CN111401659A - 一种基于案例推理的超短期或短期光伏发电功率预测方法 - Google Patents
一种基于案例推理的超短期或短期光伏发电功率预测方法 Download PDFInfo
- Publication number
- CN111401659A CN111401659A CN202010274149.4A CN202010274149A CN111401659A CN 111401659 A CN111401659 A CN 111401659A CN 202010274149 A CN202010274149 A CN 202010274149A CN 111401659 A CN111401659 A CN 111401659A
- Authority
- CN
- China
- Prior art keywords
- case
- cases
- similarity
- new
- power generation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000010248 power generation Methods 0.000 title claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000012937 correction Methods 0.000 claims abstract description 4
- 239000002245 particle Substances 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 230000001364 causal effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development 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
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training 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
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于案例推理的超短期或短期光伏发电功率预测方法，属于光伏发电技术领域。本发明的步骤为：(1)案例表示；(2)案例检索：在案件检索匹配过程中，采用相似度的方法来确定新案例与案例库中的案例是否相似；(3)案例重用：计算出案例相似度后，与运行工况的相似度最大的历史案例被检出作为匹配案例；(4)案例修正：当案例库中案例与新案例的相似度不是很高时，则需要根据新案例的情况对检索到的相似案例进行修正；(5)案例存储：通过案例检索到的匹配案例的解作为新案例的解，并将新的案例保存到案例库中，并不断更新案例库中的案例。本发明通过基于案例推理的方式，实现对并网型光伏电站进行输出功率的预测。
Description
技术领域
本发明涉及光伏发电技术领域，更具体地说，涉及一种基于案例推理的超短期或短期光伏发电功率预测方法。
背景技术
太阳能光伏发电具有转换效率高、使用周期长、无运转部件等优点，目前，国外太阳能光伏发电已经完成初期开发阶段，正向大规模应用阶段发展。但是，由于太阳能具有间歇性和随机性等特点，随着光伏装机容量的快速扩大，大规模的光伏并网，将不利于电网的稳定性，对电力市场产生深远的影响，因此，预测光伏发电系统的发电量，对电网电能的调度有着重要的意义。
太阳能光伏发电系统的发电量受许多方面因素的影响，太阳辐射强度、温度、天气情况、季节等，这些因素不同程度地影响光伏发电系统的发电量，并且呈现出强非线性，而光伏发电系统可视为一个不可控的电源，其随机性将对电网产生冲击，因此，研究太阳能的随机性和光伏发电预测技术有着重要意义。
在此基础上，可以发现光伏发电预测是一个多输入(太阳辐射强度、温度、天气情况、季节等)单输出(输出功率)或者多输入多输出的预测问题，而且输入输出具有因果关系。经过对预测方法的研究，符合多个因变量的预测方法主要有多元线性回归预测、案例推理预测、神经网络预测等方法。
多元线性回归预测研究输入条件和输出结果之间的因果关系，拟合曲线达到预测。这种模型简单成熟、预测精度较高，但是要求自变量和因变量具有较强的线性关系，所以对样本数据质量要求较高，需要的样本数据量也较大，如果数据样本较小会造成较大的预测误差。
神经网络预测属于分布式并行信息处理的预测方法，其结构由输入层、输出层、中间层组成。神经网络可以采用输入层与中间层之间的输入函数，输出层与中间层之间的输出函数，通过不断调整层与层之间的权值和阔值，发现大量的复杂输入输出数据之间存在的规律，从而解决问题。神经网络方法无需研究输入输出的线性关系，为无法得到明确线性关系的问题提供了简易、有效的模型。此外它还具有收敛快、规则简单等优点。但是这种预测方法需要大量的数据训练多层网络，而且预测结果不稳定，训练的时间较长，函数的选择比较依赖试验，且缺乏依据。
案例推理属于人工智能方法。主要思想是通过积累处理同类型案例的经验，在新案例出现时采用经验复刻的思路，找到与新案例最匹配的经验案例的解决方案，进而应用解决新问题。这种方法能够解决因果关系复杂，难以规则化，数据样本较小的问题，也能较好解决“知识获取”的瓶颈问题，而且自学能力较强，但是比较依赖案例的质，案例的复用也有待检验。
发明内容
1、要解决的问题
针对现有技术存在的缺陷与不足，本发明提供了一种基于案例推理的超短期或短期光伏发电功率预测方法，通过基于案例推理的方式，实现对并网型光伏电站进行输出功率的预测，以解决上述背景技术中提出的问题。
2、技术方案
为达到上述目的，本发明提供的技术方案为：
一种基于案例推理的超短期或短期光伏发电功率预测方法，其步骤为：
(1)案例表示：根据对光伏数据的分析结果，结合光伏发电功率预测的时序性和对功率影响较大的因素，将案例的特征向量选为全球太阳能辐照度水平x1、大气层外直接太阳辐照强度x2、当前时刻温度x3、当前时刻湿度x4、云层覆盖率x5、平均风速x6、大气压力x7、当前时刻温度与前一时刻温度变化值x8、当前时刻湿度与前一时刻湿度变化值x9，案例的解为发电功率值y；
(2)案例检索：在案件检索匹配过程中，采用相似度的方法来确定新案例与案例库中的案例是否相似；
(3)案例重用：计算出案例相似度后，与运行工况的相似度最大的历史案例被检出作为匹配案例；
(4)案例修正：当案例库中案例与新案例的相似度不是很高时，为了更好地满足新案例的要求，则需要根据新案例的情况对检索到的相似案例进行修正；
(5)案例存储：通过案例检索到的匹配案例的解作为新案例的解，并将新的案例保存到案例库中，并不断更新案例库中的案例；推理系统通过案例保存机制，根据所检索案例得到的控制结果对案例库进行更新，从而实现了对工况变化的自适应。
作为本发明进一步的方案：第2步中，利用式(1)即可求出当前案例和案例库中案例的相似度：
式中，SIM(c0，ck)为其相似度，SIM(c0，ck)越大，则两个案例越相似。
作为本发明再进一步的方案：案例相似度计算方法，采用基于模糊聚类和粒子群优化的K近邻算法进行案例匹配，该算法首先利用模糊聚类分析对案例库进行聚类，然后利用粒子群优化算法的随机搜索能力，在案例库中进行有指导的全局随机搜索，在搜索K个近邻的过程中，粒子群跳跃式移动，掠过大量不可能成为K近邻的案例，从而可以快速找到新案例的K个近邻。
作为本发明再进一步的方案：K近邻算法中的距离，采用变权重的欧氏距离确定：
式中，xj为新案例的第j个特征属性，xkj为案例库中的第k个案例的第j个特征属性。
作为本发明再进一步的方案：对于特征属性的加权系数wj，采用注水算法确定。
3、有益效果
相比于现有技术，本发明的有益效果为：
本发明的一种基于案例推理的超短期或短期光伏发电功率预测方法，通过案例推理的建模方法，结合专家经验及实际现场数据，将该方法应用于广发发电功率融合建模过程中。随着光伏电场的持续运营，案例库中案例数量也在不断增加并更新，使得预测精度不断提高。
附图说明
图1为本发明的案例推理周期示意图；
图2为本发明的相似度算法流程图。
具体实施方式
下面结合具体实施例和附图对本发明进一步进行描述：
实施例1
本实施例的一种基于案例推理的超短期或短期光伏发电功率预测方法，其步骤为：
1.案例表示：
全球太阳能辐照度水平、大气层外直接太阳辐照强度、温度、湿度、云层覆盖率、平均风速、大气压力、降雨量、降雪量以及地面接收净辐射量等都是影响光伏发电功率的因素；根据对光伏数据的分析结果，结合光伏发电功率预测的时序性和对功率影响较大的因素，将案例的特征向量选为全球太阳能辐照度水平x1、大气层外直接太阳辐照强度x2、当前时刻温度x3、当前时刻湿度x4、云层覆盖率x5、平均风速x6、大气压力x7、当前时刻温度与前一时刻温度变化值x8、当前时刻湿度与前一时刻湿度变化值x9，案例的解为发电功率值y。
2.案例检索：
请参阅图2，首先采用模糊聚类知识将案例库中的案例进行聚类分析，将案例库分成若干个类内相似的小类，这样可以使得只在相似的聚类集中检索，提高了检索效率；然后通过粒子群算法优化的K近邻算法进行案例的匹配，在保证精度的基础上使得效率进一步提高。
步骤如下：
(1)采用减法聚类优化的FCM对案例库中的案例进行聚类分析，一共分为19类；
(2)设置K近邻算法参数，本文案例库中共有12206个案例，故
(3)采用粒子群确定K个与新案例最相近的邻居数，具体步骤如下：
①对粒子群算法进行参数初始化，C1＝C2＝1.494，r1和r2为[0,1]之间的随机数，初始速度设为0，种群个数Qn＝30，最大迭代次数tmax＝30，误差阈值ε＝10-3。
②t＝0，采用随机函数在区间[1，n]之间为Qn个粒子各选出K个整数(分别对应案例库中案例的编号)作为每个粒子的初始化K个近邻的位置，适应度值为案例间的相似度，采用式(1)计算。
③各粒子的初始位置作为其局部最优位置；然后根据
求出Qn个粒子中每一列对应的与C0相似度最小的粒子位置，得出新案例C0的K个近邻的有序集合
作为粒子群的全局最优位置。
④t＝t+1，计算每个粒子的移动速度，即其K个近邻的序号的偏移量，公式如下：
然后根据式(4)计算粒子的位置。
⑤计算局部最优，如果
则
替换局部最优粒子位置；然后根据
求出Qn个粒子每一列对应的与C0相似度最小的粒子位置，得出新案例C0的K个最优近邻的有序集合
作为全局最优位置。
⑥判断
是否成立，或者是否达到最大迭代次数，如果满足要求，算法停止，输出结果，如果不满足要求，则返回第④步。
(4)根据第三步的110个邻居的编号，然后寻找19个类中哪个类中包含的邻居数最多，确定该类为目标类，然后计算该类中源案例与新案例的相似度。
3.案例重用：
根据相似度计算公式，当相似度大于85％(光伏电场运营要求光伏发电功率超短期或短期预测误差不能超过15％)时，认为该案例与案例库中的案例相似，将相似度大于85％的案例排序后依次取前30个(不够30个则全取)，计算其平均值作为新案例的解。
4.案例修正：
当与案例库中的案例不匹配时，即没有相似度大于85％的案例，则需要进行案例的修正。修正将相似度进行降低处理，相似度值降为75％，直至找到满足要求的案例为止。
5.案例存储：
案例推理系统具有不断学习和完善的能力，当光伏系统的实际功率值测出来以后，将该功率值与案例的特征值组合到一起作为一个新案例保存到案例库中。随着案例的积累，案例库包含的知识面越来越完善，解决问题的能力也会不断增强，预测精度不断提高。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的方法并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (5)
1.一种基于案例推理的超短期或短期光伏发电功率预测方法，其特征在于：其步骤为：
(1)案例表示：根据对光伏数据的分析结果，结合光伏发电功率预测的时序性和对功率影响较大的因素，将案例的特征向量选为全球太阳能辐照度水平x1、大气层外直接太阳辐照强度x2、当前时刻温度x3、当前时刻湿度x4、云层覆盖率x5、平均风速x6、大气压力x7、当前时刻温度与前一时刻温度变化值x8、当前时刻湿度与前一时刻湿度变化值x9，案例的解为发电功率值y；
(2)案例检索：在案件检索匹配过程中，采用相似度的方法来确定新案例与案例库中的案例是否相似；
(3)案例重用：计算出案例相似度后，与运行工况的相似度最大的历史案例被检出作为匹配案例；
(4)案例修正：当案例库中案例与新案例的相似度不是很高时，为了更好地满足新案例的要求，则需要根据新案例的情况对检索到的相似案例进行修正；
(5)案例存储：通过案例检索到的匹配案例的解作为新案例的解，并将新的案例保存到案例库中，并不断更新案例库中的案例；推理系统通过案例保存机制，根据所检索案例得到的控制结果对案例库进行更新，从而实现了对工况变化的自适应。
2.根据权利要求1所述的一种基于案例推理的超短期或短期光伏发电功率预测方法，其特征在于：第2步中，利用式(1)即可求出当前案例和案例库中案例的相似度：
式中，SIM(c0，ck)为其相似度，SIM(c0，ck)越大，则两个案例越相似。
3.根据权利要求2所述的一种基于案例推理的超短期或短期光伏发电功率预测方法，其特征在于：案例相似度计算方法，采用基于模糊聚类和粒子群优化的K近邻算法进行案例匹配，该算法首先利用模糊聚类分析对案例库进行聚类，然后利用粒子群优化算法的随机搜索能力，在案例库中进行有指导的全局随机搜索，在搜索K个近邻的过程中，粒子群跳跃式移动，掠过大量不可能成为K近邻的案例，从而可以快速找到新案例的K个近邻。
4.根据权利要求3所述的一种基于案例推理的超短期或短期光伏发电功率预测方法，其特征在于：K近邻算法中的距离，采用变权重的欧氏距离确定：
式中，xj为新案例的第j个特征属性，xkj为案例库中的第k个案例的第j个特征属性。
5.根据权利要求4所述的一种基于案例推理的超短期或短期光伏发电功率预测方法，其特征在于：对于特征属性的加权系数wj，采用注水算法确定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010274149.4A CN111401659A (zh) | 2020-04-09 | 2020-04-09 | 一种基于案例推理的超短期或短期光伏发电功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010274149.4A CN111401659A (zh) | 2020-04-09 | 2020-04-09 | 一种基于案例推理的超短期或短期光伏发电功率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111401659A true CN111401659A (zh) | 2020-07-10 |
Family
ID=71429538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010274149.4A Pending CN111401659A (zh) | 2020-04-09 | 2020-04-09 | 一种基于案例推理的超短期或短期光伏发电功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111401659A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113064390A (zh) * | 2021-03-17 | 2021-07-02 | 国网辽宁省电力有限公司辽阳供电公司 | 基于案例推理的水泥生产企业污染物排放主动告警方法 |
| CN113377818A (zh) * | 2021-06-29 | 2021-09-10 | 平安普惠企业管理有限公司 | 流程验证方法、装置、计算机设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102163261A (zh) * | 2011-04-08 | 2011-08-24 | 汪红兵 | 一种基于案例推理的钢水温度预测方法 |
| CN105426956A (zh) * | 2015-11-06 | 2016-03-23 | 国家电网公司 | 一种超短期光伏预测方法 |
-
2020
- 2020-04-09 CN CN202010274149.4A patent/CN111401659A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102163261A (zh) * | 2011-04-08 | 2011-08-24 | 汪红兵 | 一种基于案例推理的钢水温度预测方法 |
| CN105426956A (zh) * | 2015-11-06 | 2016-03-23 | 国家电网公司 | 一种超短期光伏预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张传辉: "基于模糊C均值聚类和案例推理的风电功率预测研究" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113064390A (zh) * | 2021-03-17 | 2021-07-02 | 国网辽宁省电力有限公司辽阳供电公司 | 基于案例推理的水泥生产企业污染物排放主动告警方法 |
| CN113377818A (zh) * | 2021-06-29 | 2021-09-10 | 平安普惠企业管理有限公司 | 流程验证方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111563611A (zh) | 面向图卷积网络的云数据中心可再生能源时空预测方法 | |
| CN109858673A (zh) | 一种光伏发电系统功率预测方法 | |
| CN108205717A (zh) | 一种光伏发电功率多时间尺度预测方法 | |
| CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
| CN110909911B (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
| CN105447509A (zh) | 一种光伏发电系统的短期功率预测方法 | |
| Sodsong et al. | Short-term solar PV forecasting using gated recurrent unit with a cascade model | |
| CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
| CN111401659A (zh) | 一种基于案例推理的超短期或短期光伏发电功率预测方法 | |
| CN109858665A (zh) | 基于特征筛选与anfis-pso的光伏短期功率预测方法 | |
| CN108075471B (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
| Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
| Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
| CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
| Chen et al. | Graph neural network-based wind farm cluster speed prediction | |
| 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 | |
| CN116681154A (zh) | 一种基于emd-ao-delm的光伏功率计算方法 | |
| CN116154875A (zh) | 基于tcn和误差函数的光伏电站有功功率优化分配方法 | |
| CN116485000A (zh) | 基于改进的多元宇宙优化算法的微电网优化调度方法 | |
| Ding et al. | A statistical upscaling approach of region wind power forecasting based on combination model | |
| CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
| Chen et al. | Short-term PV power forecasting based on time-phased and error correction | |
| Wang et al. | The Research of Short-term Electric Load Forecasting based on Machine Learning Algorithm | |
| Ghiassi et al. | On the use of AI as a requirement for improved insolation forecasting accuracy to achieve optimized PV utilization | |
| Zhang et al. | Photovoltaic power prediction based on improved moth-flame optimization algorithm and extreme learning machine |
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: 20200710 |
|
| RJ01 | Rejection of invention patent application after publication |