CN110956304A - 一种基于ga-rbm的分布式光伏发电量短期预测方法 - Google Patents
一种基于ga-rbm的分布式光伏发电量短期预测方法 Download PDFInfo
- Publication number
- CN110956304A CN110956304A CN201910985929.7A CN201910985929A CN110956304A CN 110956304 A CN110956304 A CN 110956304A CN 201910985929 A CN201910985929 A CN 201910985929A CN 110956304 A CN110956304 A CN 110956304A
- Authority
- CN
- China
- Prior art keywords
- rbm
- power generation
- photovoltaic power
- calculating
- model
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000010606 normalization Methods 0.000 claims abstract description 23
- 230000002068 genetic effect Effects 0.000 claims abstract description 12
- 210000002569 neuron Anatomy 0.000 claims abstract description 10
- 230000004913 activation Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 210000004027 cell Anatomy 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008569 process Effects 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
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Neurology (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Genetics & Genomics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Primary Health Care (AREA)
Abstract
本发明属于光伏发电量预测技术领域,具体涉及一种基于GA‑RBM的分布式光伏发电量短期预测方法;它包括:使用归一化方法对原始数据预处理,将奇异数据删除;在原始数据归一化后,对预测模型的输出值进行反归一化;计算RBM能量模型;依据能量函数计算矢量(v,h)的联合概率分布P(v,h);计算第j个隐藏层单元的激活状态概率值;计算从隐藏层神经元到可见层神经元的概率值;选择浮点数编码优化RBM参数;选择RBM模型的个体适应度函数;GA‑RBM预测模型参数,利用遗传算法,通过选择交叉变异进行优化,使参数θ达到最优;进行RBM训练,求出最优结果;本发明通过皮尔森相似度分析法选择影响发电量的环境因素,利用GA对RBM模型参数优化,精确预测光伏电站的短期功率。
Description
技术领域
本发明属于光伏发电量预测技术领域,具体涉及一种基于GA-RBM的分布式光伏发电量短期预测方法。
背景技术
近年来大规模光伏电站接入电网,由于光伏发电输出功率具有随机性和波动性,对电网安全稳定和经济运行造成影响,对光伏电站的输出功率进行准确预测,能为电力调度提供重要的决策支持,能够统筹安排常规电源和光伏发电的协调配合,有效的降低电力系统运行成本,使得光伏资源得到充分的利用,从而获得更大的经济效益和社会效益,但是光伏发电系统的输出功率很大程度上决定于光伏面板所能接收到的太阳辐射量,容易受到天气因素的影响,因而具有间歇性、波动性和随机性的缺点,从而造成其输出功率不稳定且难以预测;这一缺点不仅影响了电能质量,甚至会影响整个电力系统的稳定性,因此,需要对分布式光伏发电系统的光伏出力进行预测,根据历史数据找出光伏出力与环境因素的某种关联,这样对于电网的安全调度和经济管理具有重要的意义;目前,对光伏发电进行短期预测的方法主要有以下几种:利用BP神经网络算法,建立短期光伏发电出力的预测模型,考虑到的环境因素主要有温度和太阳辐射强度,主要对未来24的光伏出力进行预测;距离分析法,将光伏出力与气象因素关联起来,输入因子确定为气温和湿度,建立基于BP神经网络的无辐照强度发电量短期预测模型;还有采用辐照强度、温度、压力、时间和湿度作为预测每小时的日类型信息,再由日类型信息计算光伏出力;但是这些方法均存在一定局限性,只能在一定程度上解决光伏发电功率预测问题,不能进行功率的准确预测。
发明内容
本发明的目的是为了克服现有技术的不足,而提供一种提高光伏发电短期功率预测精度,利用遗传算法(GA)优化受限玻耳兹曼机(RBM)的分布式光伏发电量短期预测模型。
本发明的目的是这样实现的:一种基于GA-RBM的分布式光伏发电量短期预测方法,它包括:使用归一化方法对原始数据预处理,将奇异数据删除;
在原始数据归一化后,对预测模型的输出值进行反归一化;
计算RBM能量模型,能量模型Eθ(v,h)定义如下: 其中,wij为第i个可见层单元和第j个隐藏层单元之间连接权重,ai为可见层单元的偏置值,bj为隐藏层单元的偏置值,nv为可见层节点数,nh为隐藏层节点数;
计算第j个隐藏层单元的激活状态概率值,公式为:p(hj|v)=sigmoid(∑iwijvi+bj),其中,为激活函数;计算从隐藏层神经元到可见层神经元的概率值,公式为:p(vi|h)=sigmoid(∑jwijhj+ai);
选择浮点数编码优化RBM参数;
选择RBM模型的个体适应度函数;
GA-RBM预测模型参数θ={wij,ai,bj},利用遗传算法,通过选择交叉变异进行优化,使参数θ达到最优;
通过GA算法优化RBM初始参数之后,再将训练数据集与参数θ={wii,ai,bi}一起带入进行RBM训练,求出最优结果。
所述反归一化包括归一化公式:Zn=Zn(Zmax-Zmin)+Zmin。
所述选择RBM模型的个体适应度函数包括:用重构误差的方法来评价训练样本的似然程度,第j次迭代的重构误差为:其中,m、n分别是可见层的维数和训练样本的个数,Pi为测试数据集在第i维的数据列向量,P′i为训练迭代后计算得到第i维可见层的数据列向量;第i个个体的适应度函数定义如下:F(i)=min(Errork/(m*n))。
本发明的有益效果:本发明提出遗传算法(GA)优化受限玻耳兹曼机(RBM)的分布式光伏发电量短期预测模型,通过皮尔森相似度分析法选择影响发电量的环境因素,利用GA对RBM模型参数优化,避免陷入局部最优,进而精确的预测光伏电站的短期功率,预测精度更高,效率更快,有效避免了光伏发电系统发电功率过多供给,造成资源浪费的问题。
附图说明
图1为本发明一种基于GA-RBM的分布式光伏发电量短期预测方法的流程图。
图2为本发明实施例2的种群适应度变化趋势图。
图3为本发明实施例2的GA-RBM和RBM预测功率比较示意图。
图4为本发明实施例2的GA-RBM与GA-BP预测功率比较示意图。
图5为本发明实施例2的GA-RBM与GA-BP结果误差比较示意图。
具体实施方式
下面对本发明做进一步的说明。
实施例1
一种基于GA-RBM的分布式光伏发电量短期预测方法,它包括:使用归一化方法对原始数据预处理,将奇异数据删除;
在原始数据归一化后,对预测模型的输出值进行反归一化;
计算RBM能量模型,能量模型Eθ(v,h)定义如下: 其中,wij为第i个可见层单元和第j个隐藏层单元之间连接权重,ai为可见层单元的偏置值,bj为隐藏层单元的偏置值,nv为可见层节点数,nh为隐藏层节点数;
计算第j个隐藏层单元的激活状态概率值,公式为:p(hj|v)=sigmoid(∑iwijvi+bj),其中,为激活函数;计算从隐藏层神经元到可见层神经元的概率值,公式为:p(vi|h)=sigmoid(∑jwijhj+ai);
选择浮点数编码优化RBM参数;
选择RBM模型的个体适应度函数;
GA-RBM预测模型参数θ={wij,ai,bj},利用遗传算法,通过选择交叉变异进行优化,使参数θ达到最优;
通过GA算法优化RBM初始参数之后,再将训练数据集与参数θ={wij,ai,bj}一起带入进行RBM训练,求出最优结果。
本发明提出遗传算法(GA)优化受限玻耳兹曼机(RBM)的分布式光伏发电量短期预测模型,通过皮尔森相似度分析法选择影响发电量的环境因素,利用GA对RBM模型参数优化,避免陷入局部最优,进而精确的预测光伏电站的短期功率,预测精度更高,效率更快,有效避免了光伏发电系统发电功率过多供给,造成资源浪费的问题。
实施例2
一种基于GA-RBM的分布式光伏发电量短期预测方法,它包括:使用归一化方法对原始数据预处理,将奇异数据删除,可降低原始数据输入时对预测结果的误差,加快收敛速度,节约训练时间;
在原始数据归一化后,对预测模型的输出值进行反归一化;
计算RBM能量模型,能量模型Eθ(v,h)定义如下: 其中,wij为第i个可见层单元和第j个隐藏层单元之间连接权重,ai为可见层单元的偏置值,bj为隐藏层单元的偏置值,nv为可见层节点数,nh为隐藏层节点数;
计算第j个隐藏层单元的激活状态概率值,公式为:p(hj|v)=sigmoid(∑iwijvi+bj),其中,为激活函数;计算从隐藏层神经元到可见层神经元的概率值,公式为:p(vi|h)=sigmoid(∑jwijhj+ai);
选择浮点数编码优化RBM参数,它相比较二进制编码来说可以优化计算参数θ的复杂度,以提高计算效率;
选择RBM模型的个体适应度函数;
GA-RBM预测模型参数θ={wij,ai,bj},利用遗传算法,通过选择交叉变异进行优化,使参数θ达到最优;
通过GA算法优化RBM初始参数之后,再将训练数据集与参数θ={wij,ai,bj}一起带入进行RBM训练,求出最优结果。
进一步的,所述反归一化包括归一化公式:Zn=Zn(Zmax-Zmin)+Zmin。
进一步的,所述选择RBM模型的个体适应度函数包括:用重构误差的方法来评价训练样本的似然程度,第j次迭代的重构误差为: 其中,m、n分别是可见层的维数和训练样本的个数,Pi为测试数据集在第i维的数据列向量,P′i为训练迭代后计算得到第i维可见层的数据列向量;第i个个体的适应度函数定义如下:F(i)=min(Errork/(m*n))。
本发明提出遗传算法(GA)优化受限玻耳兹曼机(RBM)的分布式光伏发电量短期预测模型,通过皮尔森相似度分析法选择影响发电量的环境因素,利用GA对RBM模型参数优化,避免陷入局部最优,进而精确的预测光伏电站的短期功率,预测精度更高,效率更快,有效避免了光伏发电系统发电功率过多供给,造成资源浪费的问题。
为对本发明建立的模型进行有效性验证,以下根据某电网分布式光伏发电系统的实测数据,主要包括光伏发电功率和相关天气预报数据,以15min作为时间间隔,采用遗传算法优化受限玻耳兹曼机的分布式光伏发电量短期预测模型,以历史光伏发电功率和环境因素中的总辐射、温度和风速的数据信息作为模型的输入量,模型输出量为分布式光伏发电系统预测日的发电功率,模型预测时间精度为未来24h的发电量,用模型预测出的结果与实际发电量的值进行误差分析,验证其精度,并将本发明构造的GA-RBM分布式光伏发电量短期预测模型得出的结果与GA-BP模型预测结果进行比较。
本发明用到的模型参数初始值详见下表:
为体现本发明预测模型的优越性,在相同结构和参数环境下,本发明做了两个对比试验,一:首先验证GA优化RBM的优点,再将GA-RBM算法与传统的RBM算法的预测结果进行对比,以验证优化后的RBM算法性能的提升;二:将本文建立的预测模型与遗传算法优化BP神经网络算法进行对比,验证GA-RBM性能的优越性。
图2为遗传算法操作过程中种群适应度的变化曲线,从图2可以看出,随着迭代次数的增加,种群中个体适应度和最优适应度均有减小的趋势,且两者在数值上的差异逐渐减小,这表明随着迭代次数的增加,种群之间的个体差异越来越小,进而RBM结构趋于最优化。
图3为GA-RBM和RBM模型同实际发电量的结果对比图,优化前的RBM算法与用GA优化后的RBM算法主要的不同之处是RBM初始参数的不同,从图3中可以看出,优化后的RBM模型精度更高,而且根据统计,GA-RBM预测模型训练耗时为13.131s,RBM预测模型训练耗时为7.153s,这说明GA优化RBM预测模型有效的缩小了RBM参数寻优的范围,提高了预测模型的精度和效率。
本发明所建立的GA-RBM预测模型与GA-BP预测模型对发电量预测的结果对比如图4所示。
图5为两种算法分别与实际发电功率值得误差比较图,其误差评价指标如下表所示,主要包含以下指标:均方误差(MSE)、平均绝对误差(MAE)、平均绝对百分误差(MAPE)。
算法 | MSE | MAE | MAPE |
GA-BP | 0.0442 | 0.1754 | 0.1767 |
GA-RBM | 0.0221 | 0.0471 | 0.0422 |
从上表中可以看出,GA-RBM预测模型的各项指标均优于GA-BP预测模型,性能提升的原因在于RBM训练得到的权重矩阵和偏置比BP神经网络训练得到的结果在效率和精度上都更有优势,RBM是基于能量模型的算法,这能够让RBM网络更好的去拟合输入数据,提高了预测模型的准确度。
Claims (4)
1.一种基于GA-RBM的分布式光伏发电量短期预测方法,其特征在于:所述方法包括:
使用归一化方法对原始数据预处理,将奇异数据删除;
在原始数据归一化后,对预测模型的输出值进行反归一化;
计算RBM能量模型,能量模型Eθ(v,h)定义如下: 其中,wij为第i个可见层单元和第j个隐藏层单元之间连接权重,ai为可见层单元的偏置值,bj为隐藏层单元的偏置值,nv为可见层节点数,nh为隐藏层节点数;
计算第j个隐藏层单元的激活状态概率值,公式为:p(hj|v)=sigmoid(∑iwijvi+bj),其中,为激活函数;计算从隐藏层神经元到可见层神经元的概率值,公式为:p(vi|h)=sigmoid(∑jwijhj+ai);
选择浮点数编码优化RBM参数;
选择RBM模型的个体适应度函数;
GA-RBM预测模型参数θ={wij,ai,bj},利用遗传算法,通过选择交叉变异进行优化,使参数θ达到最优;
通过GA算法优化RBM初始参数之后,再将训练数据集与参数θ={wij,ai,bj}一起带入进行RBM训练,求出最优结果。
3.如权利要求2所述的基于GA-RBM的分布式光伏发电量短期预测方法,其特征在于:所述反归一化包括归一化公式:Zn=Zn(Zmax-Zmin)+Zmin。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910985929.7A CN110956304A (zh) | 2019-10-17 | 2019-10-17 | 一种基于ga-rbm的分布式光伏发电量短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910985929.7A CN110956304A (zh) | 2019-10-17 | 2019-10-17 | 一种基于ga-rbm的分布式光伏发电量短期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110956304A true CN110956304A (zh) | 2020-04-03 |
Family
ID=69975570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910985929.7A Pending CN110956304A (zh) | 2019-10-17 | 2019-10-17 | 一种基于ga-rbm的分布式光伏发电量短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956304A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680826A (zh) * | 2020-05-14 | 2020-09-18 | 沂南力诺太阳能电力工程有限公司 | 一种光伏发电量预测分析方法 |
CN111898825A (zh) * | 2020-07-31 | 2020-11-06 | 天津大学 | 一种光伏发电功率短期预测方法及装置 |
CN113159437A (zh) * | 2021-04-30 | 2021-07-23 | 河北工业大学 | 一种短期光伏发电输出功率的预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570594A (zh) * | 2016-11-11 | 2017-04-19 | 国网江西省电力公司电力科学研究院 | 一种基于tmbp的相似日光伏发电短期预测方法 |
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 |
CN107730039A (zh) * | 2017-10-10 | 2018-02-23 | 中国南方电网有限责任公司电网技术研究中心 | 配电网负荷预测的方法及系统 |
CN109858673A (zh) * | 2018-12-27 | 2019-06-07 | 南京工程学院 | 一种光伏发电系统功率预测方法 |
-
2019
- 2019-10-17 CN CN201910985929.7A patent/CN110956304A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570594A (zh) * | 2016-11-11 | 2017-04-19 | 国网江西省电力公司电力科学研究院 | 一种基于tmbp的相似日光伏发电短期预测方法 |
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 |
CN107730039A (zh) * | 2017-10-10 | 2018-02-23 | 中国南方电网有限责任公司电网技术研究中心 | 配电网负荷预测的方法及系统 |
CN109858673A (zh) * | 2018-12-27 | 2019-06-07 | 南京工程学院 | 一种光伏发电系统功率预测方法 |
Non-Patent Citations (3)
Title |
---|
刘凯,张立民等: "基于遗传算法的RBM优化设计", 《微电子学与计算机》, 30 June 2015 (2015-06-30), pages 97 - 98 * |
吴坚,郑照红等: "深度置信网络光伏发电短时功率预测研究", 《中国测试》, 31 May 2018 (2018-05-31) * |
王继东,冉冉等: "基于改进深度受限波尔兹曼机算法的光伏发电短期功率概率预测", 《电力自动化设备》, 31 May 2018 (2018-05-31), pages 44 - 46 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680826A (zh) * | 2020-05-14 | 2020-09-18 | 沂南力诺太阳能电力工程有限公司 | 一种光伏发电量预测分析方法 |
CN111898825A (zh) * | 2020-07-31 | 2020-11-06 | 天津大学 | 一种光伏发电功率短期预测方法及装置 |
CN113159437A (zh) * | 2021-04-30 | 2021-07-23 | 河北工业大学 | 一种短期光伏发电输出功率的预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
CN110956304A (zh) | 一种基于ga-rbm的分布式光伏发电量短期预测方法 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN111898825A (zh) | 一种光伏发电功率短期预测方法及装置 | |
CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
CN110991737A (zh) | 一种基于深度置信网络的超短期风电功率预测方法 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
Wang et al. | Prediction method of wind farm power generation capacity based on feature clustering and correlation analysis | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
CN115564310A (zh) | 一种基于卷积神经网络的新能源电力系统可靠性评估方法 | |
CN115907339A (zh) | 一种基于gmm的配电网光伏与电动汽车充电站协同规划方法 | |
CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
CN117748495A (zh) | 一种基于残差神经网络的光伏电站短期发电功率预测方法 | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN111815051B (zh) | 考虑天气影响因素的grnn光伏发电预测方法 | |
CN110991741B (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
CN117151770A (zh) | 一种基于注意力机制的lstm碳价预测方法和系统 | |
Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
CN112949938B (zh) | 改善训练样本类别不均衡的风电爬坡事件直接预报方法 | |
CN116258234A (zh) | 一种基于bp神经网络模型的能源企业碳排测算与预测方法 | |
CN115936062A (zh) | 基于场景生成与深度学习的光伏功率日前区间预测方法 | |
CN114234392B (zh) | 一种基于改进pso-lstm的空调负荷精细预测方法 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200403 |
|
RJ01 | Rejection of invention patent application after publication |