CN105701572B - 一种基于改进高斯过程回归的光伏短期出力预测方法 - Google Patents
一种基于改进高斯过程回归的光伏短期出力预测方法 Download PDFInfo
- Publication number
- CN105701572B CN105701572B CN201610020581.4A CN201610020581A CN105701572B CN 105701572 B CN105701572 B CN 105701572B CN 201610020581 A CN201610020581 A CN 201610020581A CN 105701572 B CN105701572 B CN 105701572B
- Authority
- CN
- China
- Prior art keywords
- prediction
- particle
- gaussian process
- process regression
- sample
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 239000002245 particle Substances 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008689 nuclear function Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 12
- 230000003247 decreasing effect Effects 0.000 abstract description 4
- 230000001419 dependent effect Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于改进高斯过程回归的光伏短期出力预测方法,以天气类型指数、日平均温度和湿度相似度为参考,对数据进行分类,针对不同的天气类型选择不同的影响因素,在matlab中建立对应的权重线性递减粒子群高斯过程回归LinWPSO‑GPR预测模型,具体按照以下步骤实施:步骤1、数据分类;步骤2、建立预测模型;步骤3、获得预测样本输出期望,即功率预测值,解决了现有技术中的光伏短期出力预测方法寻优过程易陷入局部最优、且优化效果及迭代的收敛性过于依赖初始值的问题。
Description
技术领域
本发明属于新能源光伏发电功率预测技术领域,具体涉及一种基于改进高斯过程回归的光伏短期出力预测方法。
背景技术
由于太阳能具有随机性、波动性和不可控制性,当大规模光伏接入电网时,对电力系统安全性、稳定性、经济性运行造成不利影响。光伏输出功率预测对电网管理、调度、操作,系统优化、能源充分利用、电网安全稳定运行具有重要意义。
目前,对光伏功率预测问题方法主要分为物理方法和统计法。物理方法是将气象数据作为输入,采用物理模型进行预测,缺点是需要光伏电站的地理信息和光伏电站功率曲线;统计法是对电站统计数据,找出内在规律,分析发电功率与气象数据的关系进行预测,主要方法有持续预测法、时间序列分析法、卡尔曼滤波法、自适应神经模糊推理系统、人工神经网络法(ANN)和支持向量机等。这些方法在一定程度上都取得了较好的成果,然而人工神经网络存在结构选择的随意性,样本庞大,存在过拟合和易陷入局部极小,鲁棒性差的缺点;支持向量机可以取得比ANN较好的预测效果,但其存在惩罚函数、核函数和核参数选择困难的问题。
高斯过程回归作为一种新型的机器学习算法,在构建模型时,其具有易实现、超参数自适应获得及输出具有概率意义等优点,已被成功运用到电力负荷预测、风速预测、证券预测、交通流量预测等领域。
传统的GPR超参数的寻优采用共轭梯度法,其容易陷入局部最优,且优化效果及迭代的收敛性过于依赖初始值,难以保证优化的效果。
发明内容
本发明的目的是提供一种基于改进高斯过程回归的光伏短期出力预测方法,解决了现有技术中的光伏短期出力预测方法寻优过程易陷入局部最优、且优化效果及迭代的收敛性过于依赖初始值的问题。
本发明所采用的技术方案是,一种基于改进高斯过程回归的光伏短期出力预测方法,具体按照以下步骤实施:
步骤1、数据分类;
步骤2、建立预测模型;
步骤3、获得预测样本输出期望,即功率预测值。
本发明的特点还在于,
步骤1具体按照以下步骤实施:
步骤(1.1)、根据光伏电站的地理信息与出力分布信息,将各种天气类型按照天气类型指数、日平均温度和日平均湿度相近度为参考指标进行分类;
步骤(1.2)、将步骤(1.1)中的天气类型分别分为晴天、阴天、多变天气三类。
步骤(1.1)中的相近度采用加权欧式距离方法计算,计算公式如下:
上式中,dij为第i个粒子与第j个粒子之间的距离,本专利中所指的粒子为某一天的天气类型参考指标,xi为第i个粒子所对应的向量,m、n分别表示向量的第m维和总维数,λm表示向量的权重,xim为第i个粒子的第m维分量,xjm为第j个粒子的第m维分量。
步骤2具体按照以下步骤实施:
步骤(2.1)、建立学习样本;
步骤(2.2)、数据预处理;
步骤(2.3)、设置粒子群算法和高斯过程回归算法的参数,并对学习样本进行训练;
步骤(2.4)、寻找全局最优粒子,得到优化后的最优超参数。
步骤(2.1)具体为:根据步骤1的分类结果,按照预测需求,从所对应的数据库中建立学习样本D(xi,yi),1≤i≤N,其中,N为样本总个数,输入向量xi表示光伏功率预测的影响因素,输出标量yi表示真实光伏功率测量值。
步骤(2.2)具体按照以下步骤实施:
步骤(2.2.1)、置零粗糙值,所述粗糙值为低精度或异常的训练样本;
步骤(2.2.2)、将训练样本和预测样本进行标准归一化。
步骤(2.3)具体按照以下步骤实施:
步骤(2.3.1)、设置协方差函数:采用平方指数协方差函数CSEiso与有理二次协方差函数CRQiso组合形成核函数Csum,表示如下:
Csum=CSEiso+CRQiso
步骤(2.3.2)、设置权重线性递减粒子群算法和高斯过程回归的初始参数;
步骤(2.3.3)、利用粒子群和高斯过程回归组合的计算方法,对学习样本进行训练。
步骤(2.4)具体为:
以高斯过程回归超参数负对数极大似然函数的返回值作为每个粒子的适应度,记录最小粒子适应度,个体最优解pb根据所设置更新迭代找出全局最优的粒子gb,同时保持粒子当前状态,粒子更新公式如下:
其中,
上式中:c1,c2为学习因子,vi(j),xi(j),pbi(j),gbi(j)分别为第i个粒子第j次迭代时的当前速度、位置、个体最优解、全局最优解,rand1、rand2均为服从均匀分布U(0,1)的相互独立随机变量,ω(j)为第j迭代步的惯性权重,ωmax为最大惯性权重,ωmin为最小惯性权重,itmax为指定的最大迭代次数,j为第j迭代步,当到达最小误差M或达到预设迭代次数n时,迭代终止。
步骤3具体为:输入预测样本x*,根据步骤(2.4)中的优化超参数以及所述步骤2中的预测模型,得到的输出即为与输入预测样本x*相对应的预测结果y*,即功率预测值。
本发明的有益效果是,一种基于改进高斯过程回归的光伏短期出力预测方法,通过以天气类型指数、日平均温度和湿度相似度为参考,对数据进行分类,针对不同的天气类型选择不同的影响因素,在matlab中建立对应的权重线性递减粒子群高斯过程回归LinWPSO-GPR预测模型,对GPR模型超参数选取进行优化,最终得到功率预测值。
附图说明
图1是本发明一种基于改进高斯过程回归的光伏短期出力预测方法中晴天各模型预测对比图;
图2是本发明一种基于改进高斯过程回归的光伏短期出力预测方法中雨天各模型预测对比图;
图3是本发明一种基于改进高斯过程回归的光伏短期出力预测方法中多变天气各模型预测对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
传统的GPR超参数的寻优采用共轭梯度法,其容易陷入局部最优,且优化效果及迭代的收敛性过于依赖初始值,难以保证优化的效果,针对这一问题,本文采用线性权重递减粒子群优化算法代替共轭梯度优化算法,对GPR模型超参数选取进行优化。
本发明一种基于改进高斯过程回归的光伏短期出力预测方法,具体按照以下步骤实施:
步骤1、数据分类;
步骤2、建立预测模型;
步骤3、获得预测样本输出期望,即功率预测值。
其中,步骤1具体按照以下步骤实施:
步骤(1.1)、根据光伏电站的地理信息与出力分布信息,将各种天气类型按照天气类型指数、日平均温度和日平均湿度相近度为参考指标进行分类,其中的相近度采用加权欧式距离方法计算,计算公式如下:
上式中,dij为第i个粒子与第j个粒子之间的距离,本专利中所指的粒子为某一天的天气类型参考指标,xi为第i个粒子所对应的向量,m、n分别表示向量的第m维和总维数,λm表示向量的权重,xim为第i个粒子的第m维分量,xjm为第j个粒子的第m维分量;
步骤(1.2)、将所述步骤(1.1)中的天气类型分别分为晴天、阴天、多变天气三类。
步骤2具体按照以下步骤实施:
步骤(2.1)、建立学习样本,具体为:根据步骤1的分类结果,按照预测需求,从所对应的数据库中建立学习样本D(xi,yi),1≤i≤N,其中,N为样本总个数,输入向量xi表示光伏功率预测的影响因素,输出标量yi表示真实光伏功率测量值;
步骤(2.2)、数据预处理:具体按照以下步骤实施:
步骤(2.2.1)、置零粗糙值,所述粗糙值为低精度或异常的训练样本;
步骤(2.2.2)、将训练样本和预测样本进行标准归一化;
步骤(2.3)、设置粒子群算法和高斯过程回归算法的参数,并对学习样本进行训练,具体按照以下步骤实施:
步骤(2.3.1)、设置协方差函数:采用平方指数协方差函数CSEiso与有理二次协方差函数CRQiso组合形成核函数Csum,表示如下:
Csum=CSEiso+CRQiso
步骤(2.3.2)、设置权重线性递减粒子群算法和高斯过程回归的初始参数;
步骤(2.3.3)、利用粒子群和高斯过程回归组合的计算方法,对学习样本进行训练;
步骤(2.4)、寻找全局最优粒子,,得到优化后的最优超参数,具体为:
以高斯过程回归超参数负对数极大似然函数的返回值作为每个粒子的适应度,记录最小粒子适应度,个体最优解pb根据所设置更新迭代找出全局最优的粒子gb,同时保持粒子当前状态,粒子更新公式如下:
由于较大的权重因子容易跳出局部最小点,利于全局搜索,而较小的惯性因子则有利于对当前的搜索区域进行精确的局部搜索,以利于算法收敛,因此针对PSO算法容易早熟以及算法后期易在全局最优解附近振荡,采用线性变化的权重,让惯性权重从最大值线性ωmax减小到最小值ωmin,所以,本专利设置的线性递减权重公式为:
上式中:c1,c2为学习因子,vi(j),xi(j),pbi(j),gbi(j)分别为第i个粒子第j次迭代时的当前速度、位置、个体最优解、全局最优解,rand1、rand2均为服从均匀分布U(0,1)的相互独立随机变量,ω(j)为第j迭代步的惯性权重,ωmax为最大惯性权重,ωmin为最小惯性权重,itmax为指定的最大迭代次数,j为第j迭代步,当到达最小误差M或达到预设迭代次数n时,迭代终止。
步骤3具体为:输入预测样本x*,根据步骤(2.4)中的优化超参数以及步骤2中的预测模型,得到的输出即为与输入预测样本x*相对应的预测结果y*,即功率预测值。
试验仿真:
(1)晴天
选择2015年06月18号(晴)作为预测日。下面为仿真结果列表,表1为粒子群训练效果最优的各个GPR超参数,图1为晴天各模型预测对比图,表2为晴天各模型预测评价指标。
表1粒子群训练效果最优的GPR超参数
表2晴天各模型预测评价指标
(2)阴天、雨天
选择2015年06月28号(小雨)作为预测日,图2是本雨天各模型预测对比图,训练样本选择规则遵循晴天模型,并加入湿度因素。
表3粒子群训练效果最优的GPR超参数
表4雨天各模型预测评价指标
(3)多变天气
选择2015年06月24号(晴见多云)作为预测日,图3是本多变天气各模型预测对比图,训练样本同上(2):
表5粒子群训练效果最优的GPR超参数
表6多变天气各模型预测评价指标
由仿真结果可见,权重线性递减粒子群高斯过程回归预测模型LinW-PSO-GPR对于三种类型的预测结果都要优于GPR模型,并且效果优于电站现有预测结果。在晴天类型下平均绝对误差百分比均小于5%;雨天类型平均绝对误差百分比引入湿度因素,预测结果得到改善;多变天气类型模型训练选择的样本相似度较高,也能取得较好的预测结果,平均绝对误差百分比为12.28%。
综上分析可知,针对光伏短期出力预测研究问题,本专利提出以天气类型指数、日平均温度和湿度相似度为参考,对数据进行分类,针对不同的天气类型选择不同的影响因素,在matlab中建立对应的权重线性递减粒子群高斯过程回归LinWPSO-GPR预测模型。所提分类方法和LinWPSO代替传统共轭梯度优化GPR模型超参数的建模思想直观的提高了模型的预测精度和收敛速度。同时,所提方法在小样本情况下能取得较好预测结果。
Claims (3)
1.一种基于改进高斯过程回归的光伏短期出力预测方法,其特征在于,具体按照以下步骤实施:
步骤1、数据分类;
步骤2、建立预测模型;
步骤3、获得预测样本输出期望,即功率预测值;
所述步骤1具体按照以下步骤实施:
步骤(1.1)、根据光伏电站的地理信息与出力分布信息,将各种天气类型按照天气类型指数、日平均温度和日平均湿度相近度为参考指标进行分类;
步骤(1.2)、将所述步骤(1.1)中的天气类型分别分为晴天、阴天、多变天气三类;
所述步骤(1.1)中的相近度采用加权欧式距离方法计算,计算公式如下:
上式中,dij为第i个粒子与第j个粒子之间的距离,所述 粒子为某一天的天气类型参考指标,xi为第i个粒子所对应的向量,m、n分别表示向量的第m维和总维数,λm表示向量的权重,xim为第i个粒子的第m维分量,xjm为第j个粒子的第m维分量;
所述步骤2具体按照以下步骤实施:
步骤(2.1)、建立学习样本;
步骤(2.2)、数据预处理;
步骤(2.3)、设置粒子群算法和高斯过程回归算法的参数,并对学习样本进行训练;
所述步骤(2.3)具体按照以下步骤实施:
步骤(2.3.1)、设置协方差函数:采用平方指数协方差函数CSEiso与有理二次协方差函数CRQiso组合形成核函数Csum,表示如下:
Csum=CSEiso+CRQiso
步骤(2.3.2)、设置权重线性递减粒子群算法和高斯过程回归的初始参数;
步骤(2.3.3)、利用粒子群和高斯过程回归组合的计算方法,对学习样本进行训练;
步骤(2.4)、寻找全局最优粒子,得到优化后的最优超参数,所述步骤(2.4)具体为:
以高斯过程回归超参数负对数极大似然函数的返回值作为每个粒子的适应度,记录最小粒子适应度,个体最优解pb根据所设置更新迭代找出全局最优的粒子gb,同时保持粒子当前状态,粒子更新公式如下:
其中,
上式中:c1,c2为学习因子,vi(j),xi(j),pbi(j),gbi(j)分别为第i个粒子第j次迭代时的当前速度、位置、个体最优解、全局最优解,rand1、rand2均为服从均匀分布U(0,1)的相互独立随机变量,ω(j)为第j迭代步的惯性权重,ωmax为最大惯性权重,ωmin为最小惯性权重,itmax为指定的最大迭代次数,j为第j迭代步,当到达最小误差M或达到预设迭代次数n时,迭代终止;
所述步骤(2.1)具体为:根据步骤1的分类结果,按照预测需求,从所对应的数据库中建立学习样本D(xi,yi),1≤i≤N,其中,N为样本总个数,输入向量xi表示光伏功率预测的影响因素,输出标量yi表示真实光伏功率测量值。
2.根据权利要求1所述的一种基于改进高斯过程回归的光伏短期出力预测方法,其特征在于,所述步骤(2.2)具体按照以下步骤实施:
步骤(2.2.1)、置零粗糙值,所述粗糙值为低精度或异常的训练样本;
步骤(2.2.2)、将训练样本和预测样本进行标准归一化。
3.根据权利要求1所述的一种基于改进高斯过程回归的光伏短期出力预测方法,其特征在于,所述步骤3具体为:输入预测样本x*,根据步骤(2.4)中的优化超参数以及所述步骤2中的预测模型,得到的输出即为与输入预测样本x*相对应的预测结果y*,即功率预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610020581.4A CN105701572B (zh) | 2016-01-13 | 2016-01-13 | 一种基于改进高斯过程回归的光伏短期出力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610020581.4A CN105701572B (zh) | 2016-01-13 | 2016-01-13 | 一种基于改进高斯过程回归的光伏短期出力预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105701572A CN105701572A (zh) | 2016-06-22 |
CN105701572B true CN105701572B (zh) | 2020-11-06 |
Family
ID=56227288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610020581.4A Active CN105701572B (zh) | 2016-01-13 | 2016-01-13 | 一种基于改进高斯过程回归的光伏短期出力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105701572B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682782A (zh) * | 2016-12-30 | 2017-05-17 | 国网新疆电力公司电力科学研究院 | 基于ewt‑kmpmr的短期光伏功率预测方法 |
CN107358059A (zh) * | 2017-09-01 | 2017-11-17 | 北京天诚同创电气有限公司 | 短期光伏能量预测方法和装置 |
CN108830405B (zh) * | 2018-05-29 | 2021-11-30 | 东北电力大学 | 基于多指标动态匹配的实时电力负荷预测系统及其方法 |
CN108985323A (zh) * | 2018-06-04 | 2018-12-11 | 江苏大学 | 一种光伏功率的短期预测方法 |
CN109324013B (zh) * | 2018-10-08 | 2021-09-24 | 华东理工大学 | 利用高斯过程回归模型构建原油性质近红外快速分析方法 |
CN111460380B (zh) * | 2020-03-30 | 2022-03-18 | 上海交通大学 | 一种基于高斯过程回归的多工况续驶里程预测方法及系统 |
CN112926772A (zh) * | 2021-02-22 | 2021-06-08 | 东南大学溧阳研究院 | 一种基于lstm-gpr混合模型的光能预测方法 |
CN116069043B (zh) * | 2023-03-24 | 2023-08-15 | 华南农业大学 | 一种无人驾驶农机作业速度自主决策方法 |
CN117081082B (zh) * | 2023-10-17 | 2024-01-23 | 国网上海市电力公司 | 基于高斯过程回归的有源配电网运行态势感知方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013074695A (ja) * | 2011-09-27 | 2013-04-22 | Meiji Univ | 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 |
CN103559561A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 一种光伏电站辐照度的超短期预测方法 |
CN104573879A (zh) * | 2015-01-30 | 2015-04-29 | 河海大学 | 基于最优相似日集的光伏电站出力预测方法 |
CN104978613A (zh) * | 2015-07-28 | 2015-10-14 | 国家电网公司 | 一种考虑组件温度的光伏出力短期预测方法 |
CN105023070A (zh) * | 2015-08-12 | 2015-11-04 | 河海大学常州校区 | 一种光伏系统输出功率预测方法 |
CN105184404A (zh) * | 2015-08-31 | 2015-12-23 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
-
2016
- 2016-01-13 CN CN201610020581.4A patent/CN105701572B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013074695A (ja) * | 2011-09-27 | 2013-04-22 | Meiji Univ | 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 |
CN103559561A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 一种光伏电站辐照度的超短期预测方法 |
CN104573879A (zh) * | 2015-01-30 | 2015-04-29 | 河海大学 | 基于最优相似日集的光伏电站出力预测方法 |
CN104978613A (zh) * | 2015-07-28 | 2015-10-14 | 国家电网公司 | 一种考虑组件温度的光伏出力短期预测方法 |
CN105023070A (zh) * | 2015-08-12 | 2015-11-04 | 河海大学常州校区 | 一种光伏系统输出功率预测方法 |
CN105184404A (zh) * | 2015-08-31 | 2015-12-23 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
Non-Patent Citations (1)
Title |
---|
《基于粒子群-高斯过程回归耦合算法的滑坡位移时序分析预测智能模型》;徐冲 等;《岩土力学》;20110630;第32卷(第6期);1069-1675页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105701572A (zh) | 2016-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105701572B (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
Liu et al. | Random forest solar power forecast based on classification optimization | |
CN107766990B (zh) | 一种光伏电站发电功率的预测方法 | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN109359786A (zh) | 一种电力台区短期负荷预测方法 | |
CN110619360A (zh) | 一种考虑历史样本相似性的超短期风功率预测方法 | |
CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
CN113762603B (zh) | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 | |
CN115130741A (zh) | 基于多模型融合的多因素电力需求中短期预测方法 | |
CN111260126A (zh) | 计及天气与气象因子关联度的短期光伏发电预测方法 | |
CN113468790B (zh) | 一种基于改进粒子群算法的风速特征模拟方法及系统 | |
CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN117977568A (zh) | 基于嵌套lstm和分位数计算的电力负荷预测方法 | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
CN112069723A (zh) | 一种用于评估电力系统暂态稳定的方法及系统 | |
CN113762387A (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
CN116526473A (zh) | 基于粒子群优化lstm的电热负荷预测方法 | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN108038518A (zh) | 一种基于气象数据的光伏发电功率确定方法及系统 | |
CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
Wu et al. | WOA-LSTM | |
Lu et al. | A deep belief network based model for urban haze prediction |
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 |