CN107145968A - 基于bp神经网络的光伏设备生命周期费用预测方法及系统 - Google Patents

基于bp神经网络的光伏设备生命周期费用预测方法及系统 Download PDF

Info

Publication number
CN107145968A
CN107145968A CN201710239326.3A CN201710239326A CN107145968A CN 107145968 A CN107145968 A CN 107145968A CN 201710239326 A CN201710239326 A CN 201710239326A CN 107145968 A CN107145968 A CN 107145968A
Authority
CN
China
Prior art keywords
photovoltaic apparatus
life cycle
neural network
cost
forecast model
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
CN201710239326.3A
Other languages
English (en)
Inventor
沈金荣
惠杰
赵鸣晖
王浩宇
王子林
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.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai 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 Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN201710239326.3A priority Critical patent/CN107145968A/zh
Publication of CN107145968A publication Critical patent/CN107145968A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明涉及一种基于BP神经网络的光伏设备生命周期费用预测方法及系统，本光伏设备生命周期费用预测方法包括如下步骤：步骤S1，建立并训练BP神经网络预测模型；步骤S2，估算各光伏设备投运中的各项费用，并预测各光伏设备在其生命周期内的总费用支出；本发明根据各已退役的光伏设备生命周期内各项费用及总费数据进行BP神经网络的训练和学习，再根据生产经验估测待评价光伏关键设备的各项费用，并作为神经网络的输入变量，进而获取该光伏关键设备生命周期费用预测值。

Description

基于BP神经网络的光伏设备生命周期费用预测方法及系统
技术领域
本发明属于光伏经济预测领域，尤其涉及一种基于BP神经网络的光伏电站关键设备生命周期费用预测方法及系统。
背景技术
设备生命周期费用管理是从设备的长期经济效益出发，全面考虑设备的购置、运行、维修、改造、更新，直至报废的全过程，使设备生命周期费用最小的一种管理理念和方法。光伏板、逆变器、汇流箱、储能设备等光伏关键设备直接影响光伏企业经济效益，但目前主要根据生产经验对设备总费用进行粗略估算，缺乏对上述关键设备购置、使用、维护、维修直至报废的全过程进行管理，也未结合各生命阶段费用对其生命周期总费用进行合理的评价，导致对设备利用效率相对较低。实现光伏关键设备寿命周期费用最经济、设备综合产能最高的目标是进一步提高企业效益的关键。
发明内容
本发明的目的是提供一种光伏设备生命周期费用预测方法及系统，其通过BP神经网络训练学习，以获得更加准确的设备寿命周期费用预测值，进而评价设备各生命阶段费用。
为了解决上述技术问题，本发明提供了一种光伏设备生命周期费用预测方法，包括如下步骤：
步骤S1，建立并训练BP神经网络预测模型；以及
步骤S2，估算各光伏设备投运中的各项费用，并预测各光伏设备在其生命周期内的总费用支出。
进一步，所述步骤S1中训练BP神经网络预测模型的方法包括：
对光伏设备进行分类，获取各已退役的光伏设备生命周期内各项费用及总费用，作为BP神经网络预测模型训练和学习数据；其中
BP神经网络预测模型训练学习的输入层、输出层、隐含层及权值阈值的设定包括：
输入层：以各已退役的光伏设备生命周期内各项费用为输入变量，设定输入层节点数为m；
输出层：以退役的光伏设备生命周期总费用为输出变量，输出层节点数为n；
隐含层：由选取隐含层节点为N，其中m为输入层节点数；n为输出层节点数；a为根据节点最优原则在1-10间取值；
权值阈值：权值阈值在初步选择后，再根据误差反向传递原则对权值阈值的初值进行修正。
进一步，按设备类别对光伏设备分类，即包括：光伏板、逆变器、汇流箱、储能设备；以及
各已退役处理的光伏设备生命周期内各项费用包括：
历史购入成本H1、维修费H2、维护费H3、报废处理费H4、其余费用H5，即
输出层节点数为5；
并设定总费用Hs，且输出层节点数为1。
进一步，所述步骤S2中估算各光伏设备投运中的各项费用，及预测各光伏设备在其生命周期内的总费用支出的方法包括：
根据设备寿命衰减率参数，对各设备购入成本W1、维修费W2、维护费W3、报废处理费W4及其余费用W5进行估算，且作为BP神经网络预测模型的输入变量，预测各光伏设备在其生命周期内的总费用支出。
又一方面，本发明还提供了一种光伏设备生命周期费用预测系统，包括：
预测模型建立模块，建立并训练BP神经网络预测模型；
所述BP神经网络预测模型适于估算各光伏设备投运中的各项费用，并预测各光伏设备在其生命周期内的总费用支出。
进一步，建立并训练BP神经网络预测模型，即
对光伏设备进行分类，获取各已退役的光伏设备生命周期内各项费用及总费用，作为BP神经网络预测模型训练和学习数据；其中
BP神经网络预测模型训练学习的输入层、输出层、隐含层及权值阈值的设定包括：
输入层：以各已退役的光伏设备生命周期内各项费用为输入变量，设定输入层节点数为m；
输出层：以退役的光伏设备生命周期总费用为输出变量，输出层节点数为n；
隐含层：由选取隐含层节点为N，其中m为输入层节点数；n为输出层节点数；a为根据节点最优原则在1-10间取值；
权值阈值：权值阈值在初步选择后，再根据误差反向传递原则对权值阈值的初值进行修正。
进一步，按设备类别对光伏设备分类，即包括：光伏板、逆变器、汇流箱、储能设备；以及
各已退役处理的光伏设备生命周期内各项费用包括：
历史购入成本H1、维修费H2、维护费H3、报废处理费H4、其余费用H5，即
输出层节点数为5；
并设定总费用Hs，且输出层节点数为1。
进一步，所述BP神经网络预测模型适于根据设备寿命衰减率参数，对各设备购入成本W1、维修费W2、维护费W3、报废处理费W4及其余费用W5进行估算，且作为BP神经网络预测模型的输入变量，预测各光伏设备在其生命周期内的总费用支出。
本发明的有益效果是，本发明提供的光伏设备生命周期费用预测方法及系统，根据各已退役的光伏设备生命周期内各项费用及总费数据进行BP神经网络的训练和学习，再根据生产经验估测待评价光伏关键设备的各项费用，并作为神经网络的输入变量，进而获取该光伏关键设备生命周期费用预测值。本发明将光伏设备生命周期内几个环节结合起来作为全生命费用进行综合管理。应用BP神经网络算法不需要考虑各费用和生命周期总费用之间的关系，其分析过程可以从预测模型的自适应学习中获得，大大减少了人为的影响，能进一步提高光伏设备生命周期总费用的预测准确度，具有较广泛的应用前景。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明的光伏设备生命周期费用预测方法流程图；
图2为本发明的BP神经网络预测模型的拓扑图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
实施例1
如图1所示，本实施例1提供了一种光伏设备生命周期费用预测方法，包括如下步骤：
步骤S1，建立并训练BP神经网络预测模型；以及
步骤S2，估算各光伏设备投运中的各项费用，并预测各光伏设备在其生命周期内的总费用支出。
具体的，所述步骤S1中训练BP神经网络预测模型的方法包括：
对光伏设备进行分类，获取各已退役的光伏设备生命周期内各项费用及总费用，作为BP神经网络预测模型训练和学习数据；其中
BP神经网络预测模型训练学习的输入层、输出层、隐含层及权值阈值的设定包括：输入层：以各已退役的光伏设备生命周期内各项费用为输入变量，设定输入层节点数为m；
输出层：以退役的光伏设备生命周期总费用为输出变量，输出层节点数为n；
隐含层：由选取隐含层节点为N，其中m为输入层节点数；n为输出层节点数；a为根据节点最优原则在1-10间取值；
权值阈值：权值阈值在初步选择后，再根据误差反向传递原则对权值阈值的初值进行修正。
具体的，按设备类别对光伏设备分类，即包括：光伏板、逆变器、汇流箱、储能设备；以及
各已退役处理的光伏设备生命周期内各项费用包括：
历史购入成本H1、维修费H2、维护费H3、报废处理费H4、其余费用H5，即
输出层节点数为5；
并设定总费用Hs，且输出层节点数为1。
具体的，所述步骤S2中估算各光伏设备投运中的各项费用，及预测各光伏设备在其生命周期内的总费用支出的方法包括：
根据设备寿命衰减率参数，对各设备购入成本W1、维修费W2、维护费W3、报废处理费W4及其余费用W5进行估算，且作为BP神经网络预测模型的输入变量，预测各光伏设备在其生命周期内的总费用支出。
其中，所述其余费用例如但不限于包括：培训费、安装费等费用。
图2为本发明的BP神经网络预测模型的拓扑图。
以已退役光伏设备历史N组费用(H1、H2、H3、H4、H5)及生命周期总费Hs作为BP神经网络训练和学习数据，BP神经网络训练学习的输入层、输出层、隐含层及权值阈值的设计包括：
取输入分别为H1、H2、H3、H4、H5，输入神经元个数为5，单隐含层神经元个数为s1，激活函数为f1，输出层神经元个数为1，对应的激活函数为f2，输出为W，其具体计算方法如下：
隐含层中第i个神经元的输出：
隐含层中第k个神经元的输出：
定义误差函数为：
用梯度法求输出层的权值变化，对从第i个输入到第k个输出的权值变化为：其中δki＝(tk-a2k)f2＝ekf2 ek＝tk-a2k；
同理可得：
利用梯度法求隐含层权值变化，对从第j个输入到第i个输出的权值为：
其中：δij＝ei·f1 Δb1i＝ηδij
基于BP神经网络算法，以估测的光伏关键设备各项费用(W1、W2、W3、W4、W5)为输入变量预测光伏各关键设备生命周期内总费用。
实施例2
在实施例1基础上，本实施例2提供了一种光伏设备生命周期费用预测系统，包括：
预测模型建立模块，建立并训练BP神经网络预测模型；
所述BP神经网络预测模型适于估算各光伏设备投运中的各项费用，并预测各光伏设备在其生命周期内的总费用支出。
具体的，建立并训练BP神经网络预测模型，即对光伏设备进行分类，获取各已退役的光伏设备生命周期内各项费用及总费用，作为BP神经网络预测模型训练和学习数据；其中BP神经网络预测模型训练学习的输入层、输出层、隐含层及权值阈值的设定包括：
输入层：以各已退役的光伏设备生命周期内各项费用为输入变量，设定输入层节点数为m；
输出层：以退役的光伏设备生命周期总费用为输出变量，输出层节点数为n；
隐含层：由选取隐含层节点为N，其中m为输入层节点数；n为输出层节点数；a为根据节点最优原则在1-10间取值；
权值阈值：权值阈值在初步选择后，再根据误差反向传递原则对权值阈值的初值进行修正。
具体的，按设备类别对光伏设备分类，即包括：光伏板、逆变器、汇流箱、储能设备；以及各已退役处理的光伏设备生命周期内各项费用包括：历史购入成本H1、维修费H2、维护费H3、报废处理费H4、其余费用H5，即输出层节点数为5；并设定总费用Hs，且输出层节点数为1。
具体的，所述BP神经网络预测模型适于根据设备寿命衰减率参数，对各设备购入成本W1、维修费W2、维护费W3、报废处理费W4及其余费用W5进行估算，且作为BP神经网络预测模型的输入变量，预测各光伏设备在其生命周期内的总费用支出。
本发明提供的基于BP神经网络的光伏设备生命周期费用预测方法及系统，通过估测光伏关键设备各生命阶段费用，建立BP神经网络模型进行光伏设备生命周期总费用预测。本发明不需要考虑各费用和生命周期总费用之间的关系，大大减少了人为因素的影响，为光伏关键设备的全生命分析提供参考依据，进而提高光伏企业对资产的价值运动状态统一监管能力，增强企业运营经济性，具有较广泛的应用前景。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (8)

1.一种光伏设备生命周期费用预测方法，其特征在于，包括如下步骤：
步骤S1，建立并训练BP神经网络预测模型；以及
步骤S2，估算各光伏设备投运中的各项费用，并预测各光伏设备在其生命周期内的总费用支出。
2.根据权利要求1所述的光伏设备生命周期费用预测方法，其特征在于，
所述步骤S1中训练BP神经网络预测模型的方法包括：
对光伏设备进行分类，获取各已退役的光伏设备生命周期内各项费用及总费用，作为BP神经网络预测模型训练和学习数据；其中
BP神经网络预测模型训练学习的输入层、输出层、隐含层及权值阈值的设定包括：
输入层：以各已退役的光伏设备生命周期内各项费用为输入变量，设定输入层节点数为m；
输出层：以退役的光伏设备生命周期总费用为输出变量，输出层节点数为n；
隐含层：由选取隐含层节点为N，其中m为输入层节点数；n为输出层节点数；a为根据节点最优原则在1-10间取值；
权值阈值：权值阈值在初步选择后，再根据误差反向传递原则对权值阈值的初值进行修正。
3.根据权利要求2所述的光伏设备生命周期费用预测方法，其特征在于，
按设备类别对光伏设备分类，即包括：光伏板、逆变器、汇流箱、储能设备；以及
各已退役处理的光伏设备生命周期内各项费用包括：
历史购入成本H1、维修费H2、维护费H3、报废处理费H4、其余费用H5，即
输出层节点数为5；
并设定总费用Hs，且输出层节点数为1。
4.根据权利要求3所述的光伏设备生命周期费用预测方法，其特征在于，所述步骤S2中估算各光伏设备投运中的各项费用，及预测各光伏设备在其生命周期内的总费用支出的方法包括：
根据设备寿命衰减率参数，对各设备购入成本W1、维修费W2、维护费W3、报废处理费W4及其余费用W5进行估算，且作为BP神经网络预测模型的输入变量，预测各光伏设备在其生命周期内的总费用支出。
5.一种光伏设备生命周期费用预测系统，其特征在于，包括：
预测模型建立模块，建立并训练BP神经网络预测模型；
所述BP神经网络预测模型适于估算各光伏设备投运中的各项费用，并预测各光伏设备在其生命周期内的总费用支出。
6.根据权利要求5所述的光伏设备生命周期费用预测系统，其特征在于，
建立并训练BP神经网络预测模型，即
对光伏设备进行分类，获取各已退役的光伏设备生命周期内各项费用及总费用，作为BP神经网络预测模型训练和学习数据；其中
BP神经网络预测模型训练学习的输入层、输出层、隐含层及权值阈值的设定包括：
输入层：以各已退役的光伏设备生命周期内各项费用为输入变量，设定输入层节点数为m；
输出层：以退役的光伏设备生命周期总费用为输出变量，输出层节点数为n；
隐含层：由选取隐含层节点为N，其中m为输入层节点数；n为输出层节点数；a为根据节点最优原则在1-10间取值；
权值阈值：权值阈值在初步选择后，再根据误差反向传递原则对权值阈值的初值进行修正。
7.根据权利要求6所述的光伏设备生命周期费用预测系统，其特征在于，
按设备类别对光伏设备分类，即包括：光伏板、逆变器、汇流箱、储能设备；以及
各已退役处理的光伏设备生命周期内各项费用包括：
历史购入成本H1、维修费H2、维护费H3、报废处理费H4、其余费用H5，即
输出层节点数为5；
并设定总费用Hs，且输出层节点数为1。
8.根据权利要求7所述的光伏设备生命周期费用预测系统，其特征在于，
所述BP神经网络预测模型适于根据设备寿命衰减率参数，对各设备购入成本W1、维修费W2、维护费W3、报废处理费W4及其余费用W5进行估算，且作为BP神经网络预测模型的输入变量，预测各光伏设备在其生命周期内的总费用支出。
CN201710239326.3A 2017-04-13 2017-04-13 基于bp神经网络的光伏设备生命周期费用预测方法及系统 Pending CN107145968A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710239326.3A CN107145968A (zh) 2017-04-13 2017-04-13 基于bp神经网络的光伏设备生命周期费用预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710239326.3A CN107145968A (zh) 2017-04-13 2017-04-13 基于bp神经网络的光伏设备生命周期费用预测方法及系统

Publications (1)

Publication Number Publication Date
CN107145968A true CN107145968A (zh) 2017-09-08

Family

ID=59773634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710239326.3A Pending CN107145968A (zh) 2017-04-13 2017-04-13 基于bp神经网络的光伏设备生命周期费用预测方法及系统

Country Status (1)

Country Link
CN (1) CN107145968A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729405A (zh) * 2017-09-25 2018-02-23 中国航空工业集团公司西安飞机设计研究所 一种自动测试设备的校准周期生成方法
CN107766928A (zh) * 2017-10-25 2018-03-06 福建富士通信息软件有限公司 一种基于人工神经网络模型和ua信息的终端识别方法
CN108364076A (zh) * 2018-01-31 2018-08-03 沈阳东软医疗系统有限公司 建立报修动作预测模型、报修动作预测方法及相关装置
CN109887590A (zh) * 2019-02-21 2019-06-14 广州天鹏计算机科技有限公司 医疗项目的费用预测方法、装置、计算机设备和存储介质
CN112782499A (zh) * 2019-11-11 2021-05-11 株洲中车时代电气股份有限公司 一种基于多信息融合的变流器的状态评估方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156924A (zh) * 2011-04-25 2011-08-17 北京航空航天大学 一种研制阶段装备保障费用预测方法
CN105354638A (zh) * 2015-11-03 2016-02-24 仲晓东 一种汽车维修保养费用预测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156924A (zh) * 2011-04-25 2011-08-17 北京航空航天大学 一种研制阶段装备保障费用预测方法
CN105354638A (zh) * 2015-11-03 2016-02-24 仲晓东 一种汽车维修保养费用预测方法及系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729405A (zh) * 2017-09-25 2018-02-23 中国航空工业集团公司西安飞机设计研究所 一种自动测试设备的校准周期生成方法
CN107766928A (zh) * 2017-10-25 2018-03-06 福建富士通信息软件有限公司 一种基于人工神经网络模型和ua信息的终端识别方法
CN108364076A (zh) * 2018-01-31 2018-08-03 沈阳东软医疗系统有限公司 建立报修动作预测模型、报修动作预测方法及相关装置
CN108364076B (zh) * 2018-01-31 2021-10-08 东软医疗系统股份有限公司 建立报修动作预测模型、报修动作预测方法及相关装置
CN109887590A (zh) * 2019-02-21 2019-06-14 广州天鹏计算机科技有限公司 医疗项目的费用预测方法、装置、计算机设备和存储介质
CN112782499A (zh) * 2019-11-11 2021-05-11 株洲中车时代电气股份有限公司 一种基于多信息融合的变流器的状态评估方法及装置
CN112782499B (zh) * 2019-11-11 2022-04-15 株洲中车时代电气股份有限公司 一种基于多信息融合的变流器的状态评估方法及装置

Similar Documents

Publication Publication Date Title
Zhou et al. Multi-energy net load forecasting for integrated local energy systems with heterogeneous prosumers
Du et al. A novel hybrid model for short-term wind power forecasting
CN112186743B (zh) 一种基于深度强化学习的动态电力系统经济调度方法
CN107145968A (zh) 基于bp神经网络的光伏设备生命周期费用预测方法及系统
Cadenas et al. Short term wind speed forecasting in La Venta, Oaxaca, México, using artificial neural networks
Niu et al. Uncertainty modeling for chaotic time series based on optimal multi-input multi-output architecture: Application to offshore wind speed
Sarmas et al. ML-based energy management of water pumping systems for the application of peak shaving in small-scale islands
Jin et al. Impact of cost–benefit analysis on financial benefit evaluation of investment projects under back propagation neural network
CN104181900B (zh) 一种多能源介质分层动态调控方法
CN104077651B (zh) 电网检修计划优化方法
Wang et al. A novel decomposition-ensemble forecasting system for dynamic dispatching of smart grid with sub-model selection and intelligent optimization
Tartibu et al. Forecasting net energy consumption of South Africa using artificial neural network
CN104134103A (zh) 利用修正的bp神经网络模型预测热油管道能耗的方法
Mishra et al. Multi-objective optimization of economic emission load dispatch incorporating load forecasting and solar photovoltaic sources for carbon neutrality
CN104077231B (zh) 基于符号动力学和ls‑svm的变压器维护优化方法
Bodenbenner et al. Design science in practice: designing an electricity demand response system
Ilyas et al. (DA-DOPF): A day-ahead dynamic optimal power flow with renewable energy integration in smart grids
Cai et al. Day-ahead forecast of carbon emission factor based on long and short-term memory networks
Yousefi et al. Strategic planning for minimizing CO2 emissions using LP model based on forecasted energy demand by PSO Algorithm and ANN
CN105528517A (zh) 基于神经网络、小波分解光伏电站功率预测方法、系统
Chen et al. Research on medium-long term power load forecasting method based on load decomposition and big data technology
Shulyma et al. The model for decision support on design of the hybrid renewable energy system
Pang et al. A photovoltaic power predicting model using the differential evolution algorithm and multi-task learning
Wang et al. Short term load forecasting: A dynamic neural network based genetic algorithm optimization
CN107451697A (zh) 一种基于复合数据修复的风功率预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170908

WD01 Invention patent application deemed withdrawn after publication