CN111967660B - 一种基于svr的超短期光伏预测残差修正方法 - Google Patents
一种基于svr的超短期光伏预测残差修正方法 Download PDFInfo
- Publication number
- CN111967660B CN111967660B CN202010777415.5A CN202010777415A CN111967660B CN 111967660 B CN111967660 B CN 111967660B CN 202010777415 A CN202010777415 A CN 202010777415A CN 111967660 B CN111967660 B CN 111967660B
- Authority
- CN
- China
- Prior art keywords
- prediction
- day
- model
- data
- svr
- 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 29
- 238000012937 correction Methods 0.000 title claims abstract description 16
- 238000010248 power generation Methods 0.000 claims abstract description 26
- 238000005096 rolling process Methods 0.000 claims abstract description 18
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract 11
- 239000013598 vector Substances 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000005427 atmospheric aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012360 testing method 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
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于SVR的超短期光伏预测残差修正方法，包括以下步骤：步骤1：用预测日实时监测的光伏发电功率数据建立预测日ARIMA滚动预测模型，得到初步预测结果；步骤2：选取一历史气象相似日，用其光伏发电功率数据建立相似日的ARIMA滚动预测模型，并计算得到相似日残差数据；步骤3：用步骤2得到的相似日残差数据建立SVR模型，得到预测日的预测残差；步骤4：采用预测日的预测残差对步骤1得到的初步预测结果进行修正，得到最终预测结果。
Description
技术领域
本发明涉及一种基于SVR的超短期光伏预测残差修正方法，属于电力系统领域，尤其涉及电力系统运行调度技术。
背景技术
当前，光伏发电系统在我国发展迅速。截止2018年，全国光伏发电累计装机容量达到1.74亿千瓦，新增装机容量4426万千瓦，装机容量占电源比例达到了9.2％。大规模光伏并网是实现节能减排，保证能源供应安全和实现能源可持续发展的必由之路。但是，光伏系统并网也会给电网带来诸如电能质量，可靠性和稳定性等方面的问题。大规模光伏并网还会引起节点电压、支路潮流波动范围过大的问题。从时间尺度看，光伏功率预测可以分为中长期(>24h)、短期(6～24h)、超短期(0～6h)。光伏功率短期预测是电网调度部门提前调整调度计划的依据，光伏预测精度越高，越能够减小光伏系统并网对电网的负面影响，促进新能源消纳目标的实现。
光伏发电功率预测技术经过多年的发展，目前已经朝着精细化的目标前进。通常，光伏功率预测方法可以分为直接预测，间接预测和混合预测三类。
直接预测是直接利用功率的时间序列数据，通过信号处理等手段进行分析预测的手段。张倩等人提出了一种基于频域分解和长短期记忆神经网络的光伏功率预测方法。黎静华等人提出一种嵌入气象因素的改进奇异谱分析方法用于光伏短期出力预测。
间接预测是先预测与光伏出力相关度较大的物理量(例如辐照度)，再对光伏发电功率进行预测。潘益等人先通过差分自回归移动平均模型(Autoregressive IntegratedMoving Average model，ARIMA)预测了辐照度和温度，再进行功率预测。刘长亮等人建立了大气气溶胶光学厚度估计模型，进而计算光伏电池面板接收的辐射强度，实现了计及雾霾影响因素的光伏发电超短期功率预测。
近年来，随着人工智能技术兴起，基于神经网络、机器学习等人工智能方法的混合预测方法成为提升光伏预测精度的有效手段。Wang等人建立了结合天气分类和多元自适应回归样条的预报模型用于光伏功率预测。王育飞等人利用C-C相空间重构和混沌- 径向基函数建立光伏预测模型。
影响光伏功率预测精度的最主要原因在于光伏发电功率的波动性，来源于太阳光辐射受气象条件影响而产生的波动。不确定性和随机性的特征阻碍了光伏功率预测精度的进一步提升。同时，由于辐照度和温度等气象数据本身存在预测误差，用于光伏预测会进一步放大误差的影响。因此，具有高预测精度的预测算法成为亟需解决的问题。
发明内容
发明目的：本发明针对光伏出力的波动性，提出一种基于SVR的超短期光伏预测残差修正方法。
技术方案：一种基于SVR的超短期光伏预测残差修正方法，包括以下步骤：
步骤1：用预测日实时监测的光伏发电功率数据建立预测日ARIMA滚动预测模型中，得到初步预测结果；
步骤2：选取一历史气象相似日，用其光伏发电功率数据建立相似日的ARIMA滚动预测模型中，计算得到相似日残差数据；
步骤3：用步骤2得到的相似日残差数据建立SVR模型中，得到预测日的预测残差；
步骤4：采用预测日的预测残差对步骤1得到的初步预测结果进行修正，得到最终预测结果。
进一步的，所述预测日ARIMA滚动预测模型构建步骤包括：
S210：根据某日前n个时刻的光伏发电功率数据组成的时间序列y1,y2,…,yn建立ARIMA模型；
S220：采用建立的ARIMA模型对下一时刻的光伏发电功率数据进行预测，得到下一时刻的光伏发电功率预测数据；
S230：到达下一时刻后，获取下一时刻的光伏发电功率实测数据，再以下一时刻的光伏发电功率预测数据和下一时刻的光伏发电功率实测数据进行对比，当建立的 ARIMA模型的预测精度不满足要求时，则将下一时刻的功率实测数据yn+1加入到时间序列y1,y2,…,yn中，构成新的时间序列y1,y2,…,yn,yn+1，基于新的时间序列构建新ARIMA模型；
S240：循环执行S220和S230，直至完成一整天的功率预测，得到预测日ARIMA 滚动预测模型。
进一步的，所述步骤2具体包括：
选取最为靠近预测日的相似日一天的实时光伏发电功率数据建立相似日ARIMA滚动预测模型，得到该相似日的预测数据；
将该相似日的预测值和该相似日的实测数据做差，得到相似日残差数据。
进一步的，所述相似日与预测日为同一天气类型。
进一步的，所述SVR模型的输入为一组连续的时间序列残差向量，其输出为下一时刻的发电功率残差功率，表示为：
式中，Yin是SVR模型的输入矩阵，Yout是输出向量，m为残差序列中元素的个数， l为输入向量中元素的个数。
有益效果：本发明通过实测数据不断修正预测模型，具有更高的精度；相对于间接预测方法，本方法不需要辐照和温度等间接数据，且算法结构简单，有利于工程化推广。
附图说明
图1是ARIMA+SVR残差修正光伏发电预测模型流程图；
图2是ARIMA光伏发电初步预测结果；
图3是9月12日(多云)发电功率的拟合残差，9月13日(多云)SVR预测残差的及发电功率修正结果；
图4是7月14日(晴天)发电功率的拟合残差，7月15日(晴天)SVR预测残差的及发电功率修正结果；
图5是5月12日(雨天)发电功率的拟合残差，5月17日(雨天)SVR预测残差的及发电功率修正结果；
图6是10月3日(阴天)发电功率的拟合残差，10月18日(阴天)SVR预测残差的及发电功率修正结果。
具体实施方式
现结合附图和实施例进一步阐述本发明的技术方案。
如图1所示，本实施例的基于SVR的超短期光伏预测残差修正方法，包括以下步骤：
步骤1：构建预测日ARIMA滚动预测模型，其构建步骤为：
S110：根据某日前n个时刻的功率实测数据组成的时间序列y1,y2,…,yn建立ARIMA模型；光伏发电功率的波动性决定了其时间序列为一组非平稳数据，因此本实施例采用ARIMA模型进行预测。ARIMA模型一般表示为ARIMA(p，d，q)，AR是“自回归”， p为自回归项数；MA为“移动平均”，q为滑动平均项数；d为阶数，即成为平稳序列所做的差分次数。通常，非平稳序列通过一次或者多次差分，得到平稳序列，再建立平稳序列的ARMA模型。ARIMA模型的建模精度取决于p，q，d的取值。对于d次差分后的平稳时间序列yt来说，ARIMA模型可表示为：
式中，c为常数，ut为白噪声序列，
为自回归系数，θ1,θ2,…,θq为移动平均系数，yt为平稳时间序列。
ARIMA模型的建模过程如下：
(1)为了消除数据量纲之间的影响，将数据归一化[0,1]之间，得到数据处理后的时间序列；
(2)对时间序列进行差分处理直到平稳为止，可以通过自相关系数和偏自相关系数检验序列的平稳性；
(3)通过赤池信息准则(AIC)定义p和q的值；
(4)由最小二乘估计法确定模型的系数。
S120：采用建立的ARIMA模型对下一时刻的功率进行预测，得到下一时刻的功率预测数据y′n+1；
S130：到达下一时刻后，获取下一时刻的功率实测数据yn+1，再以下一时刻的功率预测数据y′n+1和下一时刻的功率实测数据yn+1进行对比，当建立的ARIMA模型的预测精度不满足要求时，则将下一时刻的功率实测数据yn+1加入到时间序列y1,y2,…,yn中，构成新的时间序列y1,y2,…,yn,yn+1，基于新的时间序列构建新ARIMA模型；
S140：循环执行S120和S130，直至完成一整天的功率预测，完成ARIMA滚动预测，得到初步预测结果。
步骤2：构建气象相似日ARIMA滚动预测模型，其构建步骤为：
S210：选择气象相似日，该相似日为与预测日同一天气类型，且选取最为靠近预测日的一天。
S220：利用气象相似日功率数据建立相似日ARIMA滚动预测模型，建模过程与步骤1中一致，得到相似日的功率预测结果。
S230：得到相似日残差数据，该相似日残差数据表示为：
yres＝yt-y′t (2)
式中，yres为残差的时间序列，yt'为相似日预测值，yt为相似日实测值。
步骤3：构建SVR模型；
支持向量回归(Support Vector Regression，SVR)是一种广泛应用于趋势预测方面的机器学习算法，SVR的核心思想在将输入样本空间(xi,yi)，i＝1,2,…,l，xi∈Rn，yi∈R，映射到高维空间
以实现线性回归，得到非线性回归函数用于预测。SVR来源于支持向量机(Support Vector Machine，SVM)，SVM要求构建超平面距离，使最近的样本与超平面之间的距离最大。SVR则要求样本与回归曲线
间的总偏差最小，其中w为权值，b为偏置向量。其最优化问题可以表示为：
式中，C为惩罚参数，ξi和
为松弛变量。其约束条件为：
式中，ε为回归误差。可以利用拉格朗日乘子法进行求解，通常采用高斯核函数 K(xk,νi)＝exp[-||xk-vi||/(2σ2)]，其中σ为高斯核参数。
本实施例采用SVR模型进行残差预测，其输入为一组连续的时间序列残差向量，输出为下一时刻的发电功率残差功率：
式中，Yin是SVR模型的输入矩阵，Yout是输出向量，m为残差序列中元素的个数， l为输入向量中元素的个数。将步骤4得到的相似日残差数据输入至SVR模型，得到预测日的预测残差；
步骤4：采用预测日的预测残差对步骤2得到的初步预测结果进行修正，得到最终预测结果。
为了验证建立模型的有效性，现采用某市某光伏电站光伏发电功率的实测数据作为建模数据来源，光伏电站总容量为2.8MW，数据的记录时间从2017年9月至2018年9 月，采样间隔为15分钟。为体现本方法的有效性，选取了四种典型气象条件下的日期进行测试，分别为：2018年9月13日(多云)，2018年7月15日(晴天)，2018年05 月17日(雨天)，2017年10月18日(阴天)。按照上述步骤分别建立ARIMA模型和 SVR模型。
通过平稳性检测和AIC检测，确定ARIMA模型参数p＝q＝d＝1，即采用ARIMA (1,1,1)模型。图2为四种天气类型下((a)为多云，(b)为晴天，(c)为雨天，(d) 为阴天)的ARIMA模型的初步预测结果。每日均从第30个采样点开始预测，并以实测值代入ARIMA模型以实现滚动预测。
根据图2初步预测结果可以看出，通过滚动预测方式，ARIMA模型能够有效跟踪发电功率的波动状况，但是和实测数据相比，还存在一定的误差，主要体现在存在一定程度的延时，延时的时间与光伏监测设备的采样间隔有关。
按照图1所示的流程，建立相似日的SVR残差模型。以2018年9月13日(天气类型：多云)天气为例，搜索预测日之前的天气类型，选择最近的天气类型相同的日期作为训练数据来源。因此，选取2018年9月12日(天气类型：多云)的发电功率数据进行ARIMA建模，并计算其残差。图3中的(a)所示为9月12日的拟合残差。利用其作为训练数据，训练SVR模型，残差数据的m＝96，设置输入向量元素个数l＝3。随后，预测9月13日的残差，如图3中的(b)所示。最后，用预测的残差对9月13日 ARIMA模型的初步预测进行修正。
同样，对2018年7月15日(晴天)，2018年05月17日(雨天)，2017年10月18 日(阴天)进行建模。分别选取2018年7月14日(晴天)，2018年5月12日(雨天)， 2017年10月3日(阴天)的发电功率数据建立ARIMA拟合模型获取残差，建立各自的SVR模型，得到预测日的预测残差，对预测日的初步预测进行修正。其结果如图4- 图6所示。
采用平均百分比误差(Mean Absolute Percentage Error，MAPE)和均方根误差(Root Mean Square Error，RMSE)来评价发电功率预测结果与真实测量结果之间的偏离程度。
其中，yi和y′i分别为光伏发电功率的实测值和预测值。
表1修正前后预测误差比较
可见，通过残差功率修正后，本文提出的ARIMA+SVR模型的预测精度相对于直接使用ARIMA模型在各类气象条件下都有了较为明显的提升。
Claims (4)
1.一种基于SVR的超短期光伏预测残差修正方法，其特征在于：包括以下步骤：
步骤1：用预测日实时监测的光伏发电功率数据建立预测日ARIMA滚动预测模型中，得到初步预测结果；
步骤2：选取一历史气象相似日，用其光伏发电功率数据建立相似日的ARIMA滚动预测模型，并计算得到相似日残差数据；
步骤3：用步骤2得到的相似日残差数据建立SVR模型，得到预测日的预测残差；
步骤4：采用预测日的预测残差对步骤1得到的初步预测结果进行修正，得到最终预测结果；
所述步骤2具体包括：
选取最为靠近预测日的相似日一天的实时光伏发电功率数据建立相似日ARIMA滚动预测模型，得到该相似日的预测数据；
将该相似日的预测值和该相似日的实测数据做差，得到相似日残差数据。
2.根据权利要求1所述的一种基于SVR的超短期光伏预测残差修正方法，其特征在于：所述预测日ARIMA滚动预测模型构建步骤包括：
S210：根据某日前n个时刻的光伏发电功率数据组成的时间序列y1,y2,…,yn建立ARIMA模型；
S220：采用建立的ARIMA模型对下一时刻的光伏发电功率数据进行预测，得到下一时刻的光伏发电功率预测数据；
S230：到达下一时刻后，获取下一时刻的光伏发电功率实测数据，再以下一时刻的光伏发电功率预测数据和下一时刻的光伏发电功率实测数据进行对比，当建立的ARIMA模型的预测精度不满足要求时，则将下一时刻的功率实测数据yn+1加入到时间序列y1,y2,…,yn中，构成新的时间序列y1,y2,…,yn,yn+1，基于新的时间序列构建新ARIMA模型；
S240：循环执行S220和S230，直至完成一整天的功率预测，得到预测日ARIMA滚动预测模型。
3.根据权利要求1所述的一种基于SVR的超短期光伏预测残差修正方法，其特征在于：所述相似日与预测日为同一天气类型。
4.根据权利要求1所述的一种基于SVR的超短期光伏预测残差修正方法，其特征在于：所述SVR模型的输入为一组连续的时间序列残差向量，其输出为下一时刻的发电功率残差功率，表示为：
式中，Yin是SVR模型的输入矩阵，Yout是输出向量，m为残差序列中元素的个数，l为输入向量中元素的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010777415.5A CN111967660B (zh) | 2020-08-05 | 2020-08-05 | 一种基于svr的超短期光伏预测残差修正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010777415.5A CN111967660B (zh) | 2020-08-05 | 2020-08-05 | 一种基于svr的超短期光伏预测残差修正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111967660A CN111967660A (zh) | 2020-11-20 |
| CN111967660B true CN111967660B (zh) | 2022-09-23 |
Family
ID=73363961
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010777415.5A Active CN111967660B (zh) | 2020-08-05 | 2020-08-05 | 一种基于svr的超短期光伏预测残差修正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111967660B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668611B (zh) * | 2020-12-08 | 2024-02-02 | 湖南工业大学 | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 |
| CN114529076A (zh) * | 2022-02-15 | 2022-05-24 | 山东浪潮科学研究院有限公司 | 一种基于残差修正时间序列的用电预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766990A (zh) * | 2017-11-10 | 2018-03-06 | 河海大学 | 一种光伏电站发电功率的预测方法 |
| CN108053048A (zh) * | 2017-11-06 | 2018-05-18 | 中国电力科学研究院有限公司 | 一种单步渐进式光伏电站超短期功率预测方法及系统 |
-
2020
- 2020-08-05 CN CN202010777415.5A patent/CN111967660B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108053048A (zh) * | 2017-11-06 | 2018-05-18 | 中国电力科学研究院有限公司 | 一种单步渐进式光伏电站超短期功率预测方法及系统 |
| CN107766990A (zh) * | 2017-11-10 | 2018-03-06 | 河海大学 | 一种光伏电站发电功率的预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111967660A (zh) | 2020-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111626506B (zh) | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 | |
| CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
| CN112149879B (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
| CN108053048A (zh) | 一种单步渐进式光伏电站超短期功率预测方法及系统 | |
| CN111967660B (zh) | 一种基于svr的超短期光伏预测残差修正方法 | |
| CN112668806B (zh) | 一种基于改进随机森林的光伏功率超短期预测方法 | |
| CN111723982A (zh) | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 | |
| CN116167531A (zh) | 一种基于数字孪生的光伏发电预测方法 | |
| Wang et al. | Short‐term photovoltaic power generation combination forecasting method based on similar day and cross entropy theory | |
| CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
| Wu et al. | Deterministic and probabilistic wind power forecasts by considering various atmospheric models and feature engineering approaches | |
| CN105956708A (zh) | 基于灰关联时间序列的短期风速预测方法 | |
| CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
| CN116341613A (zh) | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 | |
| Dumas et al. | Deep learning-based multi-output quantile forecasting of PV generation | |
| CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
| Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
| Phan et al. | Application of a new Transformer-based model and XGBoost to improve one-day-ahead solar power forecasts | |
| CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
| Han et al. | Hybrid model based on EEMD, ARMA and elman for photovoltaic power prediction | |
| CN112116127B (zh) | 一种基于气象过程与功率波动关联的光伏功率预测方法 | |
| CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
| Kumar et al. | Short-term wind power plant predicting with artificial neural network | |
| CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
| Zhang et al. | Short-term wind power interval prediction based on gd-lstm and bootstrap techniques |
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 |