CN103903067A - 风电功率短期组合预测方法 - Google Patents
风电功率短期组合预测方法 Download PDFInfo
- Publication number
- CN103903067A CN103903067A CN201410139147.9A CN201410139147A CN103903067A CN 103903067 A CN103903067 A CN 103903067A CN 201410139147 A CN201410139147 A CN 201410139147A CN 103903067 A CN103903067 A CN 103903067A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msubsup
- msup
- math
- 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
- 238000013277 forecasting method Methods 0.000 title abstract 3
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000012706 support-vector machine Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 241000257303 Hymenoptera Species 0.000 claims description 25
- 235000013305 food Nutrition 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000012907 honey Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种风电功率短期组合预测方法,包括:1)对风速、风电功率数据进行归一化处理,分别利用支持向量机回归、Elman神经网络、BP神经网络建立相应单项预测模型;2)根据风速大小对各单项预测模型训练所得预测结果进行分期;3)选取待优化参数,建立组合预测模型4)根据组合预测模型确定目标函数,并采用平均绝对百分误差最小作为目标函数的约束条件,获取优化后参数5)根据优化后参数获取分期后的每一期的权重系数值,更新组合预测模型;6)根据风速大小动态选择对应的权重系数值,利用风电功率测试数据对更新后的组合预测模型进行训练并进行预测,得到组合预测值。本发明有效地综合各单一预测模型的优势,降低预测风险、且预测精度高。
Description
技术领域
本发明涉及风电功率预测技术领域,特别是涉及一种基于熵判别蜂群算法优化的风电功率短期组合预测方法。
背景技术
近年来,风能作为一种可再生能源,在全球范围内迅速发展。截止到2012年12月,世界风电装机容量已经从2000年的60GW增加到282.578GW,预计到2015年世界风电装机容量将达到460GW。随着风电的迅速发展,并网成为了充分利用风电的研究热点。风电的输出功率依赖于风速,然而由于风速的不确定性和间歇性,势必会给电网的稳定性带来严重冲击。
准确的风电功率短期预测有利于电力部门制定合理的发电计划和电网调度,进而减轻风电并入对电网稳定性的冲击。
发明内容
本发明的目的在于,提供一种风电功率短期组合预测方法,采用组合预测模型,同时采用熵判别人工蜂群算法对其进行优化,利用优化的参数进而确定权重系数、更新组合预测模型,有效提高了对风电机组的输出功率的预测精度,增强了风电并网的稳定性、经济性。
为达到上述目的,本发明提供了一种风电功率短期组合预测方法,包括以下步骤:
(1)对风速、风电功率数据进行归一化处理,以风速作为输入、风电功率作为输出,分别利用支持向量机回归、Elman神经网络、BP神经网络建立相应单项预测模型;
(2)根据风速大小对各单项预测模型训练所得预测结果进行分期;
(3)选取矩阵βis为待优化参数,建立组合预测模型,
其中,ωis为权重系数,其表达示为:
(4)根据组合预测模型确定目标函数,并采用平均绝对百分误差最小作为目标函数的约束条件,对步骤(2)分期后的每一期的预测结果进行优化,获取优化后参数,其中,目标函数公式为:
(5)根据优化后参数获取分期后的每一期的权重系数值,更新组合预测模型;
(6)根据风速大小动态选择对应的权重系数值,利用风电功率测试数据对更新后的组合预测模型进行训练并进行预测,得到组合预测值。
本发明风电功率短期组合预测方法的优点是:采用组合预测模型,能够有效地综合各单一预测模型的优势,降低预测风险。同时采用熵判别人工蜂群算法对其进行优化,利用优化的参数进而确定权重系数、更新组合预测模型,选取合理的权重系数有利于提高组合模型性能。实际风电功率预测数据表明:本发明组合模型预测精度高,能够智能的确定权重系数值,明显降低了预测误差。
附图说明
图1是本发明风电功率短期组合预测方法的流程图;
图2是本发明种群调整区域示意图。
具体实施方式
以下结合附图对本发明风电功率短期组合预测方法及装置进行详细说明,但是应当指出,本发明的实施方式是为了解释目的的优选方案,并不是对本发明范围的限制。
参见图1,本发明所述的风电功率短期组合预测方法的流程图,接下来对该方法所述步骤做详细说明。
S11:对风速、风电功率数据进行归一化处理,以风速作为输入、风电功率作为输出,分别利用支持向量机回归、Elman神经网络、BP神经网络建立相应单项预测模型。
为了降低风电功率及风速数据的波动,训练前对其归一化处理。归一化公式为:
S12:根据风速大小对各单项预测模型训练所得预测结果进行分期。
对各单项预测模型进行训练,得到对应的预测结果。根据风速值大小,将预测结果分为6期,分别作为组合预测模型的训练数据。例如,风速为3-6m/s区间为一期、6-8m/s区间为一期,如此划分6期。
S13:选取矩阵βis为待优化参数,建立组合预测模型,
式(2)中,ωis为权重系数,其表达示为:
S14:根据组合预测模型确定目标函数,并采用平均绝对百分误差最小作为目标函数的约束条件,对分期后的每一期的预测结果进行优化,获取优化后参数。其中,目标函数公式为:
进一步通过熵判别人工蜂群算法对待优化参数进行优化,熵判别人工蜂群算法是将信息熵理论与人工蜂群算法结合,利用蜜蜂各个群体的熵值,调节种群的多样性,对适应度差的蜜蜂进行迁移,克服了其易陷入局部极小点的缺陷。具体为:
A)、初始化,随机产生M×Q个食物源和雇佣蜂,搜索区间为(0,1),其中M为待优化参数个数,Q为食物源个数。
C)跟随蜂根据收益重新选择食物源;进一步采用轮盘选择的方法重新选择食物源。
D)根据熵值模型计算蜂群的熵值,其中熵值模型为:
式中,F(t)为第t代全体蜜蜂的熵值,p(xti)为第t代i个蜜蜂的适应度值与第t代蜜蜂全体蜜蜂适应度值的比率。p(xti)求解如下式:
式中,f(xti)为第t代i个蜜蜂的适应度值,N为整个蜂群的总数。
E)雇佣蜂进行邻域搜索,邻域搜索更新公式为:
xi"=xi'+cω*α(xi'-x'k),1≤i≤T,1≤k≤T,且i≠k,α∈[-1,1]
式中,cω为基于熵值的惯性权重调节系数,xi'是本次搜索食物源位置,x'k是本次搜索前随机的食物源位置。
其中,
cu,cl为调整参数,优选的,cu、cl分别为1.3、0.7。Lup(t)调整上界函数,Llow(t)为调整下界函数。
式中a、b为常数参数,t'为预设的调节参数阀值。
在迭代进化过程中,如果蜂群多样性损失过快,可能会使算法过早陷入局部最优,进而使其丧失全局搜索能力;反之,如果在迭代后期蜂群仍保持较高的多样性,即蜜源位置分散,则可能会降低算法搜索到最优解的可能性。因此,在迭代过程中,合理设置蜂群多样性的范围,将会提高算法的收敛和寻优性能。本发明以种群熵值的形式表述其多样性,因此,在迭代过程中,根据熵值的变化对种群进行动态调整,从而避免局部收敛或过早收敛现象。
种群调整区域如图2所示,当第t代蜂群的熵值F(t)高于Lup(t)或低于Llow(t)时,表明种群过于集中或者过于分散,即种群处于非理想状态,可能会导致种群过早收敛。此时,对蜜蜂邻域位置搜索调节因子进行重新调整,使种群跳出非理想状态。
步骤E)进一步包括:若F(t)>Lup(t)或F(t)<Llow(t),对δ(t)个蜜蜂进行迁移,迁移公式为x(t)=x(t)+s·ηx(t),式中s为变异步长,η为柯西随机变量。柯西随机变量的表达式为:
还可以为:若F(t)>Lup(t),则对δ(t)个蜜蜂进行迁移;若F(t)<Llow(t),则从N-δ(t)个蜜蜂中随机选取δ(t)个进行替换。
柯西算子容易生成远离远点的随机数,易使蜜蜂进行有效迁移。实验仿真表明,a越大,调整上限将减小,调整区域变大,种群相对分散;b越大,种群的熵值越大。t'越大,超出上限的蜜蜂增多。综合考虑取a=100、b=4、t'=30。
F)通过收益率对比,更新每个雇佣蜂最优食物源位置及最优收益率。
G)食物源在循环一次后收益率没有改进,则抛弃该食物源,并利用下式选择新事物源位置:
H)判断是否满足收敛条件(达到最大迭代次数或设定的误差),若满足则停止并获取优化后参数,否则调回步骤A)。
S15:根据优化后参数获取分期后的每一期的权重系数值,更新组合预测模型。
据优化后参数βis以及权重系数ωis的表达式(3)确定相应权重系数值,分别获取分期后的每一期的权重系数值,进而对组合预测模型更新。
S16:根据风速大小动态选择对应的权重系数值,利用风电功率测试数据对更新后的组合预测模型进行训练并进行预测,得到组合预测值。
例如,风速大小落在3-6m/s区间,则选择该期所对应的权重系数值、进而根据更新后的组合预测模型,得到相应组合预测值。风速大小落在6-8m/s区间,则选择该期所对应的权重系数值、进而根据更新后的组合预测模型,得到相应组合预测值。
作为优选的实施方式,本发明进一步包括:对预测结果进行误差分析并输出预测结果。
本发明采用组合预测模型,能够有效地综合各单一预测模型的优势,降低预测风险。同时采用熵判别人工蜂群算法对其进行优化,利用优化的参数进而确定权重系数、更新组合预测模型,选取合理的权重系数有利于提高组合模型性能。实际风电功率预测数据表明:本发明组合模型预测精度高,能够智能的确定权重系数值,明显降低了预测误差。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种风电功率短期组合预测方法,其特征在于,包括以下步骤:
(1)对风速、风电功率数据进行归一化处理,以风速作为输入、风电功率作为输出,分别利用支持向量机回归、Elman神经网络、BP神经网络建立相应单项预测模型;
(2)根据风速大小对各单项预测模型训练所得预测结果进行分期;
(3)选取矩阵βis为待优化参数,建立组合预测模型,
其中,ωis为权重系数,其表达示为:
(4)根据组合预测模型确定目标函数,并采用平均绝对百分误差最小作为目标函数的约束条件,对步骤(2)分期后的每一期的预测结果进行优化,获取优化后参数,其中,目标函数公式为:
(5)根据优化后参数获取分期后的每一期的权重系数值,更新组合预测模型;
(6)根据风速大小动态选择对应的权重系数值,利用风电功率测试数据对更新后的组合预测模型进行训练并进行预测,得到组合预测值。
2.根据权利要求1所述的风电功率短期组合预测方法,其特征在于,步骤(2)进一步包括:根据风速值大小,将各单项预测模型训练所得预测结果分为6期,分别作为组合预测模型的训练数据。
3.根据权利要求1所述的风电功率短期组合预测方法,其特征在于,步骤(4)进一步包括:通过熵判别人工蜂群算法对待优化参数进行优化:
(41)初始化,随机产生M×Q个食物源和雇佣蜂,搜索区间为(0,1),其中M为待优化参数个数,Q为食物源个数;
(43)跟随蜂根据收益重新选择食物源;
(44)根据熵值模型计算蜂群的熵值,其中熵值模型为:
式中,F(t)为第t代全体蜜蜂的熵值,p(xti)为第t代i个蜜蜂的适应度值与第t代蜜蜂全体蜜蜂适应度值的比率,其求解如下式:
式中,f(xti)为第t代i个蜜蜂的适应度值,N为整个蜂群的总数;
(45)雇佣蜂进行邻域搜索,邻域搜索更新公式为:
xi"=xi'+cω*α(xi'-x'k),1≤i≤T,1≤k≤T,且i≠k,α∈[-1,1],
式中,cω为基于熵值的惯性权重调节系数,xi'是本次搜索食物源位置,x'k是本次搜索前
随机的食物源位置,其中,
cu,cl为调整参数,Lup(t)调整上界函数,Llow(t)为调整下界函数,
式中a、b为常数参数,t'为预设的调节参数阀值;
(46)通过收益率对比,更新每个雇佣蜂最优食物源位置及最优收益率;
(48)判断是否满足收敛条件,若满足则停止并获取优化后参数,否则调回步骤(41),所述收敛条件为达到最大迭代次数或设定的误差。
4.根据权利要求3所述的风电功率短期组合预测方法,其特征在于,步骤(43)进一步包括:采用轮盘选择的方法重新选择食物源。
5.根据权利要求3所述的风电功率短期组合预测方法,其特征在于,步骤(45)进一步包括:调整参数cu、cl分别为1.3、0.7。
7.根据权利要求3或6所述的风电功率短期组合预测方法,其特征在于,步骤(45)进一步包括:常数参数a、b分别为100、4,t'为30。
8.根据权利要求1所述的风电功率短期组合预测方法,其特征在于,步骤(6)进一步包括:对预测结果进行误差分析并输出预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410139147.9A CN103903067B (zh) | 2014-04-09 | 风电功率短期组合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410139147.9A CN103903067B (zh) | 2014-04-09 | 风电功率短期组合预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103903067A true CN103903067A (zh) | 2014-07-02 |
CN103903067B CN103903067B (zh) | 2016-11-30 |
Family
ID=
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268638A (zh) * | 2014-09-11 | 2015-01-07 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的光伏发电系统功率预测方法 |
CN104571262A (zh) * | 2015-01-16 | 2015-04-29 | 江南大学 | 短期风电功率区间概率预测方法 |
CN104915736A (zh) * | 2015-06-29 | 2015-09-16 | 东北电力大学 | 基于改进熵权法提高风电功率组合预测精度的方法 |
CN105303250A (zh) * | 2015-09-23 | 2016-02-03 | 国家电网公司 | 一种基于最优权系数的风电功率组合预测方法 |
CN105719029A (zh) * | 2016-03-11 | 2016-06-29 | 中国农业大学 | 一种基于风速波动特征提取的风电功率组合预测方法 |
CN105787813A (zh) * | 2016-03-21 | 2016-07-20 | 广西电网有限责任公司电力科学研究院 | 一种基于协方差的短期风功率预测方法 |
CN105868853A (zh) * | 2016-03-28 | 2016-08-17 | 山东大学 | 一种短期风电功率组合概率预测方法 |
CN107194507A (zh) * | 2017-05-17 | 2017-09-22 | 华北电力大学(保定) | 一种基于组合支持向量机的风电场短期风速预测方法 |
CN108256683A (zh) * | 2018-01-16 | 2018-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于改进bp神经网络的风电场短期功率预测方法 |
CN108717579A (zh) * | 2017-12-15 | 2018-10-30 | 南京信息工程大学 | 一种短期风电功率区间预测方法 |
CN108804266A (zh) * | 2018-05-22 | 2018-11-13 | 郑州云海信息技术有限公司 | 一种存储系统性能测试方法、装置和计算机可读存储介质 |
CN108898262A (zh) * | 2018-07-26 | 2018-11-27 | 国网山东省电力公司莱芜供电公司 | 一种考虑风电不确定性风险的风功率预测方法 |
CN109637663A (zh) * | 2018-11-14 | 2019-04-16 | 浙江大学山东工业技术研究院 | 一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置 |
CN112990533A (zh) * | 2021-01-19 | 2021-06-18 | 中国农业大学 | 一种稀疏约束和动态权重分配的风电集群功率预测方法 |
CN114169416A (zh) * | 2021-11-30 | 2022-03-11 | 电子科技大学 | 一种基于迁移学习的小样本集下短期负荷预测方法 |
CN118214017A (zh) * | 2024-05-22 | 2024-06-18 | 国网江西综合能源服务有限公司 | 基于光储系统协调控制的配电网低电压治理方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110320386A1 (en) * | 2010-06-29 | 2011-12-29 | Rockwell Automation Technologies, Inc. | Extrapolating empirical models for control, prediction, and optimization applications |
CN102938093A (zh) * | 2012-10-18 | 2013-02-20 | 安徽工程大学 | 一种风电功率预测的方法 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110320386A1 (en) * | 2010-06-29 | 2011-12-29 | Rockwell Automation Technologies, Inc. | Extrapolating empirical models for control, prediction, and optimization applications |
CN102938093A (zh) * | 2012-10-18 | 2013-02-20 | 安徽工程大学 | 一种风电功率预测的方法 |
Non-Patent Citations (1)
Title |
---|
史洁: "风电场功率超短期预测算法优化研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268638A (zh) * | 2014-09-11 | 2015-01-07 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的光伏发电系统功率预测方法 |
CN104571262A (zh) * | 2015-01-16 | 2015-04-29 | 江南大学 | 短期风电功率区间概率预测方法 |
CN104571262B (zh) * | 2015-01-16 | 2017-10-24 | 江南大学 | 短期风电功率区间概率预测方法 |
CN104915736A (zh) * | 2015-06-29 | 2015-09-16 | 东北电力大学 | 基于改进熵权法提高风电功率组合预测精度的方法 |
CN105303250A (zh) * | 2015-09-23 | 2016-02-03 | 国家电网公司 | 一种基于最优权系数的风电功率组合预测方法 |
CN105719029A (zh) * | 2016-03-11 | 2016-06-29 | 中国农业大学 | 一种基于风速波动特征提取的风电功率组合预测方法 |
CN105719029B (zh) * | 2016-03-11 | 2019-08-27 | 中国农业大学 | 一种基于风速波动特征提取的风电功率组合预测方法 |
CN105787813A (zh) * | 2016-03-21 | 2016-07-20 | 广西电网有限责任公司电力科学研究院 | 一种基于协方差的短期风功率预测方法 |
CN105868853A (zh) * | 2016-03-28 | 2016-08-17 | 山东大学 | 一种短期风电功率组合概率预测方法 |
CN107194507A (zh) * | 2017-05-17 | 2017-09-22 | 华北电力大学(保定) | 一种基于组合支持向量机的风电场短期风速预测方法 |
CN108717579A (zh) * | 2017-12-15 | 2018-10-30 | 南京信息工程大学 | 一种短期风电功率区间预测方法 |
CN108717579B (zh) * | 2017-12-15 | 2022-06-07 | 南京信息工程大学 | 一种短期风电功率区间预测方法 |
CN108256683A (zh) * | 2018-01-16 | 2018-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于改进bp神经网络的风电场短期功率预测方法 |
CN108804266A (zh) * | 2018-05-22 | 2018-11-13 | 郑州云海信息技术有限公司 | 一种存储系统性能测试方法、装置和计算机可读存储介质 |
CN108898262A (zh) * | 2018-07-26 | 2018-11-27 | 国网山东省电力公司莱芜供电公司 | 一种考虑风电不确定性风险的风功率预测方法 |
CN108898262B (zh) * | 2018-07-26 | 2021-08-06 | 国网山东省电力公司莱芜供电公司 | 一种考虑风电不确定性风险的风功率预测方法 |
CN109637663A (zh) * | 2018-11-14 | 2019-04-16 | 浙江大学山东工业技术研究院 | 一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置 |
CN112990533A (zh) * | 2021-01-19 | 2021-06-18 | 中国农业大学 | 一种稀疏约束和动态权重分配的风电集群功率预测方法 |
CN112990533B (zh) * | 2021-01-19 | 2024-01-05 | 中国农业大学 | 一种稀疏约束和动态权重分配的风电集群功率预测方法 |
CN114169416A (zh) * | 2021-11-30 | 2022-03-11 | 电子科技大学 | 一种基于迁移学习的小样本集下短期负荷预测方法 |
CN114169416B (zh) * | 2021-11-30 | 2023-04-21 | 电子科技大学 | 一种基于迁移学习的小样本集下短期负荷预测方法 |
CN118214017A (zh) * | 2024-05-22 | 2024-06-18 | 国网江西综合能源服务有限公司 | 基于光储系统协调控制的配电网低电压治理方法及系统 |
CN118214017B (zh) * | 2024-05-22 | 2024-08-30 | 国网江西综合能源服务有限公司 | 基于光储系统协调控制的配电网低电压治理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103871002B (zh) | 基于自适应蜂群算法的风电功率预测方法及装置 | |
CN104573879B (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN103345657B (zh) | 云计算环境下基于遗传和蚁群的任务调度方法 | |
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN102708381B (zh) | 融合最小二乘向量机回归学习思想的改进极限学习机 | |
CN106650784A (zh) | 一种基于特征聚类比较的光伏电站功率预测方法及装置 | |
CN112330487B (zh) | 一种光伏发电短期功率预测方法 | |
JP2013074695A (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
CN104699890B (zh) | 一种城网配变重过载短期预警模型的建模方法 | |
CN104732296A (zh) | 一种分布式光伏输出功率短期预测模型建模方法 | |
CN108364084A (zh) | 一种基于信息融合理论的bp神经网络光伏功率预测方法 | |
CN107230003A (zh) | 一种新能源发电系统的功率预测方法 | |
CN113283179A (zh) | 一种基于多目标lstm集成网络的短期负荷预测方法 | |
CN107274015A (zh) | 一种预测风速的方法及系统 | |
CN111915079B (zh) | 一种混合knn风电功率预测方法及系统 | |
CN110739726A (zh) | 一种考虑海上风电接入的多类型电源容量长期规划方法 | |
CN115049163B (zh) | 基于禁忌搜索与深度稳定学习的光伏区域预测方法及装置 | |
CN110570041A (zh) | 一种基于ap聚类的远景年典型日负荷预测方法 | |
CN104216383A (zh) | 一种小水电站机组运行效率优化方法 | |
CN106786499A (zh) | 基于改进afsa优化elm的短期风电功率预测方法 | |
CN104268635A (zh) | 一种基于再分析资料的测风网络布局优化方法 | |
CN107292434A (zh) | 一种风电出力的智能预测方法 | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN106960260B (zh) | 一种便于电力调度的风电功率预测系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161130 Termination date: 20190409 |