CN106503828B - 一种光伏输出功率超短期混沌预测方法 - Google Patents

一种光伏输出功率超短期混沌预测方法 Download PDF

Info

Publication number
CN106503828B
CN106503828B CN201610843720.3A CN201610843720A CN106503828B CN 106503828 B CN106503828 B CN 106503828B CN 201610843720 A CN201610843720 A CN 201610843720A CN 106503828 B CN106503828 B CN 106503828B
Authority
CN
China
Prior art keywords
phase space
photovoltaic
output power
space point
photovoltaic output
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
Application number
CN201610843720.3A
Other languages
English (en)
Other versions
CN106503828A (zh
Inventor
王育飞
薛花
孙路
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.)
Shanghai University of Electric Power
Original Assignee
Shanghai University of Electric Power
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 Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN201610843720.3A priority Critical patent/CN106503828B/zh
Publication of CN106503828A publication Critical patent/CN106503828A/zh
Application granted granted Critical
Publication of CN106503828B publication Critical patent/CN106503828B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS 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
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明涉及一种光伏输出功率超短期混沌预测方法，所述超短期的时间长度在0～4小时之间，所述方法包括下列步骤：采用C‑C法获得光伏输出功率时间序列的最佳延迟量l和最佳嵌入维数m，重构光伏功率时间序列相空间；根据光伏功率时间序列相空间，确定预测中心相空间点Pk，选取预测中心相空间点对应的邻近相空间点Pkj并计算邻近相空间点Pkj的权值Wj；根据邻近相空间点Pkj的权值Wj，建立光伏出力加权一阶局域线性回归模型，计算最优线性拟合系数矩阵；根据最优线性拟合系数矩阵，计算光伏输出功率预测值。与现有技术相比，本发明具有无需提前获取气象数据、不需要建立针对不同天气的预测模型、模型建立简单、预测耗时短以及预测精度高等优点。

Description

一种光伏输出功率超短期混沌预测方法
技术领域
本发明涉及光伏发电领域，尤其是涉及一种光伏输出功率超短期混沌预测方法。
背景技术
近年来，光伏发电作为一种清洁可再生能源迅速发展，从独立发电向并网发电方向迈进。未来分布式光伏发电系统大量接入电网，光伏发电在电网中的渗透率将不断升高，光伏输出功率存在的间歇性和随机性问题，将会对与其连接的电网稳定性产生不利影响，同时也会对电力部门的调度工作造成困难。因此，通过精确预测分布式光伏发电输出功率，并与储能系统充放电协调配合，平滑光伏出力波动，可以改善电力系统运行状况，减少系统整体运行成本。
目前国内外对于光伏出力的预测主要基于太阳辐照强度和发电功率历史数据，采用统计类预测方法和神经网络等现代智能算法对光伏出力进行预测，同时将各种气象因数引入预测方法改善预测精度，取得了一定的成果。但上述方法没有对光伏出力的波动特性进行深入分析，同时上述预测方法模型建立复杂，预测精度的提升依赖于精确的天气预报数据，考虑到目前预报水平限制，预测精度未达到令人满意的效果，影响电力系统的安全经济运行。
发明内容
本发明的目的是针对上述问题提供一种光伏输出功率超短期混沌预测方法。
本发明的目的可以通过以下技术方案来实现：
一种光伏输出功率超短期混沌预测方法，所述超短期的时间长度在0～4小时之间，所述方法包括下列步骤：
1)采用C-C法获得光伏输出功率时间序列的最佳延迟量l和最佳嵌入维数m，重构光伏功率时间序列相空间；
2)根据步骤1)重构的光伏功率时间序列相空间，确定预测中心相空间点Pk，选取预测中心相空间点对应的邻近相空间点Pkj并计算邻近相空间点Pkj的权值Wj；
3)根据步骤2)得到的邻近相空间点Pkj的权值Wj，建立光伏出力加权一阶局域线性回归模型，计算最优线性拟合系数矩阵；
4)根据步骤3)得到的最优线性拟合系数矩阵，计算光伏输出功率预测值。
所述光伏功率时间序列相空间具体为：
其中，M为重构的光伏功率时间序列相空间点的个数，p(i)为光伏输出功率时间序列，i＝1,2,…,M+(m-1)l；Pk为重构的光伏功率时间序列相空间的点，k＝1,2,…,M。
所述步骤2)具体为：
21)确定光伏输出功率预测值对应的相空间点的前一点为预测中心相空间点Pk；
22)选取预测中心相空间点Pk对应的邻近相空间点Pkj；
23)计算各邻近相空间点Pkj的权值Wj。
所述邻近相空间点Pkj与预测中心相空间点Pk具有相似变换规律。
所述权值具体为：
其中，G为邻近相空间点的个数，dj为邻近相空间点Pkj到预测中心相空间点Pk的空间距离，dmin为所有邻近相空间点Pkj到预测中心相空间点Pk的空间距离中的最小值。
所述步骤3)具体为：
31)建立光伏出力加权一阶局域线性回归模型，拟合邻近相空间点Pkj和下一时刻演化相空间点Pkj+1；
32)采用加权最小二乘法拟合线性回归方程，获得最优线性拟合系数矩阵A和B。
所述光伏出力加权一阶局域线性回归模型具体为：
Pkj+1＝A+BPkj。
所述采用加权最小二乘法拟合线性回归方程具体为：
其中，A和B作为未知量，计算得到最优线性拟合系数矩阵A和B。
所述光伏输出功率预测值通过下式计算：
Pk+1＝A+BPk
其中，Pk+1为光伏功率时间序列相空间中的一步预测相空间点，A和B为最优线性拟合系数矩阵，所述光伏输出功率预测值为一步预测相空间点Pk+1的最后一个值pk+1+(m-1)l。
与现有技术相比，本发明具有以下有益效果：
(1)通过重构光伏功率时间序列相空间来对光伏输出功率进行预测，无需提前获取气象数据，不需要依赖于精确的天气预报数据提升预测精度，减小了预测的成本，同时也降低了预测的麻烦程度。
(2)建立了光伏出力加权一阶局域线性回归模型，此模型建立简单且预测耗费时间短，减小了计算量，降低了预测的难度。
(3)基于光伏的功率时间序列进行预测计算，对光伏出力的波动特性进行了深入的分析，揭露出光伏出力波动本质，因此提升了对光伏输出功率预测的精度，为更好地抑制光伏输出功率波动奠定基础。
附图说明
图1为光伏输出功率时间序列相图；
图2为本发明的方法流程图；
图3为不同天气状况下光伏输出功率预测结果图，其中，(3a)为晴朗天气预测结果图，(3b)为多云天气预测结果图，(3c)为阴天天气预测结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图2所示，本实施例提供了一种光伏输出功率超短期混沌预测方法，该方法包括下列步骤：
1)采用C-C法获得光伏输出功率时间序列的最佳延迟量l和最佳嵌入维数m，重构光伏功率时间序列相空间，具体为：
其中，M为重构的光伏功率时间序列相空间点的个数，p(i)为光伏输出功率时间序列，i＝1,2,…,M+(m-1)l；Pk为重构的光伏功率时间序列相空间的点，k＝1,2,…,M；
2)根据步骤1)重构的光伏功率时间序列相空间，确定预测中心相空间点Pk，选取预测中心相空间点对应的邻近相空间点Pkj并计算邻近相空间点Pkj的权值Wj，具体为：
21)确定光伏输出功率预测值对应的相空间点的前一点为预测中心相空间点Pk；
22)选取预测中心相空间点Pk对应的邻近相空间点Pkj；
23)计算各邻近相空间点Pkj的权值Wj。
所述邻近相空间点Pkj与预测中心相空间点Pk具有相似变换规律。
所述权值具体为：
其中，G为邻近相空间点的个数，dj为邻近相空间点Pkj到预测中心相空间点Pk的空间距离，dmin为所有邻近相空间点Pkj到预测中心相空间点Pk的空间距离中的最小值；
3)根据步骤2)得到的邻近相空间点Pkj的权值Wj，建立光伏出力加权一阶局域线性回归模型，计算最优线性拟合系数矩阵，具体为：
31)建立光伏出力加权一阶局域线性回归模型，拟合邻近相空间点Pkj和下一时刻演化相空间点Pkj+1，即：
Pkj+1＝A+BPkj；
32)采用加权最小二乘法拟合线性回归方程，获得最优线性拟合系数矩阵A和B，即：
其中，A和B作为未知量，计算得到最优线性拟合系数矩阵A和B；
4)根据步骤3)得到的最优线性拟合系数矩阵，计算光伏输出功率预测值，具体为：
Pk+1＝A+BPk
其中，Pk+1为光伏功率时间序列相空间中的一步预测相空间点，A和B为最优线性拟合系数矩阵，所述光伏输出功率预测值为一步预测相空间点Pk+1的最后一个值pk+1+(m-1)l。
本实施例中，具体的步骤为：
以某地区多日分布式光伏发电系统输出功率数据为基础，系统装机容量为367.8kW，数据采样时间段为2016年1月12日-2016年1月17日共计6日，数据分辨率为1min，每天早上6:30到下午17:30的光伏出力共3968个采样值作为实验数据，组成光伏出力时间序列p(i)，(i＝1…N)；12日至17日天气状况依次为阴转多云、多云、多云、晴、多云和阴。
应用C-C法确定最佳延迟量l和最佳嵌入维数m，重构光伏功率时间序列的相空间。选取光伏出力数据，由1月12日至14日采集数据构成光伏输出功率时间序列，构建功率时间序列相空间。
首先，构造关联积分：
其中，rd(rd>0)是相空间的欧氏距离；Pb和Pc是光伏输出功率时间序列重构相空间中的相点；N是时间序列数据长度；m是嵌入维数；l是延迟量；M＝N-(m-1)l是重构相空间的相点个数；H(a)是阶跃函数，如式(2)所示。应用BDS(Brock-Dechert-Scheinkman)统计得到m和rd的恰当估计，取2≤m≤5，rd＝dσ/2(d＝1,2,3,4，σ为时间序列的标准差)。
其次，定义检测统计量。考虑时间序列数据有限性和数据间可能的相关性，将光伏出力时间序列p(i)分成l个长度为N/l的子序列，N趋向于无穷大时可得光伏出力检测统计量S(l)，如式(3)所示。
选取S(l)的第一个过零点作为光伏出力相空间重构最佳延迟量lopt。获取在相同的m和l下rd值对应S(l)最大值和最小值之差，定义不同嵌入维数m下上述差值的平均值为ΔS(l)，如式(4)所示。
选取的功率时间序列数据长度有限且存在噪声，S(l)不一定存在过零点，可取ΔS(l)的第一个局部极小值作为光伏出力时间序列相空间重构最佳延迟量lopt。
定义统计量Scor(l)，如式(5)所示。
Scor(l)＝|S(l)|+ΔS(l) (5)
确定Scor(l)的全局最小值，对应光伏出力平均轨迹周期的最优估计量l*。由式(6)可得最佳嵌入维数mopt。
mopt＝INT(l*/lopt)+2 (6)
由统计量曲线得光伏输出功率时间序列最佳嵌入维数mopt＝3，延迟量lopt＝11，平均轨迹周期l*＝13。
最后，重构光伏输出功率时间序列相空间。根据lopt和mopt重构相空间，如式(7)所示，得到光伏输出功率时间序列相图，如图1所示。
基于光伏功率时间序列相图，选取与预测中心点Pk具有相似变换规律的邻近点Pkj，(j＝1,2,3···,G)，计算邻近点权值Wj。
选取Pk作为光伏出力预测的中心点，Pkj(j＝1,2,3…,G)为与Pk具有相似变换规律的邻近点，G代表对应邻近点个数，dj为点Pkj到Pk的空间距离，定义dmin为所有邻近距离中的最小值，Pkj的权重值Wj，如式(8)所示：
基于上述计算结果，建立光伏出力加权一阶局域线性回归模型，计算最优线性拟合系数矩阵。
建立邻近点Pkj与其下一时刻的演化点Pkj+1之间的线性关系，如式(9)所示：
Pkj+1＝A+BPkj，j＝1,2,3…,G (9)
其中，A、B为线性拟合系数矩阵。由式(10)进行加权最小二乘法拟合。
将式(10)看成未知量为A、B的二元函数，两边求A、B的偏导数，解方程组得参数A、B。
S4基于最优线性拟合系数矩阵A、B，将预测中心点Pk带入式(9)，可得：
Pk+1＝A+BPk (11)
得到相空间中的一步预测点Pk+1，光伏出力的预测值对应为空间点向量Pk+1的最后一个值pk+1+(m-1)l。
下面将本发明的一种光伏输出功率超短期混沌预测方法预测值与实际值进行对比，以某光伏发电系统历史发电数据为依据，超短期预测时长在0～4小时之间，本实施例选取预测时长为1min，基于加入最新实测数据，剔出最远实测数据的循环预测思想，不断更新光伏输出功率时间序列，实现对晴朗天气(1月15日)、多云天气(1月16日)和阴天天气(1月17日)状况下的光伏输出功率预测，采用平均绝对百分比误差Emape、均方根误差Ermse和相关系数Er对预测精度进行评估。
不同天气状况下光伏输出功率超短期混沌预测方法的预测结果如图3所示。晴朗、多云和阴天天气状况下对应平均绝对百分比误差Emape分别为2.39％、4.80％和5.78％，均方根误差Ermse分别为3.12kW、9.21kW和1.36kW，相关系数Er分别为0.9993、0.9928和0.9982。可见，对于晴朗天气、多云天气和阴天天气，本发明提出的光伏输出功率超短期混沌预测方法都获得了很好的预测效果。

Claims (8)

1.一种基于光伏输出功率超短期混沌预测的光伏并网控制方法，所述超短期的时间长度在0～4小时之间，其特征在于，所述方法包括下列步骤：
1)采用C-C法获得光伏输出功率时间序列的最佳延迟量l和最佳嵌入维数m，重构光伏功率时间序列相空间；所述光伏功率时间序列相空间具体为：
其中，M为重构的光伏功率时间序列相空间点的个数，p(i)为光伏输出功率时间序列，i＝1,2,...,M+(m-1)l；Pk为重构的光伏功率时间序列相空间的点，k＝1,2,...,M；
2)根据步骤1)重构的光伏功率时间序列相空间，确定预测中心相空间点Pk，选取预测中心相空间点对应的邻近相空间点Pkj并计算邻近相空间点Pkj的权值Wj；
3)根据步骤2)得到的邻近相空间点Pkj的权值Wj，建立光伏出力加权一阶局域线性回归模型，计算最优线性拟合系数矩阵；
4)根据步骤3)得到的最优线性拟合系数矩阵，计算光伏输出功率预测值；
5)根据光伏输出功率预测值进行发电系统并网控制。
2.根据权利要求1所述的基于光伏输出功率超短期混沌预测的光伏并网控制方法，其特征在于，所述步骤2)具体为：
21)确定光伏输出功率预测值对应的相空间点的前一点为预测中心相空间点Pk；
22)选取预测中心相空间点Pk对应的邻近相空间点Pkj；
23)计算各邻近相空间点Pkj的权值Wj。
3.根据权利要求2所述的基于光伏输出功率超短期混沌预测的光伏并网控制方法，其特征在于，所述邻近相空间点Pkj与预测中心相空间点Pk具有相似变换规律。
4.根据权利要求2所述的基于光伏输出功率超短期混沌预测的光伏并网控制方法，其特征在于，所述权值具体为：
其中，G为邻近相空间点的个数，dj为邻近相空间点Pkj到预测中心相空间点Pk的空间距离，dmin为所有邻近相空间点Pkj到预测中心相空间点Pk的空间距离中的最小值。
5.根据权利要求1所述的基于光伏输出功率超短期混沌预测的光伏并网控制方法，其特征在于，所述步骤3)具体为：
31)建立光伏出力加权一阶局域线性回归模型，拟合邻近相空间点Pkj和下一时刻演化相空间点Pkj+1；
32)采用加权最小二乘法拟合线性回归方程，获得最优线性拟合系数矩阵A和B。
6.根据权利要求5所述的基于光伏输出功率超短期混沌预测的光伏并网控制方法，其特征在于，所述光伏出力加权一阶局域线性回归模型具体为：
Pkj+1＝A+BPkj。
7.根据权利要求5所述的基于光伏输出功率超短期混沌预测的光伏并网控制方法，其特征在于，所述采用加权最小二乘法拟合线性回归方程具体为：
其中，A和B作为未知量，计算得到最优线性拟合系数矩阵A和B。
8.根据权利要求1所述的基于光伏输出功率超短期混沌预测的光伏并网控制方法，其特征在于，所述光伏输出功率预测值通过下式计算：
Pk+1＝A+BPk
其中，Pk+1为光伏功率时间序列相空间中的一步预测相空间点，A和B为最优线性拟合系数矩阵，所述光伏输出功率预测值为一步预测相空间点Pk+1的最后一个值pk+1+(m-1)l。
CN201610843720.3A 2016-09-22 2016-09-22 一种光伏输出功率超短期混沌预测方法 Active CN106503828B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610843720.3A CN106503828B (zh) 2016-09-22 2016-09-22 一种光伏输出功率超短期混沌预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610843720.3A CN106503828B (zh) 2016-09-22 2016-09-22 一种光伏输出功率超短期混沌预测方法

Publications (2)

Publication Number Publication Date
CN106503828A CN106503828A (zh) 2017-03-15
CN106503828B true CN106503828B (zh) 2019-12-27

Family

ID=58290421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610843720.3A Active CN106503828B (zh) 2016-09-22 2016-09-22 一种光伏输出功率超短期混沌预测方法

Country Status (1)

Country Link
CN (1) CN106503828B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110265996B (zh) * 2019-02-26 2023-04-07 国网吉林省电力有限公司 一种适于光伏/风电功率预测的时间特征尺度建模方法
CN112132328A (zh) * 2020-09-04 2020-12-25 国网上海市电力公司 一种光伏输出功率超短期局域情绪重构神经网络预测方法
CN117154724B (zh) * 2023-10-31 2024-02-23 山东中瑞电气有限公司 光伏发电功率预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104616473A (zh) * 2015-02-08 2015-05-13 张朝利 一种大型水利工程渗流实时监测系统及其趋势预测方法
CN105006837B (zh) * 2015-07-23 2017-03-08 广西师范大学 基于非线性动力学特性的光伏微网灾变预测方法及装置
CN105184404B (zh) * 2015-08-31 2018-12-18 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

Also Published As

Publication number Publication date
CN106503828A (zh) 2017-03-15

Similar Documents

Publication Publication Date Title
CN109524993B (zh) 用于中长期优化调度的风电光伏典型周出力场景生成方法
CN106529814B (zh) 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法
WO2017054537A1 (zh) 一种长时间尺度光伏出力时间序列建模方法及装置
CN110909919A (zh) 融合注意力机制的深度神经网络模型的光伏功率预测方法
Nuño et al. On the simulation of aggregated solar PV forecast errors
CN104268659B (zh) 一种光伏电站发电功率超短期预测方法
CN109086928A (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN105426956A (zh) 一种超短期光伏预测方法
CN106875033A (zh) 一种基于动态自适应的风电集群功率预测方法
CN106503828B (zh) 一种光伏输出功率超短期混沌预测方法
CN109255728B (zh) 混沌相空间优化重构的光伏发电功率神经网络预测法
CN108717579B (zh) 一种短期风电功率区间预测方法
CN112668806B (zh) 一种基于改进随机森林的光伏功率超短期预测方法
CN114819374A (zh) 区域新能源超短期功率预测方法及系统
Phan et al. Short-term Solar Power Forecasting Using XGBoost with Numerical Weather Prediction
CN116629416A (zh) 光伏电站功率预测方法及装置
CN104537233B (zh) 一种基于核密度估计的配电网伪量测生成方法
CN115081597A (zh) 一种基于机器学习的以电核碳方法、系统、设备和介质
CN110852492A (zh) 一种基于马氏距离找相似的光伏功率超短期预测方法
CN105654189B (zh) 基于时间序列分析与卡尔曼滤波算法的覆冰短期预测方法
CN111967660B (zh) 一种基于svr的超短期光伏预测残差修正方法
CN117060407B (zh) 一种基于相似日划分的风电集群功率预测方法及系统
CN109767353A (zh) 一种基于概率分布函数的光伏发电功率预测方法
CN111984906B (zh) 考虑光伏与负荷时序相关性的概率潮流快速计算方法
CN110458344A (zh) 一种自适应时间分辨率的超短期风电功率预测方法

Legal Events

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