinear output functions | |
| Zhang et al. | Short-term forecasting of wind power generation based on the similar day and Elman neural network | |
| CN103927460A (zh) | 一种基于rbf的风电场短期风速预测方法 | |
| Natarajan et al. | Survey on renewable energy forecasting using different techniques | |
| Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
| Chen et al. | MultiCycleNet: multiple cycles self-boosted neural network for short-term electric household load forecasting | |
| Jiang et al. | Time series analysis and forecasting for wind speeds using support vector regression coupled with artificial intelligent algorithms | |
| Yao et al. | Short-term power load forecasting of integrated energy system based on attention-CNN-DBILSTM | |
| Souabi et al. | Data-driven prediction models of photovoltaic energy for smart grid applications | |
| Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
| Wang et al. | An ultra-short-term forecasting model for high-resolution solar irradiance based on SOM and deep learning algorithm | |
| Ananthu et al. | A study of 100kWp PV Plant Output Power Forecasting: A case study | |
| Tran et al. | Short-term solar power generation forecasting using edge ai | |
| Salisu et al. | A hybrid PSO-ANFIS approach for horizontal solar radiation prediction in Nigeria |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130724 |