CN112132344A - 一种基于相似日和frs-svm的短期风电功率预测方法 - Google Patents

一种基于相似日和frs-svm的短期风电功率预测方法 Download PDF

Info

Publication number
CN112132344A
CN112132344A CN202011011176.9A CN202011011176A CN112132344A CN 112132344 A CN112132344 A CN 112132344A CN 202011011176 A CN202011011176 A CN 202011011176A CN 112132344 A CN112132344 A CN 112132344A
Authority
CN
China
Prior art keywords
prediction
svm
frs
day
wind
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
CN202011011176.9A
Other languages
English (en)
Inventor
熊雄
叶小岭
丁杰
成金杰
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202011011176.9A priority Critical patent/CN112132344A/zh
Publication of CN112132344A publication Critical patent/CN112132344A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (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相似日和FRS‑SVM的短期风电功率预测方法，属于短期风电功率预测方法技术领域。该方法采用离散Fréchet距离作为相似性判据，定义预测日与历史日之间的整体相似度公式，并以此匹配相似日样本。相似日样本缩减了样本量，提高了建模数据的相似性。然后针对原始特征存在相互关联、非线性和不相关性等特点，增加了训练模型的复杂度，引入模糊粗糙集（FRS）方法消除冗余特征，优化SVM模型的输入。相似日方法和FRS方法同时在样本数量和样本特征2个层面对数据进行预处理，节约了SVM模型的训练时间，提高了预测精度。本发明能够有效改善预测拐点处预测精度的不足，具有一定的实用价值。

Description

一种基于相似日和FRS-SVM的短期风电功率预测方法
技术领域
本发明涉及一种基于相似日和FRS-SVM(模糊粗糙集-支持向量机)的短期风电功率预测方法，属于短期风电功率预测方法技术领域。
背景技术
能源是人类社会活动的重要物质基础。伴随着社会经济的快速发展，人类社会对能源的需求和使用大量增加，传统化石燃料的过度开采和利用造成了空气污染和生态环境破坏。同时，由于传统能源的有限性，我们正面临着能源消耗危机。因此，发展和利用可再生能源在世界范围内越来越受到关注。
风能作为清洁的可再生能源，因其易开发、成本低，正日益受到世界各国的重视。从环境和经济方面的考虑，风力发电作为利用风能的有效方式，已成为各国促进能源结构调整的重要措施。风电本身受自然风影响而具有随机性、波动性和间歇性，为大规模风电并网运行埋下了巨大的安全隐患。使用风电功率预测技术是解决风电并网消纳问题的关键措施之一，能够有效减少间歇性风能对电力系统运行的影响，并为电力部门制定发电计划和调度决策提供参考。
针对短期风电功率的预测方法主要集中在寻求先进的优化算法和预测模型上。随着我国风电产业的迅猛发展，风场的数据集体量大，来源广，但是由于弃风、限功率运行等问题，导致数据质量参差不齐，价值密度低。大量的风电场观测资料不仅包含着冗余信息，而且影响预测模型的训练效率。因此，在提高短期风电功率预测精度的方法上，以数据为导向的预测方式显得尤为重要，以训练样本进行细化选取以增强模型对特定风况的代表性和适应性。
发明内容
本发明提出了一种基于相似日和FRS-SVM的短期风电功率预测方法，采用离散Fréchet距离作为相似性判据，定义预测日与历史日之间的整体相似度公式，并以此匹配相似日样本。相似日样本缩减了样本量，提高了建模数据的相似性。然后针对原始特征存在相互关联、非线性和不相关性等特点，增加了训练模型的复杂度，引入模糊粗糙集(FRS)方法消除冗余特征，优化SVM模型的输入。相似日方法和FRS方法同时在样本数量和样本特征2个层面对数据进行预处理，节约了SVM模型的训练时间，提高了预测精度。
本发明为解决其技术问题采用如下技术方案：
一种基于相似日和FRS-SVM短期风电功率预测方法，包括以下步骤：
步骤1)采集影响风电功率的主要因素，包括风速v、风向d、气温t、气压p、湿度h气象要素，以及同时刻的实测功率Power；
步骤2)结合周边风场数据实测数据和中尺度WRF模式预报的气象数据源对目标风场的异常数据进行修正；
步骤3)采用离散Fréchet距离作为风速、风向、温度、气压、湿度时间序列的相似性判据来定义整体相似度，并依据整体相似度来匹配与预测日相似的历史相似日，并将相似日样本及其对应时刻的功率数据作为初始样本；
步骤4)采用FRS方法对初始样本中的风速、风向、温度、气压、湿度特征进行约简，并将剔除特征后的样本作为最终的训练样本；
步骤5)采用SVM作为预测模型，建立相似日-FRS-SVM预测模型进行风电功率预测，将模型预测的结果与预测日实际功率进行对比。
步骤2)中，所述的异常数据的修正方法包括对异常值的剔除和缺失值的插补。
对于风速序列中存在缺失或异常数据，采用7点二阶算法前推差分算式对异常数据进行剔除，并采用三次样条插值方法进行异常值的补正。
步骤3)中，所述的整体相似度定义兼顾了风速的变化趋势和天气状况。
本发明的有益效果如下：
1.本发明通过相似日方法缩减建模样本的数量，增强了建模数据的一致性，相似日-SVM方法与SVM(支持向量机)方法对比得出，相似日-SVM方法能够有效缩减模型训练时间，提高短期风电功率预测精度。
2.在以相似日样本集作为训练样本时，FRS-SVM方法较SVM方法，能够进一步提高预测精度，预测值更贴近实际值。
3.本发明引入模糊粗糙集方法(FRS)对SVM输入变量进行优化选取，克服了以往依据经验选择SVM输入变量的缺陷，还简化了SVM网络的结构。
附图说明
图1为本发明实施例中短期风电功率预测方法流程图。
图2为本发明实施例中基于离散Fréchet距离的相似日方法获取的相似日的风速曲线图，其中图2(a)是春季相似日风速曲线、图2(b)是夏季相似日风速曲线、图2(c)是秋季相似日风速曲线、图2(d)是冬季相似日风速曲线。
图3为本发明实施例中各预测模型预测效果对比图，其中图3(a)是SVM预测结果、图3(b)是相似日-SVM预测结果、图3(c)是相似日-FRS-SVM预测结果。
图4为本发明实施例中各预测模型绝对误差图，其中图4(a)是SVM预测误差、图4(b)是相似日-SVM预测误差、图4(c)是相似日-FRS-SVM预测误差。
具体实施方式
下面结合附图对发明的技术方案进行详细说明。
如图1所示，本发明的基于相似日和FRS-SVM短期风电功率预测方法，主要步骤如下：
步骤1)采集风电场的实测风速v、风向d、气温t、气压p、湿度h等气象要素数据，以及同时刻的实测功率Power；
步骤2)结合周边风场数据实测数据和中尺度WRF(数值天气预报)模式预报的气象数据源对目标风场的数据进行修正，所述的数据修正方法包括对异常值的剔除和缺失值的插补。数据的修正过程为：①对于风速序列中存在缺失或异常数据，采用7点二阶算法前推差分算式对异常数据进行剔除，并采用三次样条插值方法进行异常值的补正。②对于功率数据中存在异常值时，并根据风速—功率曲线得到功率近似值。③对于气温、气压等此类异常数据的修正，主要依据异常值前后相邻时刻数据的平均值来替代该异常值，并利用WRF模式预报值作为参考。
步骤3)采用离散Fréchet距离作为风速、风向、气温、气压、湿度等时间序列的相似性判据，并以此为基础定义预测日与历史日的整体相似度公式，根据整体相似度公式匹配出相似日样本；
所述的离散Fréchet(弗雷歇)距离计算方法如下：
设给定两条离散有序序列P＝＜u1,…,up＞和Q＝＜v1,…,vq＞，L为P、Q间各序列点组成的序列点对：
L＝{(ua1,vb1),(ua2,vb2),…,(uak,vbk)} (1)
其中，a1＝b1＝1,ak＝p,bk＝q且对于i＝1,…,k，满足a(i+1)＝ai或a(i+1)＝ai+1，b(i+1)＝bi或b(i+1)＝bi+1，即序列点对L同时服从P、Q中各序列点的对应次序关系；ua1,ua2…uak为序列P中元素，vb1,vb2…vbk为序列Q中元素。定义||L||为序列点对L中最长连接的长度，表示如下：
Figure BDA0002697609180000041
则两曲线间的离散Fréchet距离d(P,Q)可根据以下公式递归求解：
Figure BDA0002697609180000042
式中，dE(up,vq)是两点up和vq间的欧式距离，u1…up为序列P中元素，v1…vq为序列Q中元素。
所述的整体相似度公式定义如下：
根据风速v、风向d、气温t、气压p、湿度h等气象要素的采样点序列匹配相似日。首先将N个历史日和预测日各气象要素的采样点序列表示成{(i,ci)}i＝1…k，其中i是按采样时间顺序排列的序列号，ci是采集数据的瞬时值，每隔15min采样一次，则k＝96。则对于第j个历史日的样本矩阵Xj为：
Figure BDA0002697609180000051
其中，Vj为风速序列，vj1…vj96为Vj序列中元素；Dj为风速序列，dj1…dj96为Dj序列中元素；Tj为风速序列，tj1…tj96为Tj序列中元素；Pj为风速序列，pj1…pj96为Pj序列中元素；Hj为风速序列，hj1…hj96为Hj序列中元素；
为了建立起相似日样本，要先明确样本彼此之间的相似性，也就是求出预测日矩阵Xp＝[Vp,Dp,Tp,Pp,Hp]T和历史日样本矩阵Xj＝[Vj,Dj,Tj,Pj,Hj]T之间的相似程度。
根据公式(4)计算对应序列Vp和Vj，Dp和Dj，Ti和Tj，Pi和Pj，Hi和Hj之间的离散Fréchet距离，分别表示为fV，fD，fT，fP，fH。则各历史日与预测日的整体相似程度为Fj，公式定义如下：
Figure BDA0002697609180000052
步骤4)将根据公式(6)匹配出的相似日样本作为初始样本集，采用FRS方法对样本中的冗余特征进行剔除，将剔除冗余特征后的样本作为最终的训练样本。作为预测模型的输入，采用FRS-ELM作为预测模型，建立FRS-SVM预测模型进行风电功率预测；
所述的模糊粗糙集方法(FRS)约简特征步骤如下：
(1)将初始样本集中的风电功率的影响因素：风速、风向、气温、气压、湿度作为条件属性，预测时刻的功率作为决策属性，生成初始决策表；
(2)根据各属性的物理特性选择相应的模糊隶属度函数；
(3)通过模糊隶属度函数对初始决策表中各属性值模糊划分，形成模糊隶属度决策表；
(4)根据QuickReduct(快速属性)约简算法对模糊粗糙表中的属性进行约简，并计算约简后各条件属性对决策功率的依赖度。
为验证本发明的在短期风电功率预测方面的有效性和先进性，选用上海某风场2015年全年采集的数据进行案例验证，其额定装机容量为60MW，数据的采样间隔为15min。
1.数据的归一化
原始样本是由不同的特征向量组成的数据集，我们需要对各个特征进行归一化处理，以下是数据归一化方法：Min-Max法(Min-max normalization)
Min-Max法也叫做离散标准化，如式(3.1)所示：
Figure BDA0002697609180000061
式中，Xi为原始样本数据，Xmin是样本数据的最小值，Xmax是样本数据的最大值，x为归一化后的数据。
2.构建相似日样本集
采用相似离度作为相似性判据搜索与测试集风速相似的历史风速序列，并将搜索出的相似日样本集及其对应时刻的功率数据构成初始的相似日样本集；
所述的相似日方法以离散Fréchet距离为各气象要素时间序列的相似性判据，采用连乘的方式定义的整体相似度公式，兼顾了风速在相似日选取中的主导因素和天气状况的影响。整体相似度公式满足式(6)：
Figure BDA0002697609180000062
式(1)中，fV，fD，fT，fP，fH分别为对应序列Vp和Vj，Dp和Dj，Ti和Tj，Pi和Pj，Hi和Hj之间的离散Fréchet距离，Fj为第j个历史日与预测日的整体相似度。
通过采用相似日方法从大量历史样本中计算各个历史日与预测日的相似度，并将相似度较好的相似日作为初始的训练样本。基于离散Fréchet距离为相似性判据的相似日方法所获取的部分历史日风速曲线，如图2所示。
3.基于模糊粗糙集的影响功率因素约简方法
(1)首先，将风电功率的影响因素作为条件属性，预测时刻的功率作为决策属性，生成初始决策表；
(2)根据各属性的物理特性选择相应的模糊隶属度函数；
(3)通过模糊隶属度函数对初始决策表中各属性值模糊划分，形成模糊隶属度决策表；
(4)根据QuickReduct约简算法对模糊粗糙表中的属性进行约简，并计算约简后各条件属性对决策功率的依赖度。
4.基于相似日和FRS-SVM模型的短期风电功率预测
将以下3种预测方法进行对比，并以春季的预测结果作为分析对象。
方法一：SVM预测方法，即直接使用原始样本训练SVM模型，由于原始样本数据量大，模型的训练需要花费大量的时间；
方法二：相似日-SVM预测方法，即采用本文的相似日匹配的方法，从原始样本中提取相似日，作为SVM的训练样本。
方法三：相似日-FRS-SVM预测方法，即在方法二的基础上，对相似日样本采取FRS方法约简冗余特征，将约简特征后的样本作为SVM的训练样本。
上述3种方法的预测结果如图3所示。结合图3可以看出，使用原始样本做预测时，单纯的SVM预测结果较差，大多数的预测值与实际值相比明显偏下。在采样点为10-40的地方，单纯的SVM方法预测值和实际值相比误差较大，而相似日-SVM方法虽然误差也大，但是与SVM方法相比，相似日-SVM方法的预测值明显更接近实际值。在采样点为60-90的地方，SVM方法的预测曲线难以对实际功率曲线进行有效的跟踪，而相似日-SVM预测方法过滤了原始样本中多余的冗余信息，使得相似日和预测日的气象信息较为接近，而且风速变化的整体趋势也较为吻合，在采样点为60-90的地方，其预测功率曲线波动基本和实际功率曲线相同。相似日-FRS-SVM方法不仅在风速变化较大的地方预测精度得到提高，预测功率在幅值上与实际值更为接近，而且在风速变化幅度较小的时间段(即采样点为70-90)预测精度也有一定的提高。说明经过FRS方法后，所保留的特征能更好地呈现数据集的特点，降低了冗余特征对预测精度的影响，优化了SVM输入，提高了预测精度。
图4为2种方法预测的绝对误差，从中可以看出单纯的使用支持向量机做预测，其绝对误差的波动范围较大，出现较大误差的次数较多。经过相似日方法处理后，误差波动范围变小，尤其在风速波动较大的时间段，出现较大误差的次数也较少。
表1各方法预测误差比较
Figure BDA0002697609180000081
分别采用rMAE(相对平均绝对误差)、rRMSE(相对均方根误差)和RMSE(均方根误差)作为评价各方法预测效果的指标，各误差计算结果如表1所示。由表1可知，相似日-SVM方法的rMAE、rRMSE以及RMSE指标比SVM方法都有所降低，获得了较好的精度提升。
表2不同预测方法的模型训练时间
Figure BDA0002697609180000082
表2为两种预测模型训练时所花费的时间。从表2中可以看出，相似日方法在大量历史日中提取出相似日样本，减少了训练数据的冗余信息，提高了模型的训练效率。在有效提高精度的情况下，模型的训练只使用了12.687秒，而SVM方法由于样本量大造成模型的复杂度较高，训练样本需要约12min。

Claims (4)

1.一种基于相似日和FRS-SVM的短期风电功率预测方法，其特征在于，包括以下步骤：
步骤1)采集影响风电功率的主要因素，包括风速v、风向d、气温t、气压p、湿度h气象要素，以及同时刻的实测功率Power；
步骤2)结合周边风场数据实测数据和中尺度WRF模式预报的气象数据源对目标风场的异常数据进行修正；
步骤3)采用离散Fréchet距离作为风速、风向、温度、气压、湿度时间序列的相似性判据来定义整体相似度，并依据整体相似度来匹配与预测日相似的历史相似日，并将相似日样本及其对应时刻的功率数据作为初始样本；
步骤4)采用FRS方法对初始样本中的风速、风向、温度、气压、湿度特征进行约简，并将剔除特征后的样本作为最终的训练样本；
步骤5)采用SVM作为预测模型，建立相似日-FRS-SVM预测模型进行风电功率预测，将模型预测的结果与预测日实际功率进行对比。
2.根据权利要求1所述的一种基于相似日和FRS-SVM的短期风电功率预测方法，其特征在于步骤2)中，所述的异常数据的修正方法包括对异常值的剔除和缺失值的插补。
3.根据权利要求2所述的一种基于相似日和FRS-SVM的短期风电功率预测方法，其特征在于，对于风速序列中存在缺失或异常数据，采用7点二阶算法前推差分算式对异常数据进行剔除，并采用三次样条插值方法进行异常值的补正。
4.根据权利要求1所述的一种基于相似日和FRS-SVM的短期风电功率预测方法，其特征在于，步骤3)中，所述的整体相似度定义兼顾了风速的变化趋势和天气状况。
CN202011011176.9A 2020-09-23 2020-09-23 一种基于相似日和frs-svm的短期风电功率预测方法 Pending CN112132344A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011011176.9A CN112132344A (zh) 2020-09-23 2020-09-23 一种基于相似日和frs-svm的短期风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011011176.9A CN112132344A (zh) 2020-09-23 2020-09-23 一种基于相似日和frs-svm的短期风电功率预测方法

Publications (1)

Publication Number Publication Date
CN112132344A true CN112132344A (zh) 2020-12-25

Family

ID=73839194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011011176.9A Pending CN112132344A (zh) 2020-09-23 2020-09-23 一种基于相似日和frs-svm的短期风电功率预测方法

Country Status (1)

Country Link
CN (1) CN112132344A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117060407A (zh) * 2023-10-12 2023-11-14 国网湖北省电力有限公司经济技术研究院 一种基于相似日划分的风电集群功率预测方法及系统
CN117851736A (zh) * 2024-03-07 2024-04-09 南京信息工程大学 一种基于模糊自适应寻优融合的气象要素插值方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324980A (zh) * 2013-04-25 2013-09-25 华北电力大学（保定） 一种风电场风速预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324980A (zh) * 2013-04-25 2013-09-25 华北电力大学（保定） 一种风电场风速预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘兴杰 等: "基于模糊粗糙集与改进聚类的神经网络风速预测", 《中国电机工程学报》 *
张颖超 等: "基于相似日和特征提取的短期风电功率预测", 《郑州大学学报(工学版)》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117060407A (zh) * 2023-10-12 2023-11-14 国网湖北省电力有限公司经济技术研究院 一种基于相似日划分的风电集群功率预测方法及系统
CN117060407B (zh) * 2023-10-12 2023-12-22 国网湖北省电力有限公司经济技术研究院 一种基于相似日划分的风电集群功率预测方法及系统
CN117851736A (zh) * 2024-03-07 2024-04-09 南京信息工程大学 一种基于模糊自适应寻优融合的气象要素插值方法
CN117851736B (zh) * 2024-03-07 2024-05-14 南京信息工程大学 一种基于模糊自适应寻优融合的气象要素插值方法

Similar Documents

Publication Publication Date Title
Liu et al. Random forest solar power forecast based on classification optimization
CN107766990B (zh) 一种光伏电站发电功率的预测方法
Ge et al. A hybrid model for short-term PV output forecasting based on PCA-GWO-GRNN
Song et al. Hourly heat load prediction model based on temporal convolutional neural network
CN106447098B (zh) 一种光伏超短期功率预测方法及装置
CN109711609B (zh) 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
CN109002915B (zh) 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法
Melzi et al. Hourly solar irradiance forecasting based on machine learning models
CN113205207A (zh) 一种基于XGBoost算法的用电短期负荷波动预测方法及系统
CN110503256A (zh) 基于大数据技术的短期负荷预测方法及系统
CN110766200A (zh) 一种基于K-means均值聚类的风电机组发电功率预测方法
Dimd et al. A review of machine learning-based photovoltaic output power forecasting: Nordic context
CN115829105A (zh) 基于历史数据特征搜索的光伏功率预测方法
CN112132344A (zh) 一种基于相似日和frs-svm的短期风电功率预测方法
CN112651576A (zh) 长期风电功率预测方法及装置
CN110866633A (zh) 一种基于svr支持向量回归的微电网超短期负荷预测方法
CN115759389A (zh) 基于天气类型的相似日组合策略的日前光伏功率预测方法
CN107844872B (zh) 一种用于风力发电的短期风速预报方法
CN110796292A (zh) 计及雾霾影响的光伏功率短期预测方法
Tai et al. Power prediction of photovoltaic power generation based on LSTM model with additive Attention mechanism
CN110909916B (zh) 一种基于熵权法的风力发电月度电量区间预测方法
CN109165792B (zh) 一种基于soa-wnn的光伏短期输出功率预测方法
CN117291299B (zh) 一种考虑多种影响因素的月度电量预测方法
CN113722970B (zh) 一种光伏功率超短期在线预测方法
Li et al. Short-term LOAD Forecasting Method of TPA-LSTNet Model Based on Time Series Clustering

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201225