CN113962440A - 一种融合dpc和gru的光伏预测方法和系统 - Google Patents
一种融合dpc和gru的光伏预测方法和系统 Download PDFInfo
- Publication number
- CN113962440A CN113962440A CN202111127581.1A CN202111127581A CN113962440A CN 113962440 A CN113962440 A CN 113962440A CN 202111127581 A CN202111127581 A CN 202111127581A CN 113962440 A CN113962440 A CN 113962440A
- Authority
- CN
- China
- Prior art keywords
- data
- gru
- weight
- neural network
- network model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003062 neural network model Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000010276 construction Methods 0.000 claims description 21
- 238000007621 cluster analysis Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种融合DPC和GRU的光伏预测方法和系统,该方法包括以下步骤:获取光伏机组各项指标的历史数据;计算各项指标的主、客观权重占比,并对数据进行加权;利用DPC算法对加权后的数据进行聚类分析;利用聚类分析后的数据训练GRU神经网络模型;利用所述GRU神经网络模型进行光伏预测。本发明对各项指标数据依次进行组合加权和聚类,采用综合加权的方法可以避免主观权重所附带的主观性和客观权重对数据的依赖性,提高与光伏发电强相关因素的权重,同时利用密度峰值聚类算法依照时间和天气因素对光伏机组数据进行聚类,提高预测模型的精度。
Description
技术领域
本发明属于光伏发电领域,特别涉及一种融合DPC和GRU的光伏预测方法和系统。
背景技术
光伏发电在新能源发电行业中占较为重要的地位,在2007年到2020年间,全球光伏系统的装机容量已从8GW增加到744GW,根据国际能源署政策形式,这一增长趋势还将持续到2040年。
目前光伏预测技术主要是采用相似日聚类数据结合神经网络进行预测,以及依靠气象数据直接应用神经网络进行预测两种。
相似日聚类是将相似度较高的预测日数据聚成一类,而后进行预测;气象数据预测以气象数据和辐照数据为输入,建立发电功率预测模型从而预测短期光伏发电量。
通过气象数据和辐照数据直接建立的模型对天气条件变化幅度大的情况预测精度较低;而预测日聚类虽然能保证精度,但需对数据进行筛选,不适用于自然条件下多变的预测数据。
发明内容
针对上述问题,本发明采用的技术方案是:一种融合DPC和GRU的光伏预测方法,包括以下步骤:
获取光伏机组各项指标的历史数据;
计算各项指标的主、客观权重占比,并对数据进行加权;
利用DPC算法对加权后的数据进行聚类分析;
利用聚类分析后的数据训练GRU神经网络模型;
利用所述GRU神经网络模型进行光伏预测。
可选地,所述数据包括光伏机组光伏出力功率时间序列历史数据以及所对应的气象数据。
可选地,在计算主、客观权重占比的步骤中,包括以下步骤:
利用层次分析法设计主观权重值;
利用熵权法计算客观权重值;
基于聚类效果目标函数计算主、客观权重比值最优解。
可选地,在设计主观权重值的步骤中,包括以下步骤:
通过主观赋予每两项指标间的重要性关系标度,并得到构造矩阵;
对所述构造矩阵进行一致性检验;
若通过一致性检验,则基于所述构造矩阵的最大特征值计算特征向量,归一化后得出主观权重值。
可选地,在设计主观权重值的步骤中,还包括以下步骤:
若未通过一致性检验,则重复赋予重要性关系标度的步骤,直至构造矩阵通过一致性检验。
可选地,在计算客观权重值的步骤中,包括以下步骤:
对数据进行标准化处理,对数值越大越好的指标记为正面指标,数值越小越好的指标记为负面指标,其中,正面指标和负面指标依次为:
根据公式计算指标j下第i个数据所占比重pij,公式为:
根据公式计算第j个指标的信息熵ej,公式为:
根据公式计算第j个指标的权重wj,公式为:
计算客观权重w2=[w1,w2,…,wn]。
可选地,在基于聚类效果目标函数计算主、客观权重比值最优解的步骤中,包括以下步骤:
根据聚类效果,构造目标函数,所述目标函数为:
通过粒子群优化算法找出使目标函数最小的α,且0<α<1;
根据公式计算出综合权重值,公式为:
其中,w1为主观权重值,w2为客观权重值;
通过所述综合权重值对数据进行加权。
可选地,在进行聚类分析的步骤中,具体为:
根据公式计算局部密度ρ和中心距离δ,公式为:
其中,dij表示i,j间的欧氏距离,i、j表示数据集中任意不相同的两个点,dc表示截断距离,dc的选取应使数据集内的每个点周围邻居点数仅为数据集总点数的1%~2%;
若数据点i不是密度最大的点时,根据公式找到所有比i点处密度的点中与i最近的点,公式为:
若数据点i是密度最大的点时,根据公式找到所有比i点处密度的点中与i最近的点,公式为:
以ρ、δ分别作为横纵坐标绘制决策图;
然后将所有集外的点按照与集中心间的欧氏距离分配给最近的数据集。
可选地,在训练GRU神经网络模型的步骤中,包括以下步骤:
将聚类分析后的数据划分为训练集和测试集;
用训练集训练GRU神经网络模型;
用测试集验证GRU神经网络模型的精度;
判断GRU神经网络模型的精度是否满足要求,若不满足,则重复训练GRU神经网络模型和验证GRU神经网络模型精度的步骤,直至GRU神经网络模型的精度满足要求。
以及,一种融合DPC和GRU的光伏预测系统,包括:
数据采集模块,用于获取光伏机组各项指标的历史数据;
权重分析模块,用于计算各项指标的主、客观权重占比,并对数据进行加权;
聚类分析模块,用于利用DPC算法对加权后的数据进行聚类分析;
模型训练模块,用于利用聚类分析后的数据训练GRU神经网络模型;
预测模块,用于利用所述GRU神经网络模型进行光伏预测。
可选地,所述数据包括光伏机组光伏出力功率时间序列历史数据以及所对应的气象数据。
可选地,所述权重分析模块在计算各项指标的主、客观权重占比时,包括以下步骤:
利用层次分析法设计主观权重值;
利用熵权法计算客观权重值;
基于聚类效果目标函数计算主、客观权重比值最优解。
可选地,在所述权重分析模块设计主观权重值时,包括以下步骤:
通过主观赋予每两项指标间的重要性关系标度,并得到构造矩阵;
对所述构造矩阵进行一致性检验;
若通过一致性检验,则基于所述构造矩阵的最大特征值计算特征向量,归一化后得出主观权重值。
可选地,在所述模型训练模块训练GRU神经网络模型时,包括以下步骤:
将聚类分析后的数据划分为训练集和测试集;
用训练集训练GRU神经网络模型;
用测试集验证GRU神经网络模型的精度;
判断GRU神经网络模型的精度是否满足要求,若不满足,则重复训练GRU神经网络模型和验证GRU神经网络模型精度的步骤,直至GRU神经网络模型的精度满足要求。
本发明由于采用上述技术方案,使其具有以下有益效果:本发明对各项指标数据依次进行组合加权和聚类,采用综合加权的方法可以避免主观权重所附带的主观性和客观权重对数据的依赖性,提高与光伏发电强相关因素的权重,同时利用密度峰值聚类算法依照时间和天气因素对光伏机组数据进行聚类,提高预测模型的精度,最后与门控循环单元网络相结合得到较为精准的光伏功率预测值。同时将时间点作为因素进行聚类,能够避免相似日聚类时存在的极少数情况下预测失灵的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了根据本发明实施例的光伏预测方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例的融合DPC和GRU的光伏预测方法,其中,DPC(Clustering by fast search and find ofdensitypeaks)为密度峰值聚类算法,GRU(Gated Recurrent Unit)为门控循环单元,包括以下步骤:
S1:获取光伏机组各项指标的历史数据,其中数据包括光伏机组光伏出力功率时间序列历史数据以及所对应的气象数据。
S2:计算各项指标的主、客观权重占比,并对数据进行加权。
对于数据的处理,单独赋予主观权重或是客观权重都无法确保所得权重的可靠性。而采用主观权重和客观权重结合的综合加权的方法可以避免主观权重所附带的主观性和客观权重对数据的依赖性,因此,在本实施例的步骤S2中,具体为:
S21:利用层次分析法设计主观权重值。具体如下:
S211:通过主观赋予每两项指标间的重要性关系标度,并得到构造矩阵。
如下表1所示,p因素对q因素的重要性标度及所代表的含义。
表1重要性标度及其含义
依照上表1可主观赋予各数据指标间重要性关系,得到如下构造矩阵:
表2重要性关系构造矩阵
S212:对所述构造矩阵进行一致性检验。
对于上表2所示的正互反矩阵,最大特征值满足条件λmax≥n。
当且仅当λmax=n成立时,主观权重的构造矩阵有较好的一致性。因此可用λmax-n作为衡量判断矩阵的一致性优劣的依据。
通过式(1)可以计算出CI
通过查表可获得RI,一般与判断矩阵的阶数有关。
进而通过式(2)求得随机一致性比值CR
其中CI、RI为一致性指标。若CR<0.1,说明主观权重具有较好的合理性。
S213:若通过一致性检验,则基于所述构造矩阵的最大特征值λmax计算特征向量x1,归一化后得出主观权重值w1;
S214:若未通过一致性检验,则重复步骤S211和S12,直至构造矩阵通过一致性检验。
S22:利用熵权法计算客观权重值;
首先需对不同单位的指标数据进行标准化处理,具体如下
对数值越大越好的指标记为正面指标;经标准化处理后的正面指标为:
对数值越小越好的指标记为负面指标;经标准化处理后的负面指标为:
其中,n表示第j个指标下数据的总数;
根据式(5)计算指标j下第i个数据所占比重pij;
根据式(6)计算第j个指标的信息熵ej;,
根据式(7)计算第j个指标的权重wj;
综上得出客观权重w2=[w1,w2,…,wn]。
S23:基于聚类效果目标函数计算主、客观权重比值最优解。
根据聚类效果,因此构造如下式(8)所示的目标函数,
其中,x为最初的数据集,y为对各项指标加权后的数据集,i、k表示一个聚类中不同的两个点,j对应各项指标,p表示某一个聚类,n为一个聚类中点的总数,T表示指标的总数(根据上述表2可知,在本实施例中包括5项指标,因此T=5),m为聚类的总数;
通过粒子群优化算法找出使目标函数最小的α,且0<α<1;
根据式(9)计算出综合权重值;
其中,w1为主观权重值,w2为客观权重值。
S24:通过所述综合权重值对数据进行加权。
S3:利用DPC算法对加权后的数据进行聚类分析。
根据式(10)和式(11)计算局部密度ρ;
ρi=∑jχ(dij-dc) (10)
其中,dij表示i,j间的欧氏距离,i、j表示数据集中任意不相同的两个点,dc表示截断距离,dc的选取应使数据集内的每个点周围邻居点数仅为数据集总点数的1%~2%;
计算中心距离δ,若数据点i不是密度最大的点时,根据式(12)找到所有比i点处密度的点中与i最近的点;
若数据点i是密度最大的点时,根据式(13)找到所有比i点处密度的点中与i最近的点;
以ρ、δ分别作为横纵坐标绘制决策图,数据集中心应取横纵坐标值都相对较大的点,然后将所有集外的点按照与集中心间的欧氏距离分配给最近的数据集。
S4:将聚类分析后的数据划分为训练集和测试集;
S5:用训练集训练GRU神经网络模型;
GRU是长短期预测神经网络的一种变体。与LSTM相比有着结构简单的优点,而且在进行长序列训练时同样不会出现梯度消失的问题。因此可以用于长期预测。
其中,GRU神经网络前向传播公式如下:
rt=σ(Wr*[ht-1,xt]) (14)
式(14)中,rt表示重置门,重置门主要决定有多少过去的信息需要遗忘,σ为激活函数,可将数据变换为0~1范围内的数值,ht-1为上一时间步的信息,xt表示输入序列第t个分量,Wr为权重矩阵;
zt=σ(Wz*[ht-1,xt]) (15)
式(15)中,zt表示更新门,更新门主要决定有多少过去时间步的信息可以保留到后续的时间步,Wz为权重矩阵;
yt=σ(Wo*ht) (18)
通过式(18)得到最终输出值yt,式中,Wo为权重矩阵。
上述Wr、Wz、Wo均为学习得出的参数。
S6:用测试集验证GRU神经网络模型的精度;
S7:判断GRU神经网络模型的精度是否满足要求,若不满足,则重复训练步骤S5和S6,直至GRU神经网络模型的精度满足要求.
S8:利用所述GRU神经网络模型进行光伏预测。
在本实施例中,采集的数据除气象数据外还包括时间点,同时将时间点作为一项指标因素进行聚类,能够避免相似日(同一地点在各相同时间点气象条件相似度较高的几天)聚类时存在的极少数情况下预测失灵的问题。
进一步的,结合上述实施例的融合DPC和GRU的光伏预测方法,进一步提供一种融合DPC和GRU的光伏预测系统,包括数据采集模块、权重分析模块、聚类分析模块、模型训练模块、预测模块。其中,数据采集模块用于获取光伏机组各项指标的历史数据;权重分析模块用于计算各项指标的主、客观权重占比,并对数据进行加权;聚类分析模块用于利用DPC算法对加权后的数据进行聚类分析;模型训练模块用于利用聚类分析后的数据训练GRU神经网络模型;预测模块用于利用所述GRU神经网络模型进行光伏预测。具体的结合上述本发明实施例的光伏预测方法所述。
其中数据采集模块获取的数据包括光伏机组光伏出力功率时间序列历史数据以及所对应的气象数据。
权重分析模块在计算各项指标的主、客观权重占比时,包括:利用层次分析法设计主观权重值;利用熵权法计算客观权重值;基于聚类效果目标函数计算主、客观权重比值最优解。
模型训练模块在训练GRU神经网络模型时具体为:将聚类分析后的数据划分为训练集和测试集;用训练集训练GRU神经网络模型;用测试集验证GRU神经网络模型的精度;判断GRU神经网络模型的精度是否满足要求,若不满足,则重复训练GRU神经网络模型和验证GRU神经网络模型精度的步骤,直至GRU神经网络模型的精度满足要求。
需要说明的是,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
以上所述仅是本发明的较佳实施例而已,并非对本发明做任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案的范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (14)
1.一种融合DPC和GRU的光伏预测方法,其特征在于,包括以下步骤:
获取光伏机组各项指标的历史数据;
计算各项指标的主、客观权重占比,并对数据进行加权;
利用DPC算法对加权后的数据进行聚类分析;
利用聚类分析后的数据训练GRU神经网络模型;
利用所述GRU神经网络模型进行光伏预测。
2.如权利要求1所述的融合DPC和GRU的光伏预测方法,其特征在于,所述数据包括光伏机组光伏出力功率时间序列历史数据以及所对应的气象数据。
3.如权利要求1所述的融合DPC和GRU的光伏预测方法,其特征在于,在计算主、客观权重占比的步骤中,包括以下步骤:
利用层次分析法设计主观权重值;
利用熵权法计算客观权重值;
基于聚类效果目标函数计算主、客观权重比值最优解。
4.如权利要求3所述的融合DPC和GRU的光伏预测方法,其特征在于,在设计主观权重值的步骤中,包括以下步骤:
通过主观赋予每两项指标间的重要性关系标度,并得到构造矩阵;
对所述构造矩阵进行一致性检验;
若通过一致性检验,则基于所述构造矩阵的最大特征值计算特征向量,归一化后得出主观权重值。
5.如权利要求4所述的融合DPC和GRU的光伏预测方法,其特征在于,在设计主观权重值的步骤中,还包括以下步骤:
若未通过一致性检验,则重复赋予重要性关系标度的步骤,直至构造矩阵通过一致性检验。
9.如权利要求1至8任一项所述的融合DPC和GRU的光伏预测方法,其特征在于,在训练GRU神经网络模型的步骤中,包括以下步骤:
将聚类分析后的数据划分为训练集和测试集;
用训练集训练GRU神经网络模型;
用测试集验证GRU神经网络模型的精度;
判断GRU神经网络模型的精度是否满足要求,若不满足,则重复训练GRU神经网络模型和验证GRU神经网络模型精度的步骤,直至GRU神经网络模型的精度满足要求。
10.一种融合DPC和GRU的光伏预测系统,其特征在于,包括:
数据采集模块,用于获取光伏机组各项指标的历史数据;
权重分析模块,用于计算各项指标的主、客观权重占比,并对数据进行加权;
聚类分析模块,用于利用DPC算法对加权后的数据进行聚类分析;
模型训练模块,用于利用聚类分析后的数据训练GRU神经网络模型;
预测模块,用于利用所述GRU神经网络模型进行光伏预测。
11.如权利要求10所述的融合DPC和GRU的光伏预测系统,其特征在于,所述数据包括光伏机组光伏出力功率时间序列历史数据以及所对应的气象数据。
12.如权利要求10所述的融合DPC和GRU的光伏预测系统,其特征在于,所述权重分析模块在计算各项指标的主、客观权重占比时,包括以下步骤:
利用层次分析法设计主观权重值;
利用熵权法计算客观权重值;
基于聚类效果目标函数计算主、客观权重比值最优解。
13.如权利要求12所述的融合DPC和GRU的光伏预测系统,其特征在于,在所述权重分析模块设计主观权重值时,包括以下步骤:
通过主观赋予每两项指标间的重要性关系标度,并得到构造矩阵;
对所述构造矩阵进行一致性检验;
若通过一致性检验,则基于所述构造矩阵的最大特征值计算特征向量,归一化后得出主观权重值。
14.如权利要求10至13任一项所述的融合DPC和GRU的光伏预测系统,其特征在于,在所述模型训练模块训练GRU神经网络模型时,包括以下步骤:
将聚类分析后的数据划分为训练集和测试集;
用训练集训练GRU神经网络模型;
用测试集验证GRU神经网络模型的精度;
判断GRU神经网络模型的精度是否满足要求,若不满足,则重复训练GRU神经网络模型和验证GRU神经网络模型精度的步骤,直至GRU神经网络模型的精度满足要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111127581.1A CN113962440A (zh) | 2021-09-26 | 2021-09-26 | 一种融合dpc和gru的光伏预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111127581.1A CN113962440A (zh) | 2021-09-26 | 2021-09-26 | 一种融合dpc和gru的光伏预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113962440A true CN113962440A (zh) | 2022-01-21 |
Family
ID=79462214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111127581.1A Pending CN113962440A (zh) | 2021-09-26 | 2021-09-26 | 一种融合dpc和gru的光伏预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962440A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117239745A (zh) * | 2023-11-16 | 2023-12-15 | 北京弘象科技有限公司 | 光伏发电量的预测方法、装置、电子设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469163A (zh) * | 2015-12-08 | 2016-04-06 | 国家电网公司 | 一种用于光伏电站功率预测的相似日的选择方法 |
CN106251008A (zh) * | 2016-07-25 | 2016-12-21 | 南京工程学院 | 一种基于组合权重相似日选取的光伏功率预测方法 |
CN110472770A (zh) * | 2019-07-05 | 2019-11-19 | 广东工业大学 | 一种光伏发电功率预测方法 |
US20200041550A1 (en) * | 2016-10-05 | 2020-02-06 | Telecom Italia S.P.A. | Method and system for estimating energy generation based on solar irradiance forecasting |
CN112348271A (zh) * | 2020-11-12 | 2021-02-09 | 华北电力大学 | 基于vmd-ipso-gru的短期光伏功率预测方法 |
US20210165130A1 (en) * | 2018-06-14 | 2021-06-03 | Siemens Aktiengesellschaft | Predicting sun light irradiation intensity with neural network operations |
-
2021
- 2021-09-26 CN CN202111127581.1A patent/CN113962440A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469163A (zh) * | 2015-12-08 | 2016-04-06 | 国家电网公司 | 一种用于光伏电站功率预测的相似日的选择方法 |
CN106251008A (zh) * | 2016-07-25 | 2016-12-21 | 南京工程学院 | 一种基于组合权重相似日选取的光伏功率预测方法 |
US20200041550A1 (en) * | 2016-10-05 | 2020-02-06 | Telecom Italia S.P.A. | Method and system for estimating energy generation based on solar irradiance forecasting |
US20210165130A1 (en) * | 2018-06-14 | 2021-06-03 | Siemens Aktiengesellschaft | Predicting sun light irradiation intensity with neural network operations |
CN110472770A (zh) * | 2019-07-05 | 2019-11-19 | 广东工业大学 | 一种光伏发电功率预测方法 |
CN112348271A (zh) * | 2020-11-12 | 2021-02-09 | 华北电力大学 | 基于vmd-ipso-gru的短期光伏功率预测方法 |
Non-Patent Citations (2)
Title |
---|
MOHAMMAD SAFAYET HOSSAIN ET AL.: ""Short-Term Load Forecasting Using an LSTM Neural Network"", 《2020 IEEE POWER AND ENERGY CONFERENCE AT ILLINOIS》, 13 April 2020 (2020-04-13), pages 1 - 6 * |
姚宏民等: ""基于密度峰值聚类及GRNN神经网络的光伏发电功率预测方法"", 《太阳能学报》, vol. 41, no. 9, 28 September 2020 (2020-09-28), pages 184 - 190 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117239745A (zh) * | 2023-11-16 | 2023-12-15 | 北京弘象科技有限公司 | 光伏发电量的预测方法、装置、电子设备和存储介质 |
CN117239745B (zh) * | 2023-11-16 | 2024-01-23 | 北京弘象科技有限公司 | 光伏发电量的预测方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734355B (zh) | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 | |
CN109063911B (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
CN109490814B (zh) | 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN108876001B (zh) | 一种基于孪生支持向量机的短期电力负荷预测方法 | |
Wang et al. | Correlation aware multi-step ahead wind speed forecasting with heteroscedastic multi-kernel learning | |
CN112381137A (zh) | 新能源电力系统可靠性评估方法、装置、设备及存储介质 | |
CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN116644970A (zh) | 一种基于vmd分解和叠层深度学习的光伏功率预测方法 | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
CN112232561A (zh) | 基于约束并行lstm分位数回归的电力负荷概率预测方法 | |
CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
CN114925767A (zh) | 一种基于变分自编码器的场景生成方法和装置 | |
CN115600729A (zh) | 一种考虑多属性网格电网负荷预测方法 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
CN113962440A (zh) | 一种融合dpc和gru的光伏预测方法和系统 | |
CN114202174A (zh) | 一种电价风险等级预警方法、装置及存储介质 | |
CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
CN113344589A (zh) | 一种基于vaegmm模型的发电企业串谋行为的智能识别方法 | |
CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和系统 | |
CN114254828A (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 | |
Wang et al. | Optimization of Convolutional Long Short-Term Memory Hybrid Neural Network Model Based on Genetic Algorithm for Weather Prediction |
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 |