CN107798432A - 一种基于深度学习网络的光伏电站发电功率短期预测方法 - Google Patents
一种基于深度学习网络的光伏电站发电功率短期预测方法 Download PDFInfo
- Publication number
- CN107798432A CN107798432A CN201711067424.XA CN201711067424A CN107798432A CN 107798432 A CN107798432 A CN 107798432A CN 201711067424 A CN201711067424 A CN 201711067424A CN 107798432 A CN107798432 A CN 107798432A
- Authority
- CN
- China
- Prior art keywords
- end outer
- deep learning
- short term
- power generation
- prediction method
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000010248 power generation Methods 0.000 title claims abstract description 40
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 230000005855 radiation Effects 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000007405 data analysis Methods 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 238000013500 data storage Methods 0.000 claims abstract description 6
- 230000001154 acute effect Effects 0.000 claims abstract description 5
- 238000013136 deep learning model Methods 0.000 claims abstract description 4
- 230000002708 enhancing effect Effects 0.000 claims description 20
- 230000036039 immunity Effects 0.000 claims description 9
- 230000001681 protective effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000003064 anti-oxidating effect Effects 0.000 claims description 2
- 239000000463 material Substances 0.000 claims description 2
- 239000010935 stainless steel Substances 0.000 claims description 2
- 229910001220 stainless steel Inorganic materials 0.000 claims description 2
- 230000013016 learning Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 239000000956 alloy Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于深度学习网络的光伏电站发电功率短期预测方法，包括装置机壳、连接线与辐射仪，所述装置机壳的下端外表面固定安装有WiFi发射接收器，所述靠近装置机壳的上端外表面电源开关键的一侧设有操作按钮，所述语音播报器的上方设有提示灯。该基于深度学习网络的光伏电站发电功率短期预测方法，通过WiFi发射接收器的设置，可以实现远程无线数据的传输，通过设置的数据分析模块与生成器，可利用历史的存储数据，构建不同的深度学习模型以得到不同需求的输出结果，从而提高预测率，通过测云雷达的设置，能够采集到云层的信息，大大提高在天气剧烈变化期间算法的精确程度，解决了现有的光伏电站发电功率预测不准的问题。
Description
技术领域
本发明涉及光伏电站发电功率短期预测方法领域，具体为一种基于深度学习网络的光伏电站发电功率短期预测方法。
背景技术
光伏发电作为一种清洁能源，能满足经济社会发展带来的对能源的需求，并能减少化石燃料的污染，因此得到日益广泛的应用，光伏发电功率与很多因素有关，包括光伏电池的型号、阵列的面积、季节变化、气象因素、太阳辐射，这些因素与发电功率之间为复杂的非线性关系，确定模型非常困难；现有的光伏电站发电功率短期预测方法，预测的准确率不够高，容易因为受到天气的影响而导致结果出现误差，算法上精确程度不够高，不具有深度学习网络的能力，在实际使用时带来了一定的影响，为此，我们提出一种基于深度学习网络的光伏电站发电功率短期预测方法。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种基于深度学习网络的光伏电站发电功率短期预测方法，解决了现有的光伏电站发电功率预测不准的问题。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于深度学习网络的光伏电站发电功率短期预测方法，包括装置机壳、连接线与辐射仪，所述装置机壳的下端外表面固定安装有WiFi发射接收器，且装置机壳的上端外表面设有电源开关键，所述靠近装置机壳的上端外表面电源开关键的一侧设有操作按钮，且操作按钮的上方一侧设有语音播报器，所述语音播报器的上方设有提示灯，且提示灯的一侧设有音量调节钮，所述音量调节钮的上方一侧处设有显示器，且显示器的上方设有磁铁，所述磁铁的上端外表面设有GPS定位器，且位于磁铁的一侧处设有信号增强插座，所述信号增强插座的上端外表面设有信号增强插槽，且信号增强插座的一侧外表面设有转轴，所述转轴的一侧外表面固定安装有防护罩，且靠近防护罩的一侧设有信号增强器，所述装置机壳的一侧外表面设有USB接口，所述连接线与装置机壳固定连接，且连接线的一端外表面设有支柱，所述支柱的下端外表面固定安装有底座，所述辐射仪与支柱固定连接，且辐射仪的上端外表面设有风向传感仪，所述靠近辐射仪的上端外表面风向传感仪的一侧设有风速传感仪，所述支柱的一侧外表面设有温度传感器，且支柱的另一侧外表面设有湿度传感器，所述支柱的上端外表面固定安装有测云雷达，所述装置机壳的内部设有抗干扰模块，且抗干扰模块的一端外表面设有数据采集器，所述数据采集器的一侧设有微处理器，且微处理器的一端外表面固定安装有图像存储卡，所述微处理器的另一端外表面设有存储服务器，且存储服务器的一端外表面设有数据分析模块，所述数据分析模块的一端外表面固定安装有生成器，所述微处理器的一侧设有计算模块。
优选的，所述温度传感器与湿度传感器均与支柱固定连接，且支柱为一种不锈钢材质的构件。
优选的，所述信号增强插槽的数量为四组，且信号增强插槽分别平行放置。
优选的，所述信号增强器与装置机壳的倾斜角度为九十五度，且装置机壳的外表面涂有抗氧化层。
优选的，所述操作按钮的数量为六组，且操作按钮分别平行放置。
优选的，所述风速传感仪与风向传感仪均与辐射仪固定连接，且辐射仪的外表面涂有仿佛防水层。
优选的，所述转轴的数量为两组，且转轴分别平行放置。
优选的，所述音量调节钮的外表面设有防滑条纹，防滑条纹的数量为若干组。
优选的，所述测云雷达通过支柱与底座固定连接，且底座为一种合金材质的构件。
优选的，该基于深度学习网络的光伏电站发电功率短期预测方法，通过设置的湿度传感器、温度传感器、风向传感仪、风速传感仪与辐射仪，能够获取天气预测的信息，具体有辐射强度、温度、湿度、风向、风力的数值，通过设置的数据采集器，将所采集的一系列数据信息传输至存储服务器，通过设置的数据分析模块与微处理器的结合，可根据天气类型筛选出一部分历史日，首先选出预测日相同天气类型的历史日，之后经过计算相关度来确定相似日，通过设置的计算模块，以二十分钟为间隔进行发电功率预测，对预测的结果进行误差分析，通过设置的数据分析模块与生成器的结合，可利用历史的存储数据，构建不同的深度学习模型以得到不同需求的输出结果，从而提高预测率，通过WiFi发射接收器的设置，可将当地所采集到一系列数据信息通过远程无线的方式，与远程终端设备进行数据传输，通过信号增强器的设置，可增强信号接收与发射的强度，使设备的数据远程传输能力更强，通过设置的测云雷达，能够采集到云层的信息，大大提高在天气剧烈变化期间算法的精确程度，解决了现有的光伏电站发电功率预测不准的问题。
（三）有益效果
本发明提供了一种基于深度学习网络的光伏电站发电功率短期预测方法，具备以下有益效果：
（1）、该基于深度学习网络的光伏电站发电功率短期预测方法，通过装置机壳上的WiFi发射接收器，可将本地所收集到的一系列数据信息通过远程无线传输的方式传输给远程终端设备，同时也可接收来自远程终端设备的数据信息，利用存储服务器进行数据存储，以方便深度学习，解决了现有的光伏电站发电功率短期预测方法数据传输不便的问题。
（2）、该基于深度学习网络的光伏电站发电功率短期预测方法，通过设置的数据分析模块与生成器的结合，可利用存储服务器所存储的历史存储数据，构建不同的深度学习模型以得到不同需求的输出结果，并不断修正深度学习模型，从而提高预测率，具有深度学习模拟的能力，解决了现有的光伏电站发电功率短期预测方法精确度不够的问题。
（3）、该基于深度学习网络的光伏电站发电功率短期预测方法，通过信号增强插座与信号增强插槽的结合，可增强信号接收与发射的强度，使设备的数据远程传输能力更强，同时装置机壳的内部有抗干扰模块，可减少周围设备磁场间的相互影响力，从而提高设备运行的稳定性与可靠性。
（4）、该基于深度学习网络的光伏电站发电功率短期预测方法，通过测云雷达的设置，测云雷达回波不仅可以确定探测目标的空间位置、形状、尺度、移动和发展变化等宏观特性，还可以根据回波信号的振幅、相位、频率和偏振度等确定目标物的各种物理特性，能够采集到云层的信息，大大提高在天气剧烈变化期间算法的精确程度，减少了天气变化对算法精确程度的影响。
（5）、该基于深度学习网络的光伏电站发电功率短期预测方法，通过磁铁的设置，可方便对GPS定位器进行固定和更换，较为省事方便，并且GPS定位器可提供位置方位的信息，在进行远程数据传输时，远程终端设备能够知道所接收信息来源的具体地理方位。
附图说明
图1为本发明整体结构示意图；
图2为本发明装置机壳内部结构图；
图3为本发明信号增强插座结构图。
图中：1装置机壳、2WiFi发射接收器、3电源开关键、4操作按钮、5USB接口、6语音播报器、7提示灯、8音量调节钮、9显示器、10、磁铁、11GPS定位器、12信号增强插座、13信号增强插槽、14转轴、15防护罩、16信号增强器、17连接线、18支柱、19底座、20辐射仪、21风向传感仪、22风速传感仪、23温度传感器、24湿度传感器、25测云雷达、26抗干扰模块、27数据采集器、28微处理器、29图像存储卡、30存储服务器、31数据分析模块、32生成器、33计算模块。
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做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。
请参阅图1-3，本发明提供一种技术方案：一种基于深度学习网络的光伏电站发电功率短期预测方法，包括装置机壳1、连接线17与辐射仪20，装置机壳1的下端外表面固定安装有WiFi发射接收器2，且装置机壳1的上端外表面设有电源开关键3，靠近装置机壳1的上端外表面电源开关键3的一侧设有操作按钮4，且操作按钮4的上方一侧设有语音播报器6，语音播报器6的上方设有提示灯7，且提示灯7的一侧设有音量调节钮8，音量调节钮8的上方一侧处设有显示器9，且显示器9的上方设有磁铁10，磁铁10的上端外表面设有GPS定位器11，且位于磁铁10的一侧处设有信号增强插座12，信号增强插座12的上端外表面设有信号增强插槽13，且信号增强插座12的一侧外表面设有转轴14，转轴14的一侧外表面固定安装有防护罩15，且靠近防护罩15的一侧设有信号增强器16，装置机壳1的一侧外表面设有USB接口5，连接线17与装置机壳1固定连接，且连接线17的一端外表面设有支柱18，支柱18的下端外表面固定安装有底座19，辐射仪20与支柱18固定连接，且辐射仪20的上端外表面设有风向传感仪21，靠近辐射仪20的上端外表面风向传感仪21的一侧设有风速传感仪22，支柱18的一侧外表面设有温度传感器23，且支柱18的另一侧外表面设有湿度传感器24，支柱18的上端外表面固定安装有测云雷达25，装置机壳1的内部设有抗干扰模块26，且抗干扰模块26的一端外表面设有数据采集器27，数据采集器27的一侧设有微处理器28，且微处理器28的一端外表面固定安装有图像存储卡29，微处理器28的另一端外表面设有存储服务器30，且存储服务器30的一端外表面设有数据分析模块31，数据分析模块31的一端外表面固定安装有生成器32，微处理器28的一侧设有计算模块33。
综上所述，该基于深度学习网络的光伏电站发电功率短期预测方法，通过装置机壳（1）上的WiFi发射接收器（2），可将本地所收集到的一系列数据信息通过远程无线传输的方式传输给远程终端设备，同时也可接收来自远程终端设备的数据信息，利用存储服务器（30）进行数据存储，以方便深度学习，解决了现有的光伏电站发电功率短期预测方法数据传输不便的问题。
该基于深度学习网络的光伏电站发电功率短期预测方法，通过设置的数据分析模块（31）与生成器（32）的结合，可利用存储服务器（30）所存储的历史存储数据，构建不同的深度学习模型以得到不同需求的输出结果，并不断修正深度学习模型，从而提高预测率，具有深度学习模拟的能力，解决了现有的光伏电站发电功率短期预测方法精确度不够的问题。
该基于深度学习网络的光伏电站发电功率短期预测方法，通过信号增强插座（12）与信号增强插槽（13）的结合，可增强信号接收与发射的强度，使设备的数据远程传输能力更强，同时装置机壳（1）的内部有抗干扰模块（26），可减少周围设备磁场间的相互影响力，从而提高设备运行的稳定性与可靠性。
该基于深度学习网络的光伏电站发电功率短期预测方法，通过测云雷达（25）的设置，测云雷达回波不仅可以确定探测目标的空间位置、形状、尺度、移动和发展变化等宏观特性，还可以根据回波信号的振幅、相位、频率和偏振度等确定目标物的各种物理特性，能够采集到云层的信息，大大提高在天气剧烈变化期间算法的精确程度，减少了天气变化对算法精确程度的影响。
该基于深度学习网络的光伏电站发电功率短期预测方法，通过磁铁（10）的设置，可方便对GPS定位器（11）进行固定和更换，较为省事方便，并且GPS定位器（11）可提供位置方位的信息，在进行远程数据传输时，远程终端设备能够知道所接收信息来源的具体地理方位。
需要说明的是，在本文中，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”，该文中出现的电器元件均与外界的主控器及220V市电电连接，并且主控器可为计算机等起到控制的常规已知设备。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于深度学习网络的光伏电站发电功率短期预测方法，包括装置机壳（1）、连接线（17）与辐射仪（20），所述装置机壳（1）的下端外表面固定安装有WiFi发射接收器（2），且装置机壳（1）的上端外表面设有电源开关键（3），所述靠近装置机壳（1）的上端外表面电源开关键（3）的一侧设有操作按钮（4），且操作按钮（4）的上方一侧设有语音播报器（6），所述语音播报器（6）的上方设有提示灯（7），且提示灯（7）的一侧设有音量调节钮（8），所述音量调节钮（8）的上方一侧处设有显示器（9），且显示器（9）的上方设有磁铁（10），所述磁铁（10）的上端外表面设有GPS定位器（11），且位于磁铁（10）的一侧处设有信号增强插座（12），所述信号增强插座（12）的上端外表面设有信号增强插槽（13），且信号增强插座（12）的一侧外表面设有转轴（14），所述转轴（14）的一侧外表面固定安装有防护罩（15），且靠近防护罩（15）的一侧设有信号增强器（16），所述装置机壳（1）的一侧外表面设有USB接口（5），所述连接线（17）与装置机壳（1）固定连接，且连接线（17）的一端外表面设有支柱（18），所述支柱（18）的下端外表面固定安装有底座（19），所述辐射仪（20）与支柱（18）固定连接，且辐射仪（20）的上端外表面设有风向传感仪（21），所述靠近辐射仪（20）的上端外表面风向传感仪（21）的一侧设有风速传感仪（22），所述支柱（18）的一侧外表面设有温度传感器（23），且支柱（18）的另一侧外表面设有湿度传感器（24），所述支柱（18）的上端外表面固定安装有测云雷达（25），所述装置机壳（1）的内部设有抗干扰模块（26），且抗干扰模块（26）的一端外表面设有数据采集器（27），所述数据采集器（27）的一侧设有微处理器（28），且微处理器（28）的一端外表面固定安装有图像存储卡（29），所述微处理器（28）的另一端外表面设有存储服务器（30），且存储服务器（30）的一端外表面设有数据分析模块（31），所述数据分析模块（31）的一端外表面固定安装有生成器（32），所述微处理器（28）的一侧设有计算模块（33）。
2.根据权利要求1所述的一种基于深度学习网络的光伏电站发电功率短期预测方法，其特征在于：所述温度传感器（23）与湿度传感器（24）均与支柱（18）固定连接，且支柱（18）为一种不锈钢材质的构件。
3.根据权利要求1所述的一种基于深度学习网络的光伏电站发电功率短期预测方法，其特征在于：所述信号增强插槽（13）的数量为四组，且信号增强插槽（13）分别平行放置。
4.根据权利要求1所述的一种基于深度学习网络的光伏电站发电功率短期预测方法，其特征在于：所述信号增强器（16）与装置机壳（1）的倾斜角度为九十五度，且装置机壳（1）的外表面涂有抗氧化层。
5.根据权利要求1所述的一种基于深度学习网络的光伏电站发电功率短期预测方法，其特征在于：所述操作按钮（4）的数量为六组，且操作按钮（4）分别平行放置。
6.根据权利要求1所述的一种基于深度学习网络的光伏电站发电功率短期预测方法，其特征在于：所述风速传感仪（22）与风向传感仪（21）均与辐射仪（20）固定连接，且辐射仪（20）的外表面涂有仿佛防水层。
7.根据权利要求1所述的一种基于深度学习网络的光伏电站发电功率短期预测方法，其特征在于：所述转轴（14）的数量为两组，且转轴（14）分别平行放置。
8.根据权利要求1所述的一种基于深度学习网络的光伏电站发电功率短期预测方法，其特征在于：所述音量调节钮（8）的外表面设有防滑条纹，防滑条纹的数量为若干组。
9.根据权利要求1所述的一种基于深度学习网络的光伏电站发电功率短期预测方法，其特征在于：所述测云雷达（25）通过支柱（18）与底座（19）固定连接，且底座（19）为一种合金材质的构件。
10.一种便于拆卸的医药混合方法，其特征在于：该基于深度学习网络的光伏电站发电功率短期预测方法，通过设置的湿度传感器（24）、温度传感器（23）、风向传感仪（21）、风速传感仪（22）与辐射仪（20），能够获取天气预测的信息，具体有辐射强度、温度、湿度、风向、风力的数值，通过设置的数据采集器（27），将所采集的一系列数据信息传输至存储服务器（30），通过设置的数据分析模块（31）与微处理器（28）的结合，可根据天气类型筛选出一部分历史日，首先选出预测日相同天气类型的历史日，之后经过计算相关度来确定相似日，通过设置的计算模块（33），以二十分钟为间隔进行发电功率预测，对预测的结果进行误差分析，通过设置的数据分析模块（31）与生成器（32）的结合，可利用历史的存储数据，构建不同的深度学习模型以得到不同需求的输出结果，从而提高预测率，通过WiFi发射接收器（2）的设置，可将当地所采集到一系列数据信息通过远程无线的方式，与远程终端设备进行数据传输，通过信号增强器（16）的设置，可增强信号接收与发射的强度，使设备的数据远程传输能力更强，通过设置的测云雷达（25），能够采集到云层的信息，大大提高在天气剧烈变化期间算法的精确程度，解决了现有的光伏电站发电功率预测不准的问题。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711067424.XA CN107798432A (zh) | 2017-11-03 | 2017-11-03 | 一种基于深度学习网络的光伏电站发电功率短期预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711067424.XA CN107798432A (zh) | 2017-11-03 | 2017-11-03 | 一种基于深度学习网络的光伏电站发电功率短期预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107798432A true CN107798432A (zh) | 2018-03-13 |
Family
ID=61548863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711067424.XA Pending CN107798432A (zh) | 2017-11-03 | 2017-11-03 | 一种基于深度学习网络的光伏电站发电功率短期预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107798432A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345227A (zh) * | 2013-07-02 | 2013-10-09 | 东南大学 | 一种微电网监测与能量管理装置及方法 |
| CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
| CN105678396A (zh) * | 2015-11-04 | 2016-06-15 | 衢州职业技术学院 | 光伏电站超短时功率预测装置 |
| CN205920415U (zh) * | 2016-08-26 | 2017-02-01 | 锦州阳光气象科技有限公司 | 光伏电站环境监测系统 |
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
| CN106600041A (zh) * | 2016-12-02 | 2017-04-26 | 天津大学 | 基于受限玻尔兹曼机的光伏发电短期功率概率预测方法 |
-
2017
- 2017-11-03 CN CN201711067424.XA patent/CN107798432A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345227A (zh) * | 2013-07-02 | 2013-10-09 | 东南大学 | 一种微电网监测与能量管理装置及方法 |
| CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
| US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
| CN105678396A (zh) * | 2015-11-04 | 2016-06-15 | 衢州职业技术学院 | 光伏电站超短时功率预测装置 |
| CN205920415U (zh) * | 2016-08-26 | 2017-02-01 | 锦州阳光气象科技有限公司 | 光伏电站环境监测系统 |
| CN106600041A (zh) * | 2016-12-02 | 2017-04-26 | 天津大学 | 基于受限玻尔兹曼机的光伏发电短期功率概率预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102175887B (zh) | 移动式超声波风速风向仪及测量风速风向的方法 | |
| CN109307544A (zh) | 一种便携式地下水水位井深自动测量仪及测量方法 | |
| CN102323628B (zh) | 降水信息采集计量方法、采集计量单元及雨量计 | |
| CN202141736U (zh) | 三维风速风向测量装置 | |
| CN104123444A (zh) | 基于区域墒情监测和遥感数据的实时灌溉预报系统及方法 | |
| CN108204848A (zh) | 一种水位和径流量数据采集和处理系统及方法 | |
| CN202676649U (zh) | 一种同步实时自补偿测量土壤含水率的电容式传感器 | |
| CN116068560A (zh) | 基于雷达海杂波的海上蒸发波导漂浮式探测系统及方法 | |
| CN201984080U (zh) | 移动式超声波风速风向仪 | |
| CN210037861U (zh) | 一种天然河流表面流速及水下流速同步测量装置 | |
| CN204705726U (zh) | 海洋平台综合观测系统 | |
| CN104266634A (zh) | 输电线路绝缘子等值灰密在线监测系统及监测方法 | |
| CN206431113U (zh) | 一种新型大气环境检测系统 | |
| CN107798432A (zh) | 一种基于深度学习网络的光伏电站发电功率短期预测方法 | |
| CN208795212U (zh) | 一种基站天线姿态测量无线传感器 | |
| CN201740566U (zh) | 一种热水器水位检测装置 | |
| CN204439057U (zh) | 一种农业机械作业面积测量装置 | |
| CN204439172U (zh) | 一种基于gprs网络的航道水深远程监测系统 | |
| CN106597573B (zh) | 一种模拟探空仪及探空仪装置 | |
| CN206627457U (zh) | 一种基于插值算法的大气折射率剖面预测仪 | |
| CN215727476U (zh) | 土壤含水率实时检测装置 | |
| CN212320780U (zh) | 一种基于LoRa的多层土壤墒情监测仪 | |
| CN205333890U (zh) | 手持式气象监测仪 | |
| CN201364112Y (zh) | 一种机械量具指示表 | |
| CN206649050U (zh) | 一种轻便三杯风向风速仪 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180313 |