CN108428017B - 基于核极限学习机分位数回归的风电功率区间预测方法 - Google Patents
基于核极限学习机分位数回归的风电功率区间预测方法 Download PDFInfo
- Publication number
- CN108428017B CN108428017B CN201810366482.0A CN201810366482A CN108428017B CN 108428017 B CN108428017 B CN 108428017B CN 201810366482 A CN201810366482 A CN 201810366482A CN 108428017 B CN108428017 B CN 108428017B
- Authority
- CN
- China
- Prior art keywords
- interval
- kernel
- learning machine
- wind power
- prediction
- 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
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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于核极限学习机分位数回归的风电功率区间预测方法,包括:采集风电场输出功率与风速数据;数据进行简单处理,删去不合理的数据;构建核极限学习机分位数回归模型;利用粒子群算法优化核极限学习机分位数回归参数并确定回归模型;带入测试数据得到风电功率预测区间。本发明有效地将分位数回归原理和核极限学习机模型结合,通过粒子群算法搜索寻优获得最优的模型参数,能够有效地把握风电功率中的不确定信息,进而得到较好的预测结果,能够为风电并入的安全稳定运行提供依据。
Description
技术领域
本发明属于风电功率预测技术领域,特别地涉及一种基于核极限学习机分位数回归的风电功率区间预测方法。
背景技术
风能作为无污染、可再生的新能源已经得到了广泛应用,但是由于风具有很强的随机性和波动性,随着风力发电在电网中的占比不断提高,风力发电本身的随机性和波动性会导致电网的波动,不利于电网的安全稳定运行。为了电网的安全稳定运行,我们需要对风电功率做出准确预测,对风能发电的功率进行准确地预测能够减小电网的调度压力,能够使得电网接受更多的风电。传统点预测的方法因为容易受到天气、风速、风向以及电机等因素的影响,预测结果的误差浮动比较大,所以获得的预测结果往往可靠性比较低,难以为电力规划提供有效的决策信息。
基于此,研究者们寻求能定量反映风电功率不确定性的新的预测形式,其中区间预测方法可以提供的是未来风电功率可能位于的区间,在某一置信水平下使实际值尽可能落在由预测区间上、下限确定的区间内。确定了风电功率的波动区间就能够为电力规划的决策者在进行风险评估和决策分析时提供更多有效的信息。然而目前的大部分区间预测是基于分析预测误差的概率分布进行区间估计,其预测性能依赖于点预测的误差,而且误差遵循的概率分布形式及其参数确定存在困难。
发明内容
本发明为克服现有预测方法可靠性低,而且计算复杂、参数难于确定等不足,提出了一种基于核极限学习机分位数回归的风电功率区间预测方法,包括如下步骤:
步骤1:采集风电场原始数据组成原始数据集D={(w1,p1)(w2,p2)…(wi,pi)},wi为第i时刻的风速,pi为第i时刻的功率,并进行数据处理;
步骤2、将数据分为训练样本和测试样本,将处理后的数据的训练样本按照1:1的比例分配为建模集和优化集,利用训练数据样本构建基于粒子群算法的核极限学习机分位数回归模型:
式(1)中为核极限学习机,ΩEML为核矩阵,k为核函数,设定为RBF核:k(a,b)=exp(-||a-b||)2/σ,训练数据建模集的wi构成核极限学习机中核函数k中的x1到xN,x为训练数据优化集的wi,ΩEML(i,j)=k(xi,xj),O为预测目标值向量,由训练数据建模集的pi组成;C为惩罚参数;y(x)为回归模型的输出,分别输出区间上下限U(x),L(x)。
步骤3、根据分位数回归和预测区间覆盖概率(PI coverage probability,PICP)确定适应度函数,利用粒子群算法根据适应度函数优化核极限学习机中的参数C、σ以及模型(1)中的β。
步骤4、将得到的最优目标参数C、σ以及β带入到(1)式的核极限学习机分位数回归模型,带入测试数据,输出风电功率预测区间上限和下限。
对数据的处理包括将风电场的原始数据按时间顺序排序,删除其中的缺值点,停机点及限功率点,删除不合理的数据点。
核函数k也可为线性核函数和多项式核函数。
步骤3进一步包括:
其中xi对应训练数据优化集的wi,yi对应训练数据优化集的pi组成;τ为分位数,在额定置信水平1-α的概率区间预测中,τ分位数分别取为区间上限的分为数τu,τu取为区间下限的分为数τl取为为了提高预测精度,还引入惩罚项f=P·(1-PICP),PICP为区间覆盖率,P为惩罚因子,区间覆盖率覆盖概率PICP定义为
其中Nt为训练数据优化样本数,κ为布尔量,功率值pi包含于区间预测上下限时κ=1,否则κ=0。惩罚项f与F共同构成适应度函数,即最终粒子群优化适应度函数为fitness=F+f。
步骤3.2、利用粒子群算法根据适应度函数优化核极限学习机中的参数C、σ以及模型(1)中的β,根据比较每个粒子的适应度函数在每次迭代中的大小,更新粒子速度、位置、个体极值和全体极值,得到最优参数C,σ和β。
进一步,获得最优参数C,σ和β的步骤包括:
步骤3.2.1、以区间预测上限参数优化为例,通过随机的方法初始化核极限学习机分位数回归模型中的参数Cup,σup,βup,得到初始种群S,S为n*3矩阵,n为粒子数目;
步骤3.2.2、按照适应度函数计算每个粒子的适应值;
步骤3.2.3、粒子群更新,粒子群的更新方式为:
xij(t+1)=xij(t)+vij(t+1)
其中,i和j分别第i个粒子和第j(1,2,…n)维;t为迭代次数;xij=(xi1,xi2…xin),i=1,2…m表示其所代表的空间位置,为个体最优粒子,为全局最优位置,粒子的更新速度为vij=(vi1,vi2,vi3…,vin);c1和c2为加速因子,r1和r2为[0,1]区间上的随机数;
步骤3.2.4、达到迭代次数,得到最优目标参数Cupbest,σupbest,βupbest
步骤3.2.5、按照步骤3.2.1-3.2.4,同理可求取预测区间预测下限最优参数Clowbest,σlowbest,βlowbest参数。
进一步,步骤4具体为将得到的最优目标参数Cupbest,σupbest,βupbest带入到(1)式的核极限学习机分位数回归模型,带入测试数据,输出风电功率预测区间上限。将得到最优目标参数Clowbest,σlowbest,βlowbest带入到(1)式的核极限学习机分位数回归模型,带入测试数据,输出风电功率预测区间下限。
本发明的有益效果主要体现在:1、该区间预测方法将核极限学习机和分位数回归原理有效结合,能够有效的把握风电功率中的不确定信息,从而得到较好的预测结果。2、分位数回归的方法属于非参数建模方法,能够有效避免了计算复杂参数带来的误差,只要分位点间隔设置恰当,这一组分位点即可完整地描述预测对象波动区间的概率分布,可有效把握不确定性信息的变化情况。3、该区间预测模型利用核极限学习机模型简单、参数少、拟合能力强等优点,并采用粒子群算法优化获得模型最优参数,由于粒子群算法寻优的目标函数综合了分位数原理和区间覆盖率指标,有效提高了模型预测精度。
附图说明
图1为本发明方法的整体流程图;
图2为本发明方法中90%置信度下的预测结果;
图3为本发明方法中80%置信度下的预测结果;
图4为本发明方法中70%置信度下的预测结果。
具体实施方式
下面结合附图,对实施例作详细说明。
如图1所示,为本发明的一种基于核极限学习机分位数回归的风电功率区间预测方法的流程示意图。本发明的实施例采用西北某风电场从现场采集到的实际风电功率数据,分辨率为15min,包括实测输出功率和测风塔风速,对其功率进行区间预测。该方法包含以下步骤:
步骤1、采集风电场的原始数据组成原始数据集D={(w1,p1)(w2,p2)…(wi,pi)},wi为第i时刻的风速,pi为第i时刻的功率,并进行数据处理:。
风电场的原始数据处理按时间顺序排序,删除其中的缺值点,停机点及限功率点,删除不合理的数据点。
步骤2、将数据分为训练样本和测试样本,将处理后的历史数据的训练样本按照1:1的比例分配为建模集和优化集。建立如式(1)所示的基于粒子群算法的核极限学习机分位数回归模型:
式(1)中为核极限学习机,ΩEML为核矩阵,k为核函数,包括RBF核函数、线性核函数和多项式核函数等,通常设定为RBF核:k(a,b)=exp(-||a-b||)2/σ,训练数据建模集的wi构成核极限学习机中核函数k中的x1到xN,x为训练数据优化集的wi,ΩEML(i,j)-k(xi,xj),O为预测目标值向量,由训练数据建模集的pi组成。C为惩罚参数,增加的正常数C,可使求解结果将更加稳定并具有更好的泛化能力。y(x)为回归模型的输出,分别输出区间上下限U(x),L(x)。C、σ以及模型(1)中的β利用粒子群优化产生。
步骤3、根据依据分位数回归和预测区间覆盖概率(PI coverage probability,PICP)确定适应度函数,利用粒子群算法根据适应度函数优化核极限学习机中的参数C、σ以及模型(1)中的β。
步骤3.1、依据分位数回归和预测区间覆盖概率(PI coverage probability,PICP)确定适应度函数。
其中xi对应训练数据优化集的wi,yi对应训练数据优化集的pi组成。τ为分位数,在额定置信水平1-α的概率区间预测中,τ分位数分别取为区间上限的分为数τu取为区间下限的分为数τl取为为了提高预测精度,还引入惩罚项f=P·(1-PICP),PICP为区间覆盖率,P为惩罚因子,区间覆盖率覆盖概率PICP定义为
其中Nt为训练数据优化样本数,κ为布尔量,功率值pi包含于区间预测上下限时κ=1,否则κ=0。惩罚项f与F共同构成适应度函数,即最终粒子群优化适应度函数为fitness=F+f。
步骤3.2、利用粒子群算法根据适应度函数优化核极限学习机中的参数C、σ以及模型(1)中的β,根据比较每个粒子的适应度函数在每次迭代中的大小,更新粒子速度、位置、个体极值和全体极值,得到最优参数C,σ和β。
步骤3.2.1、以区间预测上限参数优化为例,通过随机的方法初始化核极限学习机分位数回归模型中的参数Cup,σup,βup,得到初始种群S,S为n*3矩阵,n为粒子数目。
初始种群粒子数目n设为50,Cup,σup,βup的初始位置分别为区间[0.00001,50000],[0.00001,50000],[0.5,2]中的随机数,粒子初始速度为其中a为[0,1]之间的随机数,vmax=0.01,vmin=-0.01。
步骤3.2.2、按照适应度函数计算每个粒子的适应值。当置信概率取为90%时,区间预测上限的分位数τu=0.95。P=50000。
步骤3.2.3、粒子群更新。
粒子群的更新方式为:
xij(t+1)=xij(t)+vij(t+1)
其中,i和j分别第i个粒子和第j(1,2,…n)维;t为迭代次数;xij=(xi1,xi2…xin),i=1,2…m表示其所代表的空间位置,为个体最优粒子,为全局最优位置。粒子的更新速度为vij=(vi1,vi2,vi3…,vin);c1和c2为加速因子,r1和r2为[0,1]区间上的随机数。
步骤3.2.4、达到迭代次数,得到最优目标参数Cupbest,σupbest,βupbest。实施例中迭代次数设为50。
步骤3.2.5、按照步骤3.2.1-3.2.4,同理可求取预测区间预测下限最优参数Clowbest,σlowbest,βlowbest参数。当置信概率取为90%时,区间预测下限的分位数τl=0.05。
步骤4、将得到的最优目标参数Cupbest,σupbest,βupbest带入到(1)式的核极限学习机分位数回归模型,带入测试数据,输出风电功率预测区间上限。将得到最优目标参数Clowbest,σlowbest,βlowbest带入到(1)式的核极限学习机分位数回归模型,带入测试数据,输出风电功率预测区间下限。
图2~4为本发明方法中置信水平分别为90%、80%和70%下的预测结果,表1为预测结果的PICP和PINAW指标。
表1
从图2-4以及表1中可以看出,预测区间宽度较小,区间覆盖率较大。随着额定置信水平的增加,更多点实际落入区间之中,预测区间的宽度增加,但增加幅度不大。本方法预测区间的区间覆盖率(PICP)指标达到甚至超过了区间置信度(CI),而且预测区间的平均带宽(PINAW)也比较小,预测结果能够有效的把握风电功率中的不确定信息,能够为电力系统决策者提供参考。
以上所述实施例仅为本发明较佳的具体实施方式,并非对本发明作任何形式上的限制,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种基于核极限学习机分位数回归的风电功率区间预测方法,包括如下步骤:
步骤1:采集风电场原始数据组成原始数据集D={(w1,p1)(w2,p2)…(wi,pi)},wi为第i时刻的风速,pi为第i时刻的功率,并进行数据处理;
步骤2、将数据分为训练样本和测试样本,将处理后的数据的训练样本按照1∶1的比例分配为建模集和优化集,利用训练数据样本构建基于粒子群算法的核极限学习机分位数回归模型:
式(1)中为核极限学习机,ΩEML为核矩阵,k为核函数,设定为RBF核:k(a,b)=exp(-||a-b||)2/σ,训练数据建模集的wi构成核极限学习机中核函数k中的x1到xN,x为训练数据优化集的wi,ΩEML(i,j)=k(xi,xj),O为预测目标值向量,由训练数据建模集的pi组成;C为惩罚参数;y(x)为回归模型的输出,分别输出区间上下限U(x),L(x);
步骤3、根据分位数回归和预测区间覆盖概率(PI coverage probability,PICP)确定适应度函数,利用粒子群算法根据适应度函数优化核极限学习机中的参数C、σ以及模型(1)中的β;具体包括:
步骤3.1,使用分位数回归原理,模型(1)中的β通过求解最优化问题获得,即
其中,xi对应训练数据优化集的wi,yi对应训练数据优化集的pi组成;τ为分位数,在额定置信水平1-α的概率区间预测中,τ分位数分别取为区间上限的分为数τu,τu取为区间下限的分为数τl取为为了提高预测精度,还引入惩罚项f=P·(1-PICP),PICP为区间覆盖率,P为惩罚因子,区间覆盖率覆盖概率PICP定义为
其中Nt为训练数据优化样本数,κ为布尔量,功率值pi包含于区间预测上下限时κ=1,否则κ=0,惩罚项f与F共同构成适应度函数,即最终粒子群优化适应度函数为fitness=F+f;
步骤3.2、利用粒子群算法根据适应度函数优化核极限学习机中的参数C、σ以及模型(1)中的β,根据比较每个粒子的适应度函数在每次迭代中的大小,更新粒子速度、位置、个体极值和全体极值,得到最优参数C,σ和β;
步骤4、将得到的最优目标参数C、σ以及β带入到(1)式的核极限学习机分位数回归模型,带入测试数据,输出风电功率预测区间上限和下限。
2.根据权利要求1所述的一种基于核极限学习机分位数回归的风电功率区间预测方法,其特征在于:对所述数据的处理包括将风电场的原始数据按时间顺序排序,删除其中的缺值点,停机点及限功率点,删除不合理的数据点。
3.根据权利要求1所述的一种基于核极限学习机分位数回归的风电功率区间预测方法,其特征在于:核函数k也可为线性核函数和多项式核函数。
4.根据权利要求1所述的一种基于核极限学习机分位数回归的风电功率区间预测方法,其特征在于:所述得到最优参数C,σ和β的步骤包括:
步骤3.2.1、通过随机的方法初始化核极限学习机分位数回归模型中的参数Cup,σup,βup,得到初始种群S,S为n*3矩阵,n为粒子数目;
步骤3.2.2、按照适应度函数计算每个粒子的适应值;
步骤3.2.3、粒子群更新,粒子群的更新方式为:
xij(t+1)=xij(t)+vij(t+1)
其中,i和j分别第i个粒子和第j(1,2,…n)维;t为迭代次数;xij=(xi1,xi2…xin),i=1,2…m表示其所代表的空间位置,为个体最优粒子,为全局最优位置,粒子的更新速度为vij=(vi1,vi2,vi3…,vin);c1和c2为加速因子,r1和r2为[0,1]区间上的随机数;
步骤3.2.4、达到迭代次数,得到最优目标参数Cupbest,σupbest,βupbest;
步骤3.2.5、按照步骤3.2.1-3.2.4,同理可求取预测区间预测下限最优参数Clowbest,σlowbest,βlowbest参数。
5.根据权利要求4所述的一种基于核极限学习机分位数回归的风电功率区间预测方法,其特征在于所述步骤4具体为:将得到的最优目标参数Cupbest,σupbest,βupbest带入到(1)式的核极限学习机分位数回归模型,带入测试数据,输出风电功率预测区间上限;将得到最优目标参数Clowbest,σlowbest,βlowbest带入到(1)式的核极限学习机分位数回归模型,带入测试数据,输出风电功率预测区间下限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810366482.0A CN108428017B (zh) | 2018-04-23 | 2018-04-23 | 基于核极限学习机分位数回归的风电功率区间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810366482.0A CN108428017B (zh) | 2018-04-23 | 2018-04-23 | 基于核极限学习机分位数回归的风电功率区间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108428017A CN108428017A (zh) | 2018-08-21 |
CN108428017B true CN108428017B (zh) | 2021-10-19 |
Family
ID=63161739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810366482.0A Active CN108428017B (zh) | 2018-04-23 | 2018-04-23 | 基于核极限学习机分位数回归的风电功率区间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108428017B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242200B (zh) * | 2018-09-29 | 2022-05-17 | 华北电力大学 | 一种贝叶斯网络预测模型的风电功率区间预测方法 |
CN109376951B (zh) * | 2018-11-21 | 2020-10-02 | 华中科技大学 | 一种光伏概率预测方法 |
CN110598929B (zh) * | 2019-09-10 | 2022-09-02 | 河海大学 | 一种风电功率非参数概率区间超短期预测方法 |
CN110851959B (zh) * | 2019-10-18 | 2024-04-02 | 天津大学 | 一种融合深度学习和分位数回归的风速区间预测方法 |
CN113048016A (zh) * | 2019-12-27 | 2021-06-29 | 新疆金风科技股份有限公司 | 在线修正风力发电机组的对风偏差的方法和装置 |
CN111541237B (zh) * | 2020-04-02 | 2021-08-27 | 浙江大学 | 基于机会约束极限学习机的风电功率非参数区间预测方法 |
CN112101669B (zh) * | 2020-09-21 | 2022-09-06 | 国网福建省电力有限公司泉州供电公司 | 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法 |
CN113256018B (zh) * | 2021-06-08 | 2022-09-02 | 河海大学 | 一种基于条件分位数回归模型的风电功率超短期概率预测方法 |
CN113572206B (zh) * | 2021-07-26 | 2022-06-14 | 大连理工大学 | 一种风电出力区间预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103105775A (zh) * | 2012-12-17 | 2013-05-15 | 清华大学 | 基于序优化与在线核极限学习机的分层迭代优化调度方法 |
CN105046374A (zh) * | 2015-08-25 | 2015-11-11 | 华北电力大学 | 一种基于核极限学习机模型的功率区间预测方法 |
CN105354363A (zh) * | 2015-10-09 | 2016-02-24 | 上海大学 | 基于核极限学习机的脉动风速预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7272516B2 (en) * | 2002-12-23 | 2007-09-18 | Abb Research | Failure rate adjustment for electric power network reliability analysis |
-
2018
- 2018-04-23 CN CN201810366482.0A patent/CN108428017B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103105775A (zh) * | 2012-12-17 | 2013-05-15 | 清华大学 | 基于序优化与在线核极限学习机的分层迭代优化调度方法 |
CN105046374A (zh) * | 2015-08-25 | 2015-11-11 | 华北电力大学 | 一种基于核极限学习机模型的功率区间预测方法 |
CN105354363A (zh) * | 2015-10-09 | 2016-02-24 | 上海大学 | 基于核极限学习机的脉动风速预测方法 |
Non-Patent Citations (1)
Title |
---|
粒子群优化核极限学习机的变压器故障诊断;裴飞 等;《计算机工程与设计》;20150531;第36卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108428017A (zh) | 2018-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108428017B (zh) | 基于核极限学习机分位数回归的风电功率区间预测方法 | |
CN111783953B (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
CN103023065B (zh) | 一种基于相对误差熵值法的风电短期功率预测方法 | |
CN109558975B (zh) | 一种电力负荷概率密度多种预测结果的集成方法 | |
CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
CN112819312A (zh) | 气候变化情景下干旱社会经济暴露度评估方法和系统 | |
CN109242200B (zh) | 一种贝叶斯网络预测模型的风电功率区间预测方法 | |
CN114548509A (zh) | 一种多能源系统多类型负荷联合预测方法及系统 | |
CN110097205A (zh) | 一种建筑负荷预测用气象预报数据预处理方法 | |
CN110110339B (zh) | 一种日前水文预报误差校正方法及系统 | |
CN116069095A (zh) | 一种机房环境调节方法、设备及介质 | |
CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
CN112819238A (zh) | 基于混沌鸡群优化算法的短期风电功率预测方法 | |
Girimurugan et al. | Application of Deep Learning to the Prediction of Solar Irradiance through Missing Data | |
CN116930609A (zh) | 一种基于ResNet-LSTM模型的电能计量误差分析方法 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN117408394A (zh) | 电力系统的碳排放因子预测方法、装置及电子设备 | |
CN107590346B (zh) | 基于空间多重相关解集算法的降尺度校正模型 | |
CN116316600A (zh) | 基于季节分型的面向风电功率日前预测自适应滤波方法 | |
CN115616333A (zh) | 一种配电网线损预测方法及系统 | |
CN115034159A (zh) | 一种海上风电场的功率预测方法、装置、存储介质及系统 | |
CN114298133A (zh) | 短期风速混合预测方法及装置 | |
CN113743022A (zh) | 一种高精度气候变化数据的存储和可视化方法 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN116205377B (zh) | 分布式光伏电站出力预测方法、系统、计算机及存储介质 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220725 Address after: 110623 No. 8, Hunnan Second Road, Hunnan high tech Industrial Development Zone, Shenyang, Liaoning Province Patentee after: CPI Northeast New Energy Development Co.,Ltd. Address before: 102206 No. 2 Nong Road, Zhu Xin Zhuang, Beijing, Changping District Patentee before: NORTH CHINA ELECTRIC POWER University |