CN114297943A - 一种基于堆叠lstm的台区配电网光伏功率多元预测方法 - Google Patents
一种基于堆叠lstm的台区配电网光伏功率多元预测方法 Download PDFInfo
- Publication number
- CN114297943A CN114297943A CN202210001300.6A CN202210001300A CN114297943A CN 114297943 A CN114297943 A CN 114297943A CN 202210001300 A CN202210001300 A CN 202210001300A CN 114297943 A CN114297943 A CN 114297943A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- time series
- training
- photovoltaic power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000010248 power generation Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 42
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000010792 warming 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
- Photovoltaic Devices (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于台区配电网运行控制领域，尤其涉及一种基于堆叠LSTM的台区配电网光伏功率多元预测方法，该方法采用多元历史数据作为学习网络的输入，充分挖掘时间序列之间的相关信息。对传统LSTM算法进行重构，建立了一种堆叠LSTM算法，具有3层结构：LSTM‑1层、LSTM‑2层和全链接层。其中，LSTM‑1层的输入为多元时间序列；LSTM‑2层输入为LSTM‑1层的输出；全链接层为一个标准的前馈层，其输出为光伏发电功率的时间序列预测值。该发明旨在提升台区侧配电网光伏功率预测精度，提高台区侧配电网优化运行效率和安全性。
Description
技术领域
本发明属于电网运行与控制领域，尤其涉及一种基于堆叠LSTM的台区配电网光伏功率多元预测方法。
背景技术
电力行业是关系国计民生的重要行业。随着经济的快速发展，近些年来，过电力负荷持续增长。电力生产主要形式为煤电。然而，随着煤炭资源的日益枯竭以及全球气候变暖的严峻形式，各国都制定了碳排放目标。
降低碳排放量除了要在电力使用总量方面进行控制，还要在电力生产源头进行改进。近年来，随着持续加大可再生能源的投资力度，大力发展风电和光伏等新能源。然而，电力系统运行要求发输配用全程都需保持功率平衡，随着大量强波动性光伏发电功率注入电网，必然会对电网的运行稳定性造成严重威胁。针对该问题，电力系统运行调度中心需要对电源即负荷的功率变化进行实时监测并进行准确预测，从而提前制定合理的运行控制方案。因此，就需要对光伏发电功率进行准确跟踪并提前做出准确预测，进而保证电力系统的安全稳定运行，同时使得电网能够接入更高比例的新能源。
发明内容
本发明所要解决的技术问题在于提供一种基于堆叠LSTM的台区配电网光伏功率多元预测方法，保证电力系统运行的安全性和稳定性。
本发明是这样实现的，
一种基于堆叠LSTM的台区配电网光伏功率多元预测方法，包括以下步骤：
步骤1：数据归一化。对数值分布范围较大的原始数据进行处理，使其数值范围分布在数值范围较小的特定范围内，以便算法学习使用。
步骤2：定义神经网络。定义一个神经网络G，该神经网络G中的元素为与训练算法相关的超参数集合。
步骤3：生成训练集R和测试集T。从训练集R中提取验证集V对神经网络性能进行评估，其余数据用来训练神经网络。
步骤4：对堆叠LSTM网络进行训练，网络参数为步骤2中所述的超参数集合，进而得到训练结果Np。
步骤5：对步骤4中得到的训练结果Pp进行性能评价。性能评价需要通过步骤3中的验证集V计算平均绝对值误差ep，以此作为堆叠LSTM网络的性能评价依据。
步骤6：选择最优超参数。在步骤2中定义的所有超参数集合中选择评价指标ep值最小的参数作为最优超参数pO，即pO＝arg minp∈G{ep}，以此作为最终训练参数。
步骤7：网络训练。利用训练集R对最优参数所确定的神经网络进行训练。
步骤8：通过测试集T计算训练所得到的神经网络，计算平均绝对误差ep。
进一步地，所述步骤1中，原始数据为台区配电网光伏发电功率时间序列SP、环境温度时间序列ST和风速时间序列SW。所述归一化处理方法采用线性映射法，特定范围通常为[0,1]。对于发电功率时间序列SP、环境温度时间序列ST和风速时间序列SW，其实际值上下限与区间[0,1]的对应关系为：
SP：0对应0kW，1对应风力发电机的额定功率Pe；
ST：0对应当地的最低气温，1对应当地最高气温；
SW：0对应0m/s，1对应当地最大风速。
进一步地，所述步骤2中，超参数集合包括：训练周期、学习率、收敛条件和调节因数。
进一步地，所述步骤2中，神经网络为堆叠LSTM神经网络，神经网络由LSTM1层、LSTM2层和全链接层三层机构组成，神经网络的具体形式如图1所示。
LSTM1层：该层为堆叠LSTM神经网络的第1层，其隐含神经元个数为H1。该层的输入量为n时刻的时间序列x(n)。
LSTM2层：该层为堆叠LSTM神经网络的第2层，其隐含神经元个数为H2。该层的输入量为LSTM1层的输出。
全链接层：该层为一个标准的前馈层，该层将LSTM2层的H2个隐含状态与标量输出进行全链接。该层输出量为所需求的n+k时刻光伏发电功率S(n+k)。
堆叠LSTM神经网络的输入x(n)是由若干时间序列组成。每一个时间序列为一个列向量形式。输入x(n)的每一个元素对应不同的时间序列：
x(n)＝[S1(n) S2(n) … SM(n)]T (1)
式中：x(n)为n时刻堆叠LSTM神经网络的输入量；S1(n)，S2(n)和SM(n)分别为第1个，第2个和第M个标量时间序列。标量时间序列的个数与输入特征量相关。若输入为M个标量时间序列则表示输入特征量的个数为M。通常将光伏发电功率时间序列作为S1，则S2～SM为与光伏发电功率相关的其它因素，例如光照强度、温度、湿度和风速等。
堆叠LSTM神经网络的输出为n+k时刻光伏发电功率S(n+k)。
进一步地，所述步骤3中，验证集可以选择训练集中最新数据作为目标，通过更早先的数据作为输入对深度神经网络模型进行训练。
本发明与现有技术相比，有益效果在于：
本发明方法可以充分利用台区配电网光伏发电历史数据以及影响发电功率的相关信息，进而提取反应光伏发电功率的有价值因素，最终提升台区配电网光伏发电功率的预测精度，为电网运行提供可靠的预测数据，通过灵活调节使得台区配电网接纳更多新能源。
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简单地介绍，显而易见地，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为堆叠LSTM神经网络的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一种基于堆叠LSTM的台区配电网光伏功率多元预测方法，包括以下步骤：
步骤1：数据归一化。对数值分布范围较大的原始数据进行处理，使其数值范围分布在数值范围较小的特定范围内，以便算法学习使用。
步骤2：定义神经网络。定义一个神经网络G，该神经网络G中的元素为与训练算法相关的超参数集合。
步骤3：生成训练集R和测试集T。从训练集R中提取验证集V对神经网络性能进行评估，其余数据用来训练神经网络。
步骤4：对堆叠LSTM网络进行训练，网络参数为步骤2中所述的超参数集合，进而得到训练结果Np。
步骤5：对步骤4中得到的训练结果Pp进行性能评价。性能评价需要通过步骤3中的验证集V计算平均绝对值误差ep，以此作为堆叠LSTM网络的性能评价依据。
步骤6：选择最优超参数。在步骤2中定义的所有超参数集合中选择评价指标ep值最小的参数作为最优超参数pO，即pO＝arg minp∈G{ep}，以此作为最终训练参数。
步骤7：网络训练。利用训练集R对最优参数所确定的神经网络进行训练。
步骤8：通过测试集T计算训练所得到的神经网络，计算平均绝对误差ep。
所述步骤1中，原始数据为台区配电网光伏发电功率时间序列SP、环境温度时间序列ST和风速时间序列SW。所述归一化处理方法采用线性映射法，特定范围通常为[0,1]。对于发电功率时间序列SP、环境温度时间序列ST和风速时间序列SW，其实际值上下限与区间[0,1]的对应关系为：
SP：0对应0kW，1对应风力发电机的额定功率Pe；
ST：0对应当地的最低气温，1对应当地最高气温；
SW：0对应0m/s，1对应当地最大风速。
步骤2中，超参数集合包括：训练周期、学习率、收敛条件和调节因数。
所述步骤2中，神经网络为堆叠LSTM神经网络，神经网络由LSTM1层、LSTM2层和全链接层三层机构组成，神经网络的具体形式如图1所示。
LSTM1层：该层为堆叠LSTM神经网络的第1层，其隐含神经元个数为H1。该层的输入量为n时刻的时间序列x(n)。
LSTM2层：该层为堆叠LSTM神经网络的第2层，其隐含神经元个数为H2。该层的输入量为LSTM1层的输出。
全链接层：该层为一个标准的前馈层，该层将LSTM2层的H2个隐含状态与标量输出进行全链接。该层输出量为所需求的n+k时刻光伏发电功率S(n+k)。
堆叠LSTM神经网络的输入x(n)是由若干时间序列组成。每一个时间序列为一个列向量形式。输入x(n)的每一个元素对应不同的时间序列：
x(n)＝[S1(n) S2(n) … SM(n)]T (1)
式中：x(n)为n时刻堆叠LSTM神经网络的输入量；S1(n)，S2(n)和SM(n)分别为第1个，第2个和第M个标量时间序列。标量时间序列的个数与输入特征量相关。若输入为M个标量时间序列则表示输入特征量的个数为M。通常将光伏发电功率时间序列作为S1，则S2～SM为与光伏发电功率相关的其它因素，例如光照强度、温度、湿度和风速等。
堆叠LSTM神经网络的输出为n+k时刻光伏发电功率S(n+k)。
步骤3中，验证集可以选择训练集中最新数据作为目标，通过更早先的数据作为输入对深度神经网络模型进行训练。
本实施例采用某台区配电网所辖地区屋顶光伏2019年全年数据进行验证。其中包含2栋商业楼宇和20栋住宅楼宇。安装日射强度传感器10套。除了光伏发电输出功率外，同时还收集环境温度数据以及风速数据。所有数据通过数据采集系统传送至数据中心数据库。数据采集间隔为一个小时。
将10个月，即连续300天的数据作为训练集；将剩余2个月，即60天的数据组为测试集。为了对所提出的台区配电网光伏预测方法的性能进行研究，将对以下3种情况进行计算：
情况1：输入数据为光伏发电功率和光照强度，即x(n)＝[S1(n)S2(n)]T；
情况2：输入数据为光伏发电功率和风速，即x(n)＝[S1(n)S3(n)]T；
情况3：输入数据为光伏发电功率、光照强度和风速，即x(n)＝[S1(n)S2(n)S3(n)]T。
表1为上述三种情况下不同月份光伏发电预测误差。由表1可见，当训练数据种仅有光伏发电功率以及光照强度时，光伏发电功率预测误差最小；当训练数据数据中同时包含光伏发电功率、日照强度和风速数据时，3月、7月和10月的预测精度介于情况1和情况2之间，12月的预测精度为三种情况下最差。这说明随季节不同，影响光伏发电功率的因素也有所差异。无论在何种季节，光照强度都与发电功率密切相关。与春季、夏季和秋季相比，冬季风速对光伏发电功率的影响程度则更加明显。
表1光伏发电预测误差
| 输入数据 | 3月 | 7月 | 10月 | 12月 |
| S<sub>1</sub>，S<sub>2</sub> | 2.25 | 2.20 | 3.58 | 4.26 |
| S<sub>1</sub>，S<sub>3</sub> | 3.15 | 3.33 | 4.25 | 4.99 |
| S<sub>1</sub>，S<sub>2</sub>，S<sub>3</sub> | 2.78 | 3.14 | 3.97 | 5.29 |
本发明方法可以充分利用台区配电网光伏发电历史数据以及影响发电功率的相关信息，进而提取反应光伏发电功率的有价值因素，最终提升台区配电网光伏发电功率的预测精度，为电网运行提供可靠的预测数据，通过灵活调节使得台区配电网接纳更多新能源。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于堆叠LSTM的台区配电网光伏功率多元预测方法，其特征在于，包括以下步骤：
步骤1：数据归一化，使数值分布范围较大的原始数据数值范围分布在数值特定范围内；
步骤2：定义一个神经网络，该神经网络中的元素为与训练算法相关的超参数集合；
步骤3：生成训练集R和测试集T，从训练集R中提取验证集V对神经网络G的性能进行评估，其余数据用来训练神经网络G；
步骤4：对堆叠LSTM网络进行训练，网络参数为步骤2中所述的超参数集合，进而得到训练结果Np；
步骤5：对步骤4中得到的训练结果Pp进行性能评价，性能评价通过步骤3中的验证集V计算平均绝对值误差ep，以此作为堆叠LSTM网络的性能评价依据；
步骤6：选择最优超参数，在步骤2中定义的所有超参数集合中选择评价指标ep值最小的参数作为最优超参数pO，即pO＝arg minp∈G{ep}，以此作为最终训练参数；
步骤7：利用训练集R对最优参数所确定的神经网络进行训练；
步骤8：通过测试集T计算训练所得到的神经网络，计算平均绝对误差ep。
2.按照权利要求1所述的方法，其特征在于，所述步骤1中，原始数据为台区配电网光伏发电功率时间序列SP、环境温度时间序列ST和风速时间序列SW，归一化处理方法采用线性映射法，特定范围为[0,1]；对于台区配电网光伏发电功率时间序列SP、环境温度时间序列ST和风速时间序列SW，其实际值上下限与区间[0,1]的对应关系为：
SP：0对应0kW，1对应风力发电机的额定功率Pe；
ST：0对应当地的最低气温，1对应当地最高气温；
SW：0对应0m/s，1对应当地最大风速。
3.按照权利要求1所述的方法，其特征在于，步骤2中，超参数集合包括：训练周期、学习率、收敛条件和调节因数。
4.按照权利要求1所述的方法，其特征在于，步骤2中，神经网络为堆叠LSTM神经网络，神经网络由LSTM1层、LSTM2层和全链接层三层机构组成，其中：
LSTM1层为堆叠LSTM神经网络的第1层，其隐含神经元个数为H1，该层的输入量为n时刻的时间序列x(n)；
LSTM2层为堆叠LSTM神经网络的第2层，其隐含神经元个数为H2，该层的输入量为LSTM1层的输出。
全链接层为一个标准的前馈层，该层将LSTM2层的H2个隐含状态与标量输出进行全链接，该层输出量为所需求的n+k时刻光伏发电功率S(n+k)；
堆叠LSTM神经网络的输入x(n)是由若干时间序列组成，每一个时间序列为一个列向量形式，输入x(n)的每一个元素对应不同的时间序列：
x(n)＝[S1(n) S2(n)…SM(n)]T (1)
式中：x(n)为n时刻堆叠LSTM神经网络的输入量；S1(n)，S2(n)和SM(n)分别为第1个，第2个和第M个标量时间序列，标量时间序列的个数与输入特征量相关。若输入为M个标量时间序列则表示输入特征量的个数为M，通常将光伏发电功率时间序列作为S1，则S2～SM为与光伏发电功率相关的其它因素；
堆叠LSTM神经网络的输出为n+k时刻光伏发电功率S(n+k)。
5.按照权利要求1所述的方法，其特征在于，步骤3中，验证集选择训练集中最新数据作为目标，通过更早先的数据作为输入对深度神经网络模型进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210001300.6A CN114297943B (zh) | 2022-01-04 | 2022-01-04 | 一种基于堆叠lstm的台区配电网光伏功率多元预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210001300.6A CN114297943B (zh) | 2022-01-04 | 2022-01-04 | 一种基于堆叠lstm的台区配电网光伏功率多元预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114297943A true CN114297943A (zh) | 2022-04-08 |
| CN114297943B CN114297943B (zh) | 2024-08-27 |
Family
ID=80975423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210001300.6A Active CN114297943B (zh) | 2022-01-04 | 2022-01-04 | 一种基于堆叠lstm的台区配电网光伏功率多元预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114297943B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111384726A (zh) * | 2020-01-21 | 2020-07-07 | 国网安徽省电力有限公司六安供电公司 | 一种高渗透率光伏配电网分区调压方法 |
| US20210089900A1 (en) * | 2019-09-20 | 2021-03-25 | Wuhan University | Transformer dga data prediction method based on multi-dimensional time sequence frame convolution lstm |
| CN112561139A (zh) * | 2020-12-03 | 2021-03-26 | 安徽大学 | 一种短期光伏发电功率预测方法和系统 |
-
2022
- 2022-01-04 CN CN202210001300.6A patent/CN114297943B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210089900A1 (en) * | 2019-09-20 | 2021-03-25 | Wuhan University | Transformer dga data prediction method based on multi-dimensional time sequence frame convolution lstm |
| CN111384726A (zh) * | 2020-01-21 | 2020-07-07 | 国网安徽省电力有限公司六安供电公司 | 一种高渗透率光伏配电网分区调压方法 |
| CN112561139A (zh) * | 2020-12-03 | 2021-03-26 | 安徽大学 | 一种短期光伏发电功率预测方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 崔承刚;邹宇航;: "基于深度学习的LSTM光伏预测", 上海电力学院学报, no. 06, 15 December 2019 (2019-12-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114297943B (zh) | 2024-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
| CN106385025B (zh) | 一种分布式电源与联络线多阶段协同规划方法 | |
| CN109858673A (zh) | 一种光伏发电系统功率预测方法 | |
| Mondal | Implications of renewable energy technologies in the Bangladesh power sector. Long-term planning strategies | |
| CN110111003A (zh) | 一种基于改进fcm聚类算法的新能源典型场景构建方法 | |
| CN112580897B (zh) | 基于鹦鹉算法的多能源电力系统优化调度的方法 | |
| CN111191854A (zh) | 一种基于线性回归及神经网络的光伏发电预测模型和方法 | |
| CN113837464A (zh) | 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法 | |
| CN114069687B (zh) | 一种计及逆变器无功调节作用的分布式光伏规划方法 | |
| CN110994606B (zh) | 一种基于复杂适应系统理论的多能源电源容量配置方法 | |
| CN114400698B (zh) | 一种高比例清洁能源电网电源最优降碳运行方法 | |
| CN113937825A (zh) | 一种基于E-C-Kmeans聚类和SOP优化的DG双层优化配置方法 | |
| CN111404193A (zh) | 一种基于数据驱动的微电网随机鲁棒优化调度方法 | |
| Li et al. | Photovoltaic array prediction on short-term output power method in centralized power generation system | |
| CN115471014A (zh) | 一种基于深度神经网络的电网企业度电碳耗预测方法 | |
| CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
| CN114117925A (zh) | 考虑高比例分布式光伏消纳的综合能源系统规划方法 | |
| CN111626558B (zh) | 基于情景分析的综合能源系统模型比较方法和优化系统 | |
| CN113158547A (zh) | 计及经济性和可靠性的区域综合能源系统优化配置方法 | |
| CN114297943B (zh) | 一种基于堆叠lstm的台区配电网光伏功率多元预测方法 | |
| Jiang et al. | An integrated energy system evaluation method based on FAHP-EWM-TOPSIS | |
| Zhao et al. | Research on Multiobjective Optimal Operation Strategy for Wind‐Photovoltaic‐Hydro Complementary Power System | |
| CN110490403A (zh) | 一种基于改进神经网络构建光伏电站的光资源评估方法 | |
| Micha et al. | An intelligent photovoltaic power forecasting model based on bagged-boosted stack support vector regression with kernel linear | |
| He et al. | Research on Photovoltaic Power Forecasting Based on SOM Weather Clustering |
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 |