CN107622319A - 一种微电网功率预测方法 - Google Patents
一种微电网功率预测方法 Download PDFInfo
- Publication number
- CN107622319A CN107622319A CN201610554504.7A CN201610554504A CN107622319A CN 107622319 A CN107622319 A CN 107622319A CN 201610554504 A CN201610554504 A CN 201610554504A CN 107622319 A CN107622319 A CN 107622319A
- Authority
- CN
- China
- Prior art keywords
- power
- power prediction
- forecasting methodology
- prediction model
- neural network
- 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.)
- Withdrawn
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种微电网功率预测方法，微电网包括发电单元，微电网用于向负载供电，微电网功率预测方法包括以下步骤：(1)结合遗传算法与BP神经网络算法，对功率预测模型进行训练；(2)采用经训练的功率预测模型，对发电单元与负载进行功率预测；(3)将功率预测结果保存并传送到调度模块。本发明提供的微电网功率预测方法，采用BP神经网络和遗传算法混合的方法，对发电单元与负载进行功率预测，避免单独采用BP神经网络，陷入局部最优的问题，从而提高了功率预测的准确性；将功率实时运行与预测结果相比较，运行时间越长，预测越准确，且不受具体配置、运行环境的限制，能够最大限度地充分利用发电单元的发电能力，改善了微电网运行的经济性。
Description
技术领域
本发明涉及电气控制领域，具体涉及一种微电网能量管理方法。
背景技术
微电网的能量管理包括功率预测、优化调度和运行控制三部分。
微电网是由多种分布式发电单元组成的发电系统，由于微电网中分布式电源组合的灵活性和多样性，如何使其能够稳定运行，是微电网能量管理系统需要解决的问题，目前国内没有一套准确并且高效的微电网能量管理方法。
微电网能量管理的关键在于高准确度的功率预测。微电网的功率预测通常采用遗传算法、BP神经网络算法和模型预测等方法，都存在预测不准，精度不高等缺点。
随着微电网的发展，微电网除了要稳定运行，还要保证微电网运行的经济性，目前的微电网能量管理系统由于功率预测的不准确性，直接影响优化调度的经济性和准确性，进而影响微电网运行的经济性。
BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，又称为误差反向传播网络，BP神经网络模型的拓扑结构一般包括一个输入层(input)、一个或多个隐层(hidden layer)和一个输出层(output layer)，如图1所示，是目前应用最广泛的BP神经网络模型之一。
BP神经网络的学习过程如下：首先初始化权值和阈值，然后通过正向传播得到输出结果，再通过误差反向传播对各层的权值和阈值进行修正。如此反复进行正向传播和反向传播的过程，直到输出误差满足给定要求或达到预先设定的最大训练次数为止。
BP神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
BP神经网络可以用作分类、聚类、预测等。BP神经网络需要有一定量的历史数据，通过历史数据的训练，网络可以学习到数据中隐含的知识。在你的问题中，首先要找到某些问题的一些特征，以及对应的评价数据，用这些数据来训练BP神经网络。
虽然BP网络得到了广泛的应用，但自身也存在一些缺陷和不足，主要包括以下几个方面的问题。
首先，由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对于一些复杂问题，BP算法需要的训练时间可能非常长，这主要是由于学习速率太小造成的，可采用变化的学习速率或自适应的学习速率加以改进。
其次，BP算法可以使权值收敛到某个值，但并不保证其为误差平面的全局最小值，这是因为采用梯度下降法可能产生一个局部最小值。对于这个问题，可以采用附加动量法来解决。
再次，网络隐含层的层数和单元数的选择尚无理论上的指导，一般是根据经验或者通过反复实验确定。因此，网络往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。
最后，网络的学习和记忆具有不稳定性。也就是说，如果增加了学习样本，训练好的网络就需要从头开始训练，对于以前的权值和阈值是没有记忆的。但是可以将预测、分类或聚类做的比较好的权值保存。
发明内容
鉴于现有技术中存在的问题，本发明的目的是提供一种微电网能量管理方法，采用BP神经网络和遗传算法混合的方法，解决了功率预测的不准确性，在保证微电网安全运行的前提下，改善了微电网运行的经济性。
本发明提供一种微电网功率预测方法，微电网内的发电单元用于向负载供电，微电网功率预测方法包括以下步骤：
(1)结合遗传算法与BP神经网络算法，对功率预测模型进行训练；
(2)采用经训练的功率预测模型，对发电单元与负载进行功率预测；
(3)将功率预测结果保存并传送到调度模块。
进一步地，步骤(1)之前还包括以下步骤：
(11)建立功率预测模型，确定BP神经网络的结构。
进一步地，步骤(1)结合遗传算法与BP神经网络算法，对功率预测模型进行训练，包括以下步骤：
(12)BP神经网络的结构的权值矩阵的权值与阈值的初始值，按顺序排列为染色体，采用实数编码进行编码；
(13)以功率预测模型的功率预测输出和期望功率输出之间的误差的绝对值的和作为适应度函数；
(14)确定控制参数，控制参数包括交叉概率、变异概率以及遗传算法终止条件；
(15)采用遗传算法，获得优化的权值矩阵的权值与阈值的初始值；
(16)采用步骤(15)获得的权值与阈值的初始值，训练功率预测模型。
进一步地，步骤(15)采用遗传算法，获得优化的权值矩阵的权值与阈值的初始值包括以下步骤：
(151)执行遗传算子；
(152)根据适应度函数，计算每个染色体的适应度的值；
(153)是否满足遗传算法终止条件，如果满足，选择适应度的值最大的染色体，作为权值与阈值的初始值，否则执行步骤(151)。
进一步地，步骤(151)执行遗传算子包括以下步骤：
(1511)运用选择算子进行选择操作，从上一代种群中选择适应度高的染色体；
(1512)将选择的两个适应度高的染色体作为母体，根据设置的交叉概率，运用交叉算子进行交叉操作；
(1513)根据变异概率进行变异操作。
进一步地，步骤(16)采用步骤(15)获得的权值与阈值的初始值，训练功率预测模型，还包括以下步骤：
(161)从微电网的历史数据中筛选训练样本；
(162)功率预测模型的BP神经网络结构的权值矩阵与阈值，设置为步骤(15)获得的权值与阈值的初始值；
(163)对于每一个训练样本，计算功率预测模型的预测输出和期望输出之间的误差；
(164)根据误差，更新功率预测模型的BP神经网络结构的权值矩阵的权值与阈值；
(165)如果满足训练结束条件，结束对功率预测模型的训练；如果不满足结束条件，执行步骤(163)。
进一步地，步骤(161)从历史数据中筛选训练样本，包括以下步骤：
(1611)根据预测时段的天气类型和/或负载类型，筛选训练样本。
进一步地，步骤(1611)中的天气类型根据预测时段的天气预测信息获得。
进一步地，步骤(1611)之后还包括以下步骤：
(1612)对筛选出的训练样本进行预处理。
进一步地，功率预测模型包括每一种发电单元功率预测模型与负载功率预测模型。
与现有技术相比，本发明提供的微电网功率预测方法，具有以下有益效果：
(1)采用BP神经网络和遗传算法混合的方法，对发电单元与负载进行功率预测，避免单独采用BP神经网络，陷入局部最优的问题，从而提高了功率预测的准确性；
(2)将功率实时运行与预测结果相比较，运行时间越长，预测越准确，且不受具体配置、运行环境的限制，能够最大限度地充分利用发电单元的发电能力，改善了微电网运行的经济性。
附图说明
图1是本发明的一个实施例地微电网功率预测方法的流程图。
具体实施方式
本发明提供一种微电网功率预测方法，微电网包括发电单元，微电网用于向负载供电，微电网功率预测方法包括以下步骤：
(1)结合遗传算法与BP神经网络算法，对功率预测模型进行训练；
(2)采用经训练的功率预测模型，进行功率预测；
(3)将功率预测结果保存并传送到调度模块。
采用BP神经网络进行功率预测，缺点是训练的时间长并且容易陷入局部最优值，导致训练好的BP神经网络经常不是全局最优的。
引入遗传算法，采用BP神经网络与遗传算法结合的方法，优化BP神经网络的权值矩阵的权值与阈值的初始值，这样初始权值和学习率阈值选的好，既能够减少了BP神经网络的训练次数，缩短训练的时间，又能够找到全局最优解，从而提高了功率预测的准确性。
步骤(1)之前还包括以下步骤：
(11)建立功率预测模型，确定BP神经网络的结构。
步骤(1)结合遗传算法与BP神经网络算法，对功率预测模型进行训练，包括以下步骤：
(12)BP神经网络的结构的权值矩阵的权值与阈值的初始值，按顺序排列为染色体，采用实数编码进行编码；
(13)以功率预测模型的功率预测输出和期望功率输出之间的误差的绝对值的和作为适应度函数；
(14)确定控制参数，控制参数包括交叉概率、变异概率以及遗传算法终止条件；
(15)采用遗传算法，获得优化的权值矩阵的权值与阈值的初始值；
(16)采用步骤(15)获得的权值与阈值的初始值，训练功率预测模型。
步骤(12)BP神经网络的结构的权值矩阵的权值与阈值的初始值，按顺序排列为染色体，采用实数编码进行编码，本实施例中，每个染色体均为一个实数串，包括输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值四部分。
步骤(13)以功率预测模型的功率预测输出和期望功率输出之间的误差的绝对值的和作为适应度函数，适应度函数的计算公式为：
这是联系遗传算法和神经网络的一步。其中，n为网络输出节点数；yi为BP神经网络第i个节点的期望输出；oi为第i个节点的预测输出；k为系数。
步骤(14)确定控制参数，控制参数包括交叉概率、变异概率以及遗传算法终止条件；交叉概率可以选取较大的值，例如0.25～0.75，变异概率可以选取较小的值，例如0.001～0.1，遗传算法终止条件可以为以下条件之一：
·种群中染色体的最大的适应度的值是否超过适应度设定值；
·进化代数超过进化代数设定值；
·种群中染色体的平均适应度的值是否超过平均适应度设定值。
步骤(15)采用遗传算法，获得优化的权值矩阵的权值与阈值的初始值包括以下步骤：
(151)执行遗传算子；
(152)根据适应度函数，计算每个染色体的适应度的值；
(153)是否满足遗传算法终止条件，如果满足，选择适应度的值最大的染色体，进入BP神经网络的训练阶段，否则执行步骤(151)。
步骤(151)执行遗传算子包括以下步骤：
(1511)运用选择算子进行选择操作，从上一代种群中选择适应度高的染色体；
(1512)将选择的两个适应度高的染色体作为母体，根据设置的交叉概率，运用交叉算子进行交叉操作；
(1513)根据变异概率进行变异操作。
具体地，执行遗传算子的过程为：
·选择操作：采用选择算子，本实施例中采用“轮盘赌法”，基于适应度比例的选择策略，每个个体i的选择概率pi为
式中，fi为个体i的适应度的值，N为种群个体数目。
也可以采用锦标赛选择法或竞争选择法，本发明对此不作限制。
·交叉操作：由于个体采用实数编码，所以交叉操作方法采用实数交叉法，第k个染色体ak和第l个染色体al在j位的交叉操作方法如下：
akj＝akj(1-b)+aljb
alj＝alj(1-b)+akjb
其中，b是[0,1]间的随机数。
·变异操作：选取第i个个体的第j个基因aij进行变异，变异操作方法如下：
其中，amax为基因aij的上界；amin为基因aij的下界；f(g)＝r2(1-g/Gmax)2；r2为一个随机数；g为当前迭代次数；Gmax是最大进化次数；r为[0,1]间的随机数。
步骤(16)采用步骤(15)获得的权值与阈值的初始值，训练功率预测模型，还包括以下步骤：
(161)从微电网的历史数据中筛选训练样本；
(162)功率预测模型的BP神经网络结构的权值矩阵与阈值，设置为步骤(15)获得的权值与阈值的初始值；
(163)对于每一个训练样本，计算功率预测模型的预测输出和期望输出之间的误差；
(164)根据误差，更新功率预测模型的BP神经网络结构的权值矩阵的权值与阈值；
(165)如果满足训练结束条件，结束对功率预测模型的训练；如果不满足结束条件，执行步骤(163)。
步骤(161)从历史数据中筛选训练样本，包括以下步骤：
(1611)根据预测时段的天气类型和/或负载类型，筛选训练样本。
本实施例中，历史数据保存于数据库中，也可以保存到其他的存储单元中，例如内存卡等。
气候或天气条件的不同，会导致发电单元的供电输出存在较大的差异，为提高预测精度，采用具有相同气候或天气条件的历史数据进行预测。例如，若预测日为晴天时，BP神经网络训练模型时采用的训练样本应为晴天的历史数据。
天气类型可以是晴天、阴天和雨天，当然也可以采用其他天气类型，例如大风天、雾天等，本发明对此不做限制。
另一方面，负载在节假日与工作日有较大的差异，而在相似的时间段内却具有一定的规律性。因此，负载类型可以是工作日与节假日，如果预测日为节假日，对负载进行功率预测时，所采用的训练样本应为节假日的历史数据。
负载在一天的不同时段也有较大的差异，如果预测时段为夜晚，所采用的训练样本应为夜晚的历史数据。如果预测时段是4小时，负载类型也可以是高峰时段、低谷时段等，本发明对此不做限制。
步骤(1611)中的天气类型根据预测时段的天气预测信息获得。
步骤(1611)之后还包括以下步骤：
(1612)对筛选出的训练样本进行预处理。
由于实际电网运行中存在突发情况、通讯系统信息传递时丢包等因素，这会引起实际检测和存储的数据存在无效、不可靠数据。为减小这些因素引起的误差，应对这些数据采取有效的预处理。目前的主要预处理方法有置大或置小等处理方法。
本实施例中，发电单元包括光伏与风机。
功率预测模块用于对负载功率、光伏供电功率和风机供电功率进行日前功率预测，也就是进行每日的功率预测，预测时段为一日。
当然在其他的实施例中预测时段也可以是，例如4小时，本发明对于具体的预测时段不做限制。
针对每个功率预测模型：
(1)建立功率预测模型，确定BP神经网络的结构；
(2)BP神经网络的结构的权值矩阵的权值与阈值的初始值，按顺序排列为染色体，采用实数编码进行编码；
(3)以功率预测模型的功率预测输出和期望功率输出之间的误差的绝对值的和作为适应度函数；
(4)确定控制参数，控制参数包括交叉概率、变异概率以及遗传算法终止条件；
(5)运用选择算子进行选择操作，从上一代种群中选择适应度高的染色体；
(6)将选择的两个适应度高的染色体作为母体，根据设置的交叉概率，运用交叉算子进行交叉操作；
(7)根据变异概率进行变异操作。
(8)根据适应度函数，计算每个染色体的适应度的值；
(9)是否满足遗传算法终止条件，如果满足，选择适应度的值最大的染色体，作为权值与阈值的初始值，否则执行步骤(5)。
(10)计算功率预测模型的预测输出和期望输出之间的误差；
(11)根据误差，更新功率预测模型的BP神经网络结构的权值矩阵的权值与阈值；
(12)如果满足训练结束条件，结束对功率预测模型的训练；如果不满足结束条件，执行步骤(10)。
(13)采用经训练的功率预测模型，进行功率预测；
(14)将功率预测结果保存并传送到调度模块。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种微电网功率预测方法，微电网包括发电单元，所述微电网用于向负载供电，其特征在于，所述微电网功率预测方法包括以下步骤：
(1)结合遗传算法与BP神经网络算法，对功率预测模型进行训练；
(2)采用经训练的功率预测模型，进行功率预测；
(3)将功率预测结果保存并传送到调度模块。
2.如权利要求1所述的微电网功率预测方法，其特征在于，步骤(1)之前还包括以下步骤：
(11)建立功率预测模型，确定BP神经网络的结构。
3.如权利要求2所述的微电网功率预测方法，其特征在于，步骤(1)结合遗传算法与BP神经网络算法，对功率预测模型进行训练，包括以下步骤：
(12)BP神经网络的结构的权值矩阵的权值与阈值的初始值，按顺序排列为染色体，采用实数编码进行编码；
(13)以功率预测模型的功率预测输出和期望功率输出之间的误差的绝对值的和作为适应度函数；
(14)确定控制参数，控制参数包括交叉概率、变异概率以及遗传算法终止条件；
(15)采用遗传算法，获得优化的权值矩阵的权值与阈值的初始值；
(16)采用步骤(15)获得的权值与阈值的初始值，训练功率预测模型。
4.如权利要求3所述的微电网功率预测方法，其特征在于，步骤(15)采用遗传算法，获得优化的权值矩阵的权值与阈值的初始值包括以下步骤：
(151)执行遗传算子；
(152)根据适应度函数，计算每个染色体的适应度的值；
(153)是否满足遗传算法终止条件，如果满足，选择适应度的值最大的染色体，作为权值与阈值的最优值，否则执行步骤(151)。
5.如权利要求4所述的微电网功率预测方法，其特征在于，步骤(151)执行遗传算子包括以下步骤：
(1511)运用选择算子进行选择操作，从上一代种群中选择适应度高的染色体；
(1512)将选择的两个适应度高的染色体作为母体，根据设置的交叉概率，运用交叉算子进行交叉操作；
(1513)根据变异概率进行变异操作。
6.如权利要求1所述的微电网功率预测方法，其特征在于，步骤(16)采用步骤(15)获得的权值与阈值的初始值，训练功率预测模型，还包括以下步骤：
(161)从微电网的历史数据中筛选训练样本；
(162)功率预测模型的BP神经网络结构的权值矩阵与阈值，设置为步骤(15)获得的权值与阈值的初始值；
(163)对于每一个训练样本，计算功率预测模型的预测输出和期望输出之间的误差；
(164)根据所述误差，更新功率预测模型的BP神经网络结构的权值矩阵的权值与阈值；
(165)如果满足训练结束条件，结束对功率预测模型的训练；如果不满足结束条件，执行步骤(163)。
7.如权利要求4所述的微电网功率预测方法，其特征在于，步骤(161)从历史数据中筛选训练样本，包括以下步骤：
(1611)根据预测时段的天气类型和/或负载类型，筛选训练样本。
8.如权利要求7所述的微电网功率预测方法，其特征在于，步骤(1611)中的天气类型根据预测时段的天气预测信息获得。
9.如权利要求7所述的微电网功率预测方法，其特征在于，步骤(1611)之后还包括以下步骤：
(1612)对筛选出的训练样本进行预处理。
10.如权利要求1所述的微电网功率预测方法，其特征在于，功率预测模型包括每一种发电单元功率预测模型与负载功率预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610554504.7A CN107622319A (zh) | 2016-07-14 | 2016-07-14 | 一种微电网功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610554504.7A CN107622319A (zh) | 2016-07-14 | 2016-07-14 | 一种微电网功率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107622319A true CN107622319A (zh) | 2018-01-23 |
Family
ID=61087474
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610554504.7A Withdrawn CN107622319A (zh) | 2016-07-14 | 2016-07-14 | 一种微电网功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107622319A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846549A (zh) * | 2018-05-08 | 2018-11-20 | 天津大学 | 基于智能家电端的电网供配电调控方法 |
| CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
| CN115473595A (zh) * | 2022-08-19 | 2022-12-13 | 三峡大学 | 一种变电站内无线感知设备丢包率的预测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971162A (zh) * | 2014-04-04 | 2014-08-06 | 华南理工大学 | 一种基于遗传算法改进bp神经网络的方法 |
-
2016
- 2016-07-14 CN CN201610554504.7A patent/CN107622319A/zh not_active Withdrawn
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103971162A (zh) * | 2014-04-04 | 2014-08-06 | 华南理工大学 | 一种基于遗传算法改进bp神经网络的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 吴淦洲: "基于遗传神经网络的风电功率预测", 《数学的实践与认识》 * |
| 王德民等: "基于遗传算法优化BP神经网络的风电功率预测", 《电子设计工程》 * |
| 肖俊明等: "基于BP神经网络和遗传算法的光伏功率预测的研究", 《计算机测量与控制》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846549A (zh) * | 2018-05-08 | 2018-11-20 | 天津大学 | 基于智能家电端的电网供配电调控方法 |
| CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
| CN115473595A (zh) * | 2022-08-19 | 2022-12-13 | 三峡大学 | 一种变电站内无线感知设备丢包率的预测方法 |
| CN115473595B (zh) * | 2022-08-19 | 2024-04-02 | 三峡大学 | 一种变电站内无线感知设备丢包率的预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105809279B (zh) | 一种基于多目标量子混合蛙跳算法的水资源优化调度方法 | |
| CN101414366B (zh) | 基于改进极端学习机方法的电力系统短期负荷预测方法 | |
| CN109886444A (zh) | 一种交通短时客流预测方法、装置、设备和存储介质 | |
| CN104636801B (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
| CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
| CN107563539A (zh) | 基于机器学习模型的短期和中长期电力负荷预测方法 | |
| CN109146162B (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
| CN108205717A (zh) | 一种光伏发电功率多时间尺度预测方法 | |
| CN110674999A (zh) | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 | |
| CN107909220A (zh) | 一种电采暖负荷预测方法 | |
| CN105913151A (zh) | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 | |
| CN105976051A (zh) | 一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法 | |
| CN104123595B (zh) | 一种配电网负荷预测方法及系统 | |
| CN104484833A (zh) | 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法 | |
| CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和系统 | |
| CN106022549A (zh) | 基于神经网络和思维演化搜索的短期负荷预测方法 | |
| CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
| CN105184415B (zh) | 一种配电网络重构设计方法 | |
| CN110942205A (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
| CN108280998A (zh) | 基于历史数据动态选择的短时交通流预测方法 | |
| Zhaoyu et al. | The application of the PSO based BP network in short-term load forecasting | |
| CN107622319A (zh) | 一种微电网功率预测方法 | |
| CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
| CN108734337A (zh) | 基于聚类中心修正的定制公交合乘站点生成方法 | |
| CN107274015A (zh) | 一种预测风速的方法及系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180123 |
|
| WW01 | Invention patent application withdrawn after publication |