CN105426956A - 一种超短期光伏预测方法 - Google Patents

一种超短期光伏预测方法 Download PDF

Info

Publication number
CN105426956A
CN105426956A CN201510750464.9A CN201510750464A CN105426956A CN 105426956 A CN105426956 A CN 105426956A CN 201510750464 A CN201510750464 A CN 201510750464A CN 105426956 A CN105426956 A CN 105426956A
Authority
CN
China
Prior art keywords
data
training
ultra
training data
neural network
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
Application number
CN201510750464.9A
Other languages
English (en)
Other versions
CN105426956B (zh
Inventor
曹欣
王铁强
孙广辉
时珉
王鑫明
王艳阳
杨晓东
魏明磊
孙辰军
刘梅
赵然
张华铭
孙福林
张维静
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.)
BEIJING TSINGSOFT INNOVATION TECHNOLOGY Co Ltd
State Grid Corp of China SGCC
State Grid Hebei Electric Power Co Ltd
Original Assignee
BEIJING TSINGSOFT INNOVATION TECHNOLOGY Co Ltd
State Grid Corp of China SGCC
State Grid Hebei 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 BEIJING TSINGSOFT INNOVATION TECHNOLOGY Co Ltd, State Grid Corp of China SGCC, State Grid Hebei Electric Power Co Ltd filed Critical BEIJING TSINGSOFT INNOVATION TECHNOLOGY Co Ltd
Priority to CN201510750464.9A priority Critical patent/CN105426956B/zh
Publication of CN105426956A publication Critical patent/CN105426956A/zh
Application granted granted Critical
Publication of CN105426956B publication Critical patent/CN105426956B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明公开了一种超短期光伏预测方法，包含如下步骤：训练数据x选取；训练数据归一化处理；训练数据异常化处理；数据函数变换；显著性分析；广义回归神经网络模型训练；广义回归神经网络模型预测，该超短期光伏预测方法，利用广义回归神经网络建模理论及方法，通过增加隐层的基函数，精确了局部逼近，达到全局最优，同时针对模型输入信息做了显著性提取和改进，通过函数变换增强历史数据的相关性，并作为输入信号进入广义回归神经网络预测模型，有效提升了预测精度，另外训练样本选定后，广义回归神经网络结构和权值会自动确定，只需调整平滑参数即可，避免了循环训练的计算过程，更加快速地实现全局逼近的学习和预测能力。

Description

一种超短期光伏预测方法
技术领域
本发明涉及一种光伏发电预测方法，具体是一种超短期光伏预测方法。
背景技术
太阳能光伏发电具有转换效率高、使用周期长、无运转部件等优点，目前，国外太阳能光伏发电已经完成初期开发阶段，正向大规模应用阶段发展。但是，由于太阳能具有间歇性和随机性等特点，随着光伏装机容量的快速扩大，大规模的光伏并网，将不利于电网的稳定性，对电力市场产生深远的影响，因此，预知光伏发电系统的发电量，对电网电能的调度有着重要的意义。
太阳能光伏发电系统的发电量受许多方面因素的影响，太阳辐射强度、温度、天气情况、季节等，这些因素不同程度地影响光伏发电系统的发电量，并且呈现出强非线性，而光伏发电系统可视为一个不可控的电源，其随机性将对电网产生冲击，因此，研究太阳能的随机性和光伏发电预测技术有着重要意义。
现有的预测技术，针对光伏发电预测模型，主要以气象因素和历史辐射相结合作为BP神经网络的输入，然而BP神经网络易受局部最优迷惑、且训练速度慢。
发明内容
本发明的目的在于提供一种超短期光伏预测方法，通过改良输入信息与广义回归神经网络模型相结合的方式，实现对并网型光伏电站进行输出功率的预测，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种超短期光伏预测方法，包含如下步骤：
(1)训练数据x选取：以某日某地区气象因素信息为测试和训练数据基础，数据分辨率为15min，数据种类包含全球太阳能辐照度水平、大气层外直接太阳辐照强度、温度、湿度、云层覆盖率、平均风速、气压、降雨量、降雪量以及地面接收净辐射量；
(2)训练数据归一化处理：针对训练数据作归一化处理；
(3)训练数据异常化处理：针对归一化的数据x1,x2,…，xg，删除异常数据；
(4)数据函数变换：将第2步处理好的训练数据，作为原始训练数据组存储，同时针对原始训练数据组做函数变换并保存多组变换方案，其中函数变换包含但不限于数据开方自然对数lnxg和指数模型xg n；
(5)显著性分析：采用皮尔逊相关系数法针对所有训练数据组执行显著性分析，并分别对比多组分析结果，皮尔逊相关系数法的公式为cov为协方差，δ为标准差；
(6)广义回归神经网络模型训练：以显著分析中提取的变换数据组为输入，具体为预测时段前2h的变换数据，对应未来1h辐照度为输出，训练广义回归神经网络预测模型，其中预测时段前2h的变换数据分为24个时刻点；
(7)广义回归神经网络模型预测：利用训练好的广义回归神经网络预测模型，选取函数变换数据作输入，光伏电站输出功率作输出，实现对未来1h光伏电站输出功率的超短期预测。
作为本发明进一步的方案：第2步中，归一化处理的公式为s为样本标准差，为样本平均值。
作为本发明再进一步的方案：第3步中，利用莱以特准则删除异常数据，vg为残差，s'为样本标准差。
作为本发明再进一步的方案：第4步中，采用自然对数lnxg进行函数变换。
作为本发明再进一步的方案：所述广义回归神经网络包含输入层、隐含层和输出层3个部分，其中隐含层又包含了模式层和求和层，从神经元输入到模式层、求和层，每个样本均有一个对应的径向基神经元。
与现有技术相比，本发明的有益效果是：该超短期光伏预测方法，利用广义回归神经网络建模理论及方法，通过增加隐层的基函数，精确了局部逼近，达到全局最优，同时针对模型输入信息做了显著性提取和改进，通过函数变换增强历史数据的相关性，并作为输入信号进入广义回归神经网络预测模型，有效提升了预测精度，另外训练样本选定后，广义回归神经网络结构和权值会自动确定，只需调整平滑参数即可，避免了循环训练的计算过程，更加快速地实现全局逼近的学习和预测能力。
附图说明
图1为超短期光伏预测方法的流程示意图。
图2为超短期光伏预测方法中广义回归神经网络的结构示意图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
请参阅图1，一种超短期光伏预测方法，包含如下步骤：
(1)训练数据x选取：以某日某地区气象因素信息为测试和训练数据基础，数据分辨率为15min，数据种类包含全球太阳能辐照度水平、大气层外直接太阳辐照强度、温度、湿度、云层覆盖率、平均风速、气压、降雨量、降雪量以及地面接收净辐射量；
(2)训练数据归一化处理：针对训练数据作归一化处理，归一化处理的公式为s为样本标准差，为样本平均值；
(3)训练数据异常化处理：针对归一化的数据x1,x2,…，xg，利用莱以特准则删除异常数据，vg为残差，s'为样本标准差；
(4)数据函数变换：将第2步处理好的训练数据，作为原始训练数据组存储，同时针对原始训练数据组做函数变换并保存多组变换方案，其中函数变换包含但不限于数据开方自然对数lnxg和指数模型xg n；
(5)显著性分析：采用皮尔逊相关系数法针对所有训练数据组执行显著性分析，并分别对比多组分析结果，经过实例证明，数据变换后，相关系数有所提升，尤其是自然对数lnxg函数变换组，相关性最佳，cov为协方差，δ为标准差，因此，优选的，第4步中采用自然对数lnxg进行函数变换；
(6)广义回归神经网络模型训练：以显著分析中提取的变换数据组为输入，具体为预测时段前2h的变换数据，对应未来1h辐照度为输出，训练广义回归神经网络预测模型，其中预测时段前2h的变换数据分为24个时刻点；
(7)广义回归神经网络模型预测：利用训练好的广义回归神经网络预测模型，选取函数变换数据作输入，光伏电站输出功率作输出，实现对未来1h光伏电站输出功率的超短期预测。
请参阅图2，所述广义回归神经网络是基于非线性回归理论的前馈式神经网络模型。包含输入层、隐含层、输出层3个部分，其中隐含层又包含了径向基隐含层(模式层)和一个特殊的线性层(求和层)，从神经元输入到模式层、求和层，每个样本均有一个对应的径向基神经元，因此样本数据不变。
假设原始气象因素信息为X＝[x1,x2…,xm]，经过函数变换及显著性提取得到X'＝[x1',x2'…,xm']，作为网络输入变量。则隐含层中向量个数为m,输入变量X'与其对应的训练样本Xi'之间的Euclid距离平方为：
Di 2＝(X'-Xi')T(X'-Xi')
模式层神经元的传递函数：
Ti＝exp[-(X'-Xi')T(X'-Xi')/2σ2]，i＝1,2,…,n，σ为平滑参数；
求和层中包含两种神经元S1和SNj，其中：
S 1 = Σ i = 1 n T i , S N j = Σ j = 1 n y i j T i , i = 1 , 2 , ... , n , j = 1 , 2 , ... k .
输出层的神经元，由求和层的两种神经元计算得到：
yj＝SNj/S1j＝1,2,…k。
由此，训练样本选定后，广义回归神经网络结构和权值会自动确定，只需调整平滑参数即可，避免了循环训练的计算过程，更加快速地实现全局逼近的学习和预测能力。
上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下作出各种变化。

Claims (5)

1.一种超短期光伏预测方法，其特征在于，包含如下步骤：
(1)训练数据x选取：以某日某地区气象因素信息为测试和训练数据基础，数据分辨率为15min，数据种类包含全球太阳能辐照度水平、大气层外直接太阳辐照强度、温度、湿度、云层覆盖率、平均风速、气压、降雨量、降雪量以及地面接收净辐射量；
(2)训练数据归一化处理：针对训练数据作归一化处理；
(3)训练数据异常化处理：针对归一化的数据x1,x2,…，xg，删除异常数据；
(4)数据函数变换：将第2步处理好的训练数据，作为原始训练数据组存储，同时针对原始训练数据组做函数变换并保存多组变换方案，其中函数变换包含但不限于数据开方自然对数lnxg和指数模型xg n；
(5)显著性分析：采用皮尔逊相关系数法针对所有训练数据组执行显著性分析，并分别对比多组分析结果，皮尔逊相关系数法的公式为cov为协方差，δ为标准差；
(6)广义回归神经网络模型训练：以显著分析中提取的变换数据组为输入，具体为预测时段前2h的变换数据，对应未来1h辐照度为输出，训练广义回归神经网络预测模型，其中预测时段前2h的变换数据分为24个时刻点；
(7)广义回归神经网络模型预测：利用训练好的广义回归神经网络预测模型，选取函数变换数据作输入，光伏电站输出功率作输出，实现对未来1h光伏电站输出功率的超短期预测。
2.根据权利要求1所述的超短期光伏预测方法，其特征在于，第2步中，归一化处理的公式为s为样本标准差，为样本平均值。
3.根据权利要求1或2所述的超短期光伏预测方法，其特征在于，第3步中，利用莱以特准则删除异常数据，vg为残差，s'为样本标准差。
4.根据权利要求3所述的超短期光伏预测方法，其特征在于，第4步中，采用自然对数lnxg进行函数变换。
5.根据权利要求1或2或4所述的超短期光伏预测方法，其特征在于，所述广义回归神经网络包含输入层、隐含层和输出层3个部分，其中隐含层又包含了模式层和求和层，从神经元输入到模式层、求和层，每个样本均有一个对应的径向基神经元。
CN201510750464.9A 2015-11-06 2015-11-06 一种超短期光伏预测方法 Active CN105426956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510750464.9A CN105426956B (zh) 2015-11-06 2015-11-06 一种超短期光伏预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510750464.9A CN105426956B (zh) 2015-11-06 2015-11-06 一种超短期光伏预测方法

Publications (2)

Publication Number Publication Date
CN105426956A true CN105426956A (zh) 2016-03-23
CN105426956B CN105426956B (zh) 2019-01-22

Family

ID=55505151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510750464.9A Active CN105426956B (zh) 2015-11-06 2015-11-06 一种超短期光伏预测方法

Country Status (1)

Country Link
CN (1) CN105426956B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106126827A (zh) * 2016-06-28 2016-11-16 华中科技大学 一种数控装备健康指数的监测方法
CN107133692A (zh) * 2017-04-16 2017-09-05 信阳师范学院 基于加号模型的光伏发电功率预测方法
CN108280547A (zh) * 2018-01-22 2018-07-13 长沙有色冶金设计研究院有限公司 用于微电网的光伏发电功率预测方法及预测系统
CN108694484A (zh) * 2018-08-30 2018-10-23 广东工业大学 一种光伏发电功率预测方法
CN108805331A (zh) * 2018-05-04 2018-11-13 北京国电通网络技术有限公司 一种用电量预测方法
CN109390976A (zh) * 2018-09-21 2019-02-26 武汉大学 一种低压台区分布式光伏发电功率辨识方法
CN109409024A (zh) * 2018-12-25 2019-03-01 福州大学 基于一维深度残差网络的光伏组件电压电流特性建模方法
CN109670626A (zh) * 2017-10-13 2019-04-23 松下电器（美国）知识产权公司 预测模型分布方法以及预测模型分布系统
CN109902874A (zh) * 2019-02-28 2019-06-18 武汉大学 一种基于深度学习的微电网光伏发电短期预测方法
CN110059972A (zh) * 2019-04-24 2019-07-26 河海大学 基于泛函深度信念网络的日太阳辐射资源评估方法
CN110348520A (zh) * 2019-07-12 2019-10-18 河南工业大学 一种基于气象数据预测仓储粮堆表层温度的方法和系统
CN110675278A (zh) * 2019-09-18 2020-01-10 上海电机学院 一种基于rbf神经网络的光伏功率短期预测方法
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
CN111401659A (zh) * 2020-04-09 2020-07-10 中冶华天南京电气工程技术有限公司 一种基于案例推理的超短期或短期光伏发电功率预测方法
CN111680826A (zh) * 2020-05-14 2020-09-18 沂南力诺太阳能电力工程有限公司 一种光伏发电量预测分析方法
CN112734073A (zh) * 2019-10-28 2021-04-30 国网河北省电力有限公司 一种基于长短期记忆网络的光伏发电功率短期预测方法
CN113298510A (zh) * 2018-07-10 2021-08-24 马上消费金融股份有限公司 一种扣款指令发起方法及装置
CN113538201A (zh) * 2021-07-26 2021-10-22 景德镇陶瓷大学 基于换底机制的陶瓷水印模型训练方法、装置和嵌密方法
WO2023087569A1 (zh) * 2021-11-17 2023-05-25 中国华能集团清洁能源技术研究院有限公司 一种基于XGBoost的光伏组串通信异常识别方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073785A (zh) * 2010-11-26 2011-05-25 哈尔滨工程大学 基于广义动态模糊神经网络的燃气日负荷组合预报方法
CN103218674A (zh) * 2013-04-07 2013-07-24 国家电网公司 基于bp神经网络模型的光伏发电系统输出功率预测方法
CN103489038A (zh) * 2013-09-09 2014-01-01 国家电网公司 基于lm-bp神经网络的光伏超短期功率预测方法
CN104050517A (zh) * 2014-06-27 2014-09-17 哈尔滨工业大学 基于grnn神经网络的光伏发电预测方法
CN104732296A (zh) * 2015-04-01 2015-06-24 贵州电力试验研究院 一种分布式光伏输出功率短期预测模型建模方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073785A (zh) * 2010-11-26 2011-05-25 哈尔滨工程大学 基于广义动态模糊神经网络的燃气日负荷组合预报方法
CN103218674A (zh) * 2013-04-07 2013-07-24 国家电网公司 基于bp神经网络模型的光伏发电系统输出功率预测方法
CN103489038A (zh) * 2013-09-09 2014-01-01 国家电网公司 基于lm-bp神经网络的光伏超短期功率预测方法
CN104050517A (zh) * 2014-06-27 2014-09-17 哈尔滨工业大学 基于grnn神经网络的光伏发电预测方法
CN104732296A (zh) * 2015-04-01 2015-06-24 贵州电力试验研究院 一种分布式光伏输出功率短期预测模型建模方法

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106126827A (zh) * 2016-06-28 2016-11-16 华中科技大学 一种数控装备健康指数的监测方法
CN106126827B (zh) * 2016-06-28 2019-04-12 华中科技大学 一种数控装备健康指数的监测方法
CN107133692A (zh) * 2017-04-16 2017-09-05 信阳师范学院 基于加号模型的光伏发电功率预测方法
CN109670626A (zh) * 2017-10-13 2019-04-23 松下电器（美国）知识产权公司 预测模型分布方法以及预测模型分布系统
CN109670626B (zh) * 2017-10-13 2024-01-05 松下电器（美国）知识产权公司 预测模型分布方法以及预测模型分布系统
CN108280547A (zh) * 2018-01-22 2018-07-13 长沙有色冶金设计研究院有限公司 用于微电网的光伏发电功率预测方法及预测系统
CN108805331A (zh) * 2018-05-04 2018-11-13 北京国电通网络技术有限公司 一种用电量预测方法
CN113298510A (zh) * 2018-07-10 2021-08-24 马上消费金融股份有限公司 一种扣款指令发起方法及装置
CN113298510B (zh) * 2018-07-10 2022-06-17 马上消费金融股份有限公司 一种扣款指令发起方法及装置
CN108694484A (zh) * 2018-08-30 2018-10-23 广东工业大学 一种光伏发电功率预测方法
CN109390976A (zh) * 2018-09-21 2019-02-26 武汉大学 一种低压台区分布式光伏发电功率辨识方法
CN109409024A (zh) * 2018-12-25 2019-03-01 福州大学 基于一维深度残差网络的光伏组件电压电流特性建模方法
CN109409024B (zh) * 2018-12-25 2022-09-06 福州大学 基于一维深度残差网络的光伏组件电压电流特性建模方法
CN109902874A (zh) * 2019-02-28 2019-06-18 武汉大学 一种基于深度学习的微电网光伏发电短期预测方法
CN110059972A (zh) * 2019-04-24 2019-07-26 河海大学 基于泛函深度信念网络的日太阳辐射资源评估方法
CN110059972B (zh) * 2019-04-24 2020-02-18 河海大学 基于泛函深度信念网络的日太阳辐射资源评估方法
CN110348520A (zh) * 2019-07-12 2019-10-18 河南工业大学 一种基于气象数据预测仓储粮堆表层温度的方法和系统
CN110675278A (zh) * 2019-09-18 2020-01-10 上海电机学院 一种基于rbf神经网络的光伏功率短期预测方法
CN110751326B (zh) * 2019-10-17 2022-10-28 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
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
CN112734073A (zh) * 2019-10-28 2021-04-30 国网河北省电力有限公司 一种基于长短期记忆网络的光伏发电功率短期预测方法
CN111401659A (zh) * 2020-04-09 2020-07-10 中冶华天南京电气工程技术有限公司 一种基于案例推理的超短期或短期光伏发电功率预测方法
CN111680826A (zh) * 2020-05-14 2020-09-18 沂南力诺太阳能电力工程有限公司 一种光伏发电量预测分析方法
CN113538201A (zh) * 2021-07-26 2021-10-22 景德镇陶瓷大学 基于换底机制的陶瓷水印模型训练方法、装置和嵌密方法
WO2023087569A1 (zh) * 2021-11-17 2023-05-25 中国华能集团清洁能源技术研究院有限公司 一种基于XGBoost的光伏组串通信异常识别方法及系统

Also Published As

Publication number Publication date
CN105426956B (zh) 2019-01-22

Similar Documents

Publication Publication Date Title
CN105426956A (zh) 一种超短期光伏预测方法
Liu et al. Forecasting power output of photovoltaic system using a BP network method
CN108053061B (zh) 一种基于改进卷积神经网络的太阳能辐照度预测方法
CN103106544B (zh) 一种基于t-s型模糊神经网络的光伏发电预测系统
CN102930358B (zh) 一种光伏电站发电功率的神经网络预测方法
WO2017054537A1 (zh) 一种长时间尺度光伏出力时间序列建模方法及装置
CN104573879A (zh) 基于最优相似日集的光伏电站出力预测方法
CN103489038A (zh) 基于lm-bp神经网络的光伏超短期功率预测方法
CN101788692A (zh) 基于神经网络的短时风速预报方法
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
CN109086928A (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN103208037B (zh) 一种应用于新能源电站的基于在线校正的功率预测方法
CN110443405A (zh) 一种光伏电站发电量预测系统及方法
CN104978613A (zh) 一种考虑组件温度的光伏出力短期预测方法
CN104050517A (zh) 基于grnn神经网络的光伏发电预测方法
CN105160423A (zh) 一种基于马尔科夫残差修正的光伏发电预测方法
CN104616085A (zh) 一种基于bp神经网络的光伏发电量预测方法
CN103927460A (zh) 一种基于rbf的风电场短期风速预测方法
CN103065202A (zh) 一种基于组合核函数的风电场超短期风速预测方法
CN104701880A (zh) 基于调峰约束的电网接纳光伏最大容量的计算方法
CN104102951A (zh) 一种基于emd历史数据预处理的短期风电功率预测方法
CN103996079A (zh) 一种基于条件概率的风电功率加权预测方法
CN109272134A (zh) 一种考虑系统损耗的区域光伏电站并网功率预测方法
CN111509768A (zh) 一种综合能源系统的场景模拟方法及系统
CN106570594A (zh) 一种基于tmbp的相似日光伏发电短期预测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant