CN110991689B - 基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法 - Google Patents
基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法 Download PDFInfo
- Publication number
- CN110991689B CN110991689B CN201910985930.XA CN201910985930A CN110991689B CN 110991689 B CN110991689 B CN 110991689B CN 201910985930 A CN201910985930 A CN 201910985930A CN 110991689 B CN110991689 B CN 110991689B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- power generation
- prediction
- photovoltaic power
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 18
- 238000013145 classification model Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 14
- 230000004913 activation Effects 0.000 abstract description 8
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000002474 experimental method Methods 0.000 abstract description 2
- 230000007787 long-term memory Effects 0.000 abstract 1
- 230000006403 short-term memory Effects 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000002699 waste material Substances 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种电力系统自动化技术领域的基于LSTM‑Morlet模型的分布式光伏发电系统短期预测方法，经过样本数据归一化、短期天气分类和建立光伏发电预测模型的步骤，提出采用其变种长短期记忆神经网络LSTM建立光伏发电预测模型，使用Morlet小波函数作为LSTM模型的激活函数,通过实验证明，使用Morlet小波函数作为激活函数以及加上天气指标参数，对于LSTM模型的发电预测效果都有明显的提升；本发明具有收敛速度快和预测精度高的优点。
Description
技术领域
本发明涉及电力系统自动化技术领域，具体涉及一种基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法。
背景技术
分布式光伏发电系统发电量受多种天气因素影响，且天气因素具有一定的波动性、不连续性，因此如何根据光伏发电的出力特点去构建合适的预测模型，以实现对于发电量的精准预测，避免资源的不合理分配与浪费。为了准确地实现分布式光伏发电预测，国内外相关学者对光伏出力预测模型进行了广泛的研究，无论是建立灰色动态GM模型，使用过去五个月的历史原始数据为建模支撑，进行了光伏发电的预测，还是基于自适应模糊时间序列法的预测模型，并网光伏发电进行短期功率预测；采用直接预测方法本身是需要通过数理统计学发掘历史数据之间的规律然后进行相关预测，适用性不太好，而引入复杂度更高的人工智能算法，对直接预测方法进行完善，又会增加预测复杂度，而单纯的采用神经网络进行光伏预测，只能使得在小样本下能够确保预测的精确度，很多场景的适应性也完善，会易陷入局部最小的缺点；因此，提供一种收敛速度快和预测精度高的基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法是非常有必要的。
发明内容
本发明的目的是为了克服现有技术的不足，而提供一种基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法，本发明采用其变种长短期记忆神经网络LSTM建立光伏发电预测模型，LSTM模型能够很好地处理长时间序列数据的预测，为了加快模型的收敛速度和预测精度，使用Morlet小波函数作为LSTM模型的激活函数。在数据预处理方面，通过ISODATA迭代自组织聚类算法将每一时间间隔的天气数据进行分类，并将分类的结果作为预测模型的输入参数之一，从而使得预测结果更加准确。通过实验证明，使用Morlet小波函数作为激活函数以及加上天气指标参数，对LSTM模型的发电预测效果都有明显提升。
本发明的目的是这样实现的：基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法，它包括以下步骤：
步骤1)：样本数据归一化；
步骤2)：短期天气分类；
步骤3)：建立光伏发电预测模型。
步骤1)中在将样本数据作为输入参数输入到训练模型之前，考虑到某部分数据之间由于样本数量级基数大，所以这部分数据差异性较大，可能会给模型的预测引进误差甚至导致神经元饱和，因此本文通过归一化将样本数据转化成范围为[0,1]之间的数后，再进行模型的输入训练；
Min-max normalization归一化公式如下：
其中v是样本数据原始值，Vmax和Vmin是该样本数据中的最大值和最小值，V为归一化后的样本数据。
步骤2)中短期天气分类主要使用ISODATA算法进行，步骤如下：
Step1：取出已有数据的80％作为实验数据，其余数据作为测试数据；
Step2：根据数据给出的天气指标，如直接辐射、散射、总辐射、风速、风向、气温、湿度、气压七个天气指标，将每一个输入样本的七个维度设为{xi,i＝1,2,3…7}，分别代表；
Step3：通过建立ISODATA分类模型，并指定初始参数，将数据输入到模型中去进行分类；
Step4：采用CHI指标对聚类效果进行评价，CHI指标会首先计算出同一样本中的数据相似性，用Dsc(同一簇的样本点之间的方差)、Dbc(不同簇之间的样本点之间的方差)，计算公式如下：
CCHI＝Dsc/Dbc
其中Ci是第i类的中心点，q(i)代表第i类中的所有样本点，j＝1,2…s则代表每个样本点的第j维数据，Q为全样本中心的特征向量，计算得到的Dsc值越小,表明同一类中的样本数据越相似；Dbc值越大,表明不同类之间的差异性越大；所以最终得到的CCHI越小，说明同一簇之间的方差越小且不同簇之间的方差越大，说明分类的效果好，因此，通过不断地调整初始参数，进行聚类，并按照有利于CCHI指标减少的趋势去确定最终的初始参数值，最终得到聚类效果较好的参数值，此时聚类结果如下，计算得出的CHI指标数值为8182；而ISODATA算法将数据的短时天气类型分成了30类，此时依据Calinski-Harabasz Index检验公式得出的分数最高，且类别数并不冗余过大，因此选用该类别数作为最终的分类结果。
步骤3)中建立光伏发电预测模型的具体步骤如下：
Step1：将训练数据集输入到ISODATA分类模型中，对短周期的天气状况进行分类，得出划分出的天气类型(T1、T2、T3…)，T代表天气类型；
Step2：将计算出的天气类型作为数据集属性之一增加进原有数据属性中，再将当前时间的训练数据与下一时间相对应的光伏发电监测数据，作为LSTM训练模型的输入去训练LSTM预测模型，从而建立预测模型；
Step3：测试预测结果，在得出预测结果后，本文采用均方根误差RMSE作为预测效果好坏的度量指标，其计算公式为：
其中yi和pi分别表示t时段的光伏发电量的真实值和预测值。
本发明的有益效果：与现有技术比，本发明提供的技术方案具有以下优异效果：
本发明依据光伏发电站的已有数据特点，提出了使用长短期记忆神经网络进行光伏发电量预测的方法，并在已有LSTM模型的基础上，将小波函数Morlet作为LSTM的激活函数，这样能够加快模型的收敛并使模型能够适应多样性的数据。本发明可以连续时间间隔的天气之间是存在联系的，为了将这种联系能够变成模型的预测参考标准之一，发明使用ISODATA算法对每一时间间隔的天气依据观测指标进行分类，并将天气类型作为参数之一输入到LSTM模型中。
实验结果证明，使用Morlet小波函数作为激活函数以及加上天气指标参数，对于模型的发电预测效果都有明显的提升；本发明具有一种收敛速度快和预测精度高的优点。
附图说明
图1是本发明聚类效果图。
图2是本发明光伏发电预测模型框架图。
具体实施方式
下面结合附图对本发明做进一步的说明。
实施例1
样本数据归一化，在将样本数据作为输入参数输入到训练模型之前，考虑到某部分数据之间由于样本数量级基数大，所以这部分数据差异性较大，可能会给模型的预测引进误差甚至导致神经元饱和，因此本文通过归一化将样本数据转化成范围为[0,1]之间的数后，再进行模型的输入训练；
Min-max normalization归一化公式如下：
其中v是样本数据原始值，Vmax和Vmin是该样本数据中的最大值和最小值，V为归一化后的样本数据。
短期天气分类，短期天气分类主要使用ISODATA算法进行，步骤如下：
Step1：取出已有数据的80％作为实验数据，其余数据作为测试数据；
Step2：根据数据给出的天气指标，如直接辐射、散射、总辐射、风速、风向、气温、湿度、气压七个天气指标，将每一个输入样本的七个维度设为{xi,i＝1,2,3…7}，分别代表；
Step3：通过建立ISODATA分类模型，并指定初始参数，将数据输入到模型中去进行分类；
Step4：采用CHI指标对聚类效果进行评价；聚类结果如图1所示。
建立光伏发电预测模型，如图2所示，使用Morlet小波激活函数的LSTM光伏发电预测模型，具体步骤如下：
Step1：将训练数据集输入到ISODATA分类模型中，对短周期的天气状况进行分类，得出划分出的天气类型(T1、T2、T3…)，T代表天气类型；
Step2：将计算出的天气类型作为数据集属性之一增加进原有数据属性中，再将当前时间的训练数据与下一时间相对应的光伏发电监测数据，作为LSTM训练模型的输入去训练LSTM预测模型，从而建立预测模型。
实施例2
基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法，它包括以下步骤：
步骤1)：样本数据归一化；
步骤2)：短期天气分类；
步骤3)：建立光伏发电预测模型。
使用Morlet小波激活函数的LSTM光伏发电预测模型，具体步骤如下：
Step1：将训练数据集输入到ISODATA分类模型中，对短周期的天气状况进行分类，得出划分出的天气类型(T1、T2、T3…)，T代表天气类型；
Step2：将计算出的天气类型作为数据集属性之一增加进原有数据属性中，再将当前时间的训练数据与下一时间相对应的光伏发电监测数据，作为LSTM训练模型的输入去训练LSTM预测模型，从而建立预测模型。
本发明依据光伏发电站的已有数据特点，提出了使用长短期记忆神经网络进行光伏发电量预测的方法，并在已有LSTM模型的基础上，将小波函数Morlet作为LSTM的激活函数，这样能够加快模型的收敛并使模型能够适应多样性的数据。本发明可以连续时间间隔的天气之间是存在联系的，为了将这种联系能够变成模型的预测参考标准之一，发明使用ISODATA算法对每一时间间隔的天气依据观测指标进行分类，并将天气类型作为参数之一输入到LSTM模型中；本发明具有一种收敛速度快和预测精度高的优点。
Claims (3)
1.基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法，其特征在于：它包括以下步骤：
步骤1)：样本数据归一化；
步骤2)：短期天气分类；
步骤3)：建立光伏发电预测模型；
所述步骤2)中短期天气分类主要使用ISODATA算法进行，步骤如下：
Step1：取出已有数据的80％作为实验数据，其余数据作为测试数据；
Step2：根据数据给出的天气指标，如直接辐射、散射、总辐射、风速、风向、气温、湿度、气压七个天气指标，将每一个输入样本的七个维度设为{xi,i＝1,2,3…7}，分别代表；
Step3：通过建立ISODATA分类模型，并指定初始参数，将数据输入到模型中去进行分类；
Step4：采用CHI指标对聚类效果进行评价，CHI指标会首先计算出同一样本中的数据相似性，计算公式如下：
CCHI＝Dsc/Dbc
其中Ci是第i类的中心点，Dsc为同一簇的样本点之间的方差、Dbc为不同簇之间的样本点之间的方差，q(i)代表第i类中的所有样本点，j＝1,2…s则代表每个样本点的第j维数据，Q为全样本中心的特征向量，计算得到的Dsc值越小,表明同一类中的样本数据越相似；Dbc值越大,表明不同类之间的差异性越大；所以最终得到的CCHI越小，说明同一簇之间的方差越小且不同簇之间的方差越大，说明分类的效果好，因此，通过不断地调整初始参数，进行聚类，并按照有利于CCHI指标减少的趋势去确定最终的初始参数值，最终得到聚类效果较好的参数值，此时聚类结果如下，计算得出的CHI指标数值为8182；而ISODATA算法将数据的短时天气类型分成了30类，此时依据Calinski-Harabasz Index检验公式得出的分数最高，且类别数并不冗余过大，因此选用该类别数作为最终的分类结果。
2.如权利要求1所述的基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法，其特征在于：所述步骤1)中在将样本数据作为输入参数输入到训练模型之前，考虑到某部分数据之间由于样本数量级基数大，所以这部分数据差异性较大，可能会给模型的预测引进误差甚至导致神经元饱和，因此本文通过归一化将样本数据转化成范围为[0,1]之间的数后，再进行模型的输入训练；
Min-max normalization归一化公式如下：
其中v是样本数据原始值，Vmax和Vmin是该样本数据中的最大值和最小值，V为归一化后的样本数据。
3.如权利要求1所述的基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法，其特征在于：所述步骤3)中建立光伏发电预测模型的具体步骤如下：
Step1：将训练数据集输入到ISODATA分类模型中，对短周期的天气状况进行分类，得出划分出的天气类型(T1、T2、T3…)，T代表天气类型；
Step2：将计算出的天气类型作为数据集属性之一增加进原有数据属性中，再将当前时间的训练数据与下一时间相对应的光伏发电监测数据，作为LSTM训练模型的输入去训练LSTM预测模型，从而建立预测模型；
Step3：测试预测结果，在得出预测结果后，本文采用均方根误差RMSE作为预测效果好坏的度量指标，其计算公式为：
其中yi和pi分别表示t时段的光伏发电量的真实值和预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910985930.XA CN110991689B (zh) | 2019-10-17 | 2019-10-17 | 基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910985930.XA CN110991689B (zh) | 2019-10-17 | 2019-10-17 | 基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110991689A CN110991689A (zh) | 2020-04-10 |
| CN110991689B true CN110991689B (zh) | 2022-10-04 |
Family
ID=70082091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910985930.XA Active CN110991689B (zh) | 2019-10-17 | 2019-10-17 | 基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991689B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112633604B (zh) * | 2021-01-04 | 2022-04-22 | 重庆邮电大学 | 一种基于i-lstm的短期用电量预测方法 |
| CN112926772A (zh) * | 2021-02-22 | 2021-06-08 | 东南大学溧阳研究院 | 一种基于lstm-gpr混合模型的光能预测方法 |
| CN112862630B (zh) * | 2021-03-08 | 2024-03-22 | 海南省电力学校(海南省电力技工学校) | 基于天气类型指数区间的光伏功率预测方法、终端及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107961007A (zh) * | 2018-01-05 | 2018-04-27 | 重庆邮电大学 | 一种结合卷积神经网络和长短时记忆网络的脑电识别方法 |
| CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
| JP6432018B1 (ja) * | 2018-02-09 | 2018-12-05 | Ｔｏｔａｌｍａｓｔｅｒｓ株式会社 | 太陽光発電設備の施工設計支援装置、施工設計支援方法、及び施工設計支援プログラム |
| CN109214575A (zh) * | 2018-09-12 | 2019-01-15 | 河海大学 | 一种基于小波长短期记忆网络的超短期风电功率预测方法 |
| CN109284870A (zh) * | 2018-10-08 | 2019-01-29 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
| CN109376904A (zh) * | 2018-09-18 | 2019-02-22 | 广东电网有限责任公司 | 一种基于dwt和lstm的短期风力发电功率预测方法及系统 |
| EP3493144A1 (en) * | 2017-12-01 | 2019-06-05 | Telefonica Innovacion Alpha S.L | A method, a system and computer programs, for electrical energy distribution in a peer-to-peer distributed energy network |
| CN109902874A (zh) * | 2019-02-28 | 2019-06-18 | 武汉大学 | 一种基于深度学习的微电网光伏发电短期预测方法 |
| CN110188919A (zh) * | 2019-04-22 | 2019-08-30 | 武汉大学 | 一种基于长短期记忆网络的负荷预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
| CN109840633B (zh) * | 2019-01-29 | 2021-03-23 | 合肥工业大学 | 光伏输出功率预测方法、系统和存储介质 |
-
2019
- 2019-10-17 CN CN201910985930.XA patent/CN110991689B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3493144A1 (en) * | 2017-12-01 | 2019-06-05 | Telefonica Innovacion Alpha S.L | A method, a system and computer programs, for electrical energy distribution in a peer-to-peer distributed energy network |
| CN107961007A (zh) * | 2018-01-05 | 2018-04-27 | 重庆邮电大学 | 一种结合卷积神经网络和长短时记忆网络的脑电识别方法 |
| CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
| JP6432018B1 (ja) * | 2018-02-09 | 2018-12-05 | Ｔｏｔａｌｍａｓｔｅｒｓ株式会社 | 太陽光発電設備の施工設計支援装置、施工設計支援方法、及び施工設計支援プログラム |
| CN109214575A (zh) * | 2018-09-12 | 2019-01-15 | 河海大学 | 一种基于小波长短期记忆网络的超短期风电功率预测方法 |
| CN109376904A (zh) * | 2018-09-18 | 2019-02-22 | 广东电网有限责任公司 | 一种基于dwt和lstm的短期风力发电功率预测方法及系统 |
| CN109284870A (zh) * | 2018-10-08 | 2019-01-29 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
| CN109902874A (zh) * | 2019-02-28 | 2019-06-18 | 武汉大学 | 一种基于深度学习的微电网光伏发电短期预测方法 |
| CN110188919A (zh) * | 2019-04-22 | 2019-08-30 | 武汉大学 | 一种基于长短期记忆网络的负荷预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110991689A (zh) | 2020-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109871976B (zh) | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 | |
| 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 | |
| Tan et al. | Ultra-short-term wind power prediction by salp swarm algorithm-based optimizing extreme learning machine | |
| CN110991689B (zh) | 基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法 | |
| CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
| CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
| CN111369070B (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
| CN111753893A (zh) | 一种基于聚类和深度学习的风电机组功率集群预测方法 | |
| CN110674999A (zh) | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 | |
| CN105631483A (zh) | 一种短期用电负荷预测方法及装置 | |
| CN105701572B (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
| CN111476435B (zh) | 基于密度峰值的充电桩负荷预测方法 | |
| CN112130086B (zh) | 一种动力电池剩余寿命预测方法及系统 | |
| CN112580588B (zh) | 一种基于经验模态分解的颤振信号智能识别方法 | |
| CN104408562A (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
| CN104123678A (zh) | 一种基于状态等级评估模型的电力继电保护状态检修方法 | |
| CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
| CN111369045A (zh) | 一种短期光伏发电功率预测的方法 | |
| CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
| CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
| CN110717581A (zh) | 一种基于温度模糊处理和dbn的短期负荷预测方法 | |
| Xie et al. | Short-term power load forecasting model based on fuzzy neural network using improved decision tree | |
| CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
| CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
| CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Song Liangcai Inventor after: Liu Yang Inventor after: Zhu Subin Inventor after: Wang Guoqiang Inventor after: Dou Yanmei Inventor after: Suo Guilong Inventor after: Miao Xiaoyang Inventor after: Wang Xiuqing Inventor after: Cui Zhiyong Inventor after: Li Zhenji Inventor after: Zhu Yiwei Inventor after: Zhan Yong Inventor before: Song Liangcai Inventor before: Zhu Subin Inventor before: Wang Guoqiang Inventor before: Dou Yanmei Inventor before: Suo Guilong Inventor before: Wang Xiuqing Inventor before: Cui Zhiyong Inventor before: Li Zhenji Inventor before: Zhu Yiwei Inventor before: Zhan Yong Inventor before: Liu Yang |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |