CN114418378A - 基于lof离群因子检测算法的光伏发电上网数据校核方法 - Google Patents
基于lof离群因子检测算法的光伏发电上网数据校核方法 Download PDFInfo
- Publication number
- CN114418378A CN114418378A CN202210048284.6A CN202210048284A CN114418378A CN 114418378 A CN114418378 A CN 114418378A CN 202210048284 A CN202210048284 A CN 202210048284A CN 114418378 A CN114418378 A CN 114418378A
- Authority
- CN
- China
- Prior art keywords
- power generation
- lof
- outlier
- detection algorithm
- daily
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000009499 grossing Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001502 supplementing 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于LOF离群因子检测算法的光伏发电上网数据校核方法,其包括以下步骤:对全体用户的日发电量数据进行平滑处理;建立基于BP神经网络的光伏日发电量预测模型,对发电量进行预测;对比用户的实际发电量和预测发电量建立偏差模型;基于LOF离群因子检测算法对偏差模型进行离群计算;依据离群计算的结果进行校核,并优化各影响因子比重重复计算,最终结果作为光伏发电上网数据校核的结果。本发明可以对光伏发电的上网数据进行校核,可以有效预警私增容量,非光伏发电上网等问题。
Description
技术领域
本发明涉及电力大数据分析领域,尤其涉及一种基于LOF离群因子检测算法的光伏发电上网数据校核方法。
背景技术
随着国民经济的飞速发展,各行各业对电力的需求量迅速增长。面对化石能源的紧缺以及环境污染等严峻问题,发展可再生能源成为重中之重。分布式发电由于其安装地点灵活、环保、能带来收益等特点,吸引了越来越多的用户开始安装分布式光伏发电系统。
准确的光伏容量信息对于负荷预测、用户需求侧响应容量估计以及发放光伏补贴等至关重要。虽然在安装分布式光伏发电系统时会报备光伏容量,但由于故障导致光伏系统停运以及用户私自扩容等现象,系统记录的安装容量与实际容量不符,增加了电力系统运行的不稳定性,给电网造成不利影响。
发明内容
本发明针对以上问题,提供了一种基于LOF离群因子检测算法的光伏发电上网数据校核方法。
本发明的技术方案为:包括以下步骤:
(1)对全体用户的日发电量数据进行平滑处理;
(2)建立基于BP神经网络的光伏日发电量预测模型,对发电量进行预测;
(3)对比用户的实际发电量和预测发电量建立偏差模型;
(4)基于LOF离群因子检测算法对偏差模型进行离群计算;
(5)依据离群计算的结果进行校核,并优化各影响因子比重重复计算,最终结果作为光伏发电上网数据校核的结果。
步骤(1)中,对全体用户的日发电量数据进行如下处理:
(1.1)对单个用户的日发电量数据进行去噪;
(1.2)利用滑动平均法补全用户的日发电数据;
步骤(2)中,对建立基于BP神经网络的光伏日发电量预测模型,对发电量进行预测:
(2.1)确定隐含层的个数公式:
其中,m是输入神经元个数,n是输出神经元个数,a是介于1~10之间的常数;
(2.2)将所有用户的发电量按照以下公式计算决定系数:
(2.3)按照计算出的决定系数R2计算各用户的预计发电量。
步骤(3)中,对比用户的实际发电量和预测发电量建立偏差模型:
计算的预测发电量与实际发电量的绝对差值,百分数差值。
步骤(4)中,基于LOF离群因子检测算法对偏差模型进行离群计算:
(4.1)采用欧几里得距离反映各数据点之间的距离,离群因子LOF的阈值采用统计的方法获得,利用箱型图进行界定,确定最终阈值;
(4.2)计算各个用户的LOF值,LOF值越大,该数据的离群度越高。
步骤(5)中,依据离群计算的结果进行校核,并优化各影响因子比重重复计算:
对离群度高的用户进行核查,并追踪实际情况,反馈给系统调整影响因子重新计算。
步骤(3)中,实际发电量的影响因子包括:日最高气温、日最低气温、日平均气温、风力、空气质量和辐射量。
本发明采用了LOF离群因子检测算法对用户的单位容量日发电量数据进行检测,找出其中的问题用户以供排查,其结果具有较高的准确性和直观性,无论是私自扩容导致的光伏发电量上升还是利用储能冒充光伏发电,均能可靠地识别出异常,提高可靠性。
附图说明
图1是本发明的流程图,
图2是BP神经网络计算权值修正算法流程模型图,
图3是离群因子分布图,
图4是实际发电量的影响因子示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。应当了解,以下提供的实施例仅是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的技术构思,本发明还可以用许多不同的形式来实施,并且不局限于此处描述的实施例。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。
本发明如图1所示,包括以下步骤:
(1)对全体用户的日发电量数据进行平滑处理;具体而言,利用滑动平均法(moving average)将缺失点将附近的采样点做算数平均,作为这个点光滑后的值,这样,用来补全数据。
(2)建立基于BP神经网络的光伏日发电量预测模型,对发电量进行预测;
(3)对比用户的实际发电量和预测发电量建立偏差模型;
(4)基于LOF离群因子检测算法对偏差模型进行离群计算;
(5)依据离群计算的结果进行校核,并优化各影响因子比重重复计算,最终结果作为光伏发电上网数据校核的结果。优化时,对高离群用户进行核查,结合实际情况调整影响因子和LOF离群阈值,降低高离群用户数量。
本发明采用了LOF离群因子检测算法对用户的单位容量日发电量数据进行检测,找出其中的问题用户以供排查。本发明采用了1000户用户信息对所提方法进行仿真测验,其结果具有较高的准确性和直观性,无论是私自扩容导致的光伏发电量上升还是利用储能冒充光伏发电,均能可靠地识别出异常。
如图4所示,步骤(3)中,实际发电量的影响因子包括:日最高气温、日最低气温、日平均气温、风力、空气质量和辐射量。通过影响因子之间的比重关系,进而获取实际发电量。
如图2所示,基于BP神经网络的光伏日发电量预测模型,对发电量进行预测:
首先:建立一个四层的BP神经网络。其包含一个输入层,两个隐藏层以及一个输出层,两个输入分别为x1和x2,其分别通过两条连接线与隐含层最上方的神经元相连,每条线上都有对应的权重w,为了提高神经网络的非线性能力,每个神经元都有一个激活函数f,神经元的输出为y=f(w1·x1+w2·x2),前向传播计算出最后结果后,将计算结果与期望值相减得到误差,并将此误差反向传播。根据梯度下降法的原理,对每条连接线上的权值进行修正,权值修正公式为多次迭代直至误差在允许范围内,此时神经网络的权值训练完毕。
其次:根据相似日理论,即天气特征相近时,光伏电源的输出功率曲线高度相似的特点,计算时输入为一段时间内某用户所在区域的天气特征量,包括日最高气温、日最低气温、日平均气温、风力、空气质量和太阳辐射量,输出为该用户日发电量。隐含层的个数可通过以下经验公式获得:
其中,m是输入神经元个数,n是输出神经元个数,a是介于1~10之间的常数。
以2018年1月起至2020年10月,共1035天的数据作为样本,其中1000天为训练集,35天为测试集,epoch设置为1000,学习率设为0.01。选用了决定系数R2来反映一个随机变量与多个随机变量关系的数字特征以及因变量变化的可靠程度,R2越接近1,则预测效果越好。其计算公式如下:
最终,根据BP神经网络的输出值和实际发电量对比,其决定系数R2可达0.99242。
如图3所示,基于LOF离群因子检测算法对偏差模型进行离群计算:
步骤一:根据各个用户的实际值与预测值计算绝对差值和百分数差值。
步骤二:同样采用上述1000户用户2018年1月至2020年10月的日发电量数据为样本进行检验分析,采用欧几里得距离反映各数据点之间的距离,离群因子LOF的阈值采用统计的方法获得,利用箱型图进行界定,最终阈值选取为27。依据以下步骤进行离群度计算:
(1)第k距离:dk(O)为点O的第k距离,dk(O)=d(O,P),当满足如下两个条件时,点P是距离O点最近的第k个点。
a)在集合中至少存在除O以外的k个点P′,使得d(O,P′)≤d(O,P);
b)在集合中至多存在k-1个点P′,使得d(O,P′)≤d(O,P);
(2)点O的k距离领域(k-distance neighborhood of an object O,Nk(O)):与点O之间的距离小于第k距离的所有对象的集合,即以O为中心,dk(O)为半径的区域内对象的集合;
(3)点P到点O的第k可达距离:dk(O,P)=max{dk(O),d(O,P)}。点P到点O的第k可达距离至少是dk(O);距离点O最近的k个点到点O的可达距离被认为是相当的,均等于dk(O);
(4)局部可达密度可表示为k距离领域内所有点到点O的平均可达距离取倒数,其表达式如下:
(5)离群子LOFk(O):点O的领域内其他点的局部可达密度与点O的局部可达密度之比的平均数;其表达式如下:
若LOFk(O)接近1,说明O点的领域点密度差不多,可能来自于同一类簇,若小于1,说明O为密集点,若大于1,说明O的密度小于其领域点密度,可能为异常点。
如图3反映了计算的最终结果,横纵坐标标明位置,黑点代表每位用户的数据点,圆圈反映了离群因子的大小,圆圈越大,LOF值越大,该数据点离群度越高,采用LOF离群因子检测算法具有较强的直观性。
步骤三:将步骤二中的离群度高的点筛选出,结合线下检核的方式,对结果进行检验。并反馈匹配度,调整影响因子和LOF离群阈值,最终将匹配度达到90%以上。
离群点检测是数据挖掘的重要部分,其目的是发现与其他对象一般行为或特征显著不同的对象。大部分的数据挖掘方法会把这种差异信息视为噪声丢弃,然而在本发明中,这些异常数据背后往往是用户的私自行为。本发明采用离群点检测的方法对全部用户的单位容量日发电量进行检测,找出其中的疑似用户供排查。
对电力系统而言,准确的安装容量信息,可以提高电力系统运行的稳定性和可靠性,降低分布式光伏对电网带来的不利影响;对国家而言,准确的安装容量信息是精准补贴光伏用户的必要条件;对用户本身而言,提高光伏容量的准确性可以降低分布式光伏带来的一些潜在风险。
因此,及时发现光伏容量异常的用户具有重要的实际意义。
Claims (7)
1.基于LOF离群因子检测算法的光伏发电上网数据校核方法,其特征在于,包括以下步骤:
(1)对全体用户的日发电量数据进行平滑处理;
(2)建立基于BP神经网络的光伏日发电量预测模型,对发电量进行预测;
(3)对比用户的实际发电量和预测发电量建立偏差模型;
(4)基于LOF离群因子检测算法对偏差模型进行离群计算;
(5)依据离群计算的结果进行校核,并优化各影响因子比重重复计算,最终结果作为光伏发电上网数据校核的结果。
2.根据权利要求1所述的基于LOF离群因子检测算法的光伏发电上网数据校核方法,其特征在于:步骤(1)中,对全体用户的日发电量数据进行如下处理:
(1.1)对单个用户的日发电量数据进行去噪;
(1.2)利用滑动平均法补全用户的日发电数据。
4.根据权利要求1所述的基于LOF离群因子检测算法的光伏发电上网数据校核方法,其特征在于:步骤(3)中,对比用户的实际发电量和预测发电量建立偏差模型:
计算的预测发电量与实际发电量的绝对差值和百分数差值。
5.根据权利要求1所述的基于LOF离群因子检测算法的光伏发电上网数据校核方法,其特征在于:步骤(4)中,基于LOF离群因子检测算法对偏差模型进行离群计算:
(4.1)采用欧几里得距离反映各数据点之间的距离,离群因子LOF的阈值采用统计的方法获得,利用箱型图进行界定,确定最终阈值;
(4.2)计算各个用户的LOF值,LOF值越大,该数据的离群度越高。
6.根据权利要求1所述的基于LOF离群因子检测算法的光伏发电上网数据校核方法,其特征在于:步骤(5)中,依据离群计算的结果进行校核,并优化各影响因子比重重复计算:
对离群度高的用户进行核查,并追踪实际情况,反馈给系统调整影响因子重新计算。
7.根据权利要求1所述的基于LOF离群因子检测算法的光伏发电上网数据校核方法,其特征在于:步骤(3)中,实际发电量的影响因子包括:日最高气温、日最低气温、日平均气温、风力、空气质量和辐射量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210048284.6A CN114418378A (zh) | 2022-01-17 | 2022-01-17 | 基于lof离群因子检测算法的光伏发电上网数据校核方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210048284.6A CN114418378A (zh) | 2022-01-17 | 2022-01-17 | 基于lof离群因子检测算法的光伏发电上网数据校核方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114418378A true CN114418378A (zh) | 2022-04-29 |
Family
ID=81273478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210048284.6A Pending CN114418378A (zh) | 2022-01-17 | 2022-01-17 | 基于lof离群因子检测算法的光伏发电上网数据校核方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418378A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879662A (zh) * | 2023-09-06 | 2023-10-13 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
CN117113017A (zh) * | 2023-10-24 | 2023-11-24 | 大连德裕隆机电工程技术有限公司 | 工程机械维修过程中电气数据优化采集方法及相关装置 |
-
2022
- 2022-01-17 CN CN202210048284.6A patent/CN114418378A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879662A (zh) * | 2023-09-06 | 2023-10-13 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
CN116879662B (zh) * | 2023-09-06 | 2023-12-08 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
CN117113017A (zh) * | 2023-10-24 | 2023-11-24 | 大连德裕隆机电工程技术有限公司 | 工程机械维修过程中电气数据优化采集方法及相关装置 |
CN117113017B (zh) * | 2023-10-24 | 2024-01-26 | 大连德裕隆机电工程技术有限公司 | 工程机械维修过程中电气数据优化采集方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
Bu et al. | A data-driven game-theoretic approach for behind-the-meter PV generation disaggregation | |
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
Zhao et al. | A novel bidirectional mechanism based on time series model for wind power forecasting | |
CN111091233B (zh) | 一种风电场短期风电预测建模方法 | |
CN110909912B (zh) | 基于自适应误差反馈的园区电力系统净负荷组合预测方法 | |
CN114418378A (zh) | 基于lof离群因子检测算法的光伏发电上网数据校核方法 | |
CN111222674A (zh) | 基于长短期记忆神经网络的短期光伏发电量预测方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN114004139A (zh) | 一种光伏发电功率预测方法 | |
Dimd et al. | A review of machine learning-based photovoltaic output power forecasting: Nordic context | |
CN111723982A (zh) | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 | |
Lungu et al. | PREDICTION INTELLIGENT SYSTEM IN THE FIELD OF RENEWABLE ENERGIES THROUGH NEURAL NETWORKS. | |
CN110766190A (zh) | 一种配电网负荷预测方法 | |
CN115495505A (zh) | 一种基于新能源机场群数据关联分析方法 | |
Zhang et al. | Short-term load forecasting based on GAD-BP neural network | |
CN111967660B (zh) | 一种基于svr的超短期光伏预测残差修正方法 | |
CN116960982A (zh) | 基于lstm网络的光伏超短期功率预测方法和系统 | |
Hatamian et al. | Location-aware green energy availability forecasting for multiple time frames in smart buildings: The case of Estonia | |
Assunção et al. | Transformer top-oil temperature modeling and simulation | |
Yang et al. | Data‐driven modeling for fatigue loads of large‐scale wind turbines under active power regulation | |
CN114861555A (zh) | 一种基于Copula理论的区域综合能源系统短期负荷预测方法 | |
JP7342369B2 (ja) | 予測システム、予測方法 | |
CN114091329A (zh) | 基于反距离插值和极限学习机的区域光伏发电量计算方法 | |
Yang et al. | Ultra‐Short‐Term Multistep Prediction of Wind Power Based on Representative Unit Method |
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 |