CN105868916A - 基于相似日聚类的微电网光伏出力空间预测方法 - Google Patents
基于相似日聚类的微电网光伏出力空间预测方法 Download PDFInfo
- Publication number
- CN105868916A CN105868916A CN201610222346.5A CN201610222346A CN105868916A CN 105868916 A CN105868916 A CN 105868916A CN 201610222346 A CN201610222346 A CN 201610222346A CN 105868916 A CN105868916 A CN 105868916A
- Authority
- CN
- China
- Prior art keywords
- power station
- input
- generating data
- data
- particlized
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 50
- 230000007935 neutral effect Effects 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract 1
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000004088 simulation Methods 0.000 abstract 1
- 238000003672 processing method Methods 0.000 description 3
- 206010008190 Cerebrovascular accident Diseases 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Neurology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明针对现有相似日聚类预测光伏出力的不足,提出一种基于相似日聚类的微电网光伏出力空间预测方法,属于新能源出力预测领域,包含步骤:利用训练期内微电网中输入输出光伏电站的发电数据,建立空间关系来预测预测期内输出电站的发电数据;对输入电站训练期和预测期内的发电数据进行粒子化处理;对粒子化后的输入电站训练期内的数据进行SOM神经网络聚类训练;利用SOM神经网络对粒子化后的输入电站预测期进行仿真分类;找出相似日;利用相似日数据,结合最小二乘法多项式拟合,得出发电数据预测值。与现有方法相比,本发明简化了研究对象,促进了聚类过程,显著提高了预测精度。
Description
技术领域
本发明属于微电网光伏出力预测技术领域,具体涉及一种基于相似日聚类的微电网光伏出力空间预测方法。
背景技术
作为智能电网重要组成部分的微电网,是由分布式电源、储能、负荷、能量转换装置和监控、保护装置组合而成的小型发配电系统,其既可以与外部电网并网运行,也可以孤立运行,具有自我控制、保护和管理功能。
太阳能光伏发电是微电网中常见的一种微电源发电形式。作为一种无污染的清洁能源,一种可持续的能源替代方式,太阳能光伏发电已得到人们越来越多的重视,其已作为世界上许多国家开辟新能源的一条重要途径。
为实现微电网的自我控制、保护和管理功能,对作为微电源的光伏发电系统出力进行准确有效的预测必不可少。然而光伏发电系统受环境因素影响明显,发电功率的变化存在着间歇性、波动性和随机性,准确有效的预测变得困难和复杂。
目前,有关使用SOM神经网络进行相似日聚类来进行光伏出力预测的国内外研究中,相似日的聚类大多直接依据天气环境因素,而从空间角度直接依据与目标电站相关联的其它电站的发电量非常罕见,如文献《基于天气类型聚类识别的光伏系统短期无辐照度发电预测模型研究》(出处:中国电机工程学报,2011年第31卷34期28-35页)就是直接依据天气环境因素来进行聚类。直接依据天气环境因素,存在影响因素复杂、获取数据困难和检测精度不高等问题。另外,针对发电量数据变动范围大,影响SOM神经网络分类性能的情况,提出了一种粒子化数据处理方法,对发电量数据进行粒子化处理,处理后的数据量纲清晰、层次分明,便于SOM神经网络分类。
发明内容
本发明的目的在于,针对上述现有技术的不足,避免考虑复杂的天气环境因素,从空间角度直接依据微电网内相关联光伏电站的发电量数据,并采用粒子化数据处理方法,对发电量数据进行粒子化处理,采用SOM神经网络进行相似日聚类,结合最小二乘法多项式拟合,对预测期内目标输出电站的发电数据进行预测。空间角度简化了研究对象,粒子化法促进了聚类过程,相似日聚类显著提高了预测精度,为基于相似日的微电网光伏出力预测提供了较高的技术参考价值。
为实现上述目的,本发明采用的技术方案是:
提供一种基于相似日聚类的微电网光伏出力空间预测方法,其特征在于,包含以下步骤:
1)以微电网内的n个光伏电站为研究对象(其中p个作为输入电站,q个作为输出电站,n=p+q),n个光伏电站的发电数据(日发电量)分为训练期和预测期,训练期内输入电站和输出电站的发电数据均已知,预测期内输入电站的发电数据已知而输出电站的发电数据未知,利用训练期的发电数据,从空间角度建立输入电站和输出电站之间的关系,利用这种关系则可预测预测期内输出电站的发电数据;
2)对p个输入电站训练期和预测期内的发电数据进行粒子化处理,具体过程如下:
201)将p个输入电站训练期和预测期内的发电数据(w维),按各个输入电站时间顺序分别归一化到[0,a],a为大于0的整数,具体使用下式(1):
其中,m=1,2,…,p,i=1,2,…,w,xmi为第m个光伏电站的第i个发电数据,xmi *为xmi归一化后对应的数据,xm max和xm min分别为xmi中最大值和最小值;
202)将xmi *精确到整数位或小数点后1位,具体使用下式(2):
f(xmi *)=ROUND(xmi *,N) (2)
其中,ROUND()为四舍五入运算,其中N=0,1,当N为0时表示精确到整数位,N为1时表示精确到小数点后1位;
3)对粒子化后的p个输入电站训练期内的数据进行SOM神经网络聚类训练,具体过程如下:
301)将粒子化后的p个输入电站训练期内的数据作为输入向量X;
302)初始化SOM神经网络的连接权值向量W为随机值,W表示SOM输入层神经元和输出层神经元之间的全连接;
303)将输入向量X和连接权值向量W分别进行归一化处理,具体使用下式(3):
其中,||·||表示2-范数运算;
304)计算归一化后输入向量和归一化后连接权值向量之间的欧氏距离d;
305)选出d值最小对应的输出层神经元为获胜神经元,对获胜神经元及其邻域内的神经元权值进行调整;
306)判断是否达到预先训练结束要求,否则循环执行,得出最终训练分类;
4)利用步骤3)中达到预先训练结束要求的SOM神经网络对粒子化后的输入电站预测期进行仿真分类;
5)找出步骤4)中仿真分类和步骤3)中训练分类相同的类别,这些类别所对应的日期则可作为相似日;
6)利用相似日粒子化前的发电数据,结合最小二乘法多项式拟合,得出预测期内输出电站的发电数据预测值,具体过程如下:
601)利用与预测期为相似日的训练期内输入输出电站粒子化前的发电数据,使用最小二乘法多项式拟合,求出多项式中的系数,所使用的最小二乘法多项式拟合原理是:对于给定的一组数据{(xj,yj),(j=1,2,…,s)},其中s为相似日的个数,若拟合的曲线为y=F(x),则第j个点的误差距离为F(xj)-yj,所有点的误差距离平方和为求出的最小值对应的系数,则可得到拟合曲线y=F(x);
602)利用拟合曲线y=F(x),输入预测期内输入电站粒子化前的发电数据,则可求出预测期内输出电站的发电数据预测值。
本发明采用的以上技术方案与现有技术相比,可达到以下技术效果:
(1)预测微电网内的光伏出力,从空间角度直接依据与目标光伏电站相关联的其它光伏电站的出力,简化了研究对象,避免了复杂的天气环境因素;
(2)SOM神经网络是一种无监督、自学习网络,无需外界给出评价函数,能根据数据自身特征进行分类,具有适应性强、自稳定性好、处理数据量大、拓扑有序等特点;
(3)针对发电量数据变动范围大,影响SOM神经网络分类性能的情况,提出了一种粒子化数据处理方法,对发电量数据进行粒子化处理,处理后的数据量纲清晰、层次分明,便于SOM神经网络分类;
(4)利用粒子化后的数据,进行SOM神经网络相似日聚类,结合最小二乘法多项式拟合,显著提高了预测精度,为基于相似日的微电网光伏出力预测提供了较高的技术参考价值。
附图说明
图1是本发明所述的一种基于相似日聚类的微电网光伏出力空间预测方法总体框架示意图;
图2是其中一个输入电站A训练期和预测期内的发电数据进行粒子化处理前的数据图;
图3是其中一个输入电站A训练期和预测期内的发电数据进行粒子化处理后的数据图;
图4是SOM神经网络对输入电站训练期内的数据进行分类的结果图;
图5是分出的9个类中每个类的个数图。
具体实施方式
下面结合附图和实施例对本发明作详细说明,需要说明的是,该具体实施例只用来解释本发明,而非对本发明范围的限定。
图1是本发明所述的一种基于相似日聚类的微电网光伏出力空间预测方法总体框架示意图,如图1所示,一种基于相似日聚类的微电网光伏出力空间预测方法具体包含以下步骤:
1)以微电网内的n个光伏电站为研究对象(其中p个作为输入电站,q个作为输出电站,n=p+q),n个光伏电站的发电数据(日发电量)分为训练期和预测期,训练期内输入电站和输出电站的发电数据均已知,预测期内输入电站的发电数据已知而输出电站的发电数据未知,利用训练期的发电数据,从空间角度建立输入电站和输出电站之间的关系,利用这种关系则可预测预测期内输出电站的发电数据。
本实施例中,n为7,p为6,q为1,训练期为2013年1月1日至2014年11月30日,预测期为2014年12月1日。
2)对p个输入电站训练期和预测期内的发电数据进行粒子化处理,具体过程如下:
201)将p个输入电站训练期和预测期内的发电数据(w维),按各个输入电站时间顺序分别归一化到[0,a],a为大于0的整数,具体使用下式(1):
其中,m=1,2,…,p,i=1,2,…,w,xmi为第m个光伏电站的第i个发电数据,xmi *为xmi归一化后对应的数据,xm max和xm min分别为xmi中最大值和最小值。
本实施例中,w为700,a为10。
202)将xmi *精确到整数位或小数点后1位,具体使用下式(2):
f(xmi *)=ROUND(xmi *,N) (2)
其中,ROUND()为四舍五入运算,其中N=0,1,当N为0时表示精确到整数位,N为1时表示精确到小数点后1位。
本实施例中,因粒子化归一区间为[0,10],区间间隔范围大,可将xmi *精确到整数位,即N为0。
图2所示是其中一个输入电站A训练期和预测期内的发电数据进行粒子化处理前的数据图,图3所示是其对应的粒子化处理后的数据图。可见处理后的数据量纲清晰、层次分明,便于SOM神经网络分类。
3)对粒子化后的p个输入电站训练期内的数据进行SOM神经网络(自组织映射网络)聚类训练,具体过程如下:
301)将粒子化后的p个输入电站训练期内的数据作为输入向量X。
302)初始化SOM神经网络的连接权值向量W为随机值,W表示SOM输入层神经元和输出层神经元之间的全连接。
303)将输入向量X和连接权值向量W分别进行归一化处理,具体使用下式(3):
其中,||·||表示2-范数运算。
304)计算归一化后输入向量和归一化后连接权值向量之间的欧氏距离d。
305)选出d值最小对应的输出层神经元为获胜神经元,对获胜神经元及其邻域内的神经元权值进行调整。
306)判断是否达到预先训练结束要求,否则循环执行,得出最终训练分类。
本实施例中,SOM神经网络输出层神经元个数为9,即SOM神经网络可将输入电站训练期内的发电数据分成9个类。训练次数为100,当SOM神经网络训练达到100次时训练结束。图4所示为SOM神经网络对输入电站训练期内的数据进行分类的结果图。图5所示为分出的9个类中每个类的个数图。
4)利用步骤3)中达到预先训练结束要求的SOM神经网络对粒子化后的输入电站预测期进行仿真分类。
5)找出步骤4)中仿真分类和步骤3)中训练分类相同的类别,这些类别所对应的日期则可作为相似日。
本实施例中,对输入电站预测期的仿真分类为1,类别为1的相似日天数为74,如图5所示。为保证训练分类相同的类别所对应的相似日天数不至于太少(小于10),要有充足的样本数据或者减小SOM神经网络分类的数目。
6)利用相似日粒子化前的发电数据,结合最小二乘法多项式拟合,得出预测期内输出电站的发电数据预测值,具体过程如下:
601)利用与预测期为相似日的训练期内输入输出电站粒子化前的发电数据,使用最小二乘法多项式拟合,求出多项式中的系数,所使用的最小二乘法多项式拟合原理是:对于给定的一组数据{(xj,yj),(j=1,2,…,s)},其中s为相似日的个数,若拟合的曲线为y=F(x),则第j个点的误差距离为F(xj)-yj,所有点的误差距离平方和为求出的最小值对应的系数,则可得到拟合曲线y=F(x)。
602)利用拟合曲线y=F(x),输入预测期内输入电站粒子化前的发电数据,则可求出预测期内输出电站的发电数据预测值。
本实施例中,对于6个输入电站来说,求取目标输出电站发电量数据预测值的多项式表达式为y=a1x1+a2x2+a3x3+a4x4+a5x5+a6x6,其中x1-x6为预测期内已知的6个输入电站的发电数据,y为预测期内未知的输出电站的发电数据,a1-a6为系数。求出的最小二乘法多项式的系数如表1所示。
预测性能参数采用绝对百分误差APE,其具体公式为APE=(|y-t|/t)×100%,其中y为预测值,t为实际值。预测值y和实际值t以及APE如表2所示(精确到小数点后四位)。
本实施例还增加了对比试验,发电数据不经过粒子化处理直接进行SOM神经网络分类后,使用最小二乘法多项式拟合预测,效果是:SOM分类时间加长且预测APE值偏大,预测性能明显低于本发明所提方法。
表1
以上所述仅为本发明的优选实施例,并不用于限制本发明。凡在本发明的思想和原理内做的任何轻易想到的修改、改进或替换等,均应包含在本发明的保护范围内。
Claims (1)
1.一种基于相似日聚类的微电网光伏出力空间预测方法,其特征在于,包含以下步骤:
1)以微电网内的n个光伏电站为研究对象(其中p个作为输入电站,q个作为输出电站,n=p+q),n个光伏电站的发电数据(日发电量)分为训练期和预测期,训练期内输入电站和输出电站的发电数据均已知,预测期内输入电站的发电数据已知而输出电站的发电数据未知,利用训练期的发电数据,从空间角度建立输入电站和输出电站之间的关系,利用这种关系则可预测预测期内输出电站的发电数据;
2)对p个输入电站训练期和预测期内的发电数据进行粒子化处理,具体过程如下:
201)将p个输入电站训练期和预测期内的发电数据(w维),按各个输入电站时间顺序分别归一化到[0,a],a为大于0的整数,具体使用下式(1):
其中,m=1,2,…,p,i=1,2,…,w,xmi为第m个光伏电站的第i个发电数据,xmi *为xmi归一化后对应的数据,xm max和xm min分别为xmi中最大值和最小值;
202)将xmi *精确到整数位或小数点后1位,具体使用下式(2):
f(xmi *)=ROUND(xmi *,N) (2)
其中,ROUND( )为四舍五入运算,其中N=0,1,当N为0时表示精确到整数位,N为1时表示精确到小数点后1位;
3)对粒子化后的p个输入电站训练期内的数据进行SOM神经网络聚类训练,具体过程如下:
301)将粒子化后的p个输入电站训练期内的数据作为输入向量X;
302)初始化SOM神经网络的连接权值向量W为随机值,W表示SOM输入层神经元和输出层神经元之间的全连接;
303)将输入向量X和连接权值向量W分别进行归一化处理,具体使用下式(3):
其中,||·||表示2-范数运算;
304)计算归一化后输入向量和归一化后连接权值向量之间的欧氏距离d;
305)选出d值最小对应的输出层神经元为获胜神经元,对获胜神经元及其邻域内的神经元权值进行调整;
306)判断是否达到预先训练结束要求,否则循环执行,得出最终训练分类;
4)利用步骤3)中达到预先训练结束要求的SOM神经网络对粒子化后的输入电站预测期进行仿真分类;
5)找出步骤4)中仿真分类和步骤3)中训练分类相同的类别,这些类别所对应的日期则可作为相似日;
6)利用相似日粒子化前的发电数据,结合最小二乘法多项式拟合,得出预测期内输出电站的发电数据预测值,具体过程如下:
601)利用与预测期为相似日的训练期内输入输出电站粒子化前的发电数据,使用最小二乘法多项式拟合,求出多项式中的系数,所使用的最小二乘法多项式拟合原理是:对于给定的一组数据{(xj,yj),(j=1,2,…,s)},其中s为相似日的个数,若拟合的曲线为y=F(x),则第j个点的误差距离为F(xj)-yj,所有点的误差距离平方和为求出的最小值对应的系数,则可得到拟合曲线y=F(x);
602)利用拟合曲线y=F(x),输入预测期内输入电站粒子化前的发电数据,则可求出预测期内输出电站的发电数据预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610222346.5A CN105868916A (zh) | 2016-04-05 | 2016-04-05 | 基于相似日聚类的微电网光伏出力空间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610222346.5A CN105868916A (zh) | 2016-04-05 | 2016-04-05 | 基于相似日聚类的微电网光伏出力空间预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105868916A true CN105868916A (zh) | 2016-08-17 |
Family
ID=56637539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610222346.5A Pending CN105868916A (zh) | 2016-04-05 | 2016-04-05 | 基于相似日聚类的微电网光伏出力空间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105868916A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188810A (zh) * | 2019-05-23 | 2019-08-30 | 西北工业大学 | 一种基于密度聚类的在线野值检测、识别与修正方法 |
CN111062876A (zh) * | 2018-10-17 | 2020-04-24 | 北京地平线机器人技术研发有限公司 | 用于校正模型训练和图像校正的方法和装置及电子设备 |
CN116128150A (zh) * | 2023-03-02 | 2023-05-16 | 南京邮电大学 | 一种基于两级优化的光伏智能出力预测方法 |
CN117196267A (zh) * | 2023-11-07 | 2023-12-08 | 浙江正泰中自控制工程有限公司 | 一种基于设备健康分析技术的智能巡检方法及系统 |
-
2016
- 2016-04-05 CN CN201610222346.5A patent/CN105868916A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062876A (zh) * | 2018-10-17 | 2020-04-24 | 北京地平线机器人技术研发有限公司 | 用于校正模型训练和图像校正的方法和装置及电子设备 |
CN111062876B (zh) * | 2018-10-17 | 2023-08-08 | 北京地平线机器人技术研发有限公司 | 用于校正模型训练和图像校正的方法和装置及电子设备 |
CN110188810A (zh) * | 2019-05-23 | 2019-08-30 | 西北工业大学 | 一种基于密度聚类的在线野值检测、识别与修正方法 |
CN116128150A (zh) * | 2023-03-02 | 2023-05-16 | 南京邮电大学 | 一种基于两级优化的光伏智能出力预测方法 |
CN117196267A (zh) * | 2023-11-07 | 2023-12-08 | 浙江正泰中自控制工程有限公司 | 一种基于设备健康分析技术的智能巡检方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lan et al. | Day-ahead spatiotemporal solar irradiation forecasting using frequency-based hybrid principal component analysis and neural network | |
Liu et al. | Forecasting power output of photovoltaic system using a BP network method | |
Shakya et al. | Solar irradiance forecasting in remote microgrids using markov switching model | |
CN105426956B (zh) | 一种超短期光伏预测方法 | |
Tang et al. | Entropy method combined with extreme learning machine method for the short-term photovoltaic power generation forecasting | |
CN102930358B (zh) | 一种光伏电站发电功率的神经网络预测方法 | |
Singh et al. | Generalized neural network methodology for short term solar power forecasting | |
CN103400204A (zh) | 基于svm-马尔科夫组合法的太阳能光伏发电量预测方法 | |
CN105868916A (zh) | 基于相似日聚类的微电网光伏出力空间预测方法 | |
CN109002926A (zh) | 一种高准确性的光伏发电量预测模型及其构建方法和应用 | |
Humada et al. | Modeling and characterization of a grid-connected photovoltaic system under tropical climate conditions | |
Yang et al. | Short-term PV generation system direct power prediction model on wavelet neural network and weather type clustering | |
CN108335010A (zh) | 一种风电出力时间序列建模方法及系统 | |
CN103996079A (zh) | 一种基于条件概率的风电功率加权预测方法 | |
Chang | Comparison of three short term wind power forecasting methods | |
Li et al. | Short-term prediction of the output power of PV system based on improved grey prediction model | |
CN106126934A (zh) | 一种光伏发电相关性指标获取方法 | |
Tannahill et al. | Modeling of system of systems via data analytics—Case for “Big Data” in SoS | |
Ehsan et al. | Artificial neural network predictor for grid-connected solar photovoltaic installations at atmospheric temperature | |
Ehsan et al. | Day-ahead prediction of solar power output for grid-connected solar photovoltaic installations using artificial neural networks | |
Fen et al. | Short‐term photovoltaic power probability forecasting based on OLPP‐GPR and modified clearness index | |
Zhou et al. | Secure and intelligent energy data management scheme for smart IoT devices | |
Wang et al. | Two-tier prediction of solar power generation with limited sensing resource | |
Zhou et al. | Wind power prediction based on random forests | |
Duan et al. | Based on improved BP neural network model generating power predicting for PV system |
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: 20160817 |