CN114234392A - 一种基于改进pso-lstm的空调负荷精细预测方法 - Google Patents
一种基于改进pso-lstm的空调负荷精细预测方法 Download PDFInfo
- Publication number
- CN114234392A CN114234392A CN202111343888.5A CN202111343888A CN114234392A CN 114234392 A CN114234392 A CN 114234392A CN 202111343888 A CN202111343888 A CN 202111343888A CN 114234392 A CN114234392 A CN 114234392A
- Authority
- CN
- China
- Prior art keywords
- lstm
- data
- improved
- particle
- error
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于改进PSO‑LSTM的空调负荷精细预测模型,属于综合能源系统技术领域,包括以下步骤:对收集到的原始负荷数据采取改进随机森林方法选取特征值;采取改进K‑中心点方法对数据进行聚类分析;将处理后的数据输入进LSTM模型的输入层,并将输入层所接收到的数据导入LSTM网络层;训练LSTM神经网络,利用改进PSO方法优化LSTM神经网络,得到LSTM预测模型;若达到最大迭代次数,则将最优参数赋予LSTM并进行训练,输出预测值,否则继续迭代,直到满足终止条件。本发明在负荷预测的基础上,具有自组织和进化性以及记忆功能的特征,能有效地根据历史信息进行学习和预测,从而获得更好的预测效果提高了负荷预测的精度。
Description
技术领域
本发明属于综合能源系统技术领域,具体涉及一种基于改进PSO-LSTM的空调负荷精细预测方法。
背景技术
要实现双碳目标,大力发展以光伏、风电为代表的可再生能源就成为实现目标的重要路径。但由于风能、太阳能等新能源具有显著的随机性和波动性,导致规模化的新能源发电接入电力系统后,系统供应侧可调控性降低,还会造成一定比例的弃风弃光。综合能源系统能够利用多种不同能源形式协同优化,有效地提升能源利用效率。空调是一种新型用户供热、供冷的形式,可以当作补热和储冷单元。同时空调可以对电力新能源进行有效消纳,但目前空调负荷预测方法不准确、效率低,难以在实际中应用推广。
发明内容
本发明所解决的技术问题是需克服现有技术的缺陷,提供一种基于改进随机森林算法的LSTM神经网络空调负荷预测方法。本发明能够有效的筛选出影响因子大负荷数据,具有自组织和记忆功能,所有粒子都保存优解的相关知识,能更准确的预测负荷值,提高空调负荷预测的精度。
本发明的技术方案是:
1、一种基于改进PSO-LSTM的空调负荷精细预测模型,其特征在于,包括以下步骤:
步骤1:对历史负荷数据利用改进随机森林选取特征集:
1)对原始负荷数据进行随机抽取,未被抽取到的数据作为测试集;
2)利用抽取到的数据构建改进随机森林模型,然后使用测试集计算该模型的测试集误差,记为erroxt1;
3)在测试集数据的所有样本中,随机改变某个H的值,再次计算测试集误差,记为erroxt2;
4)使用的决策树数量设为B颗,计算出各个要素H的重要性V并进行排序,计算公式如下:
步骤2:采用K-中心点方法对数据进行聚类分析:
2.1)确定聚类的个数K;
2.2)选择数据集合中的K个点任意作为每个集束的中心点;
2.3)把剩余点到K个中心点的距离D算出,且把各个点到K个中心点距离最短的集束看作自己所处的集束:
式中:ak表示向量(a1,a2,…,an);bk表示向量(b1,b2,…,bn)。
2.4)依据次序在各个集束中选取点,算出当前点到该集束每个点的距离之和,新的中心点选定为距离之和最小的点;
2.5)重复2.2)、2.3)步骤,直到每个集束的中心点不发生改变。
步骤3:将数据进行上述处理后导进LSTM模型的输入层,并将采集到的数据输入LSTM网络层;
步骤4:将LSTM神经网络进行训练,并采取改进PSO方法对LSTM神经网络进行优化,使网络权值进行完善,从而获取LSTM预测模型:
4.1)对粒子群参量进行起始化,应保证学习要素、迭代次数、种群规模、粒子方位和速度在限定区间的取值;
4.2)搭建LSTM模型,使参数寻优区间确定,生成单个种群粒子。将参考变量定义为LSTM的迭代次数、神经元数目,学利率,把参数的寻优区间确定,把数据分为三部分,分别是训练、检验和测试样本;
4.3)明确粒子评价函数;定义具有LSTM模型参数的种群个体xi的吻合度值Fi为:
4.4)算出粒子的自吻合度值,将历史最佳位置设置为粒子确定后的全局最优位置pbest和局部最优位置gbest;
4.5)将普通粒子和局部最优粒子位置进行更新,计算公式如下:
式中:w表示惯性权重;l表示超参量;c1和c2表示学习因子;r1和r2为两个分布在[0,1]之间互相独立的随机数;和分别为在第t次迭代中,第i个粒子在第j维上的速度分量、位置分量、个体最优值和群体全局最优值。
步骤5:若达到最大迭代次数,则将最优参数赋予LSTM并进行训练,输出预测值;否则继续迭代,直到满足终止条件。
本发明的有益效果为:
本发明提供一种基于改进随机森林算法的LSTM神经网络空调负荷预测方法。首先,利用改进随机森林的算法将影响因子较大的数据挑出,再利用K-中心点方法对数据进行聚类分析,最后利用处理后的数据训练LSTM神经网络,降低模型的复杂度,缩减模型的运行时间,并提高模型的精度。利用改进PSO方法调整神经网络权值,得到基于LSTM神经网络的负荷预测模型,使网络权值更加完善,从而使LSTM输出的预测值更为精准。本发明利用多种算法相结合,能够有效的挑选及输入权重大的负荷数据,更准确的预测负荷值,提高空调负荷预测的精度。
附图说明
图1为改进随机森林处理数据图;
图2为LSTM记忆单元结构图;
图3为基于改进PSO优化LSTM空调负荷数据预测框架图;
图4为测试集平均负荷率预测结果对比图;
图5为空调负荷误差分布图。
具体实施方式
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晰地描述,使得本发明的发明目的、特征、优点能够更加明显易懂。所描述的实施例仅仅为本发明实施例的一部分,并非全部实施例。
本发明采用某风电场宿舍空调负荷数据,并展示本发明的一个具体实施例。一种基于改进随机森林算法的LSTM神经网络空调负荷预测方法,包括以下步骤:
1)对采集到的历史空调负荷数据进行改进随机森林选取特征集;
2)对历史空调负荷数据采用K-中心点方法进行聚类分析;
3)对数据进行上述处理后导入LSTM模型的输入层,并将之后采集到的数据输入LSTM网络层;
4)使用改进PSO优化LSTM模型,进行迭代;
5)若达到最大迭代次数,则将最优参数赋予LSTM模型并进行训练,输出预测值;否则继续迭代,直到满足终止条件。
步骤1:如图1,对历史负荷数据利用改进随机森林选取特征集:
1)对原始负荷数据进行随机抽取,未被抽取到的数据作为测试集;
2)利用抽取到的数据构建改进随机森林模型,然后使用测试集计算该模型的测试集误差,记为erroxt1;
3)在测试集数据的所有样本中,随机改变某个H的值,再次计算测试集误差,记为erroxt2;
4)使用的决策树数量设为B颗,计算出各个要素H的重要性V并进行排序,计算公式如下:
步骤2:采用K-中心点方法对数据进行聚类分析:
1)确定聚类的个数K;
2)选择数据集合中的K个点任意作为每个集束的中心点;
3)把剩余点到K个中心点的距离D算出,且把各个点到K个中心点距离最短的集束看作自己所处的集束:
式中:ak表示向量(a1,a2,…,an);bk表示向量(b1,b2,…,bn)。
4)依据次序在各个集束中选取点,算出当前点到该集束每个点的距离之和,新的中心点选定为距离之和最小的点;
5)重复2),3)步骤,直到每个集束的中心点不发生改变。
步骤3:将数据以训练集和测试集为依据,将数据分开,分别导入至LSTM模型进行训练:
1)将预处理后长度为n的负荷数据导入预测模型中;
2)如图2,LSTM记忆单元的构成包括输入门、输出门、遗忘门和循环自连接的记忆细胞4个元素;
3)设t时刻时LSTM网络的输出为,t=1,2,3...,LSTM记忆单元的输出ht通过以下公式迭代计算:
rt=sig(Jxrxt+Jhrht-1+Jcrct-1+zi)
gt=sig(Jxgxt+Jhght-1+Jcgct-1+zf)
kt=sig(Jxkxt+Jhkht-1+Jckct-1+zo)
式中,rt、gt、kt、ct分别为输入门、遗忘门、记忆细胞和输出门的输出;Jxr、Jhr、Jcr分别为输入信息、上时刻输出和记忆细胞到输入门的权重矩阵;Jxg、Jhg、Jcg分别为输入信息、上时刻输出和记忆细胞到遗忘门的权重矩阵;zi、zf、zo、zc分别为输入门、输出门、遗忘门和记忆细胞的偏置量;Jxk、Jhk、Jck分别为输入信息、上时刻输出和记忆细胞到输出门的权重矩阵;σ(·)为sigmoid函数,g(·)和h(·)是记忆细胞输入到输出的激活函数,通常取双曲正切函数tanh(·)。
步骤4:如图3,将LSTM神经网络进行训练,并采取改进PSO方法对LSTM神经网络进行优化,使网络权值进行完善,从而获取LSTM预测模型:
1)对粒子群参量进行起始化,应保证学习要素、迭代次数、种群规模、粒子方位和速度在限定区间的取值;
2)搭建LSTM模型,使参数寻优区间确定,生成单个种群粒子。将参考变量定义为LSTM的迭代次数、神经元数目,学利率,把参数的寻优区间确定,把数据分为三部分,分别是训练、检验和测试样本;
3)明确粒子评价函数。定义具有LSTM模型参数的种群个体xi的吻合度值Fi为:
4)算出粒子的自吻合度值,将历史最佳位置设置为粒子确定后的全局最优位置pbest和局部最优位置gbest;
5)将普通粒子和局部最优粒子位置进行更新,计算公式如下:
式中:w表示惯性权重;l表示超参量;c1和c2表示学习因子;r1和r2为两个分布在[0,1]之间互相独立的随机数;和分别为在第t次迭代中,第i个粒子在第j维上的速度分量、位置分量、个体最优值和群体全局最优值。
步骤5:一种基于改进随机森林算法的优化LSTM神经网络空调负荷预测方法,选平均绝对百分误差MAPE和均方根误差RMSE作为评价标准,来评估模型的预测精度,当MAPE≤3.5且RMSE≤1.5时,不对神经网络预测模型进行修改,若不满足其中一条,则进行迭代权重比例调整,计算误差使用的公式为:
将原始模型与使用改进PSO方法优化的LSTM模型的预测精度中的23个样本的MAPE(当RMSE≤1.5时)进行对比,比较结果如表1所示;
表1不同LSTM预测算法MAPE比较
本发明所述的方法包括如下流程:
信息处理:用于对采集到的历史负荷数据进行改进随机森林选取特征集,再对数据进行聚类分析。将处理之后的数据划分为训练集与测试集输入到LSTM神经网络的输入层;
模型建立:搭建LSTM神经网络预测模型,利用训练集数据训练LSTM神经网络,再利用改进PSO方法优化LSTM神经网络模型调整网络权值,计算模型输出与理论输出之间的误差,建立LSTM神经网络预测模型;
负荷预测:将预测集数据输入到训练完成之后的LSTM神经网络中,进行负荷预测;
结果输出:利用模型的输出单元输出空调负荷预测结果,预测结果如图4、图5所示。
上述实施例仅为本发明的较佳实施例,并非依此限制本发明的保护范围,故凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明说明中所使用的术语,只是为了描述具体得实施方式的目的,不是旨在于限制本发明。
Claims (1)
1.一种基于改进PSO-LSTM的空调负荷精细预测模型,其特征在于,包括以下步骤:
步骤1:对历史负荷数据利用改进随机森林选取特征集:
1.1)对原始负荷数据进行随机抽取,未被抽取到的数据作为测试集;
1.2)利用抽取到的数据构建改进随机森林模型,然后使用测试集计算该模型的测试集误差,记为erroxt1;
1.3)在测试集数据的所有样本中,随机改变某个H的值,再次计算测试集误差,记为erroxt2;
1.4)使用的决策树数量设为B颗,计算出各个要素H的重要性V并进行排序,计算公式如下:
步骤2:采用K-中心点方法对数据进行聚类分析:
2.1)确定聚类的个数K;
2.2)选择数据集合中的K个点任意作为每个集束的中心点;
2.3)把剩余点到K个中心点的距离D算出,且把各个点到K个中心点距离最短的集束看作自己所处的集束:
式中:ak表示向量(a1,a2,…,an);bk表示向量(b1,b2,…,bn);
2.4)依据次序在各个集束中选取点,算出当前点到该集束每个点的距离之和,新的中心点选定为距离之和最小的点;
2.5)重复2.2)、2.3)步骤,直到每个集束的中心点不发生改变;
步骤3:将数据进行上述处理后导进LSTM模型的输入层,并将采集到的数据输入LSTM网络层;
步骤4:将LSTM神经网络进行训练,并采取改进PSO方法对LSTM神经网络进行优化,使网络权值进行完善,从而获取LSTM预测模型:
4.1)对粒子群参量进行起始化,应保证学习要素、迭代次数、种群规模、粒子方位和速度在限定区间的取值;
4.2)搭建LSTM模型,使参数寻优区间确定,生成单个种群粒子;将参考变量定义为LSTM的迭代次数、神经元数目,学利率,把参数的寻优区间确定,把数据分为三部分,分别是训练、检验和测试样本;
4.3)明确粒子评价函数;定义具有LSTM模型参数的种群个体xi的吻合度值Fi为:
4.4)算出粒子的自吻合度值,将历史最佳位置设置为粒子确定后的全局最优位置pbest和局部最优位置gbest;
4.5)将普通粒子和局部最优粒子位置进行更新,计算公式如下:
式中:w表示惯性权重;l表示超参量;c1和c2表示学习因子;r1和r2为两个分布在[0,1]之间互相独立的随机数;和分别为在第t次迭代中,第i个粒子在第j维上的速度分量、位置分量、个体最优值和群体全局最优值;
步骤5:若达到最大迭代次数,则将最优参数赋予LSTM并进行训练,输出预测值;否则继续迭代,直到满足终止条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111343888.5A CN114234392B (zh) | 2021-11-14 | 2021-11-14 | 一种基于改进pso-lstm的空调负荷精细预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111343888.5A CN114234392B (zh) | 2021-11-14 | 2021-11-14 | 一种基于改进pso-lstm的空调负荷精细预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114234392A true CN114234392A (zh) | 2022-03-25 |
CN114234392B CN114234392B (zh) | 2023-09-01 |
Family
ID=80749317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111343888.5A Active CN114234392B (zh) | 2021-11-14 | 2021-11-14 | 一种基于改进pso-lstm的空调负荷精细预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114234392B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970362A (zh) * | 2022-06-08 | 2022-08-30 | 中交机电工程局有限公司 | 一种多能源结构下的电网负荷调度预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN110751318A (zh) * | 2019-09-26 | 2020-02-04 | 上海电力大学 | 一种基于ipso-lstm的超短期电力负荷预测方法 |
CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
CN111783953A (zh) * | 2020-06-30 | 2020-10-16 | 重庆大学 | 一种基于优化lstm网络的24点电力负荷值7日预测方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
US20210191342A1 (en) * | 2019-12-23 | 2021-06-24 | Johnson Controls Technology Company | Methods and systems for training hvac control using surrogate model |
-
2021
- 2021-11-14 CN CN202111343888.5A patent/CN114234392B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN110751318A (zh) * | 2019-09-26 | 2020-02-04 | 上海电力大学 | 一种基于ipso-lstm的超短期电力负荷预测方法 |
US20210191342A1 (en) * | 2019-12-23 | 2021-06-24 | Johnson Controls Technology Company | Methods and systems for training hvac control using surrogate model |
CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
CN111783953A (zh) * | 2020-06-30 | 2020-10-16 | 重庆大学 | 一种基于优化lstm网络的24点电力负荷值7日预测方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970362A (zh) * | 2022-06-08 | 2022-08-30 | 中交机电工程局有限公司 | 一种多能源结构下的电网负荷调度预测方法及系统 |
CN114970362B (zh) * | 2022-06-08 | 2023-12-19 | 中交机电工程局有限公司 | 一种多能源结构下的电网负荷调度预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114234392B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380765B (zh) | 一种基于改进平衡优化器算法的光伏电池参数识别方法 | |
CN110619360A (zh) | 一种考虑历史样本相似性的超短期风功率预测方法 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN110942205A (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN112836884A (zh) | 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法 | |
CN114298140A (zh) | 一种考虑机组分类的风电短期功率预测校正方法 | |
CN112215428A (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 | |
CN114169445A (zh) | 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN114897129A (zh) | 一种基于日相似聚类与Kmeans-GRA-LSTM的光伏电站短期功率预测方法 | |
CN115995810A (zh) | 一种考虑气象波动自适应匹配的风电功率预测方法及系统 | |
CN114330100A (zh) | 一种短期光伏功率概率区间预测方法 | |
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 | |
CN114234392B (zh) | 一种基于改进pso-lstm的空调负荷精细预测方法 | |
CN113762591A (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 | |
CN117318036A (zh) | 一种基于改进鲸鱼优化算法的超短期光伏功率预测方法 | |
CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
CN112330051A (zh) | 一种基于Kmeans与FR-DBN的短期负荷预测方法 | |
CN115392387B (zh) | 一种低压分布式光伏发电出力预测方法 | |
CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
CN105956720A (zh) | 一种基于t-s模糊模型的风电功率超短期预测方法 | |
Jun-Ma et al. | Photovoltaic power generation prediction based on MEA-BP neural network | |
CN110991743B (zh) | 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法 |
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 |