CN107563573A - 一种基于自适应学习混合模型的太阳能发电量的预测方法 - Google Patents
一种基于自适应学习混合模型的太阳能发电量的预测方法 Download PDFInfo
- Publication number
- CN107563573A CN107563573A CN201710905330.9A CN201710905330A CN107563573A CN 107563573 A CN107563573 A CN 107563573A CN 201710905330 A CN201710905330 A CN 201710905330A CN 107563573 A CN107563573 A CN 107563573A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- mover
- adaptive learning
- power generation
- 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.)
- Granted
Links
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于自适应学习混合模型的太阳能发电量的预测方法。首先,通过实时气象信息获得气象变量数据;其次,将这组数据通过由时变多元性模型和经过遗传算法优化的BP神经网络模型组合形成的混合模型得到太阳能发电量的初步预测值和最终预测值,并计算出相应的预测误差值及预测均方差值;然后,通过自适应学习法来提升预测精度。本发明主要应用在微电网的能量预测中,有效地提升了太阳能发电量的预测精度,能够使微电网的能量管理更加高效。
Description
技术领域
本发明涉及一种太阳能发电量的预测方法,尤其涉及一种在微电网中的基于自适应学习混合模型的太阳能发电量预测方法。
背景技术
可再生能源是取之不尽,用之不竭的能源,为了人类社会的可持续发展,世界各国纷纷把目光投向了可再生能源,而太阳能发电则是可再生能源的主要利用方式,是智能电网的主要组成部分。智能电网努力的一个关键目标是大幅提高环保可再生能源的利用率,而微电网技术又是实现该目标的关键技术,但可再生能源发电的不可控性给我们的微电网能量管理带来了困难,对微电网经济、安全、稳定的运行造成了严重的影响和威胁,因此找到合适的方法提升微电网可靠性和有效性是非常重要的。
当前在微电网能量管理的一些方面所获得的进步已经非常显著,但是要实现高效的能源管理,需要准确地预测电网负荷和可再生能源发电。现有的太阳能发电量的预测方法,主要为统计学法和人工神经网络方法,统计学法是通过对历史数据进行统计分析,利用概率论找出其内在的规律并用于预测;而单独的人工神经网络方法将样本数据作为输入,建立预测模型,来对未来发电量进行预测;以上两种方法对于规律性和周期性较强的数据信息,能达到较高的预测精度,但太阳能有随机性、波动性等特点,运用这两种方法,其预测效果就很不理想,无法满足现有的能量管理的需要,大大限制了微电网能量管理的效率和可靠性。
发明内容
发明内容:本发明提供了一种基于自适应学习混合模型的太阳能发电量预测方法,能够明显提高预测精度,提升微电网能量管理效率。
技术方案:本发明所述的基于自适应学习混合模型的太阳能发电量预测方法,包括以下步骤:
(1)根据天气预报获得一组ti时刻及其带宽范围内的气象变量数据
(2)通过时变多元线性模型得到太阳能发电量的初步预测值
(3)利用经过遗传算法优化的BP神经网络模型寻找误差中存在的非线性关系用函数E(·)表示,并记录其阈值ω0、权值θ0和预测均方差e0;
(4)步骤(2)和步骤(3)相结合得到能获得最终预测结果的混合模型;
(5)进行自适应学习;
(6)在预测周期内重复进行步骤(2)到(5)直到在线预测结束。
在所述步骤(2)中,通过以下计算公式获得:
其中,为广义交叉验证技术得到的时间带宽h的估计值;和为时变系数和其导数在带宽下最小二乘估计值;另外,时间带宽h∈(0,1],h的值越大表明选取的气象变量的时间范围越宽。
所述步骤(3)包括以下步骤:
(31)用气象变量和初步预测值作为输入变量,用时变多元模型的预测误差作为输出变量,并用对应的训练样本数据集训练该神经网络;
(32)得到通过神经网络学习到的非线性关系函数并记录阈值、权值和预测均方差,其中阈值、权值可直接得到,预测均方差的计算公式为:
其中ε是时变多元线性模型的误差,是遗传算法优化的BP神经网络的预测的输出,n1是遗传算法优化的BP神经网络训练样本个数。
所述步骤(4)通过以下计算公式得到:
所述步骤(5)包括以下步骤:
(51)获得ti时刻的最终预测值后,待到ti时刻时,获得ti时刻太阳能发电量的实际值Y(ti);
(52)计算ti时刻,太阳能发电量的实际值与初步预测值的误差εl(ti)及与最终预测值的误差εh(ti):
若εh(ti)<εl(ti),则该次学习结束;若εh(ti)≥εl(ti),则将该组数据加入到遗传算法优化的BP神经网络训练数据集中,并使用之前训练完的权值和阈值作为初始值训练神经网络,获得该次自适应学习的的权值、阈值和预测均方差;
(53)若初始的预测均方差小于通过自适应学习后的预测均方差,则该次自适应学习结束;若初始的预测均方差大于通过自适应学习后的预测均方差,则将该组数据加入到原本神经网络的训练样本中,组成新的训练样本,数据集个数增加1,并且将原本的权值、阈值和预测均方差更新为现在的值,然后该次自适应学习结束,等到下一时刻再一次自适应学习的到来;
(54)重复步骤(51)到(53)直到最终预测值精度满足要求,不再进行自适应学习。
有益效果:与现有技术相比,本发明的有益效果:1、采用局部线性回归算法和遗传算法优化的BP神经网络两者结合的混合模型可以同时涵盖空间和时间上的特征,从而得到令人满意的预测结果;2、自适应算法具有筛选能力,能够从在线预测数据中筛选出需要学习的数据,减少了需要加入神经网络训练样本数据集中的数据,从而提高了计算效率;并且能从需要学习的数据中学习到历史数据中不包含或未能挖掘到的关系,从而使得之后的预测结果更加令人满意;3、本发明应用在微电网中,提高了太阳能发电量的预测精度,使得微电网的能量管理能够更加高效。
附图说明
图1为本发明预测方法的步骤流程图;
图2为本发明的自适应学习混合模型结构组成的示意图;
图3为本发明的自适应学习方法的流程图。
具体实施方式
下面结合附图对发明的技术方案进行详细说明:
图1为本发明预测方法的步骤流程图;图2为本发明的自适应学习混合模型结构组成的示意图,由时变多元线性模型和学习模型构成。
根据天气预报获得未来t时刻和其时间带宽范围内的一组气象数
通过步骤(2)获得时变多元线性模型:
使用气象变量的训练样本数据集根据上面的模型来得到初步预测数据集然后得到初步预测数据集的预测误差数据集
其中,和的计算步骤如下:
给带宽h设定一个值,在该带宽值下解如下加权最小二乘问题
其中,核函数K(·)选用了Epanechnikov核函数,其定义如下:
用最小二乘法解出在该带宽下每个时刻的系数和计算以下两个矩阵:
其中k=0,1,2,...。然后根据下面的式子解出系数和
根据下式得到该带宽下训练样本的太阳能发电量初步预测数据集
重复以上步骤,直到遍历h∈(0,1],记录下每个带宽下的根据下式求得广义交叉验证下带宽的估计值
这里的帽子方阵:
求得在带宽的估计值下的系数和的值;
现有的初步预测值中已包含有线性关系和时间特性,即认为误差存在是由于其中的非线性关系造成,因此用一个遗传算法优化的BP神经网络来寻找误差中存在的非线性关系:用气象变量和初步预测值作为输入变量,用时变多元模型的预测误差作为输出变量,并用对应训练样本数据集和训练该神经网络;训练完神经网络之后,得到神经网络学习到的非线性关系并记录其阈值ω0、权值θ0和预测均方差e0,其预测均方差计算公式如下:
上式中ε是时变多元线性模型的误差,是遗传算法优化的BP神经网络的预测的输出,n1是遗传算法优化的BP神经网络训练样本个数。
将时变多元线性模型模型和经过遗传算法优化的BP神经网络模型相结合,就能得到获得最终预测结果的混合模型:
在得到最终的预测模型后,进行自适应学习,整个学习过程如图3所示。
根据天气预报获得未来t时刻和其带宽范围内的一组气象数据通过模型得到初步预测值和最终预测值等到时刻t之后,获得该时刻太阳能发电量实际值Y(t),计算该时刻两个预测值误差值:
若εh(t)<εl(t),则该次学习结束;若εh(t)≥εl(t),则将该组数据加入到遗传算法优化的BP神经网络训练数据集中,并使用之前训练完的权值ωo和阈值θo作为初始值训练神经网络,获得该次自适应学习的的权值ωn,阈值θn和预测均方差en。
若eo≤en,则该次自适应学习结束;若eo>en,则将改组数据加入到原本神经网络的训练样本中,组成新的训练样本,数据集个数增加1,并且将原本的权值,阈值和预测均方差更新为现在的值。然后该次自适应学习结束,等到下一时刻再一次自适应学习的到来。直到最终预测值精度满足要求,不再进行自适应学习。
具体实施方式仅是用来说明本发明的技术思想,不能一次限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围内。
Claims (5)
1.一种基于自适应学习混合模型的太阳能发电量预测方法,其特征在于,包括以下步骤:
(1)根据天气预报获得一组ti时刻及其带宽范围内的气象变量数据
(2)通过时变多元线性模型得到太阳能发电量的初步预测值
(3)利用经过遗传算法优化的BP神经网络模型寻找误差中存在的非线性关系用函数E(·)表示,并记录其阈值、权值和预测均方差;
(4)在步骤(2)和步骤(3)的基础上得到能获得最终预测结果的混合模型;
(5)进行自适应学习;
(6)在预测周期内重复进行步骤(2)到(5)直到在线预测结束。
2.根据权利要求1所述的基于自适应学习混合模型的太阳能发电量预测方法,其特征在于:
(21)所述步骤(2)通过以下计算公式得到:
<mrow>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mover>
<mi>X</mi>
<mo>&RightArrow;</mo>
</mover>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mover>
<mi>&beta;</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>^</mo>
</mover>
<mover>
<mi>h</mi>
<mo>^</mo>
</mover>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>+</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>t</mi>
</mrow>
<mo>)</mo>
<msup>
<msub>
<mover>
<mover>
<mi>&beta;</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>^</mo>
</mover>
<mover>
<mi>h</mi>
<mo>^</mo>
</mover>
</msub>
<mo>&prime;</mo>
</msup>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<mi>t</mi>
<mo>&PlusMinus;</mo>
<mover>
<mi>h</mi>
<mo>^</mo>
</mover>
</mrow>
其中,为广义交叉验证技术得到的时间带宽h的估计值;和为时变系数和其导数在带宽下最小二乘估计值;
(22)时间带宽h∈(0,1],h的值越大表明选取的气象变量的时间范围越宽。
3.根据权利要求1所述的基于自适应学习混合模型的太阳能发电量预测方法,其特征在于,所述步骤(3)包括以下步骤:
(31)用气象变量和初步预测值作为输入变量,用时变多元模型的预测误差作为输出变量,并用对应的训练样本数据集训练该神经网络;
(32)得到通过神经网络学习到的非线性关系函数并记录阈值、权值和预测均方差,其中阈值、权值可直接得到,预测均方差的计算公式为:
<mrow>
<mi>e</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&epsiv;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>&epsiv;</mi>
<mo>~</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中ε是时变多元线性模型的误差,是遗传算法优化的BP神经网络的预测的输出,n1是遗传算法优化的BP神经网络训练样本个数。
4.根据权利要求1所述的基于自适应学习混合模型的太阳能发电量预测方法,其特征在于,所述步骤(4)通过以下计算公式得到:
<mrow>
<mover>
<mi>Y</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mover>
<mi>X</mi>
<mo>&RightArrow;</mo>
</mover>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>,</mo>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
5.根据权利要求1所述的基于自适应学习混合模型的太阳能发电量预测方法,其特征在于,所述步骤(5)包括以下步骤:
(51)获得ti时刻的最终预测值后,待到ti时刻时,获得ti时刻太阳能发电量的实际值Y(ti);
(52)计算ti时刻,太阳能发电量的实际值与初步预测值的误差εl(ti)及与最终预测值的误差εh(ti):
<mrow>
<msub>
<mi>&epsiv;</mi>
<mi>l</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>|</mo>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<msub>
<mi>&epsiv;</mi>
<mi>h</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>|</mo>
<mover>
<mi>Y</mi>
<mo>~</mo>
</mover>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
若εh(ti)<εl(ti),则该次学习结束;若εh(ti)≥εl(ti),则将该组数据加入到遗传算法优化的BP神经网络训练数据集中,并使用之前训练完的权值和阈值作为初始值训练神经网络,获得该次自适应学习的的权值、阈值和预测均方差;
(53)若初始的预测均方差小于通过自适应学习后的预测均方差,则该次自适应学习结束;若初始的预测均方差大于通过自适应学习后的预测均方差,则将该组数据加入到原本神经网络的训练样本中,组成新的训练样本,数据集个数增加1,并且将原本的权值、阈值和预测均方差更新为现在的值,然后该次自适应学习结束,等到下一时刻再一次自适应学习的到来;
(54)重复步骤(51)到(53)直到最终预测值精度满足要求,不再进行自适应学习。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710905330.9A CN107563573B (zh) | 2017-09-29 | 2017-09-29 | 一种基于自适应学习混合模型的太阳能发电量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710905330.9A CN107563573B (zh) | 2017-09-29 | 2017-09-29 | 一种基于自适应学习混合模型的太阳能发电量的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107563573A true CN107563573A (zh) | 2018-01-09 |
CN107563573B CN107563573B (zh) | 2021-02-23 |
Family
ID=60984603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710905330.9A Active CN107563573B (zh) | 2017-09-29 | 2017-09-29 | 一种基于自适应学习混合模型的太阳能发电量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563573B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694475A (zh) * | 2018-06-26 | 2018-10-23 | 南京航空航天大学 | 基于混合模型的短时间尺度光伏电池发电量预测方法 |
CN109636054A (zh) * | 2018-12-21 | 2019-04-16 | 电子科技大学 | 基于分类和误差组合预测的太阳能光伏发电量预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719101A (zh) * | 2016-02-29 | 2016-06-29 | 胡国旺 | 光伏系统发电功率预测方法 |
EP3114640A1 (en) * | 2014-03-05 | 2017-01-11 | View, Inc. | Monitoring sites containing switchable optical devices and controllers |
-
2017
- 2017-09-29 CN CN201710905330.9A patent/CN107563573B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3114640A1 (en) * | 2014-03-05 | 2017-01-11 | View, Inc. | Monitoring sites containing switchable optical devices and controllers |
CN105719101A (zh) * | 2016-02-29 | 2016-06-29 | 胡国旺 | 光伏系统发电功率预测方法 |
Non-Patent Citations (1)
Title |
---|
易翔: ""光伏功率预测系统的研究与实现"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694475A (zh) * | 2018-06-26 | 2018-10-23 | 南京航空航天大学 | 基于混合模型的短时间尺度光伏电池发电量预测方法 |
CN109636054A (zh) * | 2018-12-21 | 2019-04-16 | 电子科技大学 | 基于分类和误差组合预测的太阳能光伏发电量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107563573B (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Forecasting power output of photovoltaic system using a BP network method | |
Mohandes et al. | Estimation of wind speed profile using adaptive neuro-fuzzy inference system (ANFIS) | |
CN102722759B (zh) | 基于bp神经网络的电网供电可靠性预测方法 | |
CN102930358B (zh) | 一种光伏电站发电功率的神经网络预测方法 | |
CN104392143B (zh) | 一种自适应量子神经网络汽轮机故障趋势预测方法 | |
CN106875041A (zh) | 一种短期风速预测方法 | |
CN105184391A (zh) | 基于小波分解和支持向量机的风电场风速与功率预测方法 | |
CN106099984A (zh) | 一种数据驱动的主动配电网分布式电源最大容量评估方法 | |
CN105160423A (zh) | 一种基于马尔科夫残差修正的光伏发电预测方法 | |
CN105426956A (zh) | 一种超短期光伏预测方法 | |
CN103106535B (zh) | 一种基于神经网络解决协同过滤推荐数据稀疏性的方法 | |
CN103208037B (zh) | 一种应用于新能源电站的基于在线校正的功率预测方法 | |
CN104037943A (zh) | 一种提高电网电压质量的电压监测方法及系统 | |
CN104598765A (zh) | 一种基于弹性自适应神经网络的建筑物能耗预测方法 | |
CN104050517A (zh) | 基于grnn神经网络的光伏发电预测方法 | |
CN108074004A (zh) | 一种基于网格法的地理信息系统短期负荷预测方法 | |
CN106485365A (zh) | 一种电力系统负荷预测方法及装置 | |
CN103955779A (zh) | 一种风电功率爬坡事件概率场景预测方法 | |
CN106599417A (zh) | 一种基于人工神经网络的城市电网馈线负荷构成辨识方法 | |
CN104732300A (zh) | 一种基于模糊分区理论的神经网络风功率短期预测方法 | |
CN103116804A (zh) | 一种模糊神经网络模型及深基坑变形智能预测方法 | |
CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
CN105117975A (zh) | 一种光伏输出功率值的分频预测方法 | |
CN103927460A (zh) | 一种基于rbf的风电场短期风速预测方法 | |
Dokur et al. | Hybrid model for short term wind speed forecasting using empirical mode decomposition and artificial neural network |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |