CN111881565B - 一种光伏组件过程数据重建方法 - Google Patents
一种光伏组件过程数据重建方法 Download PDFInfo
- Publication number
- CN111881565B CN111881565B CN202010696528.2A CN202010696528A CN111881565B CN 111881565 B CN111881565 B CN 111881565B CN 202010696528 A CN202010696528 A CN 202010696528A CN 111881565 B CN111881565 B CN 111881565B
- Authority
- CN
- China
- Prior art keywords
- data
- missing
- matrix
- reconstruction
- photovoltaic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 230000001419 dependent effect Effects 0.000 claims description 15
- 238000010238 partial least squares regression Methods 0.000 claims description 9
- 238000012628 principal component regression Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Photovoltaic Devices (AREA)
Abstract
本公开揭示了一种光伏组件过程数据重建方法，包括如下步骤：采集光伏电站的气象数据和光伏组件的过程数据；将所采集的气象数据和过程数据均以状态矩阵和数值矩阵的形式进行存储；检索状态矩阵中表征为0的数据作为缺失数据，并将缺失数据进行归类；针对不同种类的缺失数据选择不同的重建数据源；根据所述重建数据源构建缺失数据重建模型；根据缺失数据重建模型对所述缺失数据重建。
Description
技术领域
本公开涉及一种数据重建方法，具体涉及一种光伏组件过程数据重建方法。
背景技术
在国际上，光伏发电技术的研究已有100多年的历史。光伏发电根据光生伏特效应原理，利用太阳能电池将太阳光能直接转化为电能。21世纪以来，太阳能电池技术向全球扩展，成为一种重要的可再生能源。随着可持续发展观念不断深入人心，太阳能的开发利用规模迅速扩大，技术不断进步，成本显著降低，呈现出良好的发展前景。许多国家将太阳能作为重要的新兴产业，太阳能得到更加广泛应用。在我国，光伏产业也呈现出前所未有的活力，近年来，云存储、云计算、数字孪生、大数据等技术的应用，帮助光伏电厂实现智能化运维监控，提供了发电预测等分析功能，降低了并网难度，提高了发电效率。但是，由于光伏系统比较复杂，并且现场数据的采集过程易受干扰，因此，光伏数据在获取的过程中极易发生缺失现象，从而影响光伏数据的进一步挖掘。
发明内容
针对现有技术中的不足，本公开的目的在于提供一种光伏组件过程数据重建方法，旨在解决目前光伏系统数据采集不完善以及由于不同因素导致的光伏组件过程数据缺失的问题，为后续进一步分析处理提供可靠的数据来源。
为实现上述目的，本公开提供以下技术方案：
一种光伏组件过程数据重建方法，包括如下步骤：
S100：采集光伏电站的气象数据和光伏组件的过程数据；
S200：将所采集的气象数据和过程数据均以状态矩阵和数值矩阵的形式进行存储；
S300：检索状态矩阵中表征为0的数据作为缺失数据，并将缺失数据进行归类；
S400：针对不同种类的缺失数据选择不同的重建数据源；
S500：根据所述重建数据源构建缺失数据重建模型；
S600：根据缺失数据重建模型对所述缺失数据重建。
优选的，所述气象数据包括辐照度、大气温度、光伏组件背板温度、大气压力和大气湿度；所述过程数据包括光伏组件中每个组串的输出电流和输出电压。
优选的，所述缺失数据的类型包括如下任一：单汇流箱数据缺失、汇流箱间数据缺失及单组串数据全部缺失。
优选的，若缺失数据为单汇流箱数据缺失时，选择同一天内该汇流箱的光伏组串的电流数据、功率数据或其他汇流箱的光伏组串的功率数据作为重建数据源；若缺失数据为汇流箱间数据缺失时，选择同一天内其他汇流箱的光伏组串的功率数据或其他天内该汇流箱的光伏组串的电流数据或功率数据作为重建数据源；若缺失数据为单组串数据全部缺失时，选择其他天内该汇流箱的光伏组串的电流数据、功率数据或其他汇流箱的光伏组串的功率数据作为重建数据源。
优选的，所述重建模型包括如下任一：偏最小二乘回归模型、最小二乘回归模型和主成分回归模型。
优选的，所述偏最小二乘回归模型通过以下步骤进行构建：
S501：假设自变量矩阵为X，因变量矩阵为Y，分别对X，Y进行中心化处理、归一化处理，计算得到处理后的矩阵：X0，Y0；
S502：计算矩阵和矩阵/>最大特征值对应的特征向量wn，其中，n＝0；
S503：令：
tn＝Xnwn，tn是自变量Xn的主成分
pn为自变量Xn的回归系数
rn＝YTtn/||tn||2，rn为因变量Y的回归系数
Xn+1为自变量Xn的残差矩阵
Yn+1为自变量Yn的残差矩阵
S504：令n的值加1，重复步骤S502和步骤S503，直到残差达到设定误差以下，即Yn的模长小于误差error；
S505：得到回归方程：
其中，Yn+1为因变量残差；
S506：预测方程可写为：
Y＝X0B
且
其中，B为自变量X0和Y0采用偏最小二乘法建立的回归模型，Π表示阶乘，rj为第j步提取的因变量Y的回归系数，kj为第j步提取的成分，I为单位对角矩阵，wk为矩阵最大特征值对应的特征向量，pk为提取自变量Xk的回归系数，wj为矩阵最大特征值对应的特征向量。
优选的，对所述缺失数据重建通过以下方式：
Xv＝(Xv，1，Xv，2，…，Xv，k)
Yv＝(yv，loss)
Yv＝XvB
其中，Xv为自变量矩阵，Xv，1，Xv，2，…，Xv，k分别为1号、2号、…、k号传感器在v时刻采集的数据，(yv，loss)为因变量矩阵，Yv为编号为loss的传感器在v时刻重建获得的数据集，1、2、…、k为未缺失数据的传感器序号，loss为存在缺失数据的传感器序号，v为时刻集合。
与现有技术相比，本公开带来的有益效果为：能够解决现有的因此光伏数据易缺失导致光伏数据采集不完善的问题，通过缺失数据重建，为后续数据分析提供可靠的数据来源。
附图说明
图1是本公开一个实施例提供的一种光伏组件过程数据重建方法流程图。
具体实施方式
下面将参照附图1详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本公开的保护范围当视所附权利要求所界定者为准。
为便于对本公开实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本公开实施例的限定。
一个实施例中，如图1所示，一种光伏组件过程数据重建方法，包括如下步骤：
S100：采集光伏电站的气象数据和光伏组件的过程数据；
该步骤中，通过传感器采集光伏电站的气象数据和光伏组件的过程数据，其中，气象数据具体包括辐照度、大气温度、组件背板温度、大气压力和大气湿度，过程数据具体包括光伏组件中每个组串的输出电流和输出电压。
S200：将所采集的气象数据和过程数据均以状态矩阵和数值矩阵的形式进行存储；
本实施例中，通过传感器所采集的气象数据和过程数据首先存储在数据库文件中，如表1所示：
表1原始数据存储结构
由于数据库文件中的数据存储形式不利于寻找缺失数据，因此需要将表1中的数据以表2所示的状态矩阵和以表3所示的数值矩阵的形式进行重新存储，具体如下：
表2数据重新存储的状态矩阵
表3数据重新存储的数值矩阵
表2、表3中，每列代表单个传感器在不同时刻的数据采集，每行代表同一时间不同传感器的数据采集，状态矩阵用于表征数据采集的状态，状态矩阵内只含元素0和1，若编号为x的传感器在第n个时刻进行了数据采集，则在状态矩阵(n，x)位置存储1，否则存储0；数值矩阵用于存储不同传感器采集到的实际数据，若编号为y的传感器在第m个时刻采集到数据，则在数值矩阵(m，y)位置存储该实际数据，否则存储0。
S300：检索状态矩阵和数值矩阵中表征为0的数据作为缺失数据，并将缺失数据进行归类；
该步骤中，将数据存储为状态矩阵和数值矩阵后，通过直接检索状态矩阵和数值矩阵中存储为0的点，就可以直接获得数据缺失点，统计所有存储为0的点即可对缺失数据进行重建。
由于缺失数据特征不同，例如：第一种情况，一个汇流箱里包括1-16号光伏组串，其中，第16号组串只存在一个时间点上数据缺失，这个时候可以选择第1-15号组串和第16号组串未缺失的数据建立1-15号组串与16号组串之间的模型。利用这个模型，使用第1-15号组串在那个缺失时间点采集的数据，并根据彼此间建立的关系，重建出第16号组串的缺失数据。另外，还有一种情况：该汇流箱中第1-16号组串在同一个时间点的数据全部缺失了，这时第一种情况选择重建数据源并进行缺失数据重建的过程无法实施。除了以上两种情况，还存在其他数据缺失的情况，此处不再一一赘述。基于以上情况，由于缺失数据特征不同，需要对数据缺失进行归类，本实施例将缺失数据归纳为三类，分别为：
单汇流箱数据缺失：当某组串在一天时间内存在部分数据缺失时，在缺失时刻，该汇流箱内其他组串进行了数据采集，且缺失数据组串及其他组串存在共同时刻的数据采集；
汇流箱间数据缺失：在某时刻，该汇流箱内所有组串集体出现了数据采集缺失，然而在其他汇流箱内的组串在该时刻不存在数据缺失，且存在数据缺失的汇流箱与数据采集正常的汇流箱存在共同时刻的数据采集；
单组串数据全部缺失：缺失数据组串在某天内数据全部缺失，无法直接采用当天其他组串电流、电压或功率数据进行数据重建，但在其他天内数据采集正常。
S400：针对不同种类的缺失数据选择不同的重建数据源；
该步骤中，针对不同缺失数据类型选择不同的重建数据源，如表4所示：
表4不同类型数据缺失的特点及对应的重建数据源的选择
需要说明的是，当三种类型的缺失数据无其他重建数据源可选时，可选择气象数据源建立重建模型。
S500：根据所述重建数据源构建缺失数据重建模型；
该步骤中，可以通过构建偏最小二乘回归模型、最小二乘回归模型和主成分回归模型等进行缺失数据重建。其中，基于偏最小二乘回归模型与基于主成分回归模型相比：主成分回归只概括了自变量的信息而没有考虑自变量对因变量的解释作用，因此在提取主元时会丢失一些有用的信息。偏最小二乘回归既考虑了自变量的信息，也考虑了自变量对因变量的解释作用，因此基于偏最小二乘回归模型的稳定性更强。
基于偏最小二乘回归模型与基于最小二乘回归模型相比：最小二乘回归在以下两个条件下建立的模型会失效，一是自变量中的变量存在严重的多重相关性，二是自变量中的样本点个数与变量个数相比显然过少。而在光伏电站中，为减小失配损失以提高光伏组件的发电效率，同一光伏阵列下所有光伏组件的型号均相同，各光伏组件的输出具有很强的相关性，因此最小二乘回归模型很可能会失效。
通常采用重建绝对误差、重建相对误差、相关系数和均方根误差对重建效果进行评价。通过以上分析可知，与最小二乘回归和主成分回归相比，基于偏最小二乘回归模型的重建绝对误差和重建相对误差更小，相关系数更高，均方根误差更小，重建效果更好。
下面，对偏最小二乘回归模型构建进行描述：
S501：假设自变量矩阵为X，因变量矩阵为Y，分别对X，Y进行中心化处理、归一化处理，计算得到处理后的矩阵：X0，Y0；
S502：计算矩阵和矩阵/>最大特征值对应的特征向量wn，其中，n＝0；
S503：令：
tn＝Xnwn，tn是自变量Xn的主成分
pn为自变量Xn的回归系数
rn＝YTtn/||tn||，rn为因变量Y的回归系数
Xn+1为自变量Xn的残差矩阵
Yn+1为自变量Yn的残差矩阵
S504：令n的值加1，重复步骤S502和步骤S503，直到残差达到设定误差以下，即Yn的模长小于误差error；
S506：得到回归方程：
其中，Yn+1为因变量残差；
S507：预测方程可写为：
Y＝X0B
且
其中，B为自变量X0和Y0采用偏最小二乘法建立的回归模型，Π表示阶乘，rj为第j步提取的因变量Y的回归系数，kj为第j步提取的成分，I为单位对角矩阵，wk为矩阵最大特征值对应的特征向量，pk为提取自变量Xk的回归系数，wj为矩阵最大特征值对应的特征向量。
S600：根据缺失数据重建模型对所述缺失数据重建。
该步骤中，基于偏最小二乘回归模型时，选择的建模传感器数据和被重建传感器数据在一段时间内均发生数据缺失，在数据未缺失时，寻找建模传感器数据与被重建传感器数据的关系，建立模型后，在缺失时刻上，采用建模传感器数据对被重建传感器的缺失数据进行重建，具体表示为下式：
Xv＝(Xv，1，Xv，2，…，Xv，k)
Yv＝(yv，loss)
Yv＝XvB
其中，Xv为自变量矩阵，Xv，1，Xv，2，…，Xv，k分别为1号、2号、…、k号传感器在v时刻采集的数据，Yv为因变量矩阵，yv，loss为编号为loss的传感器在v时刻重建获得的数据集，1、2、…、k为未缺失数据的传感器序号，loss为存在缺失数据的传感器序号，v为时刻集合。
基于光伏数据在获取过程极易发生缺失从而影响光伏数据采集完善性的问题，本公开提出以上技术方案，通过数据缺失模型，特别是通过偏最小二乘回归模型对缺失数据重建，能够完整的获取光伏数据，为后续数据分析提供可靠的研究基础。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
Claims (3)
1.一种光伏组件过程数据重建方法，包括如下步骤：
S100：采集光伏电站的气象数据和光伏组件的过程数据；
S200：将所采集的气象数据和过程数据均以状态矩阵和数值矩阵的形式进行存储；
S300：检索状态矩阵中表征为0的数据作为缺失数据，并将缺失数据进行归类；
S400：针对不同种类的缺失数据选择不同的重建数据源；
S500：根据所述重建数据源构建缺失数据重建模型；
所述缺失数据重建模型包括如下任一：偏最小二乘回归模型、最小二乘回归模型和主成分回归模型；
S600：根据缺失数据重建模型对所述缺失数据重建；
其中，所述气象数据包括辐照度、大气温度、光伏组件背板温度、大气压力和大气湿度；所述过程数据包括光伏组串的输出电流和输出电压；
所述缺失数据的类型包括如下任一：单汇流箱数据缺失、汇流箱间数据缺失及单组串数据全部缺失；
若缺失数据为单汇流箱数据缺失时，选择同一天内该汇流箱的光伏组串的电流数据、功率数据或其他汇流箱的光伏组串的功率数据作为重建数据源；若缺失数据为汇流箱间数据缺失时，选择同一天内其他汇流箱的光伏组串的功率数据或其他天内该汇流箱的光伏组串的电流数据或功率数据作为重建数据源；若缺失数据为单组串数据全部缺失时，选择其他天内该汇流箱的光伏组串的电流数据、功率数据或其他汇流箱的光伏组串的功率数据作为重建数据源。
2.根据权利要求1所述的方法，其中，所述偏最小二乘回归模型通过以下步骤进行构建：
S501：假设自变量矩阵为X，因变量矩阵为Y，分别对X，Y进行中心化处理、归一化处理，计算得到处理后的矩阵：X 0 ，Y 0 ；
S502：计算矩阵和矩阵/>最大特征值对应的特征向量/>，其中，n=0；
S503：令：
，/>是自变量/>的主成分，
，/>为自变量/>的回归系数，
，/>为因变量Y的回归系数，
，/>为自变量/>的残差矩阵，
，/>为自变量/>的残差矩阵，
S504：令n的值加1，重复步骤S502和步骤S503，直到残差达到设定误差以下，即的模长小于误差error；
S505：得到回归方程：
，
其中，为因变量残差；
S506：预测方程写为:
，且/>；
其中，B为自变量X0和Y0采用偏最小二乘法建立的回归模型， 表示阶乘，r j 为第j步提取的因变量Y的回归系数，k j 为第j步提取的成分，I为单位对角矩阵, w k 为矩阵/>最大特征值对应的特征向量，p k 为提取自变量/>的回归系数，w j 为矩阵/>最大特征值对应的特征向量。
3.根据权利要求1所述的方法，其中，对所述缺失数据重建通过以下方式：
，
其中，为自变量矩阵，/>分别为1号、2号、…、k号传感器在v时刻采集的数据，/>为因变量矩阵，/>为编号为loss的传感器在v时刻重建获得的数据集，1、2、…、k为未缺失数据的传感器序号，loss为存在缺失数据的传感器序号，v为时刻集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010696528.2A CN111881565B (zh) | 2020-07-17 | 2020-07-17 | 一种光伏组件过程数据重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010696528.2A CN111881565B (zh) | 2020-07-17 | 2020-07-17 | 一种光伏组件过程数据重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111881565A CN111881565A (zh) | 2020-11-03 |
| CN111881565B true CN111881565B (zh) | 2024-03-22 |
Family
ID=73154789
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010696528.2A Active CN111881565B (zh) | 2020-07-17 | 2020-07-17 | 一种光伏组件过程数据重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111881565B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103473408A (zh) * | 2013-08-28 | 2013-12-25 | 河南大学 | 一种融合时空信息的气温缺失记录重建方法 |
| CN108763250A (zh) * | 2018-03-28 | 2018-11-06 | 国网江苏省电力有限公司无锡供电分公司 | 一种光伏电站监测数据修复方法 |
| CN109144987A (zh) * | 2018-08-03 | 2019-01-04 | 天津相和电气科技有限公司 | 基于深度学习的电力系统量测缺失值重建方法及其应用 |
| CN109740826A (zh) * | 2019-01-30 | 2019-05-10 | 广东工业大学 | 一种基于动态数据挖掘的冷热电联供系统负荷预测方法 |
| CN110532520A (zh) * | 2019-09-03 | 2019-12-03 | 武汉轻工大学 | 一种工程测试缺失数据的统计重建方法及系统 |
| CN110705760A (zh) * | 2019-09-19 | 2020-01-17 | 广东工业大学 | 一种基于深度置信网络的光伏发电功率预测方法 |
| CN111344741A (zh) * | 2019-01-31 | 2020-06-26 | 深圳市瑞立视多媒体科技有限公司 | 一种三维轨迹数据的数据缺失处理方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10430928B2 (en) * | 2014-10-23 | 2019-10-01 | Cal Poly Corporation | Iterated geometric harmonics for data imputation and reconstruction of missing data |
-
2020
- 2020-07-17 CN CN202010696528.2A patent/CN111881565B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103473408A (zh) * | 2013-08-28 | 2013-12-25 | 河南大学 | 一种融合时空信息的气温缺失记录重建方法 |
| CN108763250A (zh) * | 2018-03-28 | 2018-11-06 | 国网江苏省电力有限公司无锡供电分公司 | 一种光伏电站监测数据修复方法 |
| CN109144987A (zh) * | 2018-08-03 | 2019-01-04 | 天津相和电气科技有限公司 | 基于深度学习的电力系统量测缺失值重建方法及其应用 |
| CN109740826A (zh) * | 2019-01-30 | 2019-05-10 | 广东工业大学 | 一种基于动态数据挖掘的冷热电联供系统负荷预测方法 |
| CN111344741A (zh) * | 2019-01-31 | 2020-06-26 | 深圳市瑞立视多媒体科技有限公司 | 一种三维轨迹数据的数据缺失处理方法及装置 |
| CN110532520A (zh) * | 2019-09-03 | 2019-12-03 | 武汉轻工大学 | 一种工程测试缺失数据的统计重建方法及系统 |
| CN110705760A (zh) * | 2019-09-19 | 2020-01-17 | 广东工业大学 | 一种基于深度置信网络的光伏发电功率预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111881565A (zh) | 2020-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705789A (zh) | 一种光伏电站短期功率预测方法 | |
| CN111754026B (zh) | 光伏电站群功率预测方法、装置、计算机设备及存储介质 | |
| CN110909911B (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
| CN109086527A (zh) | 一种基于风电机组运行状态的实用化等值建模方法 | |
| CN113283580A (zh) | 一种太阳能电池板故障自动检测方法 | |
| CN112990553A (zh) | 使用自注意机制和双线性融合的风电超短期功率预测方法 | |
| CN113131515A (zh) | 智能微电网ai故障检测及网络优化重构系统及方法 | |
| CN112149905A (zh) | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 | |
| CN116341728A (zh) | 一种基于数据驱动的超短期光伏输出功率预测方法 | |
| CN112633632A (zh) | 一种基于信号分解技术的集成短期风电集群功率预测方法 | |
| CN113326667B (zh) | 一种太阳能电池板故障诊断方法及系统 | |
| Wang et al. | Digital twin based maximum power point estimation for photovoltaic systems | |
| CN111881565B (zh) | 一种光伏组件过程数据重建方法 | |
| CN110336332B (zh) | 一种基于出力曲线聚合的区间潮流典型场景构造方法 | |
| CN111799843A (zh) | 一种概率融合式光伏电站的多维全状态数据建模方法 | |
| CN114281846B (zh) | 一种基于机器学习的新能源发电预测方法 | |
| CN116664870A (zh) | 一种基于迁移学习的电能质量扰动识别方法 | |
| CN110571862A (zh) | 一种光伏电站与电力负荷的时序匹配度分析方法及系统 | |
| CN113780643A (zh) | 一种基于事例推理的光伏电站短期出力预测方法 | |
| CN115758709A (zh) | 一种水风光资源多变量随机模拟方法、装置及电子设备 | |
| CN113850337A (zh) | 一种基于加权knn的光伏组件遮挡面积分类方法 | |
| CN114692064B (zh) | 一种基于环境参数的光伏组件寿命计算方法 | |
| Xiao et al. | Abnormal data identification and reconstruction of PV database | |
| Li et al. | Photovoltaic abnormal data cleaning based on fuzzy clustering-quartile algorithm | |
| CN114142472B (zh) | 基于混合高斯分布概率密度的风光容量配置方法及系统 |
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 |