CN108763250B - 一种光伏电站监测数据修复方法 - Google Patents
一种光伏电站监测数据修复方法 Download PDFInfo
- Publication number
- CN108763250B CN108763250B CN201810274676.8A CN201810274676A CN108763250B CN 108763250 B CN108763250 B CN 108763250B CN 201810274676 A CN201810274676 A CN 201810274676A CN 108763250 B CN108763250 B CN 108763250B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- power station
- monitoring data
- data
- missing
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001914 filtration Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000005286 illumination Methods 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 238000005070 sampling Methods 0.000 claims description 17
- 230000007704 transition Effects 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 238000005067 remediation Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 22
- 238000010248 power generation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- 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)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据修复处理技术领域，具体公开了一种光伏电站监测数据修复方法，其中，包括：查找同一时刻光伏电站监测数据中的温湿度信息、光照强度和光伏电站输出功率历史数据是否存在缺失；若存在缺失，则将缺失的数据项进行标记并排除缺失的数据项；将监测到的排除缺失的数据项后的光伏电站监测数据进行训练，得到状态转换函数；根据插值理论拟合得到缺失的数据项，对光伏电站监测数据中的缺失的数据项补全；将补全后的所述光伏电站监测数据中的温湿度信息、光照强度和光伏电站输出功率历史数据输入到状态转换函数进行预测得到预测值；对预测值进行滤波得到光伏电站监测数据修复结果。本发明提供的光伏电站监测数据修复方法能够实现数据修复。
Description
技术领域
本发明涉及数据修复处理技术领域，尤其涉及一种光伏电站监测数据修复方法。
背景技术
随着化石能源的枯竭，新能源发电作为全球能源互联网的一部分引起了越来越多的关注。光伏发电作为能源改革的重要组成部分，其输出功率的波动性和间歇性特点为电网系统的安全调度带来严峻挑战。
随着电力信息化技术的进步，电力监测数据规模急剧增长。由于光伏电站规模较大，常发生监测设备故障、传感器运行误差增大、前端数据采集过程丢包或误码等情况，导致光伏电站部分监测数据异常，严重影响光伏电站数据分析的质量，进一步影响到电网规划和运行决策，因而针对这些异常数据的修复工作有着重要的意义。
传统的数据修复方式基于空间相关性理论，利用气象数据和辐射数据对目标光伏电站功率缺失数据进行重构。但现阶段对于光资源空间相关性理论研究不多，导致建模性能下降甚至失效，影响光伏电站监测数据修复效果。
因此，需要一种新的数据处理方法来修复处理光伏电站监测数据，提高数据质量。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一，提供一种光伏电站监测数据修复方法，以解决现有技术中的问题。
作为本发明的一个方面，提供一种光伏电站监测数据修复方法，其中，所述光伏电站监测数据修复方法包括：
查找同一时刻光伏电站监测数据中的温湿度信息、光照强度和光伏电站输出功率历史数据是否存在缺失；
若存在缺失，则将缺失的数据项进行标记并排除缺失的数据项；
将监测到的排除缺失的数据项后的光伏电站监测数据进行训练，得到状态转换函数；
根据插值理论拟合得到缺失的数据项，对所述光伏电站监测数据中的缺失的数据项补全；
将补全后的所述光伏电站监测数据中的温湿度信息、光照强度和光伏电站输出功率历史数据输入到所述状态转换函数进行预测得到预测值；
对所述预测值进行滤波得到光伏电站监测数据修复结果；
输出修复结果。
优选地，所述将监测到的排除缺失的数据项后的光伏电站监测数据进行训练，得到状态转换函数包括：
初始化RBF神经网络参数；
将监测到的排除缺失的数据项后的光伏电站监测数据输入到RBF神经网络；
以光伏电站输出功率为输出量，计算RBF神经网络的均方根误差RMSE值是否满足迭代终止精度；
若满足，则结束训练，否则，进行权重迭代计算；
将结束训练的RBF神经网络作为状态转换函数，其中所述状态转换函数为预测方程。
优选地，所述进行权重迭代计算包括调节权重、中心参数和宽度参数。
优选地，所述根据插值理论拟合得到缺失的数据项，对所述光伏电站监测数据中的缺失的数据项补全包括：
选取标记缺失的数据项前后相邻的5个时刻的监测数据；
根据前后相邻的5个时刻的监测数据，基于插值理论拟合得到缺失的数据项。
优选地，所述对所述预测值进行滤波得到光伏电站监测数据修复结果包括：
根据平方根采样点卡尔曼滤波理论对所述预测值进行滤波得到光伏电站监测数据修复结果。
本发明提供的光伏电站监测数据修复方法，利用光伏电站监测获得的光照强度和温湿度信息，结合功率输出历史数据记录，基于平方根采样点卡尔曼滤波理论进行光伏电站监测数据修复；该方法建立RBF神经网络作为平方根采样点卡尔曼滤波理论中的状态变换函数，进行光伏电站功率输出的一步预测，然后基于平方根采样点卡尔曼滤波理论计算卡尔曼增益，对光伏电站功率输出数据进行滤波，修复光伏电站监测异常，有效提高数据质量；为电网调度与决策提供依据，保障电网安全运行。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1为本发明提供的光伏电站监测数据修复方法的流程图。
图2为本发明提供的光伏电站监测数据修复方法的具体实施方式的流程图。
图3为本发明提供的RBF神经网络学习结构示意图。
图4为本发明提供的RBF神经网络状态转换函数和变换函数建立流程图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
作为本发明的一个方面，提供一种光伏电站监测数据修复方法，其中，如图1所示，所述光伏电站监测数据修复方法包括：
S110、查找同一时刻光伏电站监测数据中的温湿度信息、光照强度和光伏电站输出功率历史数据是否存在缺失；
S120、若存在缺失，则将缺失的数据项进行标记并排除缺失的数据项；
S130、将监测到的排除缺失的数据项后的光伏电站监测数据进行训练，得到状态转换函数；
S140、根据插值理论拟合得到缺失的数据项，对所述光伏电站监测数据中的缺失的数据项补全；
S150、将补全后的所述光伏电站监测数据中的温湿度信息、光照强度和光伏电站输出功率历史数据输入到所述状态转换函数进行预测得到预测值；
S160、对所述预测值进行滤波得到光伏电站监测数据修复结果；
S170、输出修复结果。
本发明提供的光伏电站监测数据修复方法，利用光伏电站监测获得的光照强度和温湿度信息，结合功率输出历史数据记录，基于平方根采样点卡尔曼滤波理论进行光伏电站监测数据修复；该方法建立RBF神经网络作为平方根采样点卡尔曼滤波理论中的状态变换函数，进行光伏电站功率输出的一步预测，然后基于平方根采样点卡尔曼滤波理论计算卡尔曼增益，对光伏电站功率输出数据进行滤波，修复光伏电站监测异常，有效提高数据质量；为电网调度与决策提供依据，保障电网安全运行。
具体地，所述将监测到的排除缺失的数据项后的光伏电站监测数据进行训练，得到状态转换函数包括：
初始化RBF神经网络参数；
将监测到的排除缺失的数据项后的光伏电站监测数据输入到RBF神经网络；
以光伏电站输出功率为输出量，计算RBF神经网络的均方根误差RMSE值是否满足迭代终止精度；
若满足，则结束训练，否则，进行权重迭代计算；
将结束训练的RBF神经网络作为状态转换函数，其中所述状态转换函数为预测方程。
进一步具体地，所述进行权重迭代计算包括调节权重、中心参数和宽度参数。
具体地，所述根据插值理论拟合得到缺失的数据项，对所述光伏电站监测数据中的缺失的数据项补全包括：
选取标记缺失的数据项前后相邻的5个时刻的监测数据；
根据前后相邻的5个时刻的监测数据，基于插值理论拟合得到缺失的数据项。
具体地，所述对所述预测值进行滤波得到光伏电站监测数据修复结果包括：
根据平方根采样点卡尔曼滤波理论对所述预测值进行滤波得到光伏电站监测数据修复结果。
下面结合图2至图4对本发明提供的光伏电站监测数据修复方法的具体实施过程进行详细描述。
如图2所示，为本发明提供的光伏电站监测数据修复方法整体流程图，包含光伏电站监测数据缺失项标记，基于RBF神经网络的状态转换函数的建立，缺失数据插值拟合的补偿，基于平方根卡尔曼滤波理论的光伏电站监测数据修复方法，具体为：
1)标记光伏电站监测数据中缺失数据项并排除，以监测数据中温湿度信息T、光照强度C和功率输出P为输入量训练RBF神经网络，作为数据修复方法的预测方程；
2)分别选取数据缺失时刻项前后5个时刻的数据，基于插值理论拟合得到缺失数据项，从而补全光伏电站监测数据；
3)以光照强度和温湿度信息以及光伏电站出力历史数据为状态量，RBF神经网络作为状态转换函数，预测光伏电站下一时刻出力值，基于平方根卡尔曼滤波理论对预测量滤波，修复光伏电站输出功率数据；
4)输出修复报告。
所述步骤1)具体包含以下步骤：查找光伏电站监测数据同一时刻点的温湿度信息、光照强度和功率输出信息，若缺失某一项信息，则将该时刻标记为缺失时刻项，并从整体监测数据中排除；以排除标记项的光伏电站监测数据训练RBF神经网络，其具体步骤为：初始化RBF神经网络参数，包括其学习因子和迭代终止精度；权重迭代计算，调节权重、中心和宽度参数进行迭代计算；以光伏电站输出功率为输出量，并与实际输出功率比较来判别是否达到终止精度；以功率输出为预测量训练RBF神经网络并获得网络参数，将其作为基于平方根采样点卡尔曼滤波的光伏电站数据修复方法的状态转换函数，参照图3和图4所示。
所述步骤1)中建立的状态空间方程为：
取状态量为x＝[T C Pp]T，则状态空间方程为：
xk(3)＝F(xk-1)＝F(T，C，Pp)，
其中，F(.)为训练后的RBF神经网络状态转换函数，xk(3)指状态量第三项，即输出功率预测值。
观测方程为：
Pp＝[0 0 1]·x，
其中，x为选取的状态量，PP为状态量代入量测方程后的输出功率值。
所述步骤2)包含以下步骤：选取步骤1)中标记的缺失时刻项，并提取标记时刻前后5个时刻的监测数据，基于插值理论拟合得到缺失时刻项的数据，从而补全光伏电站监测数据。
所述步骤3)包含以下步骤：将温湿度信息、光照强度和输出功率历史信息作为状态量，以步骤1)中训练的RBF神经网络作为数据修复方法的一步预测，获取光伏电站输出功率预测值，将预测步骤获得信息代入观测方程中并计算卡尔曼增益对预测值进行滤波，从而将光伏电站输出功率数据存在较大误差的点滤去，完成光伏电站功率输出数据的修复。
所述步骤3)中基于采样点卡尔曼滤波理论的光伏电站监测数据修复方法具体计算步骤为：
1)初始化状态量x＝[T C Pp]T和协方差矩阵S：
S0＝cholE[x0-E(x0) (x0-E(x0))T]，
其中，S0为状态量协方差矩阵的平方根矩阵。
2)根据出力滤波值和协方差采样获得sigma点和对应权值W，预测步：
其中，χk-1的每一列为一个sigma点值，χk-1包含(2n+1)个sigma点。
确定各sigma点权值：
其中，Wi，i＝0，1，…，2n为每一个sigma点的权值。
3)根据预测值和协方差采样输入RBF神经网络状态转换函数获得功率输出预测值
预测步骤：
结合每一项的权重Wi，计算功率输出预测平均值
利用QR变换，更新协方差平方根矩阵
其中，
为功率输出预测值
与预测平均值的差；并利用cholupdate来克服
的正定性；Q为状态转换函数存在的噪声协方差。
4)根据出力预测值和协方差重采样获得sigma点χk|k-1，将每一个sigma点代入量测方程获得量测预测值ξ：
ξk|k-1＝h(χk|k-1)，
其中，χk|k-1为重采样获得的(2n+1)个sigma点。
计算量测预测值平均值并更新协方差平方根
其中，
为量测预测值ζi，k|k-1，i＝1…2n与量测预测平均值之差；利用cholupdate克服其正定性；R为量测方程存在的噪声协方差。
5)根据量测预测值及其自协方差和互协方差，滤波步：
其中，χi，k｜k-1为重采样后的第i个sigma点，
为功率输出预测平均值；ζi，k|k-1为第i个重采样sigma点的量测预测值，
为量测预测平均值。
计算卡尔曼增益，并对功率输出预测值滤波得到k时刻输出滤波值
其中，
为步骤5中计算获得互协方差；
为步骤4中计算获得的量测预测量协方差平方根；yk为光伏电站功率输出监测数据值，
为功率输出预测平均值，
为滤波后的状态量。
更新协方差平方根矩阵：
至此完成k时刻的滤波步骤，对光伏电站输出功率值完成修复。
通过采样点卡尔曼滤波理论的预测和滤波步骤，可以修复光伏电站监测数据中的不合理数据项。该修复方法首先基于以RBF神经网络建立状态转换函数，作为光伏电站功率输出数据修复方法的预测步骤，然后基于平方根采样点卡尔曼滤波理论计算卡尔曼增益实现光伏电站监测数据的滤波，完成光伏电站监测数据修复。该方法能够减少监测数据中不合理项，提高监测数据质量，为电网运行策略决策提供可靠信息。
本发明提供的光伏电站监测数据修复方法，利用光伏电站温湿度信息，光照强度和出力历史数据信息，通过训练获得的RBF神经网络作状态转换函数完成功率输出的预测，然后基于平方根采样点卡尔曼滤波理论实现光伏电站出力数据的滤波。因此，本发明可以有效地修复光伏电站功率输出数据，提高监测数据质量，对提高电网运行规划决策和电网安全稳定运行具有重要意义。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (3)
1.一种光伏电站监测数据修复方法，其特征在于，所述光伏电站监测数据修复方法包括：
查找同一时刻光伏电站监测数据中的温湿度信息、光照强度和光伏电站输出功率历史数据是否存在缺失；
若存在缺失，则将缺失的数据项进行标记并排除缺失的数据项；
将监测到的排除缺失的数据项后的光伏电站监测数据进行训练，得到状态转换函数；
根据插值理论拟合得到缺失的数据项，对所述光伏电站监测数据中的缺失的数据项补全；
将补全后的所述光伏电站监测数据中的温湿度信息、光照强度和光伏电站输出功率历史数据输入到所述状态转换函数进行预测得到预测值；
对所述预测值进行滤波得到光伏电站监测数据修复结果；
输出修复结果；
其中，所述将监测到的排除缺失的数据项后的光伏电站监测数据进行训练，得到状态转换函数包括：
初始化RBF神经网络参数；
将监测到的排除缺失的数据项后的光伏电站监测数据输入到RBF神经网络；
以光伏电站输出功率为输出量，计算RBF神经网络的均方根误差RMSE值是否满足迭代终止精度；
若满足，则结束训练，否则，进行权重迭代计算；
将结束训练的RBF神经网络作为状态转换函数，其中所述状态转换函数为预测方程；
所述对所述预测值进行滤波得到光伏电站监测数据修复结果包括：
根据平方根采样点卡尔曼滤波理论对所述预测值进行滤波得到光伏电站监测数据修复结果；
其中，包括：
(1)初始化状态量x＝[T C Pp]T和协方差矩阵S：
S0＝cholE[x0-E(x0) (x0-E(x0))T]，
其中，S0为状态量协方差矩阵的平方根矩阵；
(2)根据出力滤波值和协方差采样获得sigma点和对应权值W：
其中，χk-1的每一列为一个sigma点值，χk-1包含(2n+1)个sigma点；
确定各sigma点权值：
W0∈(-1,1)，
其中，Wi,i＝0,1,…,2n为每一个sigma点的权值；
(3)根据预测值和协方差采样输入RBF神经网络状态转换函数获得功率输出预测值
结合每一项的权重Wi，计算功率输出预测平均值
利用QR变换，更新协方差平方根矩阵
其中，
为功率输出预测值
与预测平均值的差；并利用cholupdate来克服
的正定性；Q为状态转换函数存在的噪声协方差；
(4)根据出力预测值和协方差重采样获得sigma点χk|k-1，将每一个sigma点代入量测方程获得量测预测值ξ：
ξk|k-1＝h(χk|k-1)，
其中，χk|k-1为重采样获得的(2n+1)个sigma点；
计算量测预测值平均值并更新协方差平方根
其中，
为量测预测值ξi,k|k-1,i＝1...2n与量测预测平均值之差；利用cholupdate克服其正定性；R为量测方程存在的噪声协方差；
(5)根据量测预测值及其自协方差和互协方差：
其中，χi,k|k-1为重采样后的第i个sigma点，
为功率输出预测平均值；ξi,k|k-1为第i个重采样sigma点的量测预测值，
为量测预测平均值；
计算卡尔曼增益，并对功率输出预测值滤波得到k时刻输出滤波值
其中，
为步骤(5)中计算获得互协方差；
为步骤(4)中计算获得的量测预测量协方差平方根；yk为光伏电站功率输出监测数据值，
为功率输出预测平均值，
为滤波后的状态量；
更新协方差平方根矩阵：
至此完成k时刻的滤波，对光伏电站输出功率值完成修复。
2.根据权利要求1所述的光伏电站监测数据修复方法，其特征在于，所述进行权重迭代计算包括调节权重、中心参数和宽度参数。
3.根据权利要求1所述的光伏电站监测数据修复方法，其特征在于，所述根据插值理论拟合得到缺失的数据项，对所述光伏电站监测数据中的缺失的数据项补全包括：
选取标记缺失的数据项前后相邻的5个时刻的监测数据；
根据前后相邻的5个时刻的监测数据，基于插值理论拟合得到缺失的数据项。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810274676.8A CN108763250B (zh) | 2018-03-28 | 2018-03-28 | 一种光伏电站监测数据修复方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810274676.8A CN108763250B (zh) | 2018-03-28 | 2018-03-28 | 一种光伏电站监测数据修复方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108763250A CN108763250A (zh) | 2018-11-06 |
| CN108763250B true CN108763250B (zh) | 2022-04-12 |
Family
ID=63980869
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810274676.8A Active CN108763250B (zh) | 2018-03-28 | 2018-03-28 | 一种光伏电站监测数据修复方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108763250B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111881565B (zh) * | 2020-07-17 | 2024-03-22 | 特变电工新疆新能源股份有限公司 | 一种光伏组件过程数据重建方法 |
| CN112084577B (zh) * | 2020-08-24 | 2023-11-17 | 智慧航海（青岛）科技有限公司 | 一种基于仿真试验数据的数据处理方法 |
| CN112200464B (zh) * | 2020-10-14 | 2023-04-28 | 国网山东省电力公司聊城供电公司 | 计及空间相关性的光伏电站出力数据的修正方法及系统 |
| CN113688869B (zh) * | 2021-07-21 | 2022-05-27 | 广东工业大学 | 一种基于生成对抗网络的光伏数据缺失重构方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930358A (zh) * | 2012-11-28 | 2013-02-13 | 江西九江供电公司 | 一种光伏电站发电功率的神经网络预测方法 |
| CN106203743A (zh) * | 2016-07-15 | 2016-12-07 | 山东建筑大学 | 一种基于改进的ihcmac神经网络的光伏发电功率预测方法 |
| CN106570593A (zh) * | 2016-11-10 | 2017-04-19 | 甘肃省电力公司风电技术中心 | 一种基于天气信息的光伏电站出力数据修复方法 |
| CN107451697A (zh) * | 2017-08-07 | 2017-12-08 | 南京金水尚阳信息技术有限公司 | 一种基于复合数据修复的风功率预测方法 |
-
2018
- 2018-03-28 CN CN201810274676.8A patent/CN108763250B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930358A (zh) * | 2012-11-28 | 2013-02-13 | 江西九江供电公司 | 一种光伏电站发电功率的神经网络预测方法 |
| CN106203743A (zh) * | 2016-07-15 | 2016-12-07 | 山东建筑大学 | 一种基于改进的ihcmac神经网络的光伏发电功率预测方法 |
| CN106570593A (zh) * | 2016-11-10 | 2017-04-19 | 甘肃省电力公司风电技术中心 | 一种基于天气信息的光伏电站出力数据修复方法 |
| CN107451697A (zh) * | 2017-08-07 | 2017-12-08 | 南京金水尚阳信息技术有限公司 | 一种基于复合数据修复的风功率预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108763250A (zh) | 2018-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108763250B (zh) | 一种光伏电站监测数据修复方法 | |
| CN108734360B (zh) | 一种基于修正的elm预测模型多维遥测数据智能判读方法 | |
| CN103310051B (zh) | 一种全寿命周期内的车载信息终端故障率预测方法 | |
| CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
| CN101859146A (zh) | 一种基于预测滤波和经验模态分解的卫星故障预测方法 | |
| CN106772080A (zh) | 空间锂离子电池加速退化试验时间等效性建模方法 | |
| CN110222714B (zh) | 一种基于arma与bp神经网络的太阳总辐照资源预测方法 | |
| CN112100574A (zh) | 一种基于重采样的aakr模型不确定度计算方法及系统 | |
| CN111626359A (zh) | 数据融合方法、装置、控制终端和船舶 | |
| CN101446828A (zh) | 一种非线性过程质量预报方法 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN111597663A (zh) | 融合剩余寿命经验数据的动量轮剩余寿命预测方法 | |
| CN111461297B (zh) | 基于mpc和elm神经网络的太阳辐照量优化预测算法 | |
| CN106404712A (zh) | 基于gt‑kf‑pls近红外光谱自适应模型校正方法及系统 | |
| CN106844861B (zh) | 正交异性钢桥面板焊接节点实测应力幅动态概率建模方法 | |
| CN114792046A (zh) | 基于健康指数与粒子滤波的旋转机械故障预测方法及系统 | |
| CN114705313A (zh) | 一种星间链路天线主反射器温度异常检测方法 | |
| CN103994858B (zh) | 基于生物地理学智能优化支持向量机算法的动平衡检测控制方法 | |
| CN103778263A (zh) | 地铁车辆数据采集处理的装置和方法 | |
| CN107977742B (zh) | 一种中长期电力负荷预测模型的构建方法 | |
| Shen et al. | Status self-validation of a multifunctional sensor using a multivariate relevance vector machine and predictive filters | |
| Jiang et al. | A hybrid degradation tendency measurement method for mechanical equipment based on moving window and Grey–Markov model | |
| Laayouj et al. | Intelligent Prognostic Framework for Degradation Assessment and Remaining Useful Life Estimation of Photovoltaic Module. | |
| CN109101751A (zh) | 一种基于信息融合的动量轮可靠性评估方法 | |
| CN106656034B (zh) | 一种光伏电站阻抗数据有效性指数预测方法 |
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 |