CN114281846A - 一种基于机器学习的新能源发电预测方法 - Google Patents

一种基于机器学习的新能源发电预测方法 Download PDF

Info

Publication number
CN114281846A
CN114281846A CN202111409209.XA CN202111409209A CN114281846A CN 114281846 A CN114281846 A CN 114281846A CN 202111409209 A CN202111409209 A CN 202111409209A CN 114281846 A CN114281846 A CN 114281846A
Authority
CN
China
Prior art keywords
data
power generation
new energy
energy power
historical
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
Application number
CN202111409209.XA
Other languages
English (en)
Other versions
CN114281846B (zh
Inventor
王亿
樊立波
罗少杰
屠永伟
方响
宣羿
蒋建
来益博
向新宇
陈益芳
金旻昊
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.)
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
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 Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202111409209.XA priority Critical patent/CN114281846B/zh
Publication of CN114281846A publication Critical patent/CN114281846A/zh
Application granted granted Critical
Publication of CN114281846B publication Critical patent/CN114281846B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00Adapting or protecting infrastructure or their operation
    • YGENERAL 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS 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
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种基于机器学习的新能源发电预测方法,所述预测方法具体为获取若干个新能源发电站的历史发电数据和历史天气数据,对获取的数据进行预处理并构建历史数据库,建立新能源发电预测模型,对历史发电数据以及历史天气数据进行特征提取并筛选,根据筛选后特征数据构建预测数据集,所述预测数据集包括训练集、验证集和测试集,新能源发电预测模型根据训练集进行模型训练,并通过测试集获取新能源发电预测模型的预测误差,在预测误差不超过预设阈值后,采集进行发电预测的新能源发电站对应的天气数据,并通过新能源发电预测模型根据天气数据输出发电预测结果。本发明将天气数据作为特征进行发电预测,能够有效提高发电预测的准确性。

Description

一种基于机器学习的新能源发电预测方法
技术领域
本发明涉及新能源发电预测技术领域,尤其是指一种基于机器学习的新能源发电预测方法。
背景技术
电网系统作为必要的基础设施之一,近些年来也在尝试利用机器学习与数据挖掘技术实现智能化转型,从而实现电网系统效率的提升。如在故障检测方面,机器学习技术能够及时检测出存在故障的元件,能够保证元件故障发现和修复的效率,以避免元件故障造成用户体验的下降。而在气候问题日益严峻的当下,新能源处于飞速发展阶段,而新能源发电项目作为新能源的重要发展方向,正逐渐加入电网系统并成为其重要组成部分。然而,新能源发电不稳定的特性导致相关电站的产出难以有效地被电网系统调度,这就使得新能源发电站产出的利用率很低。而新能源发电的不稳定性来源于相关天气的不确定性,例如风力发电依赖于发电单元所在位置的风力情况,而这种天气的不确定性是固有的,且无法改变。
现在,大多通过预测未来相关电站的发电量,来使电网能够主动调度新能源发电站的产出,以解决新能源发电站产出的利用率很低的问题。而机器学习是现在预测发电量的常用方法之一,目前已经有方法将机器学习技术引入到相关问题里,例如线性回归、多层感知机等,但现有技术中对于机器学习的应用并未考虑到天气数据的不确定性,未能从新能源发电的不稳定性来源进行考虑,预测精度也就并不高。
发明内容
本发明的目的是克服现有技术中的缺点,提供一种基于机器学习的新能源发电预测方法。
本发明的目的是通过下述技术方案予以实现:
一种基于机器学习的新能源发电预测方法,包括以下步骤:
步骤一,获取若干个新能源发电站的历史发电数据以及对应的历史天气数据,对历史发电数据和历史天气数据进行预处理,并根据预处理后的历史发电数据以及历史天气数据构建历史数据库;
步骤二,建立新能源发电预测模型,提取历史数据库内历史发电数据和历史天气数据并输入新能源发电预测模型,通过新能源发电预测模型对提取的历史发电数据以及历史天气数据进行特征提取,并对提取的特征数据进行筛选,根据筛选后特征数据构建预测数据集,所述预测数据集包括训练集、验证集和测试集;
步骤三,新能源发电预测模型根据训练集进行模型训练,并通过测试集获取新能源发电预测模型的预测误差,若新能源发电预测模型的预测误差超过预设阈值,则通过验证集对新能源发电预测模型的模型参数进行调节,直至新能源发电预测模型的预测误差不超过预设阈值;若新能源发电预测模型的预测误差不超过预设阈值,则新能源发电预测模型训练完成;
步骤四,采集进行发电预测的新能源发电站对应的天气数据,将采集到的天气数据输入训练完成的新能源发电预测模型,新能源发电预测模型输出发电预测结果。
进一步的,步骤二中通过在筛选特征数据前,还对特征数据进行显式表达,将特征数据根据倒数特征、log尺度特征以及交互特征的形式进行转换,获取显式表达的特征数据,并根据新能源发电预测模型的损失函数对显示表达的特征数据进行筛选。
进一步的,所述发电数据包括新能源发电站的发电功率和发电对应的时间信息,所述天气数据包括天气预报数据。
进一步的,步骤三中新能源发电预测模型根据训练集进行模型训练前,还对训练集内数据进行平滑处理。
进一步的,步骤一中在获取若干个新能源发电站的历史发电数据以及对应的历史天气数据时,还采集每个新能源发电站的发电站信息,根据每个新能源发电站的发电站信息对其扩容状况进行判断,对存在扩容状况的新能源发电站的历史发电数据进行标记,并在构建预测数据集后,从训练集、验证集合测试集内分别提取出存在标记的功率数据,并分别对提取出的功率数据进行功率标准化处理。
进一步的,对训练集内提取出功率数据进行的功率标准化表达式为:
Figure BDA0003373596770000031
对验证集或测试集内提取出功率数据进行的功率标准化表达式为:
p=pu*Ci
其中:pu为标准化功率,p为功率数据,Ct为训练集中功率数据对应新能源发电站的额定功率,Ci为训练集中功率数据对应新能源发电站的额定功率。
进一步的,步骤一中所述预处理包括数据清洗以及数据填充,所述数据清洗通过将所有发电数据以及天气数据进行离群判断,筛选出异常值数据,对异常值数据进行数据填充处理。
进一步的,对异常值数据进行数据填充处理的处理公式为:
Figure BDA0003373596770000041
其中:x为进行数据填充处理的异常值数据,i%a为数据的不合理范围下限,j%a为数据的不合理范围上线,a为预设常数。
本发明的有益效果是:
能够考虑到天气的多变性,将天气预报信息作为特征,对新能源的发电进行预测,能够有效提高新能源发电的预测准确性。且通过对数据进行平滑处理,对扩容电站的功率数据进行功率标准化处理等优化策略提升新能源发电预测模型的模型性能,能够有效提高新能源发电预测模型的学习效果,从而实现提高新能源发电预测的准确性。且对模型训练所用的特征数据采取显式表达,在进行模型训练时,模型能够更容易地捕获复杂的信息,进一步提高模型性能。因为显式表达特征数据后维度会变大,会造成模型训练的负担增加,因此还对显式表达后的特征数据进行进一步的筛选,有效降低模型训练的负担,从而提高模型训练的效率。
附图说明
图1是本发明的一种流程示意图。
具体实施方式
下面结合附图和实施例对本发明进一步描述。
实施例:
一种基于机器学习的新能源发电预测方法,如图1所示,包括以下步骤:
步骤一,获取若干个新能源发电站的历史发电数据以及对应的历史天气数据,对历史发电数据和历史天气数据进行预处理,并根据预处理后的历史发电数据以及历史天气数据构建历史数据库;
步骤二,建立新能源发电预测模型,提取历史数据库内历史发电数据和历史天气数据并输入新能源发电预测模型,通过新能源发电预测模型对提取的历史发电数据以及历史天气数据进行特征提取,并对提取的特征数据进行筛选,根据筛选后特征数据构建预测数据集,所述预测数据集包括训练集、验证集和测试集;
步骤三,新能源发电预测模型根据训练集进行模型训练,并通过测试集获取新能源发电预测模型的预测误差,若新能源发电预测模型的预测误差超过预设阈值,则通过验证集对新能源发电预测模型的模型参数进行调节,直至新能源发电预测模型的预测误差不超过预设阈值;若新能源发电预测模型的预测误差不超过预设阈值,则新能源发电预测模型训练完成;
步骤四,采集进行发电预测的新能源发电站对应的天气数据,将采集到的天气数据输入训练完成的新能源发电预测模型,新能源发电预测模型输出发电预测结果。
所述新能源发电预测模型以LightGBM作为基础机器学习模型。
步骤二中通过在筛选特征数据前,还对特征数据进行显式表达,将特征数据根据倒数特征、log尺度特征以及交互特征的形式进行转换,获取显式表达的特征数据,并根据新能源发电预测模型的损失函数对显示表达的特征数据进行筛选。新能源发电预测模型的损失函数为均方误差损失函数。
显式表达后的特征数据中的信息能够更加容易被新能源发电预测模型所获取,且新能源发电预测模型也能够从显式表达后的特征数据中获取更加复杂的信息,从而有效提高模型性能。在进行倒数特征和log尺度特征转换时,需要先将特征数据变换至大于0的区间内,通常通过加上常数实现区间变换。而交互特征的转换则通过将所有的特征之间相互做乘法进行。
但是显式表达后,由于原始特征维度不高,在变换后特征维度会变大,会对模型训练造成负担,因此根据新能源发电预测模型的损失函数对特征的权重进行计算判断,并根据权重大小选取出重要的特征予以保留,从而降低模型训练的负担。
所述发电数据包括新能源发电站的发电功率和发电对应的时间信息,所述天气数据包括天气预报数据。天气预报数据为采集到发电功率的时间对应的过去一段时间内每天的天气预报信息。由于发电量具有明显的周期性,例如风电夏季的发电量高于冬季、光伏白天的发电量高于晚上,因此将时间信息也作为发电数据,后续将时间信息作为进行预测所需的特征进行提取。
步骤三中新能源发电预测模型根据训练集进行模型训练前,还对训练集内数据进行平滑处理。
功率序列可以表示为p=[p0,p1,…,pi-1,pi,pi+1,…pn],为典型的时间序列,而对于功率序列的平滑处理的表达式为:
Figure BDA0003373596770000061
Figure BDA0003373596770000062
为功率序列中第i个功率数据,
Figure BDA0003373596770000063
为平滑处理后功率数据,(a,b,c)为平滑核,且满足a,b,c>0,且a+b+c=1。
步骤一中在获取若干个新能源发电站的历史发电数据以及对应的历史天气数据时,还采集每个新能源发电站的发电站信息,根据每个新能源发电站的发电站信息对其扩容状况进行判断,对存在扩容状况的新能源发电站的历史发电数据进行标记,并在构建预测数据集后,从训练集、验证集合测试集内分别提取出存在标记的功率数据,并分别对提取出的功率数据进行功率标准化处理。
对训练集内提取出功率数据进行的功率标准化表达式为:
Figure BDA0003373596770000071
对验证集或测试集内提取出功率数据进行的功率标准化表达式为:
p=pu*Ci
其中:pu为标准化功率,p为功率数据,Ct为训练集中功率数据对应新能源发电站的额定功率,Ci为训练集中功率数据对应新能源发电站的额定功率。
步骤一中所述预处理包括数据清洗以及数据填充,所述数据清洗通过将所有发电数据以及天气数据进行离群判断,筛选出异常值数据,对异常值数据进行数据填充处理。
新能源发电站的数据存在两类异常值数据,一种是数据值大小明显处于不合理范围的数据,如值为-999或-99等数据;一种是物理意义上无效的数据,如负数风速等,这两类异常值数据均与同类数据差距较大且均处于不合理的数据范围,及均为负数。而离群判断能够筛选出与其他数值相差较大的数据,能够很好的对新能源发电站的数据进行异常筛选。
对异常值数据进行数据填充处理的处理公式为:
Figure BDA0003373596770000072
其中:x为进行数据填充处理的异常值数据,i%a为数据的不合理范围下限,j%a为数据的不合理范围上线,a为预设常数。本实施例中将i设置为0,j设置为5,a则根据具体特征数据进行设置。此时相当于[0%a,5%a)的数据是不合理的,属于异常值数据,将处于该区间内的异常值数据变换至[5%a-1,5%a)的区间内。
以采集到的27个发电站的数据进行预测方法的效果验证,所述27个发电站包括14个风电站和13个光伏电站,训练数据包括该27个发电站连续两年的历史数据,验证集为该27个发电站后来一年某个月内前15天的历史数据,测试数据为该27个发电站后来一年某个月内后15天的数据,每天的数据均包括了过去7天的天气预报和当天发电站实际的发电功率。
首先根据上述数据进行新能源发电预测模型的训练、验证和测试,并利用测试数据获取新能源发电预测模型(NEF)、传统的LightGBM模型以及线性回归(LR)模型的性能并进行比较,其比较结果如表1所示:
表1新能源发电预测模型和LightGBM以及线性回归模型的性能比较表
Figure BDA0003373596770000081
其中平均相对均放误差、平均相对绝对误差和平均高峰用电时段误差越小,代表模型性能越好,而合格率则越大代表模型性能越好。根据表1所的内容可以看出,本发明所提出的新能源发电预测模型相较于传统的LightGBM模型或者线性回归(LR)模型均在性能上具备较大优势。
再进一步通过消融实验对建立新能源发电预测模型时所采用优化策略进行效果分析,所述优化策略包括平滑处理、加入周期性特征以及功率标准化策略,其分析结果如表2所示:
表2:优化策略对模型性能提升效果分析表
Figure BDA0003373596770000091
由于功率标准化针对的是扩容电站数据的优化策略,因此,后两行为以扩容电站的均值为测试数据得到的模型性能数据,而前三行为以所有电站的均值为测试数据得到的模型性能数据。
从表2的分析结果中可以看出不论是平滑处理、周期特征还是标准化处理相比于基础的LightGBM模型均有提升,且标准化对于模型性能提升起到的作用最大。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (8)

1.一种基于机器学习的新能源发电预测方法,其特征在于,包括以下步骤:
步骤一,获取若干个新能源发电站的历史发电数据以及对应的历史天气数据,对历史发电数据和历史天气数据进行预处理,并根据预处理后的历史发电数据以及历史天气数据构建历史数据库;
步骤二,建立新能源发电预测模型,提取历史数据库内历史发电数据和历史天气数据并输入新能源发电预测模型,通过新能源发电预测模型对提取的历史发电数据以及历史天气数据进行特征提取,并对提取的特征数据进行筛选,根据筛选后特征数据构建预测数据集,所述预测数据集包括训练集、验证集和测试集;
步骤三,新能源发电预测模型根据训练集进行模型训练,并通过测试集获取新能源发电预测模型的预测误差,若新能源发电预测模型的预测误差超过预设阈值,则通过验证集对新能源发电预测模型的模型参数进行调节,直至新能源发电预测模型的预测误差不超过预设阈值;若新能源发电预测模型的预测误差不超过预设阈值,则新能源发电预测模型训练完成;
步骤四,采集进行发电预测的新能源发电站对应的天气数据,将采集到的天气数据输入训练完成的新能源发电预测模型,新能源发电预测模型输出发电预测结果。
2.根据权利要求1所述的一种基于机器学习的新能源发电预测方法,其特征在于,步骤二中通过在筛选特征数据前,还对特征数据进行显式表达,将特征数据根据倒数特征、log尺度特征以及交互特征的形式进行转换,获取显式表达的特征数据,并根据新能源发电预测模型的损失函数对显示表达的特征数据进行筛选。
3.根据权利要求1所述的一种基于机器学习的新能源发电预测方法,其特征在于,所述发电数据包括新能源发电站的发电功率和发电对应的时间信息,所述天气数据包括天气预报数据。
4.根据权利要求1所述的一种基于机器学习的新能源发电预测方法,其特征在于,步骤三中新能源发电预测模型根据训练集进行模型训练前,还对训练集内数据进行平滑处理。
5.根据权利要求1所述的一种基于机器学习的新能源发电预测方法,其特征在于,步骤一中在获取若干个新能源发电站的历史发电数据以及对应的历史天气数据时,还采集每个新能源发电站的发电站信息,根据每个新能源发电站的发电站信息对其扩容状况进行判断,对存在扩容状况的新能源发电站的历史发电数据进行标记,并在构建预测数据集后,从训练集、验证集合测试集内分别提取出存在标记的功率数据,并分别对提取出的功率数据进行功率标准化处理。
6.根据权利要求5所述的一种基于机器学习的新能源发电预测方法,其特征在于,对训练集内提取出功率数据进行的功率标准化表达式为:
Figure FDA0003373596760000031
对验证集或测试集内提取出功率数据进行的功率标准化表达式为:
p=pu*Ci
其中:pu为标准化功率,p为功率数据,Ct为训练集中功率数据对应新能源发电站的额定功率,Ci为训练集中功率数据对应新能源发电站的额定功率。
7.根据权利要求1所述的一种基于机器学习的新能源发电预测方法,其特征在于,步骤一中所述预处理包括数据清洗以及数据填充,所述数据清洗通过将所有发电数据以及天气数据进行离群判断,筛选出异常值数据,对异常值数据进行数据填充处理。
8.根据权利要求7所述的一种基于机器学习的新能源发电预测方法,其特征在于,对异常值数据进行数据填充处理的处理公式为:
Figure FDA0003373596760000032
其中:x为进行数据填充处理的异常值数据,i%a为数据的不合理范围下限,j%a为数据的不合理范围上线,a为预设常数。
CN202111409209.XA 2021-11-25 2021-11-25 一种基于机器学习的新能源发电预测方法 Active CN114281846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111409209.XA CN114281846B (zh) 2021-11-25 2021-11-25 一种基于机器学习的新能源发电预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111409209.XA CN114281846B (zh) 2021-11-25 2021-11-25 一种基于机器学习的新能源发电预测方法

Publications (2)

Publication Number Publication Date
CN114281846A true CN114281846A (zh) 2022-04-05
CN114281846B CN114281846B (zh) 2024-04-09

Family

ID=80869816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111409209.XA Active CN114281846B (zh) 2021-11-25 2021-11-25 一种基于机器学习的新能源发电预测方法

Country Status (1)

Country Link
CN (1) CN114281846B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115689062A (zh) * 2022-12-30 2023-02-03 浙江工业大学 一种基于快速在线迁移神经网络的光伏输出功率预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779223A (zh) * 2016-12-21 2017-05-31 创维互联(北京)新能源科技有限公司 一种光伏系统发电功率实时预测方法及装置
CN110084412A (zh) * 2019-04-12 2019-08-02 重庆邮电大学 一种基于特征转换多标签学习的光伏发电大数据预测方法
WO2021179700A1 (zh) * 2020-03-12 2021-09-16 深圳前海微众银行股份有限公司 发电量预测方法、装置、设备及计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779223A (zh) * 2016-12-21 2017-05-31 创维互联(北京)新能源科技有限公司 一种光伏系统发电功率实时预测方法及装置
CN110084412A (zh) * 2019-04-12 2019-08-02 重庆邮电大学 一种基于特征转换多标签学习的光伏发电大数据预测方法
WO2021179700A1 (zh) * 2020-03-12 2021-09-16 深圳前海微众银行股份有限公司 发电量预测方法、装置、设备及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
史佳琪;张建华;: "基于深度学习的超短期光伏精细化预测模型研究", 电力建设, no. 06, 30 June 2017 (2017-06-30) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115689062A (zh) * 2022-12-30 2023-02-03 浙江工业大学 一种基于快速在线迁移神经网络的光伏输出功率预测方法

Also Published As

Publication number Publication date
CN114281846B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN106779223B (zh) 一种光伏系统发电功率实时预测方法及装置
CN110518880B (zh) 一种光伏电站状态诊断方法及装置
CN112257941A (zh) 基于改进型Bi-LSTM的光伏电站短期功率预测方法
CN103488869A (zh) 一种最小二乘支持向量机的风力发电短期负荷预测方法
CN106570790B (zh) 一种计及风速数据分段特性的风电场出力数据修复方法
CN111931331B (zh) 一种适用于配电网机组组合的分布鲁棒优化方法
CN111488896A (zh) 一种基于多源数据挖掘的配电线路时变故障概率计算方法
CN106611243A (zh) 一种基于garch模型的风速预测残差修正方法
CN115049163B (zh) 基于禁忌搜索与深度稳定学习的光伏区域预测方法及装置
CN114792156A (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN114819374A (zh) 区域新能源超短期功率预测方法及系统
CN116227637A (zh) 一种面向有源配电网的精细化负荷预测方法和系统
CN110991701A (zh) 一种基于数据融合的风电场风机风速预测方法及系统
CN109921462B (zh) 一种基于lstm的新能源消纳能力评估方法及系统
CN114281846A (zh) 一种基于机器学习的新能源发电预测方法
CN115908051A (zh) 一种电力系统储能容量确定方法
CN112036436B (zh) 一种调相机油温预测系统的数据噪声处理方法及处理系统
CN110309978B (zh) 基于二次动态调整的神经网络光伏功率预测模型及方法
CN110555566B (zh) 一种基于b样条分位数回归的光电概率密度预测方法
CN112782495A (zh) 一种光伏电站的组串异常识别方法
CN114819391B (zh) 基于历史数据集时间跨度优化的光伏发电功率预测方法及系统
CN115809732A (zh) 一种分布式光伏发电功率预测方法及系统
CN111126645A (zh) 一种基于数据挖掘技术和改进支持向量机的风电预测算法
CN115345370A (zh) 一种基于Vine Copula模型的风电机组运行联动性分析方法
CN114936590A (zh) 一种光伏电站弃光数据识别方法、装置及存储介质

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