CN113191918A - 基于时序生成对抗网络的月度风光发电功率场景分析方法 - Google Patents
基于时序生成对抗网络的月度风光发电功率场景分析方法 Download PDFInfo
- Publication number
- CN113191918A CN113191918A CN202110345017.0A CN202110345017A CN113191918A CN 113191918 A CN113191918 A CN 113191918A CN 202110345017 A CN202110345017 A CN 202110345017A CN 113191918 A CN113191918 A CN 113191918A
- Authority
- CN
- China
- Prior art keywords
- scene
- power
- matrix
- wind
- 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.)
- Granted
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 70
- 230000008569 process Effects 0.000 claims abstract description 27
- 230000009467 reduction Effects 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000012546 transfer Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000007774 longterm Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 126
- 230000014759 maintenance of location Effects 0.000 claims description 36
- 230000007704 transition Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 13
- 230000001364 causal effect Effects 0.000 claims description 12
- 230000010339 dilation Effects 0.000 claims description 12
- 150000001875 compounds Chemical class 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000003416 augmentation Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000009472 formulation Methods 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000012733 comparative method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000009827 uniform distribution Methods 0.000 description 3
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开基于时序生成对抗网络的月度风光发电功率场景分析方法,步骤为:1)获取风电/光伏场站历史功率数据集合X;2)对风电/光伏场站历史功率数据集合X的数据进行聚类,得到K类日发电状态;3)随机生成Ns个月度风电/光伏发电功率转移过程,构成集合Tintra;4)将高斯白噪声和风电/光发电功率日状态输入时序生成对抗网络,生成风电/光伏月度发电功率场景集合S;5)建立考虑中长期电网需求的月度风光场景优化削减模型;6)利用启发式场景削减优化求解算法解算度风光场景优化削减模型,遴选出保留场景集合Ξ。本发明可广泛应用于含风光场站的电力系统月度运行计划的制定,能够为含新能源场站的电力系统运行问题分析提供有益的参考。
Description
技术领域
本发明涉及风电与光伏发电功率分析领域,具体是基于时序生成对抗网络的月度风光发电功率场景分析方法。
背景技术
近年来,风力和光伏发电发展迅猛,截至2020年底,我国风光装机总量已达到5.34亿千瓦,年新增装机容量1.20亿千瓦。毫无疑问,新能源渗透率的提高有利于促进电力系统的绿色发展。然而,风力和光伏发电功率的波动性和间歇性可能给电网带来冲击电压、潮流倒送、电压波形畸变等问题,并增加了电网的调度难度。
风光功率模拟按照时间尺度可分为超短期、短期、中长期模拟,其中,以月度为代表的中长期风光功率模拟是制定电量计划、中长期电量交易策略以及电力系统中长期运行方式的重要依据。
针对中长期风光功率模拟,场景分析方法是一种有效的手段。场景分析方法能够提供一个场景集合,其中每个场景均代表未来可能发生的一种情况。该方法不仅追求对风光功率预测的准确性,更强调展现影响电网运行与交易决策的关键不确定性因素,为电网运行人员提供未来可能发生的多种情况,因此更适用于月度风电/光伏发电功率的模拟。
现有方法中,未见基于时序生成对抗网络的月度风光发电功率模拟方法的报道。
发明内容
本发明的目的是提供基于时序生成对抗网络的月度风光发电功率场景分析方法,包括以下步骤:
1)获取风电/光伏场站历史功率数据集合X;
风电/光伏场站历史功率数据集合X的时间分辨率为rh,场站数量为Np,数据采集的起始年份为y1,终止年份为y2。
2)采用基于RV系数的K-means聚类算法对风电/光伏场站历史功率数据集合X的数据进行聚类,得到K类日发电状态;
对风电/光伏场站历史功率数据集合X的数据进行聚类的步骤包括:
2.1)从风电/光伏场站历史功率数据集合X={X1,X2,…,XN}中随机选择K个矩阵Xk作为初始聚类中心;k=1,2,…,K;
2.2)计算风电/光伏场站历史功率数据集合X中各矩阵Xi与聚类中心Xk的RV系数ρ(Xi,Xk),即:
式中,tr(·)代表矩阵的迹;diag(·)为矩阵对角元素;N为样本总量;上标-表示增广矩阵;上标’表示转置;
2.3)以最大RV系数对应的类别为矩阵Xi所属类别,并打上日状态类别标签;
2.4)更新每一类的聚类中心,并判断是否满足收敛条件;若是,则终止操作;否则,返回步骤2.2)继续迭代。所述收敛条件为聚类中心连续max次迭代不发生变化。
3)根据步骤2)的聚类结果,计算Markov状态转移概率矩阵 Pr和Markov累计状态转移概率矩阵Pcum,并采用Markov链Monte Carlo模拟法随机生成Ns个月度风电/光伏发电功率转移过程,构成集合Tintra;
随机生成月度风电/光伏发电功率转移过程的步骤包括:
3.1)根据K类日发电状态及对应频数,建立Markov状态转移概率矩阵Pr,即:
式中,pkl代表由状态k跳变到状态l的概率;l=1,2...,K;
概率pkl的最大似然估计如下所示:
式中,nkl为历史数据中由状态k跳变到状态l的天数;
3.2)基于矩阵Pr,建立Markov累积状态转移概率矩阵Pcum,即:
3.3)随机产生一个属于区间[1,K]的整数,作为风电/光伏发电功率转移过程的初始状态;
3.4)随机产生服从均匀分布的数r∈[0,1],设定当日风电/光伏出力为状态k,将数r与矩阵Pcum第k行元素进行比较,若 Pcum,kl<r≤Pcum,k(l+1),则认为下一日的光伏出力状态为l,否则下一日的光伏出力状态为r;
3.5)判断当前Markov链的日状态数是否达到30个;若是,即完成了单个月度发电过程的生成;否则,返回步骤3.2),继续抽取下一日的出力状态;
3.6)重复步骤3.4)-步骤3.5),直到获取Ns个月度风电/光伏发电功率转移过程。
4)将高斯白噪声和风电/光发电功率日状态输入时序生成对抗网络,生成风电/光伏月度发电功率场景集合S;
生成月度风电/光伏发电功率场景集合S的步骤包括:
4.1)随机生成高斯白噪声矩阵Z,其中每个元素均服从标准正态分布,矩阵维度为Nz×24,Nz为噪声的维度;
4.2)将每个日状态标签转换成维度为K×24的矩阵C;将每个日状态标签转换成维度为K×24的矩阵C的方法为:若该标签所指的日状态类别为k,则矩阵C的第k行元素为1,其余元素全部为0; k=1,2,…,K,K为日状态类别总数。
4.3)建立时序生成对抗网络,包括生成器和辨别器;
生成器和辨别器的损失函数分别如下所示:
LG=-ES[D(S|C)] (7)
式中,E[·]代表对应随机变量的期望值,D(·)为辨别器函数;LG、 LD分别表示生成器和辨别器的损失函数。
时序生成对抗网络的生成器和辨别器的结构包括缩放点积注意力机制网络层和时序卷积网络;
其中,缩放点积注意力机制网络层用于计算各场站的历史数据与输出场景的关联程度α,从而表征表征不同场站之间的空间相关性Att(xa);
关联程度α如下所示:
式中,xa代表缩放点积注意力机制网络层的输入矩阵,W为可学习的投影矩阵,dw为矩阵W的维度;softmax(·)是归一化函数;
空间相关性Att(xa)如下所示:
Att(xa)=αxa (10)
时序卷积网络的基本单元包括因果卷积模块、扩张卷积模块和残差连接模块;
因果卷积模块如下所示:
yt=gcausal(x0,x1,...,xt),t=0,1,...,T (11)
式中,xt为t时刻的输入功率,gcausal(·)为因果卷积操作,T为时间断面总数;yt为t时刻的场景功率值;
扩张卷积模块如下所示:
式中,DC(x)为滤波器对历史功率向量x中的元素x进行扩张卷积操作的结果,*δ为扩张卷积运算符,f(if)代表第if个滤波器,δ为扩张率,x-δ·if随if增大指向输入数据的时间轴负方向。
4.4)将矩阵Z与矩阵C输入时序生成对抗网络的生成器中,生成器输出场景矩阵S,其维度为Np×24,其中Np为风电/光伏场站数量;将场景矩阵S与风电/光伏历史功率矩阵Pobs输入到时序生成对抗网络的辨别器中,通过辨别器分辨矩阵S与矩阵Pobs是否为真实观测数据,并根据判断结果进行反向传播操作,更新辨别器和生成器的网络权重;
4.5)判断训练过程是否达到最大训练次数,若是,则可将此时的生成器用于月度风电/光伏发电功率场景的生成;否则,继续网络训练过程。
5)建立考虑中长期电网需求的月度风光场景优化削减模型;
月度风光场景优化削减模型如下所示:
式中,表示集合Ξ中第j个场景相对于集合S中的第 i个场景的信息保留度,N和分别表示集合S和Ξ中的场景个数; pi和pj分别为场景ξi和的概率;Corr∈[0,1]表示场景之间的概率相似度;Ppeak∈[0,1]、Ptrough∈[0,1]、E∈[0,1]分别表示场景对场景ξi各场站的日峰、谷出力和月电量信息的保留程度;
6)利用启发式场景削减优化求解算法解算度风光场景优化削减模型,遴选出保留场景集合Ξ。
求解场景优化削减模型包括如下步骤:
6.2)计算场景间的信息保留度和物理相似度;信息保留度IR(i, j)=IR(ξi,ξj),物理相似度PH(i,j)=Ppeak(ξi,ξj)+Ptrough(ξi,ξj)+E(ξi,ξj),其中,ξi,ξj∈Ξ;将所有场景间的信息保留度写入矩阵IR中;
本发明的技术效果是毋庸置疑的,本发明可广泛应用于含风电和光伏场站的电力系统月度运行计划、月度电量交易的制定,能够为含新能源的电力系统运行和电力市场交易问题分析提供有益的参考。
附图说明
图1为本发明流程图;
图2为因果扩张卷积示意图;
图3为时序生成对抗网络结构图;
图4为光伏场景与历史数据的时空相关性对比;图4(a)为光伏场景与历史数据的时间相关性对比,图4(b)为历史数据空间相关性对比,图4(c)为光伏场景空间相关性对比;
图5为月度风光发电功率场景削减结果;图5(a)为风电保留场景I;图5(b)为风电保留场景II;图5(c)为风电保留场景III;图5(d)为光伏保留场景I;图5(e)为光伏保留场景II;图5(f) 为光伏保留场景III。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1至图5,基于时序生成对抗网络的月度风光发电功率场景分析方法,包括以下步骤:
1)获取风电/光伏场站历史功率数据集合X;
风电/光伏场站历史功率数据集合X的时间分辨率为rh,场站数量为Np,数据采集的起始年份为y1,终止年份为y2。
2)采用基于RV系数的K-means聚类算法对风电/光伏场站历史功率数据集合X的数据进行聚类,得到K类日发电状态;
对风电/光伏场站历史功率数据集合X的数据进行聚类的步骤包括:
2.1)从风电/光伏场站历史功率数据集合X={X1,X2,…,XN}中随机选择K个矩阵Xk作为初始聚类中心;k=1,2,…,K;
2.2)计算风电/光伏场站历史功率数据集合X中各矩阵Xi与聚类中心Xk的RV系数ρ(Xi,Xk),即:
式中,tr(·)代表矩阵的迹;diag(·)为矩阵对角元素;N为样本总量;上标-表示增广矩阵;上标’表示转置;
2.3)以最大RV系数对应的类别为矩阵Xi所属类别,并打上日状态类别标签;
2.4)更新每一类的聚类中心,并判断是否满足收敛条件,即:聚类中心连续max=5次迭代不发生变化;若是,则终止操作;否则,返回步骤2.2)继续迭代。
3)根据步骤2)的聚类结果,计算Markov状态转移概率矩阵 Pr和Markov累计状态转移概率矩阵Pcum,并采用Markov链Monte Carlo模拟法随机生成Ns个月度风电/光伏发电功率转移过程,构成集合Tintra;
随机生成月度风电/光伏发电功率转移过程的步骤包括:
3.1)根据K类日发电状态及对应频数,建立Markov状态转移概率矩阵Pr,即:
式中,pkl代表由状态k跳变到状态l的概率;l=1,2...,K;
概率pkl的最大似然估计如下所示:
式中,nkl为历史数据中由状态k跳变到状态l的天数;
3.2)基于矩阵Pr,建立Markov累积状态转移概率矩阵Pcum,即:
3.3)随机产生一个属于区间[1,K]的整数,作为风电/光伏发电功率转移过程的初始状态;
3.4)随机产生服从均匀分布的数r∈[0,1],设定当日风电/光伏出力为状态k,将数r与矩阵Pcum第k行元素进行比较,若 Pcum,kl<r≤Pcum,k(l+1),则认为下一日的光伏出力状态为l,否则下一日的光伏出力状态为r;
3.5)判断当前Markov链的日状态数是否达到30个;若是,即完成了单个月度发电过程的生成;否则,返回步骤3.2),继续抽取下一日的出力状态;
3.6)重复步骤3.4)-步骤3.5),直到获取Ns个月度风电/光伏发电功率转移过程。
4)将高斯白噪声和风电/光发电功率日状态输入时序生成对抗网络,生成风电/光伏月度发电功率场景集合S;
生成月度风电/光伏发电功率场景集合S的步骤包括:
4.1)随机生成高斯白噪声矩阵Z,其中每个元素均服从标准正态分布,矩阵维度为Nz×24,Nz为噪声的维度;
4.2)将每个日状态标签转换成维度为K×24的矩阵C;将每个日状态标签转换成维度为K×24的矩阵C的方法为:若该标签所指的日状态类别为k,则矩阵C的第k行元素为1,其余元素全部为0; k=1,2,…,K,K为日状态类别总数。
4.3)建立时序生成对抗网络,包括生成器和辨别器;
生成器和辨别器的损失函数分别如下所示:
LG=-ES[D(S|C)] (7)
式中,E[·]代表对应随机变量的期望值,D(·)为辨别器函数;LG、 LD分别表示生成器和辨别器的损失函数。
时序生成对抗网络的生成器和辨别器的结构包括缩放点积注意力机制网络层和时序卷积网络;
其中,缩放点积注意力机制网络层用于计算各场站的历史数据与输出场景的关联程度α,从而表征表征不同场站之间的空间相关性Att(xa);
关联程度α如下所示:
式中,xa代表缩放点积注意力机制网络层的输入矩阵,W为可学习的投影矩阵,dw为矩阵W的维度;softmax(·)是归一化函数;
空间相关性Att(xa)如下所示:
Att(xa)=αxa (10)
时序卷积网络的基本单元包括因果卷积模块、扩张卷积模块和残差连接模块;
因果卷积模块如下所示:
yt=gcausal(x0,x1,...,xt),t=0,1,...,T (11)
式中,xt为t时刻的输入功率,gcausal(·)为因果卷积操作,T为时间断面总数;yt为t时刻的场景功率值;
扩张卷积模块如下所示:
式中,DC(x)为滤波器对历史功率向量x中的元素x进行扩张卷积操作的结果,*δ为扩张卷积运算符,f(if)代表第if个滤波器,δ为扩张率,x-δ·if随if增大指向输入数据的时间轴负方向。
4.4)将矩阵Z与矩阵C输入时序生成对抗网络的生成器中,生成器输出场景矩阵S,其维度为Np×24,其中Np为风电/光伏场站数量;将场景矩阵S与风电/光伏历史功率矩阵Pobs输入到时序生成对抗网络的辨别器中,通过辨别器分辨矩阵S与矩阵Pobs是否为真实观测数据,并根据判断结果进行反向传播操作,更新辨别器和生成器的网络权重;
4.5)判断训练过程是否达到最大训练次数,若是,则可将此时的生成器用于月度风电/光伏发电功率场景的生成;否则,继续网络训练过程。
5)建立考虑中长期电网需求的月度风光场景优化削减模型;
月度风光场景优化削减模型如下所示:
式中,表示集合Ξ中第j个场景相对于集合S中的第 i个场景的信息保留度,N和分别表示集合S和Ξ中的场景个数; pi和pj分别为场景ξi和的概率;Corr∈[0,1]表示场景之间的概率相似度;Ppeak∈[0,1]、Ptrough∈[0,1]、E∈[0,1]分别表示场景对场景ξi各场站的日峰、谷出力和月电量信息的保留程度;
6)利用启发式场景削减优化求解算法解算度风光场景优化削减模型,遴选出保留场景集合Ξ。
求解场景优化削减模型包括如下步骤:
6.2)计算场景间的信息保留度和物理相似度;信息保留度IR(i, j)=IR(ξi,ξj),物理相似度PH(i,j)=Ppeak(ξi,ξj)+Ptrough(ξi,ξj)+E(ξi,ξj),其中,ξi,ξj∈Ξ;将所有场景间的信息保留度写入矩阵IR中;
实施例2:
在考虑风光场站历史出力数据的基础上,模拟我国东北某地的多座风光场站的月度发电功率出力场景集合,从而验证基于时序生成对抗网络的月度风光发电功率场景分析方法,具体实施步骤如下:
1)输入数据:我国东北某地的6座风电场和6座光伏电站的历史时序功率数据集X,数据的时间分辨率为rh=1小时,场站数量为 Np=6座,数据采集的起始年份为y1=2013年,终止年份为y2=2018 年;时序生成对抗网络中残差模块的叠加次数分别为ND=5,NG=8;训练中选用的梯度下降算法为RMSProp,学习率为lr=0.0005,批大小BS=32。
2)基于历史功率数据集合X,采用基于RV系数的K-means聚类算法,将风电/光伏历史功率数据划分为K=5类日发电状态,聚类的步骤包括:
2.1)从风电/光伏历史发电功率集合X={X1,X2,…,XN}中随机选择 K个矩阵Xk(k=1,2,…,5),作为初始聚类中心;
2.2)计算集合X中各矩阵Xi与聚类中心Xk的RV系数:
式中,tr(·)代表矩阵的迹,diag(·)为矩阵对角元素,N=2190为样本总量;
2.3)将聚类对象Xi归入与相应聚类中心计算所得RV系数最大的类;
2.4)更新每一类的聚类中心,并判断是否满足收敛条件,即:聚类中心连续5次迭代不发生变化。若是,则终止操作;否则,返回步骤2.2继续迭代。
3)将风电/光伏场站发电功率的日状态转移视为Markov过程,根据聚类结果,计算Markov状态转移概率矩阵Pr和Markov累计状态转移概率矩阵Pcum,并采用Markov链MonteCarlo模拟法随机抽取Ns=1000个月度风电/光伏发电功率转移过程,构成集合Tintra,包括以下步骤:
3.1)根据聚类结果所得的日出力状态及其频数,可以得到 Markov状态转移概率矩阵Pr:
式中,矩阵元素pkl代表由状态k跳变到状态l的概率,其最大似然估计为:
式中,nkl为历史数据中由状态k跳变到状态l的天数;
3.2)基于矩阵Pr,由下式可得到Markov累积状态转移概率矩阵Pcum:
3.3)随机产生一个属于区间[1,5]的整数,作为风电/光伏发电功率转移过程的初始状态;
3.4)随机产生服从均匀分布的数r∈[0,1],假设当日风电/光伏出力为状态k,将数r与Pcum第k行元素进行比较,若 Pcum,kl<r≤Pcum,k(l+1),则认为下一日的光伏出力状态为l;
3.5)判断当前Markov链的日状态数是否达到30个;若是,即完成了单个月度发电过程的生成;否则,返回步骤2,继续抽取下一日的出力状态;
3.6)重复步骤3.4-3.5,直到集合内的月度发电过程个数满足要求为止。
4)将高斯白噪声和日状态标签输入以注意力机制和时序卷积网络为主要结构的时序生成对抗网络中,生成月度风电/光伏发电功率场景集合S;
4.1)随机生成高斯白噪声矩阵Z,其中每个元素均服从标准正态分布,矩阵维度为Nz×24,Nz=30为噪声的维度;将每个日状态标签转换成维度为5×24的矩阵C,转换方法为:若该标签所指的日状态类别为k(k=1,2,…,K,K=5为日状态类别总数),则矩阵C的第k 行元素为1,其余元素全部为0;
4.2)将矩阵Z与矩阵C输入时序生成对抗网络的生成器中,生成器输出场景矩阵S,其维度为Np×24,其中Np=6为风电/光伏场站数量;场景矩阵S与风电/光伏历史功率矩阵Pobs输入到时序生成对抗网络的辨别器中,通过辨别器分辨矩阵S与矩阵Pobs是否为真实观测数据;
4.3)生成器和辨别器的损失函数分别为:
LG=-ES[D(S|C)] (6)
式中,E[·]代表对应随机变量的期望值,D(·)为辨别器函数;
4.4)时序生成对抗网络的训练过程可视为极小极大博弈,训练的目标为:
4.5)作为时序生成对抗网络的主要结构之一,缩放卷积注意力机制的基本原理和作用为:将矩阵xa输入到缩放点积注意力机制层中,计算各场站的历史数据与输出场景的关联程度,用于表征不同场站之间的空间相关性,其匹配度权重α的计算公式为:
式中,xa代表注意力机制的输入矩阵,W为可学习的投影矩阵, dw=24为矩阵W的维度;softmax(·)是归一化函数;将权重α与输入数据相乘得到注意力机制的输出矩阵Att(xa),即可区分不同场站之间的空间相关性:
Att(xa)=αxa (10)
4.6)作为时序生成对抗网络的主要结构之二,时序卷积网络的基本原理和作用为:时序卷积网络以一维卷积为基础,结合因果卷积、扩张卷积和残差连接,使卷积网络具有处理时序信息的能力;
因果卷积的作用是,使卷积网络层间的数据具有时序关联,进而使t时刻的场景功率值yt仅由0至t时刻的历史功率信息决定,其数学表达为:
yt=gcausal(x0,x1,...,xt),t=0,1,...,T (11)
式中,xt为t时刻的输入功率,gcausal(·)为因果卷积操作,T=24 为时间断面总数;
扩张卷积的作用是,在卷积核中加入空洞,扩大感受野的范围,使时序卷积网络无需过深也能提取完整的历史信息,扩张卷积操作可由下式表示:
式中,DC(x)为滤波器对历史功率向量x中的元素x进行扩张卷积操作的结果,*δ为扩张卷积运算符,f(if)代表第if个滤波器,δ为扩张率,x-δ·if随if增大指向输入数据的时间轴负方向;如图1所示,其中的因果扩张卷积网络扩张率δ=1,2,4,卷积核尺寸k=3,隐含层层数为2;
残差连接的作用是,提高网络对风电/光伏发电功率特征的表达能力,使网络输出融合历史功率与卷积操作的信息;因果扩张卷积结合残差连接构成残差模块,可作为深度时序卷积网络的基本单元;
4.7)基于上述主要结构构建的用于生成风电/光伏发电功率场景的时序生成对抗网络如图2所示,其中虚线框内为残差模块,每个残差模块由3个相同的时序卷积网络(TCN)模块组成,其结构如左侧展开图所示。残差模块在辨别器和生成器中分别叠加ND=5和 NG=8次,组成深度时序卷积网络,并按照距输入端由近到远的方向,被编号为l=1,2,…,ND(NG)。
5)以电网中长期需求和削减前后场景集的数学相似度为优化目标,以削减前后场景的概率之和为约束条件,建立优化模型,用于缩减场景集合S的规模,从中遴选保留场景集Ξ:
式中,表示集合Ξ中第j个场景相对于集合S中的第 i个场景的信息保留度,N和分别表示集合S和Ξ中的场景个数; pi和pj分别为场景ξi和的概率。Corr∈[0,1]表示场景之间的概率相似度,数值越大,则场景的概率相似度越显著;Ppeak、Ptrough、E 分别表示场景对场景ξi各场站的日峰、谷出力和月电量信息的保留程度,数值均在[0,1]之间,且数值越小表示保留程度越高;上述 4个指标的计算公式为:
6)采用启发式场景削减优化求解算法,求解场景优化削减模型,包括如下步骤:
6.2)计算指标:基于公式(13)、(16)-(19),计算场景间的信息保留度和物理相似度,IR(i,j)=IR(ξi,ξj),PH(i,j)=Ppeak(ξi,ξj)+Ptrough(ξi, ξj)+E(ξi,ξj),其中,ξi,ξj∈Ξ;
7)量化本专利所生成场景集的概率特征和时空特征:
7.1)Wasserstein距离:用于评价场景集合对于场站发电功率历史观测数据的概率分布拟合精度,计算公式为:
Ws(g(x),h(x))=∫|g(x)-h(x)|dx (20)
式中,g(x)和h(x)分别代表场站历史出力数据的概率分布和该场站场景集的概率分布。
7.2)自相关系数:自相关系数ACFλ反映了光伏出力序列在时延为λ时的时间相关性,计算公式为:
7.3)Spearman秩相关系数:Spearman秩相关系数ρ能够反映场站出力间的非线性空间相关性,计算公式为:
7.4)基于7.1给出的指标,将本专利所提场景生成方法与如下两个现有方法进行对比:
对比方法1:拟合各风光场站历史发电功率的概率分布,采用经验概率分布法生成月度风光功率场景集合;
对比方法2:基于自回归集合滑动平均模型(ARIMA)的月度风光发电功率场景生成方法;由三个方法的仿真结果计算出的 Wasserstein距离如表1所示。
表1 Wasserstein距离仿真结果
指标 | 本方法 | 对比方法1 | 对比方法2 |
光伏场景 | 0.4688 | 0.9225 | 1.1200 |
降低率 | — | 49.18% | 58.14% |
风电场景 | 1.0603 | 1.2327 | 1.6609 |
降低率 | — | 13.99% | 36.16% |
分析表1可知,相对于对比方法1-2,所提场景生成方法在各项指标均有明显提升,可以证明本专利方法相对于现有方法的有效性。
根据7.2-7.3给出的指标,可做出时延λ=0,1,…,23下的功率观测数据和场景数据的自相关系数对比图;并可做出观测数据和场景数据的空间相关性矩阵对比图。由图可见,本方法能够较好的还原真实数据的时空相关特性。
8)基于公式(13)、(16)-(19)所示指标,以本专利所提方法生成的风电/光伏月度场景集合为输入数据,将本专利所提场景削减方法与如下两个现有方法进行对比:
对比方法1:以场景间的Kantorovich距离最小为削减目标,采用后向削减法得到保留场景。
对比方法2:基于K-means聚类算法削减场景集。
三个方法的仿真结果如表2所示。
表2场景削减方法对比
分析表2可知,相对于对比方法1-2,所提场景削减方法在各项指标均有明显提升,可以证明本专利方法相对于现有方法的有效性。
图4展示了由本专利所提削减方法得到的部分月度风/光场景。从中可以看出,本方法能够保证保留集合的场景多样性。
Claims (10)
1.基于时序生成对抗网络的月度风光发电功率场景分析方法,其特征在于,包括以下步骤:
1)获取所述风电/光伏场站历史功率数据集合X。
2)采用基于RV系数的K-means聚类算法对风电/光伏场站历史功率数据集合X的数据进行聚类,得到K类日发电状态;
3)根据步骤2)的聚类结果,计算Markov状态转移概率矩阵Pr和Markov累计状态转移概率矩阵Pcum,并采用Markov链Monte Carlo模拟法随机生成Ns个月度风电/光伏发电功率转移过程,构成集合Tintra;
4)将高斯白噪声和风电/光发电功率日状态输入时序生成对抗网络,生成风电/光伏月度发电功率场景集合S;
5)建立考虑中长期电网需求的月度风光场景优化削减模型;
6)利用启发式场景削减优化求解算法解算度风光场景优化削减模型,遴选出保留场景集合Ξ。
2.根据权利要求1所述的基于时序生成对抗网络的月度风光发电功率场景分析方法,其特征在于:风电/光伏场站历史功率数据集合X的时间分辨率为rh,场站数量为Np,数据采集的起始年份为y1,终止年份为y2。
3.根据权利要求1或2所述的基于时序生成对抗网络的月度风光发电功率场景分析方法,其特征在于,对风电/光伏场站历史功率数据集合X的数据进行聚类的步骤包括:
1)从风电/光伏场站历史功率数据集合X={X1,X2,…,XN}中随机选择K个矩阵Xk作为初始聚类中心;k=1,2,…,K;
2)计算风电/光伏场站历史功率数据集合X中各矩阵Xi与聚类中心Xk的RV系数ρ(Xi,Xk),即:
式中,tr(·)代表矩阵的迹;diag(·)为矩阵对角元素;N为样本总量;上标-表示增广矩阵;上标’表示转置;
3)以最大RV系数对应的类别为矩阵Xi所属类别,并打上日状态类别标签;
4)更新每一类的聚类中心,并判断是否满足收敛条件;若是,则终止操作;否则,返回步骤2)继续迭代;所述收敛条件为聚类中心连续max次迭代不发生变化。
4.根据权利要求1或3所述的基于时序生成对抗网络的月度风光发电功率场景分析方法,其特征在于,随机生成月度风电/光伏发电功率转移过程的步骤包括:
1)根据K类日发电状态及对应频数,建立Markov状态转移概率矩阵Pr,即:
式中,pkl代表由状态k跳变到状态l的概率;l=1,2...,K;
概率pkl的最大似然估计如下所示:
式中,nkl为历史数据中由状态k跳变到状态l的天数;
2)基于矩阵Pr,建立Markov累积状态转移概率矩阵Pcum,即:
3)随机产生一个属于区间[1,K]的整数,作为风电/光伏发电功率转移过程的初始状态;
4)随机产生服从均匀分布的数r∈[0,1],设定当日风电/光伏出力为状态k,将数r与矩阵Pcum第k行元素进行比较,若Pcum,kl<r≤Pcum,k(l+1),则认为下一日的光伏出力状态为l,否则下一日的光伏出力状态为r;
5)判断当前Markov链的日状态数是否达到30个;若是,即完成了单个月度发电过程的生成;否则,返回步骤2),继续抽取下一日的出力状态;
6)重复步骤4)-步骤5),直到获取Ns个月度风电/光伏发电功率转移过程。
5.根据权利要求1所述的基于时序生成对抗网络的月度风光发电功率场景分析方法,其特征在于,生成月度风电/光伏发电功率场景集合S的步骤包括:
1)随机生成高斯白噪声矩阵Z,其中每个元素均服从标准正态分布,矩阵维度为Nz×24,Nz为噪声的维度;
2)将每个日状态标签转换成维度为K×24的矩阵C;
3)建立时序生成对抗网络,包括生成器和辨别器;
4)将矩阵Z与矩阵C输入时序生成对抗网络的生成器中,生成器输出场景矩阵S,其维度为Np×24,其中Np为风电/光伏场站数量;将场景矩阵S与风电/光伏历史功率矩阵Pobs输入到时序生成对抗网络的辨别器中,通过辨别器分辨矩阵S与矩阵Pobs是否为真实观测数据,并根据判断结果进行反向传播操作,更新辨别器和生成器的网络权重;
5)判断训练过程是否达到最大训练次数,若是,则将此时的生成器用于月度风电/光伏发电功率场景的生成;否则,继续网络训练过程。
6.根据权利要求5所述的基于时序生成对抗网络的月度风光发电功率场景分析方法,其特征在于,将每个日状态标签转换成维度为K×24的矩阵C的方法为:若该标签所指的日状态类别为k,则矩阵C的第k行元素为1,其余元素全部为0;k=1,2,…,K,K为日状态类别总数。
8.根据权利要求5所述的基于时序生成对抗网络的月度风光发电功率场景分析方法,其特征在于,时序生成对抗网络的生成器和辨别器的结构包括缩放点积注意力机制网络层和时序卷积网络;
其中,缩放点积注意力机制网络层用于计算各场站的历史数据与输出场景的关联程度α,从而表征表征不同场站之间的空间相关性Att(xa);
关联程度α如下所示:
式中,xa代表缩放点积注意力机制网络层的输入矩阵,W为可学习的投影矩阵,dw为矩阵W的维度;softmax(·)是归一化函数;
空间相关性Att(xa)如下所示:
Att(xa)=αxa (10)
时序卷积网络的基本单元包括因果卷积模块、扩张卷积模块和残差连接模块;
因果卷积模块如下所示:
yt=gcausal(x0,x1,...,xt),t=0,1,...,T (11)
式中,xt为t时刻的输入功率,gcausal(·)为因果卷积操作,T为时间断面总数;yt为t时刻的场景功率值;
扩张卷积模块如下所示:
式中,DC(x)为滤波器对历史功率向量x中的元素x进行扩张卷积操作的结果,*δ为扩张卷积运算符,f(if)代表第if个滤波器,δ为扩张率。
9.根据权利要求1所述的基于时序生成对抗网络的月度风光发电功率场景分析方法,其特征在于,月度风光场景优化削减模型如下所示:
式中,表示集合Ξ中第j个场景相对于集合S中的第i个场景的信息保留度,N和分别表示集合S和Ξ中的场景个数;pi和pj分别为场景ξi和的概率;Corr∈[0,1]表示场景之间的概率相似度;Ppeak∈[0,1]、Ptrough∈[0,1]、E∈[0,1]分别表示场景对场景ξi各场站的日峰、谷出力和月电量信息的保留程度;
10.根据权利要求1所述的基于时序生成对抗网络的月度风光发电功率场景分析方法,其特征在于,求解场景优化削减模型包括如下步骤:
2)计算场景间的信息保留度和物理相似度;信息保留度IR(i,j)=IR(ξi,ξj),物理相似度PH(i,j)=Ppeak(ξi,ξj)+Ptrough(ξi,ξj)+E(ξi,ξj),其中,ξi,ξj∈Ξ;将所有场景间的信息保留度写入矩阵IR中;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110345017.0A CN113191918B (zh) | 2021-03-31 | 2021-03-31 | 基于时序生成对抗网络的月度风光发电功率场景分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110345017.0A CN113191918B (zh) | 2021-03-31 | 2021-03-31 | 基于时序生成对抗网络的月度风光发电功率场景分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191918A true CN113191918A (zh) | 2021-07-30 |
CN113191918B CN113191918B (zh) | 2024-04-23 |
Family
ID=76974660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110345017.0A Active CN113191918B (zh) | 2021-03-31 | 2021-03-31 | 基于时序生成对抗网络的月度风光发电功率场景分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191918B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114021437A (zh) * | 2021-10-26 | 2022-02-08 | 清华大学 | 一种风电光伏有功场景生成方法、装置、电子设备和存储介质 |
CN114066236A (zh) * | 2021-11-16 | 2022-02-18 | 国家电网公司西南分部 | 风光有功出力场景生成方法、装置、电子设备及存储介质 |
CN114119803A (zh) * | 2022-01-27 | 2022-03-01 | 浙江大学 | 一种基于因果图谱的场景图像生成方法 |
CN116842409A (zh) * | 2023-08-28 | 2023-10-03 | 南方电网数字电网研究院有限公司 | 新能源发电场景生成方法、装置、计算机设备和存储介质 |
CN117291445A (zh) * | 2023-11-27 | 2023-12-26 | 国网安徽省电力有限公司电力科学研究院 | 一种综合能源系统下基于状态转移的多目标预测方法 |
CN117370825A (zh) * | 2023-10-11 | 2024-01-09 | 国网经济技术研究院有限公司 | 基于注意力条件生成对抗网络的长期场景生成方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783841A (zh) * | 2018-11-28 | 2019-05-21 | 河海大学 | 一种基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法 |
CN111293681A (zh) * | 2020-01-22 | 2020-06-16 | 重庆大学 | 一种基于RankBoost的光伏场站出力波动性量化评价方法 |
CN111709555A (zh) * | 2020-05-22 | 2020-09-25 | 广西电网有限责任公司 | 一种分布式电源优化配置的方法及系统 |
US20210037044A1 (en) * | 2019-07-30 | 2021-02-04 | General Electric Company | Resilient estimation for grid situational awareness |
-
2021
- 2021-03-31 CN CN202110345017.0A patent/CN113191918B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783841A (zh) * | 2018-11-28 | 2019-05-21 | 河海大学 | 一种基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法 |
US20210037044A1 (en) * | 2019-07-30 | 2021-02-04 | General Electric Company | Resilient estimation for grid situational awareness |
CN111293681A (zh) * | 2020-01-22 | 2020-06-16 | 重庆大学 | 一种基于RankBoost的光伏场站出力波动性量化评价方法 |
CN111709555A (zh) * | 2020-05-22 | 2020-09-25 | 广西电网有限责任公司 | 一种分布式电源优化配置的方法及系统 |
Non-Patent Citations (2)
Title |
---|
李康平;张展耀;王飞;姜利辉;张晶晶;俞伊丽;米增强;: "基于GAN场景模拟与条件风险价值的独立型微网容量随机优化配置模型", 电网技术, no. 05, 5 May 2019 (2019-05-05), pages 1717 - 1725 * |
李辉;任洲洋;胡博;王强钢;李文沅;: "基于时序生成对抗网络的月度风光发电功率场景分析方法", 中国电机工程学报, vol. 42, no. 2, 29 June 2021 (2021-06-29), pages 537 - 548 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114021437A (zh) * | 2021-10-26 | 2022-02-08 | 清华大学 | 一种风电光伏有功场景生成方法、装置、电子设备和存储介质 |
CN114021437B (zh) * | 2021-10-26 | 2024-04-12 | 清华大学 | 一种风电光伏有功场景生成方法、装置、电子设备和存储介质 |
CN114066236A (zh) * | 2021-11-16 | 2022-02-18 | 国家电网公司西南分部 | 风光有功出力场景生成方法、装置、电子设备及存储介质 |
CN114119803A (zh) * | 2022-01-27 | 2022-03-01 | 浙江大学 | 一种基于因果图谱的场景图像生成方法 |
CN116842409A (zh) * | 2023-08-28 | 2023-10-03 | 南方电网数字电网研究院有限公司 | 新能源发电场景生成方法、装置、计算机设备和存储介质 |
CN116842409B (zh) * | 2023-08-28 | 2024-02-20 | 南方电网数字电网研究院有限公司 | 新能源发电场景生成方法、装置、计算机设备和存储介质 |
CN117370825A (zh) * | 2023-10-11 | 2024-01-09 | 国网经济技术研究院有限公司 | 基于注意力条件生成对抗网络的长期场景生成方法及系统 |
CN117291445A (zh) * | 2023-11-27 | 2023-12-26 | 国网安徽省电力有限公司电力科学研究院 | 一种综合能源系统下基于状态转移的多目标预测方法 |
CN117291445B (zh) * | 2023-11-27 | 2024-02-13 | 国网安徽省电力有限公司电力科学研究院 | 一种综合能源系统下基于状态转移的多目标预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113191918B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191918A (zh) | 基于时序生成对抗网络的月度风光发电功率场景分析方法 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
CN109146162B (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
CN105868853B (zh) | 一种短期风电功率组合概率预测方法 | |
CN111260126B (zh) | 计及天气与气象因子关联度的短期光伏发电预测方法 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
CN110909911B (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
CN108280545A (zh) | 一种基于k均值聚类神经网络的光伏功率预测方法 | |
CN113141008B (zh) | 一种数据驱动的配电网分布式新能源消纳能力评估方法 | |
CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
CN105608271A (zh) | 一种基于分解与优化的短期风速时序预测方法 | |
CN115481791A (zh) | 一种水风光发电功率联合预测方法、装置和设备 | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
CN112100911A (zh) | 一种基于深度bisltm的太阳辐射预测方法 | |
CN107403244A (zh) | 基于人工神经网络改进灰色模型的短期风速预测方法 | |
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 | |
CN117498296A (zh) | 基于注意力时空同步图卷积网络的多风电场功率预测方法 | |
CN104834816A (zh) | 一种短期风速预测方法 | |
CN112418504A (zh) | 一种基于混合变量选择优化深度信念网络风速预测方法 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
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 | |
CN115392387B (zh) | 一种低压分布式光伏发电出力预测方法 | |
CN115456286A (zh) | 一种短期光伏功率预测方法 | |
CN116559975A (zh) | 一种基于多元时间序列图神经网络的多步长气象预测方法 | |
CN115936062A (zh) | 基于场景生成与深度学习的光伏功率日前区间预测方法 |
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 |