CN111680826A - 一种光伏发电量预测分析方法 - Google Patents

一种光伏发电量预测分析方法 Download PDF

Info

Publication number
CN111680826A
CN111680826A CN202010406827.8A CN202010406827A CN111680826A CN 111680826 A CN111680826 A CN 111680826A CN 202010406827 A CN202010406827 A CN 202010406827A CN 111680826 A CN111680826 A CN 111680826A
Authority
CN
China
Prior art keywords
maintenance
power generation
variable
photovoltaic
data
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
Application number
CN202010406827.8A
Other languages
English (en)
Inventor
龙伶进
许阳阳
魏振欣
李园园
佀庆灏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yinan Lino Solar Power Engineering Co ltd
Original Assignee
Yinan Lino Solar Power Engineering Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yinan Lino Solar Power Engineering Co ltd filed Critical Yinan Lino Solar Power Engineering Co ltd
Priority to CN202010406827.8A priority Critical patent/CN111680826A/zh
Publication of CN111680826A publication Critical patent/CN111680826A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/08—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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供的光伏发电量预测分析方法通过将运维日志与日发电量中较为离散的数据结合对照，从离散的数据中提取离散原因是运维造成的数据。将运维作为重要的因素结合气象因素对运维的光伏组件的发电量进行发电量模型建立，将气象因素对没有进行运维的光伏组件进行发电量模型建立，获取未来预期的气象因素，获取未来预期的运维计划，根据运维计划对光伏组件进行分类，分别进行运维的光伏组件发电量和未运维的光伏组件的发电量，将两者结合，获取未来一段时间内的发电量预期。使得发电量的预测更加的准确。

Description

一种光伏发电量预测分析方法
技术领域
本发明涉及电量预测领域，尤其涉及一种光伏发电量预测分析方法。
背景技术
光伏发电容易受到辐照度、温度、湿度、风力、风向、晴雨状况等因素的影响，因此光伏发电具有波动性和间歇性，大规模光伏发电站并网运行会影响电力系统的安全稳定经济运行。
目前，一般采用最大功率点控制器限制光伏发电站的最大输出功率保证并网的安全，这种情况下要保证光伏电站在低于最大功率点的功率下运行，实际上是限制光伏电站的拓展，不利于光伏发电产业的发展。实际上，对光伏电站的输出功率进行预测有助于电网调度部门统筹安排常规电源和光伏发电的协调配合，及时调整调度计划，合理安排电网运行方式，这样能够解放光伏电站的生产效率，便于获得更大的经济效益和社会效益，光伏电站运行过程中，气象数据是影响光伏电站发电功率发电量的重要因素，目前大多数算法以气象因素作为核心变量，数据处理过程中，忽略日发电量离散很大的数据往往能够得到很好的模型，实际过程中日发电量离散程度很大的数据往往是光伏电站运维造成的，而在未来预期中，不能够排除运维的因素，这样就会造成很大的预测误差。
发明内容
为解决上述技术问题，本发明提供一种光伏发电量预测分析方法。
本发明提供一种光伏发电量预测分析方法，包括以下步骤，
S1：将光伏电站的光伏组件按运营时间进行分组；
S2：获取每组光伏组件在一定历史时段内的日发电量数据；
S3：获取历史时段中每组的运维日志，获取运维原因、时刻、运维持续时间；
S4：获取历史时段中光伏电站所在地的气象数据；
S5：以排除运维日的日发电量数据之后的每组光伏组件在一定历史时段内的日发电量数据为变量Q，以其所对应的气象数据为变量Xi（i=1，2，3……），对变量Q与变量Xi的幂次函数进行皮尔森相关系数衡量，筛选相关度高的Q与Xi；
S6：在按运营时间分组的基础上，按照运维原因对运维的光伏组件再次进行分组，以每组日发电量数据为变量E，以其所对应的的气象数据为变量Yi，运维持续时间为变量Ti，对变量E与变量Yi、Ti的幂次函数进行皮尔森相关系数衡量，筛选相关度高的Q与Yi、Ti；
S7：将S5中筛选出的高相关度的Q与Xi输入神经网络进行训练，输出每组光伏组件损失函数最低的模型A，对S6中的相关度高的E与Yi、Ti输入神经网络进行训练，输出每组光伏组件损失函数最低的模型B；
S8：对S7中的模型进行验证；
S9：获取待预测时间段内的运维计划，获取不同种类的运维的光伏组件占比情况、运维时间情况，获取带预测时间段内的气象数据；Xi输入每组对应模型A进行计算出相应的Q，Yi、Ti输入每组对应的模型B进行计算得出相应的E，对运维和非运维的光伏组件分别进行发电量的计算。
优选的，所述气象数据包括每小时平均温度，每小时平均湿度，每小时大气污染情况、天气随时间变化数据、太阳辐射时长、每小时太阳辐照强度。
优选的，通过历史时段外的已知数据对模型A和模型B进行验证，以MAE作为验证的评价指标。
与相关技术相比较，本发明提供的光伏发电量预测分析方法具有如下有益效果：
本发明提供的光伏发电量预测分析方法通过将光伏电站中光伏组件按照运营时间进行分组，不同运营时间的光伏组件的光伏面板分别计算其发电量预测模型，能够更加准确的对发电量进行预测；本发明提供的光伏发电量预测分析方法将运维的光伏组件和正常运行的光伏组件进行分别的模型计算，不同运行时间的光伏组件的运维计划往往不同，而且运维的原因不同，运维对发电量的影响结果也是不同的，对未来发电量进行预测时，考虑电站运营过程中光伏组件运维计划，使得获取的电量预测数据更加准确。
附图说明
图1为本发明提供的光伏发电量预测分析方法的分组方式示意图；
图2为未进行运维的光伏组件的模型训练神经网络的结构示意图；
图3为进行运维的光伏组件的模型训练神经网络的结构示意图。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
请结合参阅图1、图2以及图3，其中图1为本发明提供的光伏发电量预测分析方法的分组方式示意图；图2为未进行运维的光伏组件的模型训练神经网络的结构示意图；图3为进行运维的光伏组件的模型训练神经网络的结构示意图。
参阅图1所示，本发明提供的种光伏发电量预测分析方法，包括以下步骤，
S1：将光伏电站的光伏组件按运营时间进行分组；
S2：获取每组光伏组件在一定历史时段内的日发电量数据；
S3：获取历史时段中每组的运维日志，获取运维原因、时刻、运维持续时间；
S4：获取历史时段中光伏电站所在地的气象数据；
S5：以排除运维日的日发电量数据之后的每组光伏组件在一定历史时段内的日发电量数据为变量Q，以其所对应的气象数据为变量Xi（i=1，2，3……），对变量Q与变量Xi的幂次函数进行皮尔森相关系数衡量，筛选相关度高的Q与Xi；具体实施过程中，皮尔森相关系数为0.4到1的作为相关度高的指标。
S6：在按运营时间分组的基础上，按照运维原因对运维的光伏组件再次进行分组，以每组日发电量数据为变量E，以其所对应的的气象数据为变量Yi，运维持续时间为变量Ti，对变量E与变量Yi、Ti的幂次函数进行皮尔森相关系数衡量，筛选相关度高的Q与Yi、Ti；
S7：将S5中筛选出的高相关度的Q与Xi输入神经网络进行训练，输出每组光伏组件损失函数最低的模型A，所述损失函数为每组光伏组件实际日发电量与模型预测的日发电量的MAE，对S6中的相关度高的E与Yi、Ti输入神经网络进行训练，输出每组光伏组件损失函数最低的模型B，所述损失函数为运维的每组光伏组件实际日发电量与模型预测的日发电量之间的MAE，S7过程中以百分之八十的数据集进行模型训练；
S8：对S7中的模型进行验证，S8过程中以百分之二十的数据集进行验证，并以MAE作为评价指标；
S9：获取光伏电站待预测时间段内的运维计划，获取不同种类的运维的光伏组件占比情况、运维时间情况，获取带预测时间段内的气象数据；对各组非运维的光伏组件按照对应的模型A进行计算，将Xi输入每组对应模型A进行计算出相应的Q，对各组运维的光伏组件按照对应模型B进行计算，Yi、Ti输入每组对应的模型B进行计算得出相应的E，计算光伏电站每组光伏组件发电量，求和获取未来发电量预期。
具体实施过程中，所述气象数据至少包括每小时平均温度，每小时平均湿度，每小时大气污染情况、天气随时间变化数据、太阳辐射时长、每小时太阳辐照强度。
本发明提供的光伏发电量预测分析方法的工作原理如下：
本发明提供的光伏发电量预测分析方法通过将运维日志与日发电量中较为离散的数据结合对照，从离散的数据中提取离散原因是运维造成的数据。将运维作为重要的因素结合气象因素对运维的光伏组件的发电量进行发电量模型建立，将气象因素对没有进行运维的光伏组件进行发电量模型建立，获取未来预期的气象因素，获取未来预期的运维计划，根据运维计划对光伏组件进行分类，分别进行运维的光伏组件发电量和未运维的光伏组件的发电量，将两者按占比计算，获取未来一段时间内的发电量预期。使得发电量的预测更加的准确。
本发明提供的光伏发电量预测分析方法通过将光伏电站中光伏组件按照运营时间进行分组，不同运营时间的光伏组件的光伏面板分别计算其发电量预测模型，能够更加准确的对发电量进行预测；本发明提供的光伏发电量预测分析方法将运维的光伏组件和正常运行的光伏组件进行分别的模型计算，不同运行时间的光伏组件的运维计划往往不同，而且运维的原因不同，运维对发电量的影响结果也是不同的，对未来发电量进行预测时，考虑电站运营过程中光伏组件运维计划，使得获取的电量预测数据更加准确。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (3)

1.一种光伏发电量预测分析方法，其特征在于，包括以下步骤，
S1：将光伏电站的光伏组件按运营时间进行分组；
S2：获取每组光伏组件在一定历史时段内的日发电量数据；
S3：获取历史时段中每组的运维日志，获取运维原因、时刻、运维持续时间；
S4：获取历史时段中光伏电站所在地的气象数据；
S5：以排除运维日的日发电量数据之后的每组光伏组件在一定历史时段内的日发电量数据为变量Q，以其所对应的气象数据为变量Xi（i=1，2，3……），对变量Q与变量Xi的幂次函数进行皮尔森相关系数衡量，筛选相关度高的Q与Xi；
S6：在按运营时间分组的基础上，按照运维原因对运维的光伏组件再次进行分组，以每组日发电量数据为变量E，以其所对应的的气象数据为变量Yi，运维持续时间为变量Ti，对变量E与变量Yi、Ti的幂次函数进行皮尔森相关系数衡量，筛选相关度高的Q与Yi、Ti；
S7：将S5中筛选出的高相关度的Q与Xi输入神经网络进行训练，输出每组光伏组件损失函数最低的模型A，对S6中的相关度高的E与Yi、Ti输入神经网络进行训练，输出每组光伏组件损失函数最低的模型B；
S8：对S7中的模型进行验证；
S9：获取待预测时间段内的运维计划，获取不同种类的运维的光伏组件占比情况，获取带预测时间段内的气象数据；Xi输入每组对应模型A进行计算出相应的Q，Yi、Ti输入每组对应的模型B进行计算得出相应的E，对运维和非运维的光伏组件分别进行发电量的计算。
2.根据权利要求1所述的光伏发电量预测分析方法，其特征在于，所述气象数据包括每小时平均温度，每小时平均湿度，每小时大气污染情况、天气随时间变化数据、太阳辐射时长、每小时太阳辐照强度。
3.根据权利要求1所述的光伏发电量预测分析方法，其特征在于，通过已知数据对模型A和模型B进行验证，实际数据与预测数据的MAE作为验证的评价指标。
CN202010406827.8A 2020-05-14 2020-05-14 一种光伏发电量预测分析方法 Pending CN111680826A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010406827.8A CN111680826A (zh) 2020-05-14 2020-05-14 一种光伏发电量预测分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010406827.8A CN111680826A (zh) 2020-05-14 2020-05-14 一种光伏发电量预测分析方法

Publications (1)

Publication Number Publication Date
CN111680826A true CN111680826A (zh) 2020-09-18

Family

ID=72433479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010406827.8A Pending CN111680826A (zh) 2020-05-14 2020-05-14 一种光伏发电量预测分析方法

Country Status (1)

Country Link
CN (1) CN111680826A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN108564192A (zh) * 2017-12-29 2018-09-21 河海大学 一种基于气象因子权重相似日的短期光伏功率预测方法
CN108734331A (zh) * 2018-03-23 2018-11-02 武汉理工大学 基于lstm的短期光伏发电功率预测方法及系统
CN108960522A (zh) * 2018-07-16 2018-12-07 浙江电腾云光伏科技有限公司 一种光伏发电量预测分析方法
CN109165792A (zh) * 2018-09-14 2019-01-08 国网天津市电力公司 一种基于soa-wnn的光伏短期输出功率预测方法
CN109711609A (zh) * 2018-12-15 2019-05-03 福州大学 基于小波变换和极限学习机的光伏电站输出功率预测方法
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
CN109948845A (zh) * 2019-03-15 2019-06-28 国网江苏省电力有限公司经济技术研究院 一种配电网负荷长短期记忆神经网络预测方法
CN110148068A (zh) * 2019-05-23 2019-08-20 福州大学 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法
CN110956304A (zh) * 2019-10-17 2020-04-03 国网河南省电力公司鹤壁供电公司 一种基于ga-rbm的分布式光伏发电量短期预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN108564192A (zh) * 2017-12-29 2018-09-21 河海大学 一种基于气象因子权重相似日的短期光伏功率预测方法
CN108734331A (zh) * 2018-03-23 2018-11-02 武汉理工大学 基于lstm的短期光伏发电功率预测方法及系统
CN108960522A (zh) * 2018-07-16 2018-12-07 浙江电腾云光伏科技有限公司 一种光伏发电量预测分析方法
CN109165792A (zh) * 2018-09-14 2019-01-08 国网天津市电力公司 一种基于soa-wnn的光伏短期输出功率预测方法
CN109711609A (zh) * 2018-12-15 2019-05-03 福州大学 基于小波变换和极限学习机的光伏电站输出功率预测方法
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
CN109948845A (zh) * 2019-03-15 2019-06-28 国网江苏省电力有限公司经济技术研究院 一种配电网负荷长短期记忆神经网络预测方法
CN110148068A (zh) * 2019-05-23 2019-08-20 福州大学 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法
CN110956304A (zh) * 2019-10-17 2020-04-03 国网河南省电力公司鹤壁供电公司 一种基于ga-rbm的分布式光伏发电量短期预测方法

Similar Documents

Publication Publication Date Title
US8606416B2 (en) Energy generating system and control thereof
CN110880789B (zh) 一种风电、光伏联合发电系统经济调度方法
CN103778340B (zh) 大规模新能源发电特性的统计方法
CN109214552A (zh) 基于集成学习光伏预测的智能运维方法
Yang et al. Day-ahead forecasting of photovoltaic output power with similar cloud space fusion based on incomplete historical data mining
CN103296701B (zh) 一种风电场有功功率控制方法
CN109086928A (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
Fentis et al. Short-term PV power forecasting using Support Vector Regression and local monitoring data
CN104362621A (zh) 一种基于反熵权法的光伏电站运行特性评估方法
CN115829145A (zh) 一种光伏发电量预测系统及方法
De Giorgi et al. Short-term power forecasting by statistical methods for photovoltaic plants in south Italy
Zhao et al. Probabilistic voltage stability assessment considering stochastic load growth direction and renewable energy generation
CN111242371B (zh) 一种基于非迭代多模型的光伏发电短期预测校正方法
CN105701556A (zh) 一种光伏电站超短时功率预测修正方法
Xue et al. Short-term Photovoltaic Power Prediction of Bi-LSTM Based on MIC
Zhen et al. Multi-level wavelet decomposition based day-ahead solar irradiance forecasting
CN111680826A (zh) 一种光伏发电量预测分析方法
CN116485139A (zh) 一种基于多特征融合的短期光伏发电量预测方法
CN115765044A (zh) 风光水电系统联合运行及风险分析方法和系统
CN111027816B (zh) 一种基于数据包络分析的光伏发电效率计算方法
CN115034472A (zh) 一种分布式光伏运行智能预测管理系统
Huu et al. Deep Learning-Based Real-Time Solar Irradiation Monitoring and Forecasting Application for PV System
Guo et al. Optimal Capacity Allocation of Combined Output of Tower Gravity Energy Storage Power Station and Wind Farm
Wang et al. ABC-SVM and PSO-RF Model for Photovoltaic Forecasting Based on Big Data
CN111178593A (zh) 一种光伏系统输出功率预测方法及装置

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: 20200918

RJ01 Rejection of invention patent application after publication