CN112668611A - 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 - Google Patents
一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 Download PDFInfo
- Publication number
- CN112668611A CN112668611A CN202011424687.3A CN202011424687A CN112668611A CN 112668611 A CN112668611 A CN 112668611A CN 202011424687 A CN202011424687 A CN 202011424687A CN 112668611 A CN112668611 A CN 112668611A
- Authority
- CN
- China
- Prior art keywords
- ceemd
- lstm
- kmeans
- photovoltaic power
- 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.)
- Granted
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 230000007787 long-term memory Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006403 short-term memory Effects 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 48
- 238000004088 simulation Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于Kmeans和CEEMD‑PE‑LSTM的短期光伏发电功率预测方法,包括以下步骤:S1、建立基于Kmeans和CEEMD‑PE‑LSTM的光伏发电功率预测模型;S2、对历史功率数据和影响因素数据进行数据预处理;对处理后的数据进行分析,选出待预测日的相似日;S3、对相似日和预测日的影响因素以及发电功率进行分解,分别得到n个固有模态分量以及一个残差量Res。S4、对S3得到的固有模态分量进行计算,将固有模态分量重构成高频分量和低频分量;S5、分别对高频、低频和残差量序列建立长短期记忆神经网络预测模型,预测各子序列功率;S6、将三种子序列预测结果叠加起来,得到光伏功率预测结果。本发明降低了时间序列复杂度,使得子序列具有一定规律和趋势,提高了功率预测模型的准确性。
Description
技术领域
本发明涉及一种光伏发电领域,更具体地,涉及一种基于Kmeans和 CEEMD-PE-LSTM的短期光伏发电功率预测方法。
背景技术
通过精确预测光伏发电功率,可以降低光伏并网对电网有可能造成的损害,对电网的稳定运行有重要的意义。目前,光伏发电功率的预测方法大多都是结合天气影响因素和光伏输出功率进行分析预测。有文献中提出EMD-LSTM的光伏发电预测方法,运用EMD将原始序列分别为多个模态,结合LSTM预测的光伏发电功率精度有所提高,但是EMD存在模态混叠的问题。还有文献提出基于 Kmeans-SVM的短期光伏发电功率预测模型,利用Kmeans算法对训练样本进行聚类分析找出预测日的相似日,结合SVM算法预测光伏发电功率。另外相关文献还提出一种将相似日和小波神经网络结合起来的光伏功率预测方法,先用灰色关联度算法选取相似日,结合小波神经网络预测光伏发电功率。
以上研究有考虑采用Kmeans算法选取相似日或者使用经验模态分解算法降低时间序列的复杂度,但没有将之结合起来建立预测模型,在预测精度和预测时间上有一点的缺陷,没有能达到理想中的预测效果。
发明内容
本发明针对现有技术中现有技术中光伏发电功率预测精度有待提高,预测时间过长的问题。提供一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法。
为实现上述目的,本发明采用以下技术方案:
一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法,包括以下步骤:
S1、建立光伏发电功率预测模型;
S2、对历史功率数据和影响因素数据进行数据预处理;对处理后的数据进行分析,选出待预测日的相似日;
S3、对相似日和预测日的影响因素以及发电功率进行分解,分别得到n个固有模态分量以及一个残差量Res;
S4、对S3得到的固有模态分量进行计算,将固有模态分量重构成高频分量和低频分量;
S5、分别对高频、低频和残差量序列建立长短期记忆神经网络预测模型,预测各子序列功率;
S6、将三种子序列预测结果叠加起来,得到光伏功率预测结果。
进一步地,在步骤S1中建立的光伏发电预测模型包括Kmeans算法、CEEMD 算法、PE算法、LSTM算法。
进一步地,在步骤S2采用Kmeans算法对数据进行预处理。
进一步的,在步骤S3中运用CEEMD算法对相似日和预测日的影响因素以及发电功率进行分解。
进一步的,在步骤S4中使用PE算法将固有模态分量重构成高频分量和低频分量。
进一步的,在步骤S5和S6中采用LSTM算法预测各子序列功率并且将子序列预测结果叠加起来,得到光伏功率预测结果。
进一步的,相似日和预测日的影响因素包括辐射强度、温度、湿度、风速。
进一步的,用仿真实验来验证本方法的有效性和精确度;仿真实验中采集的数据间隔为15-30分钟。
进一步的,在仿真实验中选取晴天和雨天的历史数据作为初始样本。
本发明的有益效果为:相比于单一算法的预测结果,本发明建立多种算法结合的光伏发电预测模型,降低了时间序列的复杂度,又使得子序列具有一定规律和趋势,提高了功率预测模型的准确性和精度,减少了预测所需的时间,同时在不同的天气类型下,具有良好的稳定性和适应性。
附图说明
图1为光伏发电功率预测流程图;
图2为光伏发电功率CEEMD分解图;
图3为重构后的时间序列图;
图4为晴天预测结果图;
图5为雨天预测结果图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。
一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法,包括以下步骤:
S1、建立光伏发电功率预测模型;
在步骤S1中建立的光伏发电预测模型包括Kmeans算法、CEEMD算法、 PE算法、LSTM算法。
S2、对历史功率数据和影响因素数据进行数据预处理;对处理后的数据进行分析,选出待预测日的相似日;
在步骤S2采用Kmeans算法对数据进行预处理,Kmeans算法原理为:
光伏发电受太阳辐射强度和环境温度等因素的影响波动性大,所以在预测光伏发电功率时选取相似日可以提高预测精度。Kmeans是一种常见的基于距离聚类的算法,该算法要确定并不断更新聚类中心以及计算每个点与聚类中心的欧式距离,直到满足条件或者达到收敛,最终达到对数据进行分类的目的[7]。本文利用Kmeans算法对历史数据进行分类,从而达到选取预测日的相似日的目的。具体Kmeans算法步骤如下:
(1)从待聚类样本数据中随机选择k个样本数据作为初始聚类中心{μ1,μ2,…,μk}。
(2)计算每个样本到各个初始聚类中心的欧氏距离,选择距离最近的聚类中心形成k簇,并且根据距离公式更新k簇,距离计算公式为:
其中,μi为簇Ci的的中心样本。
对新的k簇重新计算新的聚类中心。聚类中心计算公式为:
重复步骤(2)和(3)直到满足终止条件|μn+1-μn|≤ε或者达到预设迭代次数则算法终止。
S3、对相似日和预测日的影响因素以及发电功率进行分解,分别得到n个固有模态分量以及一个残差量Res;在步骤S3中运用CEEMD算法对相似日和预测日的影响因素以及发电功率进行分解。
CEEMD算法原理为:光伏发电功率本身具有随机性和间歇性的特点,所以其时间序列复杂度很大,需要对原始时间序列进行分解,降低其时间序列的复杂度。CEEMD算法是对EEMD算法的进一步改进,EEMD算法虽然有效抑制了 EMD算法中存在的模态混淆问题,但是也增加了由于加入白噪声而产生的重构误差,而CEEMD是向原始信号中加入两个大小相等、符号相反的白噪声,然后分别进行EMD分解,最后对分解的分量信号进行集合平均,CEEMD算法大大减少了由于白噪声产生的重构误差[8]。CEEMD算法的步骤如下:
(1)向原始信号x(t)中分别加入1组符号相反的白噪声信号Ni(t)和-Ni(t),得到1组信号序列,即:
(2)对加入白噪声产生的信号序列进行EMD分解,得到一组m-1个IMF 分量和1个残差量:
其中,cij为第i次加入白噪声信号产生的信号的第j个IMF分量,当j为m时,表示为残差量。
(3)对步骤(1)和(2)重复n次,得到n组IMF分量和残差量的集合。
(4)计算每组信号集合IMF分量和残差量的集合平均值,就得到CEEMD 的分解结果,包括IMF分量和趋势项R(t)。
其中,cj为经过CEEMD分解后得到最终的IMF分量和趋势项。
S4、对S3得到的固有模态分量进行计算,将固有模态分量重构成高频分量和低频分量;在步骤S4中使用PE算法将固有模态分量重构成高频分量和低频分量。
PE算法原理为:
由于分解后的光伏发电功率子序列较多,会给模型带来多重随机误差,使预测结果产生较大误差。要对子序列进行复杂度分析,然后进行重构,使得光伏功率具有一定的规律性,对预测精度有一定提高。PE(排列熵)算法可以很好地检测时间序列的随机性和突变性,具有计算简单、抗干扰能力强的特点。PE算法计算方法如下:
(1)对于长度为n的时间序列x(i)进行相空间重构,得到一组时间序列:
其中,λ为延迟时间,m为嵌入维度。
(2)将X(i)中的元素按升序进行排列,得到一组新的时间序列:
若其中有大小相等的元素,则按照j值的大小排列。
(3)对任一向量X(i)都可以得到一组序列:
S(g)={j1,j2,Λjm}
其中,g=1,2,…,l,l≤m!。m维序列产生m!种S(g)排序,
(4)计算每种S(g)序列不同排序结果的概率Pg,所有排序的概率和为1。则x(i)的排列熵按Shannon熵的形式可定义为:
对排列熵进行归一化可表示为:
Hp=Hp(m)/In(m!)
其中,Hp的取值范围是[0,1],它的大小可以衡量时间序列的复杂性。
S5、分别对高频、低频和残差量序列建立长短期记忆神经网络预测模型,预测各子序列功率;
S6、将三种子序列预测结果叠加起来,得到光伏功率预测结果。在步骤S5 和S6中采用LSTM算法预测各子序列功率并且将子序列预测结果叠加起来,得到光伏功率预测结果
算例分析:
选取某小型光伏发电站的真实数据为例,采用2016年7月到2016年9月的数据作为样本,由于夜晚光伏发电基本为零,所以只考虑每天8:00到18:00 的数据,采集间隔为15min的时间序列。将辐射强度、温度、湿度和风速等影响因素作为自变量,光伏发电功率作为因变量。选择晴天9月30日以及雨天9月 28日作为预测日,在其余样本中选择晴天和雨天的历史数据分别作为两种天气下的初始训练样本。先采用Kmeans聚类找相似日,再进行CEEMD分解以及PE 重构,最后送入LSTM预测模型中进行预测。
首先分别对两种类型天气的样本进行Kmeans聚类分析,将辐射强度、温度、湿度和风速作为输入来进行聚类分析。Kmeans聚类分析后,将与两种类型天气预测日同一类的数据分别作为各自的相似日样本,也就是训练样本,分类结果如下表所示。
得到训练集和预测集的数据后,对晴天和雨天的相似日和预测日数据中的自变量影响因素和因变量发电功率的时间序列进行CEEMD分解。以发电功率为例进行CEEMD分解。发电功率经过CEEMD分解得到7个IMF和1个Ref分量,发电功率分解结果如图3所示。按照频率从高到低排列,从频率最高的IMF1排到频率最低的IMF7,最后是残余项Ref。其他影响因素的分解结果也比较相似,
对分解后的时间序列进行PE计算,以计算出的排列熵值对发电功率子序列进行重构。分别计算出各子序列的排列熵值,并且进行归一化,如下表所示:
将子序列进行重构,PE值大于0.6,表明时间序列比较随机,PE值小于0.6,时间序列比较规则。所以,将IMF1到IMF2重构为高频序列,将IMF3到IMF7 重构为低频信号。重构后的时间序列如图4所示。
将所有影响因素和发电功率的时间序列进行分解重构后,对高频、低频和残余量序列分别建立LSTM预测模型进行功率预测并且进行叠加,得到光伏功率预测结果。
为了验证本文模型对光伏发电功率预测的有效性,还另外建立了单独的 LSTM模型和EMD-PE-LSTM模型,将预测结果来进行比较。采用三种模型分别预测9月30日(晴天)以及9月28日(雨天),预测结果分别如图4、图5 所示。
可以看出,晴天天气下,发电功率从始而终都很平滑,三种模型的预测结果都与实际值很接近,预测精度都很高。雨天天气下,发电功率波动较大,三种模型的预测精度明显低于晴天的预测精度,预测值与实际值有较大误差,但 CMEED-PE-LSTM模型在三种模型的预测结果中效果最好。
分别计算晴天和雨天MAPE和RMSE,得到误差指标如下表所示。
晴天预测精度整体比雨天预测精度高,这是因为,晴天的光伏发电功率比较平滑,没有大的波动,预测效果很好;雨天的光伏发电功率较大波动,预测难度较高,随机性大,在有波动的地方,预测不准,从而影响整体预测精度。在两种天气条件下,本文模型的MAPE和RMSE值均最小。晴天条件下, CEEMD-PE-LSTM模型的MAPE比LSTM模型的预测精度高2%左右,比 EMD-PE-LSTM模型的预测精度也所提高,RMSE为2.23kW,在三种模型中也是最小的;雨天CEEMD-PE-LSTM模型的MAPE为5.10%,比LSTM、 EMD-PE-LSTM分别低1.35%和4.98%,RMSE为5.56kW,比其他两种模型的都低。综合看本文模型可以很好预测光伏发电功率,不管是光伏发电功率平稳时还是有较大波动时,预测精度都有了明显提高。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。
Claims (9)
1.一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法,其特征在于,包括以下步骤:
S1、建立光伏发电功率预测模型;
S2、对历史功率数据和影响因素数据进行数据预处理;对处理后的数据进行分析,选出待预测日的相似日;
S3、对相似日和预测日的影响因素以及发电功率进行分解,分别得到n个固有模态分量以及一个残差量Res;
S4、对S3得到的固有模态分量进行计算,将固有模态分量重构成高频分量和低频分量;
S5、分别对高频、低频和残差量序列建立长短期记忆神经网络预测模型,预测各子序列功率;
S6、将三种子序列预测结果叠加起来,得到光伏功率预测结果。
2.根据权利要求1所述的一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法,其特征在于,在步骤S1中建立的光伏发电预测模型包括Kmeans算法、CEEMD算法、PE算法、LSTM算法。
3.根据权利要求1所述的一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法,其特征在于,在步骤S2采用Kmeans算法对数据进行预处理。
4.根据权利要求1所述的一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法,其特征在于,在步骤S3中运用CEEMD算法对相似日和预测日的影响因素以及发电功率进行分解。
5.根据权利要求1所述的一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法,其特征在于,在步骤S4中使用PE算法将固有模态分量重构成高频分量和低频分量。
6.根据权利要求1所述的一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法,其特征在于,在步骤S5和S6中采用LSTM算法预测各子序列功率并且将子序列预测结果叠加起来,得到光伏功率预测结果。
7.根据权利要求4所述的一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法,其特征在于,相似日和预测日的影响因素包括辐射强度、温度、湿度、风速。
8.根据权利要求1所述的一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法,其特征在于,用仿真实验来验证本方法的有效性和精确度;仿真实验中采集的数据间隔为15-30分钟。
9.根据权利要求8所述的一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法,其特征在于,在仿真实验中选取晴天和雨天的历史数据作为初始样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011424687.3A CN112668611B (zh) | 2020-12-08 | 2020-12-08 | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011424687.3A CN112668611B (zh) | 2020-12-08 | 2020-12-08 | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668611A true CN112668611A (zh) | 2021-04-16 |
CN112668611B CN112668611B (zh) | 2024-02-02 |
Family
ID=75401527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011424687.3A Active CN112668611B (zh) | 2020-12-08 | 2020-12-08 | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668611B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906995A (zh) * | 2021-04-23 | 2021-06-04 | 河北工业大学 | 基于emd-fe-lstm及迭代误差修正的光伏功率短期预测方法 |
CN113205226A (zh) * | 2021-05-28 | 2021-08-03 | 河北工业大学 | 一种结合注意力机制以及误差修正的光伏功率预测方法 |
CN116167465A (zh) * | 2023-04-23 | 2023-05-26 | 杭州经纬信息技术股份有限公司 | 基于多变量时间序列集成学习的太阳辐照度预测方法 |
CN116468469A (zh) * | 2023-04-24 | 2023-07-21 | 北京化工大学 | 一种基于改进emd-lstm的网约车需求预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170286838A1 (en) * | 2016-03-29 | 2017-10-05 | International Business Machines Corporation | Predicting solar power generation using semi-supervised learning |
CN107273426A (zh) * | 2017-05-18 | 2017-10-20 | 四川新网银行股份有限公司 | 一种基于深度语义路径搜索的短文本聚类方法 |
CN109002915A (zh) * | 2018-07-13 | 2018-12-14 | 福州大学 | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 |
CN110380424A (zh) * | 2019-06-19 | 2019-10-25 | 湖南工业大学 | 电网电压不平衡下级联statcom改进正负序双环控制策略 |
CN110738363A (zh) * | 2019-09-30 | 2020-01-31 | 华中科技大学 | 一种光伏发电功率预测模型及其构建方法和应用 |
CN111241466A (zh) * | 2020-01-15 | 2020-06-05 | 上海海事大学 | 一种基于深度学习的船舶流量预测方法 |
CN111504635A (zh) * | 2020-04-21 | 2020-08-07 | 哈尔滨理工大学 | 基于差分进化概率神经网络的行星齿轮故障诊断方法 |
CN111695290A (zh) * | 2020-05-14 | 2020-09-22 | 天津大学 | 一种适用于变化环境下的短期径流智能预报混合模型方法 |
CN111967660A (zh) * | 2020-08-05 | 2020-11-20 | 河海大学 | 一种基于svr的超短期光伏预测残差修正方法 |
-
2020
- 2020-12-08 CN CN202011424687.3A patent/CN112668611B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170286838A1 (en) * | 2016-03-29 | 2017-10-05 | International Business Machines Corporation | Predicting solar power generation using semi-supervised learning |
CN107273426A (zh) * | 2017-05-18 | 2017-10-20 | 四川新网银行股份有限公司 | 一种基于深度语义路径搜索的短文本聚类方法 |
CN109002915A (zh) * | 2018-07-13 | 2018-12-14 | 福州大学 | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 |
CN110380424A (zh) * | 2019-06-19 | 2019-10-25 | 湖南工业大学 | 电网电压不平衡下级联statcom改进正负序双环控制策略 |
CN110738363A (zh) * | 2019-09-30 | 2020-01-31 | 华中科技大学 | 一种光伏发电功率预测模型及其构建方法和应用 |
CN111241466A (zh) * | 2020-01-15 | 2020-06-05 | 上海海事大学 | 一种基于深度学习的船舶流量预测方法 |
CN111504635A (zh) * | 2020-04-21 | 2020-08-07 | 哈尔滨理工大学 | 基于差分进化概率神经网络的行星齿轮故障诊断方法 |
CN111695290A (zh) * | 2020-05-14 | 2020-09-22 | 天津大学 | 一种适用于变化环境下的短期径流智能预报混合模型方法 |
CN111967660A (zh) * | 2020-08-05 | 2020-11-20 | 河海大学 | 一种基于svr的超短期光伏预测残差修正方法 |
Non-Patent Citations (1)
Title |
---|
仇琦;杨兰;丁旭;董志强;苏然;郑凌蔚;: "基于改进EMD-ARIMA的光伏发电系统短期功率预测", 电力科学与工程, no. 08, pages 46 - 54 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906995A (zh) * | 2021-04-23 | 2021-06-04 | 河北工业大学 | 基于emd-fe-lstm及迭代误差修正的光伏功率短期预测方法 |
CN113205226A (zh) * | 2021-05-28 | 2021-08-03 | 河北工业大学 | 一种结合注意力机制以及误差修正的光伏功率预测方法 |
CN116167465A (zh) * | 2023-04-23 | 2023-05-26 | 杭州经纬信息技术股份有限公司 | 基于多变量时间序列集成学习的太阳辐照度预测方法 |
CN116468469A (zh) * | 2023-04-24 | 2023-07-21 | 北京化工大学 | 一种基于改进emd-lstm的网约车需求预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112668611B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668611A (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
CN111079980B (zh) | 基于自适应分类策略和混合优化svr的光功率预测方法 | |
CN107292446B (zh) | 一种基于考虑分量关联性小波分解的混合风速预测方法 | |
Yin et al. | A novel asexual-reproduction evolutionary neural network for wind power prediction based on generative adversarial networks | |
CN111598337B (zh) | 一种分布式光伏短期出力预测的方法 | |
CN109117992B (zh) | 基于wd-la-wrf模型的超短期风功率预测方法 | |
CN108519347B (zh) | 一种基于二进制蜻蜓算法的红外光谱波长选择方法 | |
CN111815065A (zh) | 基于长短时记忆神经网络的短期电力负荷预测方法 | |
CN113011669B (zh) | 一种生猪月度存栏量预测方法 | |
CN111105321A (zh) | 一种基于eemd二次分解的电力负荷预测方法 | |
CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
CN116522124A (zh) | 一种基于环境因素影响的溶解氧含量预测方法和系统 | |
CN116702937A (zh) | 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法 | |
CN116933175A (zh) | 一种电动汽车充电负荷预测方法及装置 | |
CN114500335A (zh) | 基于模糊c均值和混合核最小二乘支持向量机的sdn网络流程控制方法 | |
CN116187190A (zh) | 基于Informer-SCINet的电负荷预测方法 | |
CN115169742A (zh) | 一种短期风力发电功率预测方法 | |
CN117633446A (zh) | 基于ceemd-se-ewt双分解和arima组合预测的风速预测方法及系统 | |
CN117407660B (zh) | 一种基于深度学习的区域海浪预报方法 | |
CN113850438A (zh) | 公共建筑能耗预测方法、系统、设备及介质 | |
CN116995670A (zh) | 基于多模式分解和多分支输入的光伏功率超短期预测方法 | |
CN117424225A (zh) | 一种基于meemd-quatre-bilstm的短期光伏出力区间预测方法及系统 | |
CN116865255A (zh) | 基于改进熵权法和seceemd的短期风电功率预测方法 | |
CN116911418A (zh) | 一种基于小波变换与优化bp神经网络的光伏发电功率超短期预测方法 | |
Su et al. | A LSTM based wind power forecasting method considering wind frequency components and the wind turbine states |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Yu Huijun Inventor after: Li Bingchen Inventor after: Liu Jingyu Inventor before: Yu Huijun Inventor before: Liu Jingyu |
|
GR01 | Patent grant | ||
GR01 | Patent grant |