CN106503833A - 基于支持向量机算法的光伏发电短期功率滚动预测方法 - Google Patents

基于支持向量机算法的光伏发电短期功率滚动预测方法 Download PDF

Info

Publication number
CN106503833A
CN106503833A CN201610867319.3A CN201610867319A CN106503833A CN 106503833 A CN106503833 A CN 106503833A CN 201610867319 A CN201610867319 A CN 201610867319A CN 106503833 A CN106503833 A CN 106503833A
Authority
CN
China
Prior art keywords
data
power
day
prediction
future position
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
CN201610867319.3A
Other languages
English (en)
Inventor
王继东
宋智林
冉冉
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201610867319.3A priority Critical patent/CN106503833A/zh
Publication of CN106503833A publication Critical patent/CN106503833A/zh
Pending legal-status Critical Current

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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • 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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于支持向量机算法的光伏发电短期功率滚动预测方法，以相似日的发电功率和预测日当天气预报数据作为预测模型的输入量，对次日一天的光伏发电功率进行预测，到次日之后，随着实际功率数据的采集，再以次日各预测点的实际输出功率与预测功率不断滚动向前进行对比，当预测点不满足给定预测精度要求时，以当日实际功率和实测天气数据为输入数据，建立新的PSO‑SVM预测模型，对后期预测点的功率进行修正预测。本发明能够提高预测精度。

Description

基于支持向量机算法的光伏发电短期功率滚动预测方法
技术领域
本发明属于光伏发电功率预测技术领域，涉及一种光伏发电短期功率滚动预测方法。
背景技术
光伏发电具有污染少、规模灵活等优点，得到了广泛应用。但由于光伏发电系统受环境因素影响明显，存在不确定性、波动性、间歇性等特点，不利于电网的安全调度和能量管理，增加了电网的运行风险。因此，对光伏发电的短期功率进行预测，可以更加全面的反映光伏发电的不确定性，对于电网规划和稳定运行具有重要的意义。
目前针对光伏发电功率的预测方法多为确定性预测，即利用统计学原理，根据影响光伏发电功率的环境因素数据和历史发电数据，建立各种数学预测模型，实现对未来光伏发电系统出力的短期功率预测。有很多文献光伏发电功率短期预测方法进行了研究，例如：BP神经网络法、灰色神经网络法。
发明内容
本发明的目的是提供一种新的能够提高预测精度的光伏发电短期功率滚动预测方法，本发明应用灰色关联系数法确定待预测日的相似日，采用改进支持向量机算法，即PSO-SVM算法，进行短期光伏发电功率预测模型的构建，以当日实际功率和实测天气数据为参考对后期预测点的功率进行修正预测，以提高预测模型的预测精度。技术方案如下：
一种基于支持向量机算法的光伏发电短期功率滚动预测方法，以相似日的发电功率和预测日当天气预报数据作为预测模型的输入量，对次日一天的光伏发电功率进行预测，到次日之后，随着实际功率数据的采集，再以次日各预测点的实际输出功率与预测功率不断滚动向前进行对比，当预测点不满足给定预测精度要求时，以当日实际功率和实测天气数据为输入数据，建立新的PSO-SVM预测模型，对后期预测点的功率进行修正预测。步骤如下：
步骤1：选择相似日：选择以对光伏发电功率影响最为明显的光照强度与温度数据作为相似日选择的环境因素判别依据，以相似度最大的历史日作为待预测日的相似日；
步骤2：数据预处理：选取光伏发电系统的历史功率数据和对应的天气因素数据，建立训练数据集与测试数据集，剔除坏数据，并将数据进行归一化；
步骤3：初始化模型参数：对PSO算法中的种群规模、迭代次数、初始粒子的速度和位置以及粒子的速度和位置的变化范围进行设定，对SVM算法中的正规化参数C，以及核参数σ进行初始化；
步骤4：确定最优模型参数：利用历史功率数据和对应的天气因素数据，通过PSO算法，对正规化参数C，以及核参数σ进行寻优，确定其最优参数值；
步骤5：建立PSO-SVM预测模型：根据PSO算法得到的最优参数值，建立光伏发电系统短期发电功率的预测模型，输出光伏发电系统的短期功率，对提前一天的功率进行预测；预测模型的输入数据包括两类，分别是环境数据和功率数据，环境数据为待预测点前一时刻的环境实测数据，包括实测温度数据和光照强度数据，功率数据包括相似日该预测点的功率数据以及相似日中该预测点前后两个相邻时间点的功率数据；而当预测精度不满足要求时，预测模型的输入数据为：相似日中该预测点及前后两个相邻预测点的功率数据、预测日该预测点连续前三个预测点的实测功率数据和包括实测温度数据和光照强度数据在内的天气数据；模型的输出数据即为预测点的预测功率数据；
步骤6：滚动预测：以次日各预测点的实际输出功率与预测功率进行对比，当预测精度不满足要求时，以预测点的实际功率和实测天气数据重新作为模型输出量，下一个预测点的功率进行修正预测。
本发明建立的基于改进支持向量机的光伏系统发电短期功率的滚动预测模型，通过分析影响光伏发电功率的天气因素，并根据天气因素数据采用灰色关联系数法实现预测日的相似日选取，以相似日的发电功率和预测日当天气预报数据作为预测模型的输入量，对次日一天的光伏发电功率进行预测，到次日之后，随着实际功率数据的采集，再以次日各预测点的实际输出功率与预测功率不断滚动向前进行对比，当预测点不满足给定预测精度要求时，以当日实际功率和实测天气数据为参考对后期预测点的功率进行修正预测。仿真算例表明本发明提出的光伏发电短期功率滚动预测模型结构简单，满足一定的预测精度要求，具有一定的工程实用价值。
附图说明
图1滚动预测模型核心结构图
图2滚动预测模型的流程图
图3提前一天的预测结果
图4提前一天的预测结果相对误差
图5滚动预测模型的预测结果
图6滚动预测模型的预测结果相对误差
具体实施方式
下面结合附图和实施例对本发明进行说明。
(1)相似日的选取
光伏系统的发电出力受诸多因素的影响，包括地理位置、辐照角度等固定环境因素，也包括光照强度、温度、湿度、云量等可变环境因素，还有转换效率等与自身装置特性相关的因素。通过分析不同的环境因素对光伏发电功率的影响作用，最终，选择以对光伏发电功率影响最为明显的光照强度与温度数据作为相似日选择的环境因素判别依据。
选取的每日气象特征向量如式所示：
xi＝[xi(1),xi(2),xi(3),xi(4)]＝[thi,tli,lhi,lli]
\*MERGEFORMAT(1)
其中，thi表示第i日最高温度，tli表示第i日最低温度，lhi表示第i日最大光照强度，lli表示第i日最小光照强度。
以x0表示待预测日，则待预测日x0与第i个历史日xi的第j个特征分量的关联系数技术方式如式所示：
其中，ρ一般取为0.5。
待预测日x0与第i个历史日xi的相似度定义公式如式所示：
以相似度最大的历史日作为待预测日的相似日。
(2)支持向量机算法
支持向量机(SupportVectorMachine，SVM)实现的是包含一个隐层的多层感知器，隐层节点数和网络权重是由算法自动计算而得。
对于给定样本{(xi,yi)}(i＝1,2,…,n)，其中n为样本容量，xi为输入向量，yi为相应的输出数据。支持向量机采用非线性映射Rn→Rm(m≥n)将输入量映射到高维特征空间，再采用如式所示的线性函数实现回归预测：
其中为所映射到的高维度特征空间，ω为其权重向量，b为位置的偏移量。为实现SVM的结构风险最小化原理，对风险函数如式所示进行定义：
其中ε为偏置量，称为损失参数。为了训练参数b与ω，需要极小化如如式所示函数。
其中，ε为损失参数；为经验误差；与称为正规项；C是正规化参数，亦称为泛化系数，用来决定经验误差跟正规项之间的比重。
为求解上述最优化问题，导入松弛变量ζ与ζ*，并引入Lagrange函数构造如所示等式：
其中，i＝1,2,···,m；根据L的极值条件，并将ω代回公式(4)，可得到回归估计函数如式所示：
令则公式(8)变为式所示形式。
其中k(x,xi)则称为核函数。通过式(9)可以避开对权值向量ω计算，在已知Lagrange算子αi,以及核函数k(x,xi)的条件下便可以计算f(x)。
本发明选择高斯函数作为预测模型的核函数，其具体表达公式如式所示。
其中，σ为高斯参数。
(3)粒子群优化算法
粒子群算法(ParticleSwarmOptimization，PSO)是一种基于群体智能的全局随机搜索寻优算法。设搜索空间维度为D维，由N个粒子组成一个群落x＝(x1,x2,…,xN)，第i个粒子表示一个D维向量xi＝(xi1,xi2,…,xiD)，粒子的向量由粒子在空间中的位置、粒子自身的速度以及个体的历史最优位置三部分构成，其中当前位置表示为xi＝(xi1,xi2,…,xiD)；历史最优位置表示为：pi＝(pi1,pi2,…,piD)；粒子速度表示为：vι＝(vi1,vi2,…,viD)；同时，记种群的全局极值Pg＝(Pg1,Pg2,…,PgD)。
对于每一个粒子，其位置与速度按照公式与公式更新。
其中d＝1,2,…,D，i＝1,2,…,N，c1和c2为非负常数；rand()是[0,1]内的随机数；ω为惯性权重，决定了粒子先前经验对当前速度的影响。
通过改进粒子速度与位置的更新公式，使速度与位置能够具有自适应的时变特性，实现粒子在搜索空间总的精细话搜索，提高搜索精度，从而达到全局寻优的目的。
对每一个粒子依据式设定不同的速度：
其中称为粒子i在第d维的基准速度分量；称为粒子i在第d维的搜索速度分量，1≤j≤k+1；称为粒子i在第d维的基准位置分量；称为粒子i在第d维的搜索位置分量；a(m)称为速度变化系数，用以确定两个速度之间的关系，其值的确定公式如式所示。
惯性权重ω影响粒子群算法的寻优能力，惯性权重ω的计算公式如式所示。
(4)光伏发电短期功率的滚动预测模型
本发明构建了一种基于PSO优化SVM的光伏发电短期功率滚动预测模型。首先以相似日的发电功率和预测日当天气预报数据作为预测模型的输入量，对次日一天的光伏发电功率进行预测，到次日之后，随着实际功率数据的采集，再以次日各预测点的实际输出功率与预测功率不断滚动向前进行对比，当预测点不满足给定预测精度要求时，以当日实际功率和实测天气数据为输入数据，建立新的PSO-SVM预测模型，对后期预测点的功率进行修正预测。模型的核心结构图如图1所示。
图2所示为基于粒子群优化支持向量机预测模型的流程图。主要步骤如下：
(a).数据预处理：选取光伏发电系统的历史功率数据和对应的天气因素数据，建立训练数据集与测试数据集，剔除坏数据，并将数据进行归一化。
(b).初始化模型参数：对PSO算法中的种群规模、迭代次数、初始粒子的速度和位置以及粒子的速度和位置的变化范围进行设定，对SVM算法中的正规化参数C，以及核参数σ进行初始化。文中粒子群的种群大小设定为30，迭代次数设为100，粒子的初始速度设置为0到1之间的随机数，初始位置即为待预测参数的初始值，设定为0。
(c).确定最优模型参数：利用PSO算法，对正规化参数C，以及核参数σ进行寻优，确定其最优参数值。
(d).建立PSO-SVM预测模型：根据PSO算法得到的最优参数值，建立光伏发电系统短期发电功率的预测模型，输出光伏发电系统的短期功率。其中对提前一天的功率进行预测时，预测模型的输入数据包括两类，分别是环境数据和功率数据，其中，环境数据为待预测点前一时刻的环境实测数据，包括实测温度数据和光照强度数据，文中数据均采用15min作为采样间隔；功率数据包括相似日该预测点的功率数据以及相似日中该预测点前后两个相邻时间点的功率数据。而当预测精度不满足要求时，其模型的输入数据为：相似日中该预测点及前后两个相邻预测点的功率数据、预测日该预测点连续前三个预测点的实测功率数据和天气数据(实测温度数据和光照强度数据)。模型的输出数据即为预测点的预测功率数据。
(e).滚动预测：以次日各预测点的实际输出功率与预测功率进行对比，当预测精度不满足要求时，以预测点的实际功率和实测天气数据重新作为模型输出量，下一个预测点的功率进行修正预测。
为了验证本发明所提预测模型的有效性，以天津某地光伏发电站为例进行算例分析。
模型采用2013年的夏季数据作为模型的样本数据，每日光伏功率发电数据的采样时间段取7:00到18:00，以15min为一采样时间间隔。
首先对提前一天的光伏功率进行预测，其预测预测结果和相对误差如图3和图4所示，文中的预测精度要求设定为12％，经次日实际输出功率修正之后，滚动预测模型的预测结果和相对误差分别如图5和图6所示。
从图3和图4中可以看出，改进SVM预测模型的预测精度要比未改进之前的预测精度高。未经PSO优化之前，预测模型的预测结果的相对误差基本维持在10％-15％之前，而经PSO优化之后，预测结果的相对误差明显得到改善，基本在9％-13％之间。可以看出PSO-SVM预测模型明显比SVM预测模型的预测精度高。
从图5和图6中可以看出，结合次日实际输出功率之后，滚动预测模型的预测精度要比提前一天的预测结果的精度高，图中可以看出，在9：00之前，预测模型的预测精度满足要求，输出功率仍然沿用提前一天预测的结果，9：00之后，预测模型不能满足精度要求，则根据实测的系统输出功率和天气数据对功率进行重新预测，其结果如图5和图6所示，预测精度明显提高。
从图6中可以看出，运用实测天气数据和功率数据进行预测，预测精度明显提高，但是在16：00以后，由于光照强度明显降低，其测量值的误差相对变大，所以预测模型的预测结果误差值也相对变大，但是在9：00-16：00之间的这段时间，预测模型的预测精度明显比提前一天进行预测的预测精度高。
可以看出，本发明提出的滚动预测模型保留了传统的短期预测模型的优点，即可以提前一天对系统输出功率进行预测，但同时，结合次日实际天气数据和功率数据，对提前一天的预测结果进行验证，当不满足设定的预测精度要求时，可以及时对预测结果进行修正，提高预测模型的预测精度。

Claims (1)

1.一种基于支持向量机算法的光伏发电短期功率滚动预测方法，以相似日的发电功率和预测日当天气预报数据作为预测模型的输入量，对次日一天的光伏发电功率进行预测，到次日之后，随着实际功率数据的采集，再以次日各预测点的实际输出功率与预测功率不断滚动向前进行对比，当预测点不满足给定预测精度要求时，以当日实际功率和实测天气数据为输入数据，建立新的PSO-SVM预测模型，对后期预测点的功率进行修正预测。步骤如下：
步骤1：选择相似日：选择以对光伏发电功率影响最为明显的光照强度与温度数据作为相似日选择的环境因素判别依据，以相似度最大的历史日作为待预测日的相似日；
步骤2：数据预处理：选取光伏发电系统的历史功率数据和对应的天气因素数据，建立训练数据集与测试数据集，剔除坏数据，并将数据进行归一化；
步骤3：初始化模型参数：对PSO算法中的种群规模、迭代次数、初始粒子的速度和位置以及粒子的速度和位置的变化范围进行设定，对SVM算法中的正规化参数C，以及核参数σ进行初始化；
步骤4：确定最优模型参数：利用历史功率数据和对应的天气因素数据，通过PSO算法，对正规化参数C，以及核参数σ进行寻优，确定其最优参数值；
步骤5：建立PSO-SVM预测模型：根据PSO算法得到的最优参数值，建立光伏发电系统短期发电功率的预测模型，输出光伏发电系统的短期功率，对提前一天的功率进行预测；预测模型的输入数据包括两类，分别是环境数据和功率数据，环境数据为待预测点前一时刻的环境实测数据，包括实测温度数据和光照强度数据，功率数据包括相似日该预测点的功率数据以及相似日中该预测点前后两个相邻时间点的功率数据；而当预测精度不满足要求时，预测模型的输入数据为：相似日中该预测点及前后两个相邻预测点的功率数据、预测日该预测点连续前三个预测点的实测功率数据和包括实测温度数据和光照强度数据在内的天气数据；模型的输出数据即为预测点的预测功率数据；
步骤6：滚动预测：以次日各预测点的实际输出功率与预测功率进行对比，当预测精度不满足要求时，以预测点的实际功率和实测天气数据重新作为模型输出量，下一个预测点的功率进行修正预测。
CN201610867319.3A 2016-09-30 2016-09-30 基于支持向量机算法的光伏发电短期功率滚动预测方法 Pending CN106503833A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610867319.3A CN106503833A (zh) 2016-09-30 2016-09-30 基于支持向量机算法的光伏发电短期功率滚动预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610867319.3A CN106503833A (zh) 2016-09-30 2016-09-30 基于支持向量机算法的光伏发电短期功率滚动预测方法

Publications (1)

Publication Number Publication Date
CN106503833A true CN106503833A (zh) 2017-03-15

Family

ID=58290936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610867319.3A Pending CN106503833A (zh) 2016-09-30 2016-09-30 基于支持向量机算法的光伏发电短期功率滚动预测方法

Country Status (1)

Country Link
CN (1) CN106503833A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009689A (zh) * 2017-12-22 2018-05-08 北京金风慧能技术有限公司 风速修正模型训练、风速修正方法、装置及风力发电机组
CN110210675A (zh) * 2019-06-06 2019-09-06 国网湖南省电力有限公司 基于局地动力相似的风电场中期功率的预测方法及系统
CN110826794A (zh) * 2019-10-31 2020-02-21 上海电力大学 基于pso优化svm的电厂耗煤基准值滚动预测方法和装置
CN111066562A (zh) * 2019-12-24 2020-04-28 北京农业信息技术研究中心 一种葡萄霜霉病预测方法及系统
CN111178629A (zh) * 2019-12-30 2020-05-19 国能日新科技股份有限公司 基于多模型的电场功率短期预测方法及装置
CN111242359A (zh) * 2020-01-06 2020-06-05 南京林业大学 一种基于数据漂移的太阳辐射在线动态预测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009689A (zh) * 2017-12-22 2018-05-08 北京金风慧能技术有限公司 风速修正模型训练、风速修正方法、装置及风力发电机组
CN110210675A (zh) * 2019-06-06 2019-09-06 国网湖南省电力有限公司 基于局地动力相似的风电场中期功率的预测方法及系统
CN110826794A (zh) * 2019-10-31 2020-02-21 上海电力大学 基于pso优化svm的电厂耗煤基准值滚动预测方法和装置
CN111066562A (zh) * 2019-12-24 2020-04-28 北京农业信息技术研究中心 一种葡萄霜霉病预测方法及系统
CN111178629A (zh) * 2019-12-30 2020-05-19 国能日新科技股份有限公司 基于多模型的电场功率短期预测方法及装置
CN111242359A (zh) * 2020-01-06 2020-06-05 南京林业大学 一种基于数据漂移的太阳辐射在线动态预测方法

Similar Documents

Publication Publication Date Title
Gao et al. Day-ahead power forecasting in a large-scale photovoltaic plant based on weather classification using LSTM
Behera et al. Solar photovoltaic power forecasting using optimized modified extreme learning machine technique
Liu et al. Forecasting power output of photovoltaic system using a BP network method
CN106503833A (zh) 基于支持向量机算法的光伏发电短期功率滚动预测方法
Semero et al. A PSO-ANFIS based hybrid approach for short term PV power prediction in microgrids
CN105631483A (zh) 一种短期用电负荷预测方法及装置
Al-Sbou et al. Nonlinear autoregressive recurrent neural network model for solar radiation prediction
CN104951834A (zh) 基于遗传算法和粒子群集成的lssvm风速预测方法
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
EP3576029A1 (en) Method and device for determining energy system operating scenarios
Wang et al. Deep learning based irradiance mapping model for solar PV power forecasting using sky image
CN108090563A (zh) 一种基于bp神经网络的电能量预测方法
CN112381282B (zh) 基于宽度学习系统的光伏发电功率预测方法
Luo et al. Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine
Jumaat et al. Prediction of Photovoltaic (PV) output using artificial neutral network (ANN) based on ambient factors
CN109858665A (zh) 基于特征筛选与anfis-pso的光伏短期功率预测方法
CN111008790A (zh) 一种水电站群发电调度规则提取方法
Niu et al. Short term load forecasting model using support vector machine based on artificial neural network
Cheng et al. Short-term power load forecasting based on improved online ELM-K
CN114611805A (zh) 一种净负荷预测方法、装置、电子设备及存储介质
Liu et al. A novel photovoltaic power output forecasting method based on weather type clustering and wavelet support vector machines regression
Dralus et al. One day-ahead forecasting at different time periods of energy production in photovoltaic systems using neural networks
Niu et al. Short term load forecasting model based on support vector machine
Đaković et al. Deep neural network configuration sensitivity analysis in wind power forecasting
CN106709587A (zh) 一种基于常规天气预报的直接辐射预测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170315