CN115395502A - 一种光伏电站功率预测方法及系统 - Google Patents
一种光伏电站功率预测方法及系统 Download PDFInfo
- Publication number
- CN115395502A CN115395502A CN202210852465.4A CN202210852465A CN115395502A CN 115395502 A CN115395502 A CN 115395502A CN 202210852465 A CN202210852465 A CN 202210852465A CN 115395502 A CN115395502 A CN 115395502A
- Authority
- CN
- China
- Prior art keywords
- power
- strategy
- prediction
- sub
- predictor
- 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
Images
Classifications
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及光伏发电技术领域,具体提供一种光伏电站功率预测方法及系统,包括:定期采集光伏电站的环境参数和实际功率,将采集的环境参数按照采集时间先后排序得到参数序列;利用预先基于元学习架构训练好的预测模型根据参数序列生成预测功率,所述预测模型包括主策略模型和多个子策略模型,多个子策略模型包括短期功率预测器、超短期功率预测器、实时功率预测器、持久性预测器和平均值预测器;计算预测功率与相应实际功率的误差,并将所述误差反馈至所述预测模型以修正所述预测模型。本发明基于元学习结构构建短期的功率预测模型,从而实现对光伏电站的短期功率预测,提高了功率预测精度。
Description
技术领域
本发明涉及光伏发电技术领域,具体涉及一种光伏电站功率预测方法及系统。
背景技术
随着大规模可再生能源电力的并网,电力系统的稳定安全运行急需保障。改善光伏发电系统的可靠性是发展大规模光伏发电的前提。对光伏电站的短期输出功率进行准确预测可对电力系统的调度提供超前指导。
发明内容
针对现有技术的上述不足,本发明提供一种光伏电站功率预测方法及系统,以解决上述技术问题。
第一方面,本发明提供一种光伏电站功率预测方法,包括:
定期采集光伏电站的环境参数和实际功率,将采集的环境参数按照采集时间先后排序得到参数序列;
利用预先基于元学习架构训练好的预测模型根据参数序列生成预测功率,所述预测模型包括主策略模型和多个子策略模型,多个子策略模型包括短期功率预测器、超短期功率预测器、实时功率预测器、持久性预测器和平均值预测器;
计算预测功率与相应实际功率的误差,并将所述误差反馈至所述预测模型以修正所述预测模型。
进一步的,所述主策略模型的训练方法包括:
构建主策略目标函数,所述目标函数基于历史功率数据特征选择子策略模型进行预测得到预测值;
基于给定的主策略状态空间维度,利用马尔代夫链转换计算在选择的子策略下的预测均方误差;
利用梯度随机下降算法为主策略目标函数训练深度网络智能体,所述深度网络智能体由输入层、输出层和多个隐藏层组成,训练收敛后得到的主策略模型的预测均方误差最小。
进一步的,构建主策略目标函数,包括:
基于选取一个子策略使得预测值的均方误差最小的原则构建主策略目标函数其中,为不失一般性,我们用0表示决策时间瞬间;τ=100ms为预测值时间间隔;代表主策略;m'≥0代表主策略的状态空间的维数;H'm'(vτ)为历史功率数据特征;Hm(vτ)为功率数据特征映射;n为时间周期;a(v)为第v个采样周期内能到达的数据序列;子策略本身根据特征映射执行预测。
进一步的,基于给定的主策略状态空间维度,利用马尔代夫链转换计算在选择的子策略下的预测均方误差,包括:
将主策略目标函数的优化表述为马尔代夫链MDP(S,K,Pk(s,s'),Rk(s,s'));
获取子策略k的状态转移概率后,将状态Am'(n)下的代表主策略主策略目标函数的优化表述为马尔代夫链;深度网络智能体学习历史功率数据特征H'm'(vτ)和功率数据特征映射Hm(vτ),子策略根据数据特征映射执行预测,进而不断探索目标函数的最小值。
进一步的,所述短期功率预测器、超短期功率预测器、实时功率预测器均为针对具有单一类型光伏系统输出功率的数据集训练的长短期记忆网络预测器。
进一步的,所述持久性预测器在时间序列具有持久性的假设基础上,将最后的观测值作为预测值;所述平均值预测器将最后m个预测周期内所达到数据的平均数作为预测值。
第二方面,本发明提供一种光伏电站功率预测系统,包括:
数据采集单元,用于定期采集光伏电站的环境参数和实际功率,将采集的环境参数按照采集时间先后排序得到参数序列;
功率预测单元,用于利用预先基于元学习架构训练好的预测模型根据参数序列生成预测功率,所述预测模型包括主策略模型和多个子策略模型,多个子策略模型包括短期功率预测器、超短期功率预测器、实时功率预测器、持久性预测器和平均值预测器;
模型修正单元,用于计算预测功率与相应实际功率的误差,并将所述误差反馈至所述预测模型以修正所述预测模型。
进一步的,所述功率预测单元包括:
函数构建模块,用于构建主策略目标函数,所述目标函数基于历史功率数据特征选择子策略模型进行预测得到预测值;
优化构建模块,用于基于给定的主策略状态空间维度,利用马尔代夫链转换计算在选择的子策略下的预测均方误差;
训练执行模块,用于利用梯度随机下降算法为主策略目标函数训练深度网络智能体,所述深度网络智能体由输入层、输出层和多个隐藏层组成,训练收敛后得到的主策略模型的预测均方误差最小。
进一步的,所述函数构建模块用于:
基于选取一个子策略使得预测值的均方误差最小的原则构建主策略目标函数其中,为不失一般性,我们用0表示决策时间瞬间;τ=100ms为预测值时间间隔;代表主策略;m'≥0代表主策略的状态空间的维数;H'm'(vτ)为历史功率数据特征;Hm(vτ)为功率数据特征映射;n为时间周期;a(v)为第v个采样周期内能到达的数据序列;子策略本身根据特征映射执行预测。
进一步的,所述优化构建模块用于:
将主策略目标函数的优化表述为马尔代夫链MDP(S,K,Pk(s,s'),Rk(s,s'));
获取子策略k的状态转移概率后,将状态Am'(n)下的代表主策略主策略目标函数的优化表述为马尔代夫链;深度网络智能体学习历史功率数据特征H'm'(vτ)和功率数据特征映射Hm(vτ),子策略根据数据特征映射执行预测,进而不断探索目标函数的最小值。
本发明的有益效果在于,本发明提供的光伏电站功率预测方法及系统,基于元学习结构构建短期的功率预测模型,从而实现对光伏电站的短期功率预测,提高了功率预测精度。
此外,本发明设计原理可靠,结构简单,具有非常广泛的应用前景。
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而言,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是本发明一个实施例的方法的示意性流程图。
图2是本发明一个实施例的方法的元学习训练的示意性流程图。
图3是本发明一个实施例的方法的示意性架构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,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、完整地描述,显然,所描述的实施例仅仅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,都应当属于本发明保护的范围。
图1是本发明一个实施例的方法的示意性流程图。其中,图1执行主体可以为一种光伏电站功率预测系统。
如图1所示,该方法包括:
步骤110,定期采集光伏电站的环境参数和实际功率,将采集的环境参数按照采集时间先后排序得到参数序列;
步骤120,利用预先基于元学习架构训练好的预测模型根据参数序列生成预测功率,所述预测模型包括主策略模型和多个子策略模型,多个子策略模型包括短期功率预测器、超短期功率预测器、实时功率预测器、持久性预测器和平均值预测器;
步骤130,计算预测功率与相应实际功率的误差,并将所述误差反馈至所述预测模型以修正所述预测模型。
由于光伏发电的功率不稳定,对光伏发电的功率预测采用单一的预测模型导致在光伏发电的多变的环境下功率预测准确度不佳。本发明基于元学习结构构建预测模型,能够适应光伏发电的多种应用场景,大大提高了短期预测精度和效率。
具体的,请参考图2和图3,所述光伏电站功率预测方法包括:
S1、定期采集光伏电站的环境参数和实际功率,将采集的环境参数按照采集时间先后排序得到参数序列。
利用环境传感器定期采集环境的光照度和温度等参数,同时定期获取光伏电站的运行参数,从运行参数中提取实际的输出功率。环境参数与实际功率的获取周期保持同步。将采集的环境参数和实际功率按照采集时间先后保存为参数序列和实际功率序列。
S2、利用预先基于元学习架构训练好的预测模型根据参数序列生成预测功率,所述预测模型包括主策略模型和多个子策略模型,多个子策略模型包括短期功率预测器、超短期功率预测器、实时功率预测器、持久性预测器和平均值预测器。
元学习以学习如何学习为核心思想,能够充分利用过去的经验来指导未来的任务,被认为是实现通用人工智能的关键。元学习方案的提出使强化学习算法针对对抗性例子具有鲁棒性,并被考虑用于解决机器学习中已知分布的未知任务。基于元学习方案的反馈体系结构基于观察到的预测精度来选择学习方式,它允许在任何时间点为系统选择最好的预测器。将元学习方案设计为由主策略μ∈M和一组k=|K|的子策略组成,如图2所示。每个子策略k∈K都是通过使用某时段光伏功率数据训练的预测器πk来实现的。主策略负责决定在下一个预测间隔期间应该使用哪个子策略进行预测。使用元学习方案来预测非平稳光伏电站功率的基本原理是基于它最近在鲁棒对抗学习中的应用。其中,主策略在一组强化学习智能体中进行选择;每个个体都被训练来解决一种特殊的马尔可夫决策(MDP)过程,其中一些可能会被对手扰乱。可以直观地将随机光伏输出功率解释为针对单个预测器的对手,这些预测器受训预测具有特定特征的输出功率:对手将不同特征的系统输出功率呈现给预测器,从而增加预测误差。主策略的作用是选择一个好的预测器来应对这种“对抗”行为。
在任何时间点,主策略都旨在为下一个预测间隔选择最佳子策略。考虑到诸如长短期记忆网络之类的预测器具有记忆,当前选择的子策略可能会影响未来子策略的准确性。因此,主策略的目标是找到一个策略使均方误差(MSE)最小,即:
其中,在不计损失的情况下,用0表示决策时间瞬间τ=100ms为预测值时间间隔;代表主策略;m'≥0代表主策略的状态空间的维数;H'm'(vτ)为历史功率数据特征;Hm(vτ)为功率数据特征映射;n为时间周期;a(v)为第v个采样周期内能到达的数据序列。值得注意的是也就是说,主策略基于m'≥0的历史功率数据特征H'm'(vτ)选择一个子策略该子策略本身根据特征映射Hm(vτ)执行预测。通常,主策略使用的m'不必与子策略使用的预测顺序m相同。
主策略的问题可以表述为马尔代夫链MDP(S,K,Pk(s,s'),Rk(s,s'))。对于给定的m',MDP的状态空间为动作为k,选择动作k(即子策略)并从状态Am'(n)转换为Am'(n+1)状态的即时奖励为:
即为预测误差的平方。m'为主策略状态空间的维度;状态转移概率Rk(s,s')的大小取决于光伏系统功率。获取子策略k的状态转移概率后,将状态Am'(n)下的代表主策略主策略目标函数的优化表述为马尔代夫链;深度网络智能体学习历史功率数据特征H'm'(vτ)和功率数据特征映射Hm(vτ),子策略根据数据特征映射执行预测,进而不断探索目标函数的最小值。
训练主策略:在短期光伏系统功率预测的情况下,状态转移概率未知,因此使用深度强化学习来学习主策略。主策略选择一个预测器并评估每个预测间隔的结果奖励。请注意,由于预测是在每个预测间隔上实时进行的,并且奖励值是可直接观察到的,因此可实时执行学习。基于此,可以根据实时光伏系统输出功率数据来训练主策略,并根据实际运行状况重新训练主策略。在元学习方案中,每个子策略k∈K都是通过使用某时段光伏功率数据训练的预测器πk来实现的。各子策略可进行预先训练,也可以基于实际光伏系统及其提供的预测结果与主策略一起进行实时训练。
光伏电站功率预测的完整元学习架构如图3所示:
使用随机梯度下降为主策略训练了一个深度Q网络(DQN)智能体。DQN由输入层、输出层和多个隐藏层组成。每一层都有许多神经元。隐层数、每层神经元数以及学习速率和学习步骤数等参数都会影响训练模型和预测性能。随机梯度下降算法通过控制每批更新的权值来影响学习的收敛性。最后,步骤数是用于训练的样本数,通常为数百万,通过在多个时期对特定数据集进行训练来实现。作为DQN的输入特征,令H'm'(nτ)=Am'(n)。
使用5个预测因子作为子策略来评估所提出的元学习方案。前3个预测器是针对具有单一类型光伏系统输出功率的数据集训练的长短期记忆网络预测器,即短期功率预测器、超短期功率预测器、实时功率预测器。这三个预测器的区别在于预测周期长短不同。
考虑到这些预测器在各种运维环境条件下可能表现不佳,引入2个额外的预测器:
(1)持久性模型预测(PMF)
PMF假设时间序列是持久性的,因此它使用最后的观测值作为预测。根据下式计算功率预测值:
πPMF(n+1)=A(n) (3)
(2)平均值预测器(AVP)
AVP输出在最后m个预测周期内所达到数据的平均数。它由递归公式得到:
S3、计算预测功率与相应实际功率的误差,并将所述误差反馈至所述预测模型以修正所述预测模型。
基于光伏电站功率预测的元学习方案主策略采用含有Q智能体的DQN算法。光伏系统输出功率作为主策略的数据来源,Q智能体不断学习光伏系统的实际运行环境选择合适的预测器,并获得环境反馈的即时奖励。子策略所包含的5个预测器基于环境信息学习如何学习,并将预测结果反馈至主策略的Q智能体。按照此方案进行迭代更新,达到提高光伏系统功率预测精度的目标。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述,但本发明并不限于此。在不脱离本发明的精神和实质的前提下,本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换,而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种光伏电站功率预测方法,其特征在于,包括:
定期采集光伏电站的环境参数和实际功率,将采集的环境参数按照采集时间先后排序得到参数序列;
利用预先基于元学习架构训练好的预测模型根据参数序列生成预测功率,所述预测模型包括主策略模型和多个子策略模型,多个子策略模型包括短期功率预测器、超短期功率预测器、实时功率预测器、持久性预测器和平均值预测器;
计算预测功率与相应实际功率的误差,并将所述误差反馈至所述预测模型以修正所述预测模型。
2.根据权利要求1所述的方法,其特征在于,所述主策略模型的训练方法包括:
构建主策略目标函数,所述目标函数基于历史功率数据特征选择子策略模型进行预测得到预测值;
基于给定的主策略状态空间维度,利用马尔代夫链转换计算在选择的子策略下的预测均方误差;
利用梯度随机下降算法为主策略目标函数训练深度网络智能体,所述深度网络智能体由输入层、输出层和多个隐藏层组成,训练收敛后得到的主策略模型的预测均方误差最小。
4.根据权利要求3所述的方法,其特征在于,基于给定的主策略状态空间维度,利用马尔代夫链转换计算在选择的子策略下的预测均方误差,包括:
将主策略目标函数的优化表述为马尔代夫链MDP(S,K,Pk(s,s'),Rk(s,s'));
5.根据权利要求1所述的方法,其特征在于,所述短期功率预测器、超短期功率预测器、实时功率预测器均为针对具有单一类型光伏系统输出功率的数据集训练的长短期记忆网络预测器。
6.根据权利要求1所述的方法,其特征在于,所述持久性预测器在时间序列具有持久性的假设基础上,将最后的观测值作为预测值;所述平均值预测器将最后m个预测周期内所达到数据的平均数作为预测值。
7.一种光伏电站功率预测系统,其特征在于,包括:
数据采集单元,用于定期采集光伏电站的环境参数和实际功率,将采集的环境参数按照采集时间先后排序得到参数序列;
功率预测单元,用于利用预先基于元学习架构训练好的预测模型根据参数序列生成预测功率,所述预测模型包括主策略模型和多个子策略模型,多个子策略模型包括短期功率预测器、超短期功率预测器、实时功率预测器、持久性预测器和平均值预测器;
模型修正单元,用于计算预测功率与相应实际功率的误差,并将所述误差反馈至所述预测模型以修正所述预测模型。
8.根据权利要求7所述的系统,其特征在于,所述功率预测单元包括:
函数构建模块,用于构建主策略目标函数,所述目标函数基于历史功率数据特征选择子策略模型进行预测得到预测值;
优化构建模块,用于基于给定的主策略状态空间维度,利用马尔代夫链转换计算在选择的子策略下的预测均方误差;
训练执行模块,用于利用梯度随机下降算法为主策略目标函数训练深度网络智能体,所述深度网络智能体由输入层、输出层和多个隐藏层组成,训练收敛后得到的主策略模型的预测均方误差最小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210852465.4A CN115395502A (zh) | 2022-07-20 | 2022-07-20 | 一种光伏电站功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210852465.4A CN115395502A (zh) | 2022-07-20 | 2022-07-20 | 一种光伏电站功率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115395502A true CN115395502A (zh) | 2022-11-25 |
Family
ID=84117592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210852465.4A Pending CN115395502A (zh) | 2022-07-20 | 2022-07-20 | 一种光伏电站功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115395502A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117154682A (zh) * | 2023-06-14 | 2023-12-01 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于神经网络的光伏系统功率预测方法及装置 |
-
2022
- 2022-07-20 CN CN202210852465.4A patent/CN115395502A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117154682A (zh) * | 2023-06-14 | 2023-12-01 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于神经网络的光伏系统功率预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110930016A (zh) | 一种基于深度q学习的梯级水库随机优化调度方法 | |
JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
CN110969290A (zh) | 一种基于深度学习的径流概率预测方法及系统 | |
CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和系统 | |
CN111815035A (zh) | 一种融合形态聚类及TCN-Attention的短期负荷预测方法 | |
CN111198550A (zh) | 基于案例推理的云端智能生产优化调度在线决策方法及系统 | |
CN113947186A (zh) | 一种基于生成对抗网络的供热能耗循环预测方法 | |
CN112381359A (zh) | 一种基于数据挖掘的多critic强化学习的电力经济调度方法 | |
CN115395502A (zh) | 一种光伏电站功率预测方法及系统 | |
CN117498400B (zh) | 一种分布式光伏与储能数据的处理方法及系统 | |
Ma et al. | Very short-term renewable energy power prediction using XGBoost optimized by TPE algorithm | |
CN111401659A (zh) | 一种基于案例推理的超短期或短期光伏发电功率预测方法 | |
CN114153828A (zh) | 光伏发电系统智能数据清洗方法与装置 | |
CN115577647B (zh) | 电网故障类型识别方法与智能体构建方法 | |
CN115630566B (zh) | 一种基于深度学习和动力约束的资料同化方法和系统 | |
CN111476437A (zh) | 一种光伏发电功率超短期区间预测的方法及设备 | |
Mahaseth et al. | Short term wind power forecasting using k-nearest neighbour (KNN) | |
CN112200366B (zh) | 负荷预测方法、装置、电子设备及可读存储介质 | |
CN109993271A (zh) | 基于博弈理论的灰色神经网络预测方法 | |
CN112801815B (zh) | 一种基于联邦学习的电力通信网络故障预警方法 | |
CN114970855A (zh) | 风场预测模型的构建方法、装置、设备、介质及预测方法 | |
Xu et al. | Automated Few-Shot Time Series Forecasting based on Bi-level Programming | |
Sajol et al. | Wind Power Prediction across Different Locations using Deep Domain Adaptive Learning | |
Jankauskas et al. | Short-term wind energy forecasting with advanced recurrent neural network models: a comparative study | |
He | Adaptive Explainable Continual Learning Framework for Regression Problems with Focus on Power Forecasts |
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 |