CN103942619A - 采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法 - Google Patents

采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法 Download PDF

Info

Publication number
CN103942619A
CN103942619A CN201410158370.8A CN201410158370A CN103942619A CN 103942619 A CN103942619 A CN 103942619A CN 201410158370 A CN201410158370 A CN 201410158370A CN 103942619 A CN103942619 A CN 103942619A
Authority
CN
China
Prior art keywords
data
kernel function
short
photovoltaic generation
support vector
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
Application number
CN201410158370.8A
Other languages
English (en)
Inventor
路亮
汪宁渤
王多
马彦宏
张玉宏
韩旭杉
崔刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
Wind Power Technology Center of Gansu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
Wind Power Technology Center of Gansu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Gansu Electric Power Co Ltd, Wind Power Technology Center of Gansu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201410158370.8A priority Critical patent/CN103942619A/zh
Publication of CN103942619A publication Critical patent/CN103942619A/zh
Pending legal-status Critical Current

Links

Classifications

    • YGENERAL 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS 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
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法,主要包括:采用基于自学习Sigmoid核函数支持向量机的复合数据源,对待测光伏发电功率进行模型训练;基于待测光伏发电功率的模型训练结果,对待测光伏发电功率进行短期预测。本发明所述采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法,可以克服现有技术中光伏发电功率短期预测精度低的缺陷,以实现高精度的光伏发电短期功率预测。

Description

采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法
技术领域
本发明涉及新能源发电过程中光伏发电功率预测技术领域,具体地,涉及采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法。 
背景技术
我国风电进入规模化发展阶段以后所产生的大型新能源基地多数位于“三北地区”(西北、东北、华北),大型新能源基地一般远离负荷中心,其电力需要经过长距离、高电压输送到负荷中心进行消纳。由于风、光资源的间歇性、随机性和波动性,导致大规模新能源基地的风电、光伏发电出力会随之发生较大范围的波动,进一步导致输电网络充电功率的波动,给电网运行安全带来一系列问题。 
截至2014年2月,甘肃电网并网风电装机容量已达702万千瓦,约占甘肃电网总装机容量的22%,成为仅次于火电的第二大主力电源;光伏发电装机容量已达到435万千瓦,约占甘肃电网总装机容量的13%,同时甘肃成为我国光伏发电装机规模最大的省份。目前,甘肃电网风电、光伏发电装机超过甘肃电网总装机容量的1/3。随着新能源并网规模的不断提高,风电、光伏发电不确定性和不可控性给电网的安全稳定经济运行带来诸多问题。准确预估可利用的发电风资源是对大规模风电优化调度的基础。对光伏发电过程中的光伏发电功率进行预测,可为新能源发电实时调度、新能源发电日前计划、新能源发电月度计划、新能源发电能力评估和弃光电量估计提供关键信息。 
在实现本发明的过程中,发明人发现现有技术中至少存在光伏发电短期预测精度低的缺陷。 
发明内容
本发明的目的在于,针对上述问题,提出采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法,以实现高精度的光伏发电短期功率预测。 
为实现上述目的,本发明采用的技术方案是:采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法,主要包括: 
a、采用基于自学习Sigmoid核函数支持向量机的复合数据源,对待测光伏发电功率进行模型训练; 
b、基于待测光伏发电功率的模型训练结果,对待测光伏发电功率进行短期预测。 
进一步地,所述步骤a,具体包括: 
步骤a1:模型训练基础数据输入; 
步骤a2:数据预处理; 
步骤a3:SVM分类器训练; 
步骤a4:得到SVM模型。 
进一步地,所述步骤a1,具体包括: 
光伏发电率预报系统模型训练所需输入数据,包括光伏电站基础信息、历史辐照数据、历史功率数据,以及包含光伏电站坐标、测风塔坐标、升压站坐标的地理信息系统GIS数据;其中,GIS数据主要用于功率预测时根据各光伏电站的上下游关系进行短期预测结果的优化,将基础数据输入到预测模型中进行模型训练。 
进一步地,所述步骤a2,具体包括: 
将辐照数据和功率数据首先进行包含数据对齐及归一化的预处理,GIS数据通过预处理确定电站上下游关系。 
进一步地,所述步骤a3,具体包括: 
SVM分类器是一个包含一个隐层的多层感知器,通过算法经训练过程自动确定隐层节点数; 
基于SVM分类器的非线性光伏发电功率短期预测模型表示为: 
其中,x是与光伏发电功率密切相关的影响因素,包含数值天气预报NWP数据、历史功率、风电场上下游关系;d是输入变量的维度;f(x)是待预测的功率值; 是从输入空间到高维空间的非线性映射,即核函数;w是模型参数,b是预测残差项; 
定义惩罚函数即优化目标为: 
min 1 2 | | w | | 2 + 1 2 r Σ i = 1 N e i 2 ;
其中,ei是误差项,r为正则化参数,N为样本数; 
引入拉格朗日乘子λ后,将基于SVM分类器的非线性预测模型表达式转化为: 
f ( x ) = Σ i = 1 N λ i K ( x , x i ) + b ;
其中,λi(i=1,2,...,N)和b为模型系数,K(·)表示从输入空间(非线性空间)到高位特征空间(线性空间)的非线性映射; 
核函数K(·)采用Sigmoid函数形式,为: 
K(x,xi)=tanh(v(x·xi)+c); 
其中,xi(i=1,2,...,N)为输入的训练样本,v(x·xi)表示x与xi的内积,c为参数。 
进一步地,所述步骤a4,具体包括: 
通过输入样本数据的训练,确定函数参数,即得到SVM预测模型。 
进一步地,所述步骤b,具体包括: 
步骤b1、功率预测基础数据输入; 
步骤b2、噪声滤波及数据预处理; 
步骤b3、基于SVM的短期功率预测; 
步骤b4、预测结果输出及展示; 
步骤b5、预测结果后评估及模型修正。 
进一步地,在所述步骤b1中,光伏发电功率预测所需输入数据包括资源监测系统数据和运行监测系统数据两部分,其中,资源监测系统数据包含光资源监测数据、全天空成像仪TSI系统检测数据、太阳能预测数据以及NWP数据;运行监测系统数据包括光伏组件监测数据、升压站监测数据和数据采集与监视控制系统SCADA; 
和/或, 
在所述步骤b2中,采用噪声滤波模块对实时监测系统采集得到的带有噪声的进行滤波处理,去除坏数据和奇异值;采用数据预处理模块对数据进行包含对齐、归一 化处理和分类筛选的操作,使得输入的数据可以为模型所用。 
进一步地,所述步骤b3,具体包括: 
功率预测过程是将光资源监测数据及光伏发电运行监测数据输入SVM模型,得到预测结果的输出; 
和/或, 
所述步骤b4,具体包括: 
对预测结果进行输出,并通过包含图形和表格的输出形式对预测结果进行展示; 
和/或, 
所述步骤b5,具体包括: 
对预测结果进行后评估,分析预测值与实测值之间的误差;如果预测误差大于允许的最大误差,则跳转到模型训练过程,重新进行模型训练。 
本发明各实施例的采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法,由于主要包括:采用基于自学习Sigmoid核函数支持向量机的复合数据源,对待测光伏发电功率进行模型训练;基于待测光伏发电功率的模型训练结果,对待测光伏发电功率进行短期预测;从而可以克服现有技术中光伏发电短期功率预测精度低的缺陷,以实现高精度的光伏发电短期功率预测。 
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。 
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。 
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中: 
图1为本发明采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法的流程示意图。 
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。 
含大规模光伏发电的电力系统运行依赖庞大的、准确的数据集,而光伏发电功率预测若能将这些数据有效融合利用则可有效提高预测精度。与常规电力系统SCADA监测不同,在各类电气、机械和热力等数据之外,光伏发电监测数据还包含大量的资 源监测、运行监测及地理信息等。 
根据本发明实施例,如图1所示,提供了采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法。 
本实施例的采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法,可分为两个阶段:模型训练阶段和功率预测阶段。具体如下: 
阶段1:模型训练 
步骤1.1:模型训练基础数据输入 
光伏发电率预报系统模型训练所需输入数据包括,光伏电站基础信息、历史辐照数据、历史功率数据,地理信息系统(GIS)数据(光伏电站坐标、测风塔坐标、升压站坐标等),其中GIS数据主要用于功率预测时根据各光伏电站的上下游关系进行短期预测结果的优化。将基础数据输入到预测模型中进行模型训练。 
步骤1.2:数据预处理 
将辐照数据和功率数据首先进行数据对齐及归一化等预处理,GIS数据通过预处理确定电站上下游关系。 
步骤1.3:SVM分类器训练 
SVM分类器是一个包含一个隐层的多层感知器,隐层节点数是通过算法经训练过程自动确定的,SVM相比神经网络的优点在于SVM不会陷入局部极小点。 
基于SVM分类器的非线性光伏发电功率短期预测模型可以表示为: 
其中,x是与光伏发电功率密切相关的影响因素,如数值天气预报(NWP)数据、历史功率、风电场上下游关系等;d是输入变量的维度;f(x)是待预测的功率值;是从输入空间到高维空间的非线性映射,即核函数;w是模型参数,b是预测残差项。 
定义惩罚函数即优化目标为: 
min 1 2 | | w | | 2 + 1 2 r Σ i = 1 N e i 2 ;
其中,ei是误差项,r为正则化参数,N为样本数。 
引入拉格朗日乘子λ后,可以将基于SVM分类器的非线性预测模型表达式转化为: 
f ( x ) = Σ i = 1 N λ i K ( x , x i ) + b ;
其中,λi(i=1,2,...,N)和b为模型系数,K(·)表示从输入空间(非线性空间)到高位特征空间(线性空间)的非线性映射。 
核函数K(·)可以采用Sigmoid函数形式,为: 
K(x,xi)=tanh(v(x·xi)+c); 
其中,xi(i=1,2,...,N)为输入的训练样本,v(x·xi)表示x与xi的内积,c为参数。 
步骤1.4:得到SVM模型 
通过输入样本数据的训练,确定函数参数,即得到SVM预测模型。 
阶段2:功率预测 
步骤2.1:功率预测基础数据输入 
光伏发电功率预测所需输入数据包括资源监测系统数据和运行监测系统数据两部分,其中,资源监测系统数据包含光资源监测数据、全天空成像仪(TSI)系统检测数据、太阳能预测数据以及NWP数据等;运行监测系统数据包括光伏组件监测数据、升压站监测数据和数据采集与监视控制系统(SCADA)等。 
步骤2.2:噪声滤波及数据预处理 
噪声滤波模块对实时监测系统采集得到的带有噪声的进行滤波处理,去除坏数据和奇异值;数据预处理模块对数据进行对齐、归一化处理和分类筛选等操作,以便使得输入的数据可以为模型所用。 
步骤2.3:基于SVM的短期功率预测 
功率预测过程是将光资源监测数据及光伏发电运行监测数据输入SVM模型,从而得到预测结果的输出。 
步骤2.4:预测结果输出及展示 
首先对预测结果进行输出,并通过图形和表格等形式对预测结果进行展示。 
步骤2.5:预测结果后评估及模型修正 
首先对预测结果进行后评估,分析预测值与实测值之间的误差。如果预测误差大于允许的最大误差,则跳转到模型训练过程,重新进行模型训练。 
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。 

Claims (9)

1.采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法,其特征在于,主要包括:
a、采用基于自学习Sigmoid核函数支持向量机的复合数据源,对待测光伏发电功率进行模型训练;
b、基于待测光伏发电功率的模型训练结果,对待测光伏发电功率进行短期预测。
2.根据权利要求1所述的采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法,其特征在于,所述步骤a,具体包括:
步骤a1:模型训练基础数据输入;
步骤a2:数据预处理;
步骤a3:SVM分类器训练;
步骤a4:得到SVM模型。
3.根据权利要求2所述的采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法,其特征在于,所述步骤a1,具体包括:
光伏发电率预报系统模型训练所需输入数据,包括光伏电站基础信息、历史辐照数据、历史功率数据,以及包含光伏电站坐标、测风塔坐标、升压站坐标的地理信息系统GIS数据;其中,GIS数据主要用于功率预测时根据各光伏电站的上下游关系进行短期预测结果的优化,将基础数据输入到预测模型中进行模型训练。
4.根据权利要求2所述的采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法,其特征在于,所述步骤a2,具体包括:
将辐照数据和功率数据首先进行包含数据对齐及归一化的预处理,GIS数据通过预处理确定电站上下游关系。
5.根据权利要求2所述的采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法,其特征在于,所述步骤a3,具体包括:
SVM分类器是一个包含一个隐层的多层感知器,通过算法经训练过程自动确定隐层节点数;
基于SVM分类器的非线性光伏发电功率短期预测模型表示为:
其中,x是与光伏发电功率密切相关的影响因素,包含数值天气预报NWP数据、历史功率、风电场上下游关系;d是输入变量的维度;f(x)是待预测的功率值;是从输入空间到高维空间的非线性映射,即核函数;w是模型参数,b是预测残差项;
定义惩罚函数即优化目标为:
min 1 2 | | w | | 2 + 1 2 r Σ i = 1 N e i 2 ;
其中,ei是误差项,r为正则化参数,N为样本数;
引入拉格朗日乘子λ后,将基于SVM分类器的非线性预测模型表达式转化为:
f ( x ) = Σ i = 1 N λ i K ( x , x i ) + b ;
其中,λi(i=1,2,...,N)和b为模型系数,K(·)表示从输入空间(非线性空间)到高位特征空间(线性空间)的非线性映射;
核函数K(·)采用Sigmoid函数形式,为:
K(x,xi)=tanh(v(x·xi)+c);
其中,xi(i=1,2,...,N)为输入的训练样本,v(x·xi)表示x与xi的内积,c为参数。
6.根据权利要求2所述的采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法,其特征在于,所述步骤a4,具体包括:
通过输入样本数据的训练,确定函数参数,即得到SVM预测模型。
7.根据权利要求1-6中任一项所述的采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法,其特征在于,所述步骤b,具体包括:
步骤b1、功率预测基础数据输入;
步骤b2、噪声滤波及数据预处理;
步骤b3、基于SVM的短期功率预测;
步骤b4、预测结果输出及展示;
步骤b5、预测结果后评估及模型修正。
8.根据权利要求7所述的采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法,其特征在于,在所述步骤b1中,光伏发电功率预测所需输入数据包括资源监测系统数据和运行监测系统数据两部分,其中,资源监测系统数据包含光资源监测数据、全天空成像仪TSI系统检测数据、太阳能预测数据以及NWP数据;运行监测系统数据包括光伏组件监测数据、升压站监测数据和数据采集与监视控制系统SCADA;
和/或,
在所述步骤b2中,采用噪声滤波模块对实时监测系统采集得到的带有噪声的进行滤波处理,去除坏数据和奇异值;采用数据预处理模块对数据进行包含对齐、归一化处理和分类筛选的操作,使得输入的数据可以为模型所用。
9.根据权利要求7所述的采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法,其特征在于,所述步骤b3,具体包括:
功率预测过程是将光资源监测数据及光伏发电运行监测数据输入SVM模型,得到预测结果的输出;
和/或,
所述步骤b4,具体包括:
对预测结果进行输出,并通过包含图形和表格的输出形式对预测结果进行展示;
和/或,
所述步骤b5,具体包括:
对预测结果进行后评估,分析预测值与实测值之间的误差;如果预测误差大于允许的最大误差,则跳转到模型训练过程,重新进行模型训练。
CN201410158370.8A 2014-04-18 2014-04-18 采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法 Pending CN103942619A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410158370.8A CN103942619A (zh) 2014-04-18 2014-04-18 采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410158370.8A CN103942619A (zh) 2014-04-18 2014-04-18 采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法

Publications (1)

Publication Number Publication Date
CN103942619A true CN103942619A (zh) 2014-07-23

Family

ID=51190281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410158370.8A Pending CN103942619A (zh) 2014-04-18 2014-04-18 采用复合数据源的基于自学习Sigmoid核函数支持向量机的光伏发电功率短期预测方法

Country Status (1)

Country Link
CN (1) CN103942619A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171363A (zh) * 2017-12-13 2018-06-15 北京金风慧能技术有限公司 光热发电功率的预测方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011157655A1 (en) * 2010-06-15 2011-12-22 Biocrates Life Sciences Ag Use of bile acids for prediction of an onset of sepsis
WO2011161186A1 (en) * 2010-06-23 2011-12-29 Biocrates Life Sciences Ag Method for in vitro diagnosing sepsis utilizing biomarker composed of more than two different types of endogenous biomolecules
CN102915470A (zh) * 2012-09-20 2013-02-06 中国电力科学研究院 一种面向光伏功率预测的云团运动预估方法
CN103353952A (zh) * 2013-05-31 2013-10-16 国家电网公司 一种基于地基云图的光伏功率预测方法
CN103516051A (zh) * 2013-10-11 2014-01-15 国家电网公司 风电场集中监控系统平台
CN103605757A (zh) * 2013-11-25 2014-02-26 国家电网公司 一种基于支持向量机的高铁电能质量数据的分类方法
CN103617461A (zh) * 2013-12-10 2014-03-05 中国矿业大学 一种光伏电站发电功率预测的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011157655A1 (en) * 2010-06-15 2011-12-22 Biocrates Life Sciences Ag Use of bile acids for prediction of an onset of sepsis
WO2011161186A1 (en) * 2010-06-23 2011-12-29 Biocrates Life Sciences Ag Method for in vitro diagnosing sepsis utilizing biomarker composed of more than two different types of endogenous biomolecules
CN102915470A (zh) * 2012-09-20 2013-02-06 中国电力科学研究院 一种面向光伏功率预测的云团运动预估方法
CN103353952A (zh) * 2013-05-31 2013-10-16 国家电网公司 一种基于地基云图的光伏功率预测方法
CN103516051A (zh) * 2013-10-11 2014-01-15 国家电网公司 风电场集中监控系统平台
CN103605757A (zh) * 2013-11-25 2014-02-26 国家电网公司 一种基于支持向量机的高铁电能质量数据的分类方法
CN103617461A (zh) * 2013-12-10 2014-03-05 中国矿业大学 一种光伏电站发电功率预测的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张佳伟: "光伏并网发电系统短期发电功率预测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171363A (zh) * 2017-12-13 2018-06-15 北京金风慧能技术有限公司 光热发电功率的预测方法及装置
CN108171363B (zh) * 2017-12-13 2022-08-26 北京金风慧能技术有限公司 光热发电功率的预测方法及装置

Similar Documents

Publication Publication Date Title
Ding et al. Multi-stage distributionally robust stochastic dual dynamic programming to multi-period economic dispatch with virtual energy storage
CN103778340B (zh) 大规模新能源发电特性的统计方法
CN103106544B (zh) 一种基于t-s型模糊神经网络的光伏发电预测系统
CN103927695A (zh) 基于自学习复合数据源的风电功率超短期预测方法
CN113496311A (zh) 光伏电站发电功率预测方法及系统
CN104050517A (zh) 基于grnn神经网络的光伏发电预测方法
CN103942620A (zh) 采用复合数据源基于径向基核函数支持向量机的风电功率短期预测方法
CN103077300A (zh) 一种基于二型模糊逻辑的分布式光伏电源发电量预测方法
CN103927598A (zh) 基于自学习径向基核函数的光伏发电功率预测方法
CN105335560A (zh) 光伏发电功率波动性及其自动发电控制备用需求计算方法
Yang et al. Short-term PV generation system direct power prediction model on wavelet neural network and weather type clustering
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
Hete et al. Analysis of DFIG-STATCOM P2P control action using simulated annealing techniques
CN103927597A (zh) 基于自回归滑动平均模型的风电功率超短期预测方法
Liu et al. A weight-varying ensemble method for short-term forecasting PV power output
CN104346659A (zh) 应用于高倍聚光光伏发电系统的短期发电量预测方法
Li et al. Short-term prediction of the output power of PV system based on improved grey prediction model
Jiang et al. Review of wind power forecasting methods: From multi-spatial and temporal perspective
Guo et al. A new approach for interval forecasting of photovoltaic power based on generalized weather classification
CN103942618A (zh) 采用复合数据源的基于自学习多项式核函数支持向量机的光伏发电功率短期预测方法
CN103955757A (zh) 采用复合数据源基于多项式核函数支持向量机的光伏发电功率短期预测方法
CN103955759A (zh) 采用复合数据源基于径向基核函数支持向量机的光伏发电功率短期预测方法
CN105528517B (zh) 基于神经网络、小波分解光伏电站功率预测方法、系统
CN105207255B (zh) 一种适用于风电出力的电力系统调峰计算方法
CN103955755A (zh) 采用复合数据源基于自学习多项式核函数支持向量机的风电功率短期预测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20140723