CN108694475A - 基于混合模型的短时间尺度光伏电池发电量预测方法 - Google Patents
基于混合模型的短时间尺度光伏电池发电量预测方法 Download PDFInfo
- Publication number
- CN108694475A CN108694475A CN201810671058.7A CN201810671058A CN108694475A CN 108694475 A CN108694475 A CN 108694475A CN 201810671058 A CN201810671058 A CN 201810671058A CN 108694475 A CN108694475 A CN 108694475A
- Authority
- CN
- China
- Prior art keywords
- data
- weather
- cell capable
- photovoltaic cell
- linear
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012417 linear regression Methods 0.000 claims abstract description 25
- 238000010248 power generation Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000001172 regenerating effect Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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
- 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)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于混合模型的短时间尺度光伏电池发电量预测方法,包括如下步骤:步骤1,根据数据特征,构建混合预测模型;步骤2,求解各天气类型下的线性回归系数和非线性函数;步骤3,根据气象站数据获得所需要预测的t0时刻的气象变量数据和前一时刻的气象变量数据及光伏电池发电量Y(t0‑δt),根据其天气类型得到对应的线性回归系数和非线性函数,并代入混合模型中计算得到预测结果。此种方法能够明显提高预测精度,提升微电网能量管理效率。
Description
技术领域
本发明涉及一种光伏电池发电量的预测方法,特别涉及一种在微电网环境下基于混合模型的短时间尺度光伏电池发电量预测方法。
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。要实现高效的能源管理,准确预测电网负荷用电量和可再生能源发电量是不可或缺的。而且在不同的时间尺度下能量管理的目标会有不同,因此会导致所需求的预测精度不一样。在日前的能量管理中,其主要目标在于制定次日发电机组的启停计划及出力计划,使得电力系统发电或者购电的总费用最低。而在小时和分钟级的能量管理中,其目标在于根据实时预测值更改计划,并得出具体的潮流,使得微电网安全可靠运行。要使得微电网能实现这些目标,预测得精准性是必须的,尤其是对于分钟级的预测结果。与此同时,短时间尺度下的预测与长时间尺度下的预测的数据特征也有很大的差别。而且由于在可再生能源中光伏电池发电量的大比重,段时间尺度下的高精度光伏电池发电量预测方法是被广泛需求的。现有的光伏电池发电量的预测方法,主要为统计学法和人工神经网络方法。但是现有的方法都没有注意到短时间尺度下光伏电池发电量的数据特征,因此预测效果都不是很理想,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
本发明的目的,在于提供一种基于混合模型的短时间尺度光伏电池发电量预测方法,其能够明显提高预测精度,提升微电网能量管理效率。
为了达成上述目的,本发明的解决方案是:
一种基于混合模型的短时间尺度光伏电池发电量预测方法,包括如下步骤:
步骤1,构建混合模型,公式为:
步骤2,求解各天气类型下的线性回归系数和非线性函数;
步骤3,根据气象站数据获得所需要预测的t0时刻的气象变量数据和前一时刻的气象变量数据及光伏电池发电量Y(t0-δt),根据其天气类型得到对应的线性回归系数和非线性函数,并代入混合模型中计算得到预测结果。
采用上述方案后,与现有技术相比,本发明的有益效果是:
(1)首先根据其充分的时间特性构建了时序模型,然后利用其误差中的空间特性,使用空间模型使得预测误差更小。预测结果同时从时间和空间两个角度同时分析,充分利用了短时间尺度下光伏电池发电量的数据特征,使得预测结果非常精确;
(2)对于不同的天气类型进行了分类,而且使用了不同的线性回归系数和非线性学习函数,更加符合实际情况;
(3)本发明使用了最合适的方法去计算模型的系数:使用k-means++对天气进行分类,用LASSO去计算线性回归系数和用LSTM学习非线性函数。使得预测模型更加精确;
(4)本发明应用在微电网中,提高了短时间尺度光伏电池发电量的预测精度,使得短时间尺度下的微电网的能量管理能够更加安全可靠。
附图说明
图1是本发明的流程图;
图2是本发明的混合模型结构组成的示意图;
图3是本发明的混合模型系数求解流程图。
具体实施方式
如图1至图3所示,本发明提供一种基于混合模型的短时间尺度光伏电池发电量预测方法,以下将结合具体实施例对其技术方案进行详细说明。
首先,本发明方法是基于统计学方法和机器学习方法的,因此需要数量巨大的同一预测地点的不同时间的气象数据集和与之对应的光伏发电量数据集[Y(t)]。我们把这些数据分成两部分,一部分为训练数据,另一部分为评估数据,两部分都要保证都含有大量的数据。
为了让数据符合我们的预测模型,首先将所有的数据进行预处理。气象数据预处理为的形式,光伏发电量数据预处理为光伏发电量的变化量[ΔY(t)],其中ΔY(t)=Y(t)-Y(t-δt)。其中δt是选定的时间尺度。
通过k-means++聚类方法将训练数据中的气象数据分成k类,k的数量由预测地的气候决定。k-means++具体的预测步骤为:在设定分类数目k之后,根据d2-sampling方法选取聚类中心点:其余点按照选择离自身欧氏距离最近的中心点的方式选择自己的分类。
d2-sampling方法包含以下两个步骤:
1)随意选取第一个中心点;
2)按照以下公式的概率选取下一个中心点,直到选完所有的中心点:
其中R表示所有聚类的点的集合,x表示集合R中一个点,x'表示集合R中除了x的一个点,C表示所有已经选取的中心点的集合。而且式子d(x,C)2表达为其中c表示已经选取的中心点中的一个点。
在得到训练数据中的气象数据的分类结果之后,使用LSTM分类网络,将训练数据中的气象数据作为输入,分类结果作为输出,得到分类网络net。
将评估数据中的气象数据作为输入,使用得到的分类网络net得到评估数据中的气象数据的分类结果。
将训练数据中被分为第一类的气象数据和对应的光伏发电量变化量数据[ΔY(t)]T1取出,并将光伏发电量数据根据比例系数a分成线性部分数据[Δ1Y(t)]T1和非线性部分数据[Δ2Y(t)]T1。比例系数的取值范围为a∈A,A=(0.1,0.2,0.3,...,9.9,10)。线性部分和非线性部分的分配公式为:
线性部分:[Δ1Y(t)]T1=[ΔY(t)]T1/(1+a)
非线性部分:[Δ2Y(t)]T1=a·[ΔY(t)]T1/(1+a)
取出其线性部分光伏发电量变化量数据[Δ1Y(t)]T1,使用LASSO方法求出该比例系数下第一类天气的线性回归系数线性回归系数求解公式如下:
其中yi为光伏发电量数据集Y=[y1,y2,...,yN]T中第i天光伏发电量,xij为气象数据矩阵中第j天第i个气象变量,N为该类天气下训练数据的数目,为线性回归系数,p为线性回归系数的维度,为线性回归系数由LASSO方法的取得的估计值;λ为系统系数,由以下步骤求得其值:
1)选取一组可能的λ的值,并按升序排列;
2)对所有的步骤1中的λ进行一遍预测该天气类型下线性部分数据的算法,并记录它们的表现;
3)画出它们精度表现曲线;
4)在画得的曲线上选择一个精度最高的点作为λ的取值。
取出其非线性部分光伏发电量变化量数据[Δ2Y(t)]T1,将气象数据组作为训练输入,[Δ2Y(t)]T1作为训练输出,使用LSTM回归网络学习。得到该比例系数下的回归学习网络net1,a。
取出评估数据中的第一类气象数据依照上面方法得到的线性回归系数和非线性学习函数E1,a(·),并根据以下公式:
得到第一类天气下该比例系数的评估数据的预测结果数据集然后可以得到该预测结果跟实际评估数据[Y(t)]E1的误差值之和eE1,a,其计算公式如下:
其中i表示第i类天气类别,a表示对应的比例系数值,T为第i类天气下该评估数据的数量。
在a的取值范围内遍历所有的值,并计算得到所有对应的误差值之和e E1,a,选出第一类天气中误差值之和之中最小的值,对应的线性回归系数和非线性函数E1,a(·)即为第一类天气中预测所用的的线性回归系数和非线性函数E1(·)。
改变天气类型后,重复以上步骤,并求得该类天气下的线性回归系数和非线性学习函数,直到求完所有天气类型。得到线性回归系数集合和非线性学习函数集合E(·),E(·)=(E1(·),E2(·),...,Ek(·))。
当预测开始时,根据气象站数据获得所需要预测的t时刻的气象变量数据和前一时刻的气象变量数据跟光伏电池发电量Y(t-1);
将所需预测的气象数据预处理为模式,输入分类网络net,确认其天气类型之后得到该天气类型下的线性回归系数和非线性函数。然后根据混合模型得到最终的预测结果。
综合上述,本发明一种基于混合模型的短时间尺度光伏电池发电量预测方法,所述混合模型由时序模型和空间模型组成,其空间模型由线性部分和非线性部分组成,其线性部分系数由套索(LASSO)算法得到,非线性部分由长短时记忆(LSTM)学习获得,而且线性部分和非线性部分两者存在一个分配比例系数。所述短时间尺度为时间尺度不超过1小时。本发明首先通过光伏发电站得到过去的光伏发电量并且从气象站获得过去,当前和所预测时刻的气象变量数据。其次通过由时序模型和空间模型组成的混合模型得到最终的预测值。本发明主要应用在微电网的能量预测中,大幅度提升了短时间尺度下的光伏电池发电量的预测精度,使得微电网能量管理更加高效。
以上实施例仅为说明本发明的技术思想,不能以此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之内。
Claims (6)
1.一种基于混合模型的短时间尺度光伏电池发电量预测方法,其特征在于包括如下步骤:
步骤1,构建混合模型,公式为:
其中,为t时刻光伏电池发电量的预测值,Y(t-δt)为t时刻前一时刻光伏发电量的实际值,δt是选定的时间尺度,为t时刻气象变量组成的向量,为t时刻与前一时刻气象变量的变化量组成的向量,上标T表示转置矩阵;为第i类天气下的线性回归系数,Ei(·)为第i类天气下的非线性函数;
步骤2,求解各天气类型下的线性回归系数和非线性函数;
步骤3,根据气象站数据获得所需要预测的t0时刻的气象变量数据和前一时刻的气象变量数据及光伏电池发电量Y(t0-δt),根据其天气类型得到对应的线性回归系数和非线性函数,并代入混合模型中计算得到预测结果。
2.如权利要求1所述的基于混合模型的短时间尺度光伏电池发电量预测方法,其特征在于:所述步骤2的具体过程是:
步骤21,获取同一预测地点的不同时间的气象数据集和与之对应的光伏发电量数据集[Y(t)],分别将两个数据集中的数据分成训练数据和评估数据两部分;
步骤22,将气象数据预处理为的形式,光伏发电量数据预处理为光伏发电量的变化量[ΔY(t)],其中ΔY(t)=Y(t)-Y(t-δt);
步骤23,通过k-means++聚类方法将训练数据中的气象数据分成k类,k的数量由预测地的气候决定;
步骤24,得到训练数据中的气象数据的分类结果之后,使用LSTM分类网络,将训练数据中的气象数据作为输入,分类结果作为输出,得到分类网络net;将评估数据中的气象数据作为输入,使用得到的分类网络net得到评估数据中的气象数据的分类结果;
步骤25,将训练数据中被分为第一类的气象数据和对应的光伏发电量变化量数据[ΔY(t)]T1取出,并将光伏发电量数据根据比例系数a分成线性部分数据[Δ1Y(t)]T1和非线性部分数据[Δ2Y(t)]T1,比例系数的取值范围为a∈A,A=(0.1,0.2,0.3,...,9.9,10),线性部分和非线性部分的分配公式为:
线性部分:[Δ1Y(t)]T1=[ΔY(t)]T1/(1+a)
非线性部分:[Δ2Y(t)]T1=a·[ΔY(t)]T1/(1+a)
取出其线性部分光伏发电量变化量数据[Δ1Y(t)]T1,使用LASSO方法求出该比例系数下第一类天气的线性回归系数
取出其非线性部分光伏发电量变化量数据[Δ2Y(t)]T1,将气象数据组作为训练输入,[Δ2Y(t)]T1作为训练输出,使用LSTM回归网络学习,得到该比例系数下的回归学习网络net1,a;
步骤26,取出评估数据中的第一类气象数据依照步骤25的方法得到线性回归系数和非线性学习函数E1,a(·),并根据以下公式:
得到第一类天气下该比例系数的评估数据的预测结果数据集进而得到该预测结果与实际评估数据[Y(t)]E1的误差值之和eE1,a,其计算公式如下:
其中i表示第i类天气类别,a表示对应的比例系数值,T为第i类天气下该评估数据的数量;
步骤27,在a的取值范围内遍历所有的值,并计算得到所有对应的误差值之和eE1,a,选出第一类天气中误差值之和之中最小的值,对应的线性回归系数和非线性函数E1,a(·)即为第一类天气中预测所用的的线性回归系数和非线性函数E1(·);
步骤28,改变天气类型后,重复步骤25-27,并求得该类天气下的线性回归系数和非线性函数,直到求完所有天气类型,得到线性回归系数集合和非线性函数集合E(·),E(·)=(E1(·),E2(·),...,Ek(·))。
3.如权利要求2所述的基于混合模型的短时间尺度光伏电池发电量预测方法,其特征在于:所述步骤23中,k-means++具体的预测步骤为:在设定分类数目k之后,根据d2-sampling方法选取聚类中心点:其余点按照选择离自身欧氏距离最近的中心点的方式选择自己的分类。
4.如权利要求3所述的基于混合模型的短时间尺度光伏电池发电量预测方法,其特征在于:所述d2-sampling方法包含以下两个步骤:
步骤a,随意选取第一个中心点;
步骤b,按照以下公式的概率选取下一个中心点,直到选完所有的中心点:
其中R表示所有聚类的点的集合,x表示集合R中一个点,x'表示集合R中除了x的一个点,C表示所有已经选取的中心点的集合,d(x,C)2表达为其中c表示已经选取的中心点中的一个点。
5.如权利要求2所述的基于混合模型的短时间尺度光伏电池发电量预测方法,其特征在于:所述步骤25中,线性回归系数求解公式如下:
其中λ为系统系数,由以下步骤求得其值:
步骤25a,选取一组可能的λ的值,并按升序排列;
步骤25b,对所有的步骤25a中的λ进行一遍预测该天气类型下线性部分数据的算法,并记录它们的表现;
步骤25c,画出它们精度表现曲线;
步骤25d,在画得的曲线上选择一个精度最高的点作为λ的取值。
6.如权利要求1所述的基于混合模型的短时间尺度光伏电池发电量预测方法,其特征在于:所述步骤3中,首先将所需预测的气象数据预处理为模式,输入分类网络net,从而确认其天气类型,并得到对应的线性回归系数和非线性函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810671058.7A CN108694475B (zh) | 2018-06-26 | 2018-06-26 | 基于混合模型的短时间尺度光伏电池发电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810671058.7A CN108694475B (zh) | 2018-06-26 | 2018-06-26 | 基于混合模型的短时间尺度光伏电池发电量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108694475A true CN108694475A (zh) | 2018-10-23 |
CN108694475B CN108694475B (zh) | 2022-04-01 |
Family
ID=63848197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810671058.7A Active CN108694475B (zh) | 2018-06-26 | 2018-06-26 | 基于混合模型的短时间尺度光伏电池发电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108694475B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070145A (zh) * | 2019-04-30 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 基于增量聚类的lstm轮毂单品能耗预测 |
CN111949135A (zh) * | 2020-08-31 | 2020-11-17 | 福州大学 | 一种基于混合预测的触感通信容错方法及系统 |
CN113836814A (zh) * | 2021-09-29 | 2021-12-24 | 南京邮电大学 | 一种基于多流神经网络的太阳能能量预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184405A (zh) * | 2015-09-02 | 2015-12-23 | 国网上海市电力公司 | 用于微电网系统的混合模型神经网络短期负荷预测方法 |
WO2017035629A1 (en) * | 2015-08-31 | 2017-03-09 | Green Power Labs Inc. | Method and system for solar power forecasting |
CN107563573A (zh) * | 2017-09-29 | 2018-01-09 | 南京航空航天大学 | 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 |
-
2018
- 2018-06-26 CN CN201810671058.7A patent/CN108694475B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017035629A1 (en) * | 2015-08-31 | 2017-03-09 | Green Power Labs Inc. | Method and system for solar power forecasting |
CN105184405A (zh) * | 2015-09-02 | 2015-12-23 | 国网上海市电力公司 | 用于微电网系统的混合模型神经网络短期负荷预测方法 |
CN107563573A (zh) * | 2017-09-29 | 2018-01-09 | 南京航空航天大学 | 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 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070145A (zh) * | 2019-04-30 | 2019-07-30 | 天津开发区精诺瀚海数据科技有限公司 | 基于增量聚类的lstm轮毂单品能耗预测 |
CN110070145B (zh) * | 2019-04-30 | 2021-04-27 | 天津开发区精诺瀚海数据科技有限公司 | 基于增量聚类的lstm轮毂单品能耗预测 |
CN111949135A (zh) * | 2020-08-31 | 2020-11-17 | 福州大学 | 一种基于混合预测的触感通信容错方法及系统 |
CN113836814A (zh) * | 2021-09-29 | 2021-12-24 | 南京邮电大学 | 一种基于多流神经网络的太阳能能量预测方法 |
CN113836814B (zh) * | 2021-09-29 | 2024-05-10 | 南京邮电大学 | 一种基于多流神经网络的太阳能能量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108694475B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Random forest solar power forecast based on classification optimization | |
Lin et al. | Short-term power prediction for photovoltaic power plants using a hybrid improved Kmeans-GRA-Elman model based on multivariate meteorological factors and historical power datasets | |
Huang et al. | Short‐term wind power forecasting and uncertainty analysis using a hybrid intelligent method | |
CN109858673A (zh) | 一种光伏发电系统功率预测方法 | |
Karakaş et al. | Evaluation of renewable energy alternatives for Turkey via modified fuzzy AHP | |
CN105512808A (zh) | 一种面向大数据的电力系统暂态稳定评估方法 | |
CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
CN108694475A (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN109978284A (zh) | 一种基于混合神经网络模型的光伏发电功率分时预测方法 | |
Hu et al. | Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model | |
CN109961173A (zh) | 一种用于分布式电源发电功率的智能预测方法 | |
Chang | Comparison of three short term wind power forecasting methods | |
Mayer et al. | Probabilistic modeling of future electricity systems with high renewable energy penetration using machine learning | |
Natarajan et al. | Survey on renewable energy forecasting using different techniques | |
Xu et al. | Intelligent forecasting model for regional power grid with distributed generation | |
Li et al. | Short-term Forecasting Approach Based on bidirectional long short-term memory and convolutional neural network for Regional Photovoltaic Power Plants | |
Çevik et al. | Day ahead wind power forecasting using complex valued neural network | |
Zhao et al. | Super short term combined power prediction for wind power hydrogen production | |
Han et al. | A data sample division method for wind power prediction based on China's 24 solar terms | |
CN110084430A (zh) | 一种考虑时空特性设计分布式光伏出力预测模型的方法 | |
Zhu | Research on adaptive combined wind speed prediction for each season based on improved gray relational analysis | |
Putra et al. | Modeling of high uncertainty photovoltaic generation in quasi dynamic power flow on distribution systems: A case study in Java Island, Indonesia | |
Shah et al. | Chronological risk assessment approach of distribution system with concentrated solar power plant | |
Nijhuis et al. | Prediction of power fluctuation classes for photovoltaic installations and potential benefits of dynamic reserve allocation | |
Wang et al. | An ultra-short-term forecasting model for high-resolution solar irradiance based on SOM and deep learning algorithm |
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 |