CN106709586B - 一种风电场短期风速预测方法和系统 - Google Patents
一种风电场短期风速预测方法和系统 Download PDFInfo
- Publication number
- CN106709586B CN106709586B CN201510434388.0A CN201510434388A CN106709586B CN 106709586 B CN106709586 B CN 106709586B CN 201510434388 A CN201510434388 A CN 201510434388A CN 106709586 B CN106709586 B CN 106709586B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- parameter
- function component
- latest
- preset
- 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
Images
Landscapes
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明实施例公开了一种风电场短期风速预测方法和系统，方法包括：识别并按照第一预设变换分解当前含噪风速混沌时间序列，得到多个固有模态函数分量；构建针对各固有模态函数分量的预设参数，调用预设算法对所述预设参数进行估计，得到参数集；基于所述参数集更新所述各固有模态函数分量，并选取与各最新固有模态函数分量匹配的方案集和属性集；对所述各最新固有模态函数分量进行预测，并依据预设准则计算各最新固有模态函数分量相应的最优多属性决策预测值；组合所述最优多属性决策预测值，并按照所述第一预设变换的反变换计算当前风速预测值。应对复杂多变的风电场短期风速变化情况，提高了预测准确性。
Description
技术领域
本发明涉及风电场风速预测技术领域，更具体地说，涉及一种基于组合预测理论的风电场短期风速预测方法。
背景技术
风能是一种可再生的清洁能源，在当前全球能源危机和环境危机的情况下，风力发电受到普遍重视和推广。
主要利用风力实现发电及全部使用风力发电的电网系统，会受到风能随机性、间歇性等特性的影响，电网运行时必须留有足够的备用机组和调峰容量，以保证风电出现大幅度波动时系统电压和频率等保持稳定。因而能够准确预测风电场风速的方法显得尤为重要。
然而现有针对风电场风速的预测方法为采用固定的一种或几种预测方法的组合，嵌入处理器中由计算机完成预测，因而存在预测模型固定，在将面临复杂多变的风电场风速变化情况，存在预测准确性差的技术问题。
发明内容
有鉴于此，本发明提供一种风电场短期风速预测方法和系统，以实现应对复杂多变的风电场短期风速变化情况，提高预测准确性。
一种风电场短期风速预测方法，包括：
识别并按照第一预设变换分解当前含噪风速混沌时间序列，得到多个固有模态函数分量；
构建针对各固有模态函数分量的预设参数，调用预设算法对所述预设参数进行估计，得到参数集；
基于所述参数集更新所述各固有模态函数分量，并选取与各最新固有模态函数分量匹配的方案集和属性集；
按照所述方案集和属性集的预测方法，分别对所述各最新固有模态函数分量进行预测，并依据预设准则计算各最新固有模态函数分量相应的最优多属性决策预测值；
组合各最新固有模态函数分量相应的最优多属性决策预测值，并按照所述第一预设变换的反变换计算当前风速预测值。
优选地，识别并按照第一预设变换分解当前含噪风速混沌时间序列，包括：
利用经验模态分解EMD对所述含噪风速混沌时间序列进行分解，得到IMF1，IMF2，...，IMFq，rn，其中：
IMFq为含噪风速混沌时间序列的固有模态函数分量，rn为含噪风速混沌时间序列的残余项。
优选地，构建针对各固有模态函数分量的预设参数包括：
抓取与所述各固有模态函数分量对应的第一参数和第二参数，所述第一参数为嵌入维数m，所述第二参数为时间延迟τ；
构建所述第一参数与第二参数在高维相空间中信息熵优化模型；
调用预设算法对所述预设参数进行估计包括：利用基于量子并行特性的粒子群优化算法对所述第一参数与第二参数进行估计；
优选地，按照所述方案集和属性集的预测方法，分别对所述各最新固有模
态函数分量进行预测，包括：
按照所述方案集和属性集的预测方法，分别对所述各最新固有模态函数分量计算单项方案的预测误差相关性；
依据预设准则计算各最新固有模态函数分量相应的最优多属性决策预测值包括：
依据离差最大化准则计算各最新固有模态函数分量相应的最优多属性决策预测值。
优选地，利用经验模态分解EMD对所述含噪风速混沌时间序列进行分解时，还包括：
利用克里格估计法延拓所述当前含噪风速混沌时间序列的边界；
依据所述EMD对延拓后的数据序列进行分解，得到延拓分解数据；
截掉所述延拓分解数据。
本发明还披露了：
一种风电场短期风速预测系统，包括：
分解单元：用于识别并按照第一预设变换分解当前含噪风速混沌时间序列，得到多个固有模态函数分量；
预测单元，包括：
第一子单元，用于构建针对各固有模态函数分量的预设参数，调用预设算法对所述预设参数进行估计，得到参数集；
第二子单元，用于基于所述参数集更新所述各固有模态函数分量，并选取与各最新固有模态函数分量匹配的方案集和属性集；
第三子单元，用于按照所述方案集和属性集的预测方法，分别对所述各最新固有模态函数分量进行预测，并依预设计算各最新固有模态函数分量相应的最优多属性决策预测值；
组合单元，用于组合各最新固有模态函数分量相应的最优多属性决策预测值，并按照所述第一预设变换的反变换计算当前风速预测值。
优选地，所述分解单元具体实现：利用经验模态分解EMD对所述含噪风速混沌时间序列进行分解，得到IMF1，IMF2，...，IMFq，rn，其中：
IMFq为含噪风速混沌时间序列的固有模态函数分量，rn为含噪风速混沌时间序列的残余项。
优选地，所述第一子单元具体实现：
抓取与所述各固有模态函数分量对应的第一参数和第二参数，所述第一参数为嵌入维数m，所述第二参数为时间延迟τ；
构建所述第一参数与第二参数在高维相空间中信息熵优化模型；
利用基于量子并行特性的粒子群优化算法对所述第一参数与第二参数进行估计。
优选地，所述第三子单元具体实现为：
按照所述方案集和属性集的预测方法，分别对所述各最新固有模态函数分量计算单项方案的预测误差相关性；
依据离差最大化准则计算各最新固有模态函数分量相应的最优多属性决策预测值。
优选地，该系统还包括：边界处理单元，用于在利用经验模态分解EMD对所述含噪风速混沌时间序列进行分解时，
利用克里格估计法延拓所述当前含噪风速混沌时间序列的边界；
依据所述EMD对延拓后的数据序列进行分解，得到延拓分解数据；
截掉所述延拓分解数据。
从上述的技术方案可以看出，本发明实施例一种风电场短期风速预测方法和系统，克服传统预测策略由于在多变的短期风速场景下，均使用固定预测方法而存在的准确性低下的局限，通过对当前风速的混沌时间序列进行分解、分量参数补偿跟新，方案集与属性集针对每个分量的预测，并在计算最优多属性决策预测值后，对各分量进行重新组合和反向变换，达到直接预测模型对预测结果进行误差修正补偿，结合多种智能预测模型，为提高短期风速的预测精度提供可靠方法，实现了应对复杂多变的风电场短期风速变化情况，提高预测准确性的技术目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种风电场短期风速预测方法流程图；
图2为本发明实施例公开的一种风电场短期风速预测方法中构建针对各固有模态函数分量的预设参数方法流程图；
图3为本发明实施例公开的一种边界处理方法流程图；
图4为本发明实施例公开的一种风电场短期风速预测方法系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种风电场短期风速预测方法和系统，以实现应对复杂多变的风电场短期风速变化情况，提高预测准确性。
图1示出了一种风电场短期风速预测方法，包括：
S11：识别并按照第一预设变换分解当前含噪风速混沌时间序列，得到多个固有模态函数分量；
在该步骤中，具体利用经验模态分解EMD对所述含噪风速混沌时间序列进行分解，得到IMF1，IMF2，...，IMFq，rn，其中：
IMFq为含噪风速混沌时间序列的固有模态函数分量，rn为含噪风速混沌时间序列的残余项。
S12：构建针对各固有模态函数分量的预设参数，调用预设算法对所述预设参数进行估计，得到参数集；
参见图2，该步骤可优选具体实现为：
S21：抓取与所述各固有模态函数分量对应的第一参数和第二参数，所述第一参数为嵌入维数m，所述第二参数为时间延迟τ；
S22：构建所述第一参数与第二参数在高维相空间中信息熵优化模型；
S23：利用基于量子并行特性的粒子群优化算法对所述第一参数与第二参数进行估计。
所述第一参数与所述第二参数通过量子并行特性选取，通过对量子编码、分割、适应性计算提高对多维度空间内粒子群的收敛性，对量子状态进行更新以达到目标值为最优结果，以对固有模态函数分量进行补偿性更新。
S13：基于所述参数集更新所述各固有模态函数分量，并选取与各最新固有模态函数分量匹配的方案集和属性集；
更新后的固有模态函数分量具有更为优化的计算特性，选取与当前分量匹配的方案集和属性集，其中，方案集包括BP神经网络、RBF神经网络、自组织特征映射网络、ELMAN神经网络、Hopfield网络、支持向量机(SVM)以及量子神经网络等。
属性集包括平均绝对误差、均方误差、平均绝对百分比误差和最大绝对误差等。
S14：按照所述方案集和属性集的预测方法，分别对所述各最新固有模态函数分量进行预测，并依离预设计算各最新固有模态函数分量相应的最优多属性决策预测值；
按照所述方案集和属性集的预测方法，分别对所述各最新固有模态函数分量计算单项方案的预测误差相关性。
在不同的风力发电场址以及不同的时间段条件下，风速所具有的特性差异较大，为了提高含噪风速混沌时间序列预测的可靠性和精度，因而对每个分量计算多种单项预测模型的预测误差相关性，确定用于组合预测的智能单项预测模型。
所述依据预设准则计算各最新固有模态函数分量相应的最优多属性决策预测值具体实现为：
依据离差最大化准则计算各最新固有模态函数分量相应的最优多属性决策预测值。需要说明的是，所述离差最大化准则作为优选在该实施例中调用，并不局限于该种实现方式。
S15：组合各最新固有模态函数分量相应的最优多属性决策预测值，并按照所述第一预设变换的反变换计算当前风速预测值。
将分量预测值进行EMD反变换，得到最终风速预测值，在对组合预测结果的有效性进行验证的基础上，最终建立以组合预测实现方式的短期风速预测系统。
参见图3，利用经验模态分解EMD对所述含噪风速混沌时间序列进行分解包括：
S31：利用克里格估计法延拓所述当前含噪风速混沌时间序列的边界；
S32：依据所述EMD对延拓后的数据序列进行分解，得到延拓分解数据；
S33：截掉所述延拓分解数据。
由于经验模态分解EMD存在端点效应问题，利用其对含噪风速混沌时间序列分解，会导致经过分解的信号端点部分无法正确反映信号所包含的信息。为了保证分解结果的有效性，提出利用克里格估计方法对含噪混沌时间序列进行延拓和预测，以解决经验模态分解中的端点效应问题。
图4示出了一种风电场短期风速预测系统，包括：
分解单元41：用于识别并按照第一预设变换分解当前含噪风速混沌时间序列，得到多个固有模态函数分量；
优选地，所述分解单元41具体实现：利用经验模态分解EMD对所述含噪风速混沌时间序列进行分解，得到IMF1，IMF2，...，IMFq，rn，其中：
IMFq为含噪风速混沌时间序列的固有模态函数分量，rn为含噪风速混沌时间序列的残余项；
预测单元，包括：
第一子单元42，用于构建针对各固有模态函数分量的预设参数，调用预设算法对所述预设参数进行估计，得到参数集；
优选地，该第一子单元42具体实现：
抓取与所述各固有模态函数分量对应的第一参数和第二参数，所述第一参数为嵌入维数m，所述第二参数为时间延迟τ；
构建所述第一参数与第二参数在高维相空间中信息熵优化模型；
利用基于量子并行特性的粒子群优化算法对所述第一参数与第二参数进行估计；
第二子单元43，用于基于所述参数集更新所述各固有模态函数分量，并选取与各最新固有模态函数分量匹配的方案集和属性集；
第三子单元44，用于按照所述方案集和属性集的预测方法，分别对所述各最新固有模态函数分量进行预测，并依据预设准则计算各最新固有模态函数分量相应的最优多属性决策预测值；
优选地，所述第三子单元43具体实现为：
按照所述方案集和属性集的预测方法，分别对所述各最新固有模态函数分量计算单项方案的预测误差相关性；
依据离差最大化准则计算各最新固有模态函数分量相应的最优多属性决策预测值。
组合单元45，用于组合各最新固有模态函数分量相应的最优多属性决策预测值，并按照所述第一预设变换的反变换计算当前风速预测值。
优选地，该系统还包括：边界处理单元46，用于在利用经验模态分解EMD对所述含噪风速混沌时间序列进行分解时，
利用克里格估计法延拓所述当前含噪风速混沌时间序列的边界；
依据所述EMD对延拓后的数据序列进行分解，得到延拓分解数据；
截掉所述延拓分解数据。
对于系统实施例而言，由于其基本相应于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
综上所述：
本发明实施例一种风电场短期风速预测方法和系统，克服传统预测策略由于在多变的短期风速场景下，均使用固定预测方法而存在的准确性低下的局限，通过对当前风速的混沌时间序列进行分解、分量参数补偿跟新，方案集与属性集针对每个分量的预测，并在计算最优多属性决策预测值后，对各分量进行重新组合和反向变换，达到直接预测模型对预测结果进行误差修正补偿，结合多种智能预测模型，为提高短期风速的预测精度提供可靠方法，实现了应对复杂多变的风电场短期风速变化情况，提高预测准确性的技术目的。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本领域技术人员可以理解，可以使用许多不同的工艺和技术中的任意一种来表示信息、消息和信号。例如，上述说明中提到过的消息、信息都可以表示为电压、电流、电磁波、磁场或磁性粒子、光场或以上任意组合。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明实施例的精神或范围的情况下，在其它实施例中实现。因此，本发明实施例将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种风电场短期风速预测方法，其特征在于，包括：
识别并按照第一预设变换分解当前含噪风速混沌时间序列，得到多个固有模态函数分量；
构建针对各固有模态函数分量的预设参数，调用预设算法对所述预设参数进行估计，得到参数集；
其中，构建针对各固有模态函数分量的预设参数包括：
抓取与所述各固有模态函数分量对应的第一参数和第二参数，所述第一参数为嵌入维数m，所述第二参数为时间延迟τ；
构建所述第一参数与第二参数在高维相空间中信息熵优化模型；
调用预设算法对所述预设参数进行估计包括：利用基于量子并行特性的粒子群优化算法对所述第一参数与第二参数进行估计；
基于所述参数集更新所述各固有模态函数分量，并选取与各最新固有模态函数分量匹配的方案集和属性集；
按照所述方案集和属性集的预测方法，分别对所述各最新固有模态函数分量进行预测，并依据预设准则计算各最新固有模态函数分量相应的最优多属性决策预测值；
组合各最新固有模态函数分量相应的最优多属性决策预测值，并按照所述第一预设变换的反变换计算当前风速预测值；
按照所述方案集和属性集的预测方法，分别对所述各最新固有模态函数分量进行预测，包括：
按照所述方案集和属性集的预测方法，分别对所述各最新固有模态函数分量计算单项方案的预测误差相关性；
依据预设准则计算各最新固有模态函数分量相应的最优多属性决策预测值包括：
依据离差最大化准则计算各最新固有模态函数分量相应的最优多属性决策预测值。
2.如权利要求1所述风电场短期风速预测方法，其特征在于，识别并按照第一预设变换分解当前含噪风速混沌时间序列，包括：
利用经验模态分解EMD对所述含噪风速混沌时间序列进行分解，得到IMF1，IMF2，...，IMFq，rn，其中：
IMFq为含噪风速混沌时间序列的固有模态函数分量，rn为含噪风速混沌时间序列的残余项。
3.如权利要求1所述风电场短期风速预测方法，其特征在于，利用经验模态分解EMD对所述含噪风速混沌时间序列进行分解时，还包括：
利用克里格估计法延拓所述当前含噪风速混沌时间序列的边界；
依据所述EMD对延拓后的数据序列进行分解，得到延拓分解数据；
截掉所述延拓分解数据。
4.一种风电场短期风速预测系统，包括：
分解单元：用于识别并按照第一预设变换分解当前含噪风速混沌时间序列，得到多个固有模态函数分量；
预测单元，包括：
第一子单元，用于构建针对各固有模态函数分量的预设参数，调用预设算法对所述预设参数进行估计，得到参数集；
其中，构建针对各固有模态函数分量的预设参数包括：
抓取与所述各固有模态函数分量对应的第一参数和第二参数，所述第一参数为嵌入维数m，所述第二参数为时间延迟τ；
构建所述第一参数与第二参数在高维相空间中信息熵优化模型；
调用预设算法对所述预设参数进行估计包括：利用基于量子并行特性的粒子群优化算法对所述第一参数与第二参数进行估计；
第二子单元，用于基于所述参数集更新所述各固有模态函数分量，并选取与各最新固有模态函数分量匹配的方案集和属性集；
第三子单元，用于按照所述方案集和属性集的预测方法，分别对所述各最新固有模态函数分量进行预测，并依据预设准则计算各最新固有模态函数分量相应的最优多属性决策预测值；
组合单元，用于组合各最新固有模态函数分量相应的最优多属性决策预测值，并按照所述第一预设变换的反变换计算当前风速预测值。
5.如权利要求4所述风电场短期风速预测系统，其特征在于，所述分解单元具体实现：利用经验模态分解EMD对所述含噪风速混沌时间序列进行分解，得到IMF1，IMF2，...，IMFq，rn，其中：
IMFq为含噪风速混沌时间序列的固有模态函数分量，rn为含噪风速混沌时间序列的残余项。
6.如权利要求4所述风电场短期风速预测系统，其特征在于，所述第三子单元具体实现为：
按照所述方案集和属性集的预测方法，分别对所述各最新固有模态函数分量计算单项方案的预测误差相关性；
依据离差最大化准则计算各最新固有模态函数分量相应的最优多属性决策预测值。
7.如权利要求5所述风电场短期风速预测系统，其特征在于，还包括：边界处理单元，用于在利用经验模态分解EMD对所述含噪风速混沌时间序列进行分解时，
利用克里格估计法延拓所述当前含噪风速混沌时间序列的边界；
依据所述EMD对延拓后的数据序列进行分解，得到延拓分解数据；
截掉所述延拓分解数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510434388.0A CN106709586B (zh) | 2015-07-15 | 2015-07-15 | 一种风电场短期风速预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510434388.0A CN106709586B (zh) | 2015-07-15 | 2015-07-15 | 一种风电场短期风速预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106709586A CN106709586A (zh) | 2017-05-24 |
| CN106709586B true CN106709586B (zh) | 2021-07-20 |
Family
ID=58895312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510434388.0A Active CN106709586B (zh) | 2015-07-15 | 2015-07-15 | 一种风电场短期风速预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106709586B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392363A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 一种ceemd和随机森林的短期风功率预测方法 |
| CN107895206B (zh) * | 2017-11-09 | 2020-12-22 | 华南理工大学 | 一种基于奇异谱分析和局部敏感哈希的多步风能预测方法 |
| CN107844872B (zh) * | 2017-12-19 | 2021-12-28 | 上海电机学院 | 一种用于风力发电的短期风速预报方法 |
| CN111626471A (zh) * | 2020-04-10 | 2020-09-04 | 广东电网有限责任公司电网规划研究中心 | 一种基于分解与聚合的风电场风速组合预测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103117546B (zh) * | 2013-02-28 | 2016-03-16 | 武汉大学 | 一种超短期风电功率滑动预测方法 |
-
2015
- 2015-07-15 CN CN201510434388.0A patent/CN106709586B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106709586A (zh) | 2017-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ni et al. | An ensemble prediction intervals approach for short-term PV power forecasting | |
| Maatallah et al. | Recursive wind speed forecasting based on Hammerstein Auto-Regressive model | |
| CN106709586B (zh) | 一种风电场短期风速预测方法和系统 | |
| Shaker et al. | A data-driven approach for estimating the power generation of invisible solar sites | |
| Bacher et al. | Online short-term solar power forecasting | |
| Khalid et al. | A model predictive control approach to the problem of wind power smoothing with controlled battery storage | |
| Narayan et al. | Exploring the boundaries of Solar Home Systems (SHS) for off-grid electrification: Optimal SHS sizing for the multi-tier framework for household electricity access | |
| Sogabe et al. | Smart grid optimization by deep reinforcement learning over discrete and continuous action space | |
| Junior et al. | On the use of maximum likelihood and input data similarity to obtain prediction intervals for forecasts of photovoltaic power generation | |
| Mehleri et al. | A new neural network model for evaluating the performance of various hourly slope irradiation models: Implementation for the region of Athens | |
| Chen et al. | Enhanced MPPT method based on ANN‐assisted sequential Monte–Carlo and quickest change detection | |
| Squartini et al. | Optimization algorithms for home energy resource scheduling in presence of data uncertainty | |
| Hlinka et al. | Likelihood consensus: Principles and application to distributed particle filtering | |
| Traoré et al. | Optimal sizing of solar/wind hybrid off-grid microgrids using an enhanced genetic algorithm | |
| Vosoogh et al. | An intelligent day ahead energy management framework for networked microgrids considering high penetration of electric vehicles | |
| Bremer et al. | Sampling the Search Space of Energy Resources for Self-organized, Agent-based Planning of Active Power Provision. | |
| Vrettos et al. | Estimating PV power from aggregate power measurements within the distribution grid | |
| WO2015152941A1 (en) | Combing multiple trending models for photovoltaic plant output forecasting | |
| CN115564193A (zh) | 智能配电网多维度综合效益评估方法及系统、存储介质 | |
| Rueda et al. | Probabilistic approach for optimal placement and tuning of power system supplementary damping controllers | |
| Boum et al. | Photovoltaic power generation forecasting using a novel hybrid intelligent model in smart grid | |
| Xu et al. | Hysteretic chaotic operator network and its application in wind speed series prediction | |
| CN116093995A (zh) | 一种配电系统多目标网络重构方法及系统 | |
| Kekatos et al. | Day-ahead electricity market forecasting using kernels | |
| Starke et al. | Integration of photovoltaics into building energy usage through advanced control of rooftop unit |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |