CN116629448A - 基于经验模态分解和神经网络相结合的光伏功率预测方法 - Google Patents
基于经验模态分解和神经网络相结合的光伏功率预测方法 Download PDFInfo
- Publication number
- CN116629448A CN116629448A CN202310698522.2A CN202310698522A CN116629448A CN 116629448 A CN116629448 A CN 116629448A CN 202310698522 A CN202310698522 A CN 202310698522A CN 116629448 A CN116629448 A CN 116629448A
- Authority
- CN
- China
- Prior art keywords
- neural network
- photovoltaic power
- empirical mode
- mode decomposition
- combination
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 230000015654 memory Effects 0.000 claims abstract description 19
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 17
- 230000006403 short-term memory Effects 0.000 claims description 9
- 230000007787 long-term memory Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000010248 power generation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
Abstract
本发明提供基于经验模态分解和神经网络相结合的光伏功率预测方法，所述方法通过完全经验模态分解，分解光伏功率中的不平稳序列，保留原始特征，可以通过长短期记忆神经网络进行功率预测。首先，通过提取气象特征数据，使用完全经验模态分解将气象因素中的不平稳信号分解为平稳信号，降低环境因素序列的非平稳性，保留环境因素的细节和局部特性，提取有效特征，进而将分解出的信号分别使用长短期记忆神经网络进行动态时间序列建模。如此反复，通过不断输入环境因素进行得到所需时段的光伏功率预测结果，从而对光伏电站发电功率进行精确预测，保证电力网系统的稳定性。
Description
技术领域
本发明涉及新能源功率预测技术领域，尤其涉及基于经验模态分解和神经网络相结合的光伏功率预测方法。
背景技术
目前传统光伏功率预测主要依赖于光伏发电系统的物理原理和特性，通过构建数学模型来描述光伏系统的工作过程。在这种情况下构建的功率预测模型需要考虑光伏发电系统的多个物理因素和参数，且难以应对非线性因素和乌云遮挡、设备故障等突发性事件造成的复杂现象，从而影响预测的准确性。随着光伏接入系统的容量增加，光伏功率预测系统对于未知和新环境的适应性较弱，无法提供准确的预测结果。对此，统计学方法是基于历史数据和气象、时间等因素的统计分析，建立预测模型进行预测，相比于物理学方法，统计学方法主要依靠历史数据进行规律挖掘。但该方法通常依赖于大量的历史数据进行建模和预测，因此预测的准确性与所使用的数据质量和数据量有很大关系。若历史数据质量较差、缺失值多或数据量不足，可能会影响预测结果的准确性。且光伏发电系统的输出功率受到多种因素的影响，包括气候、季节、设备性能等。这些因素之间的交互作用可能导致复杂的输出功率变化模式。统计学方法在处理这种复杂数字和时序模式时可能存在局限性。
针对这种情况，在实际应用中传统光伏功率预测方法需要与人工智能方法结合使用，以提高光伏功率预测的准确性和可靠性。人工智能方法具有强大的非线性建模能力，能够自动学习和捕捉光伏功率预测中的复杂非线性变化关系，能够自动提取和学习数据的有效特征，大大简化了模型训练的流程，结合此法可以用于应对不同的预测时域和预测粒度，可以根据实际需求进行模型的调整和优化，对于提高预测性能具有重要意义。而长短期记忆神经网络模型在处理具有周期性变化特征的时间序列效果良好，完全经验模态分解在处理不平稳信号时添加白噪声，具有更好地性能和分解精度，因此在信号处理、机器识别和时间序列预测等领域得到了广泛应用，同样也广泛应用于电力领域。二者组合模型可以改善光伏功率的预测精度。
发明内容
鉴以此，本发明的目的在于提供基于经验模态分解和神经网络相结合的光伏功率预测方法，以至少解决以上问题。
本发明采用的技术方案如下：
基于经验模态分解和神经网络相结合的光伏功率预测方法，所述方法包括以下步骤：S1、判断光伏电站的运行状态，收集相关环境因素数据和功率数据，进行数据预处理，得到时间序列；
S2、对经预处理的序列进行完全经验模态分解，得到分解后的模态分量；
S3、判断分解后的剩余分量的个数，若分量个数小于阈值，则进入步骤3，否则进入步骤2；
S4、将分解后的模态分量分别输入长短期记忆神经网络训练得到训练模型；
S5、模型训练完成后将环境因素输入训练模型，叠加重构后得到光伏电站对应时刻的功率预测值。
进一步的，在步骤S1中的数据清洗将由限电、检修异常数据样本筛选并剔除以及在采集过程中缺失的数据插值补齐并修正。
进一步的，在步骤2的序列分解的计算方法如下：
分解后的序列由下式得到：
其中，δ(t)为狄拉克分布，f(t)表示原始信号，yk(t)(k＝1,2,…,N)是信号分解结果，并且k是信号分解后信号的中心频率。
进一步的，在步骤S3中，阈值设定为2。
进一步的，在步骤S4中，长短期记忆神经网络模型的训练过程中的计算步骤如下：
S41、根据当前输入数据和前一时刻的隐藏状态，计算输入门，遗忘门和输出门的开关状态：
S42、根据输入门的开关状态，计算当前时刻的候选记忆单元；
S43、根据遗忘门的开关状态和前一时刻的记忆单元，计算当前时刻的记忆单元；
S44、根据当前时刻的记忆单元和输出门的开关状态，计算当前时刻的隐藏状态；
其中，长短期记忆神经网络在包含遗忘门、输入门和输出门的门控机制的同时，其单元结构中还具有一个内部存储器。
与现有技术相比，本发明的有益效果是：
1、本发明提出基于经验模态分解和神经网络相结合的光伏功率预测方法，能够在序列分解过程中能自适应的将原始输入信号分解为多个分量，并满足分解模式之和与原始输入信号等价的约束，从而提高光伏功率预测的准确性。
2、本发明提出基于经验模态分解和神经网络相结合的光伏功率预测方法，不需要深入了解光伏发电系统的复杂物理原理，因此适用于处理复杂、非线性和多变量的光伏数据。
3、本发明提出基于经验模态分解和神经网络相结合的光伏功率预测方法，可以方便地扩展到不同规模和类型的光伏电站，以及不同地理位置和环境条件下的光伏功率预测，具有很强的通用性和适用性。
4、本发明提出基于经验模态分解和神经网络相结合的光伏功率预测方法，可以提高光伏功率预测的精度，可以帮助调度人员提前调整电网出力，避免不稳定因素导致的电力损失，从而降低运营成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的优选实施例，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是本发明实施例提出的基于经验模态分解和神经网络相结合的光伏功率预测方法的整体流程示意图。
图2是本发明实施例提出的基于经验模态分解和神经网络相结合的光伏功率预测方法的完全经验模态分解结果示意图。
图3是本发明实施例提出的基于经验模态分解和神经网络相结合的光伏功率预测方法的长短期递归神经网络(LSTM)具体结构示意图。
图4是本发明实施例提出的基于经验模态分解和神经网络相结合的光伏功率预测方法的预测功率与实际功率对比示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所列举实施例只用于解释本发明，并非用于限定本发明的范围。
参照图1-图4，本发明提供一种基于经验模态分解和神经网络相结合的光伏功率预测方法，所述方法包括以下步骤：S1、判断光伏电站的运行状态，收集相关环境因素数据和功率数据，进行数据预处理，得到时间序列；
S2、对经预处理的序列进行完全经验模态分解，得到分解后的模态分量；
S3、判断分解后的剩余分量的个数，若分量个数小于阈值，则进入步骤3，否则进入步骤2；
S4、将分解后的模态分量分别输入长短期记忆神经网络训练得到训练模型；
S5、模型训练完成后将环境因素输入训练模型，叠加重构后得到光伏电站对应时刻的功率预测值。
在步骤S1中的数据清洗将由限电、检修异常数据样本筛选并剔除以及在采集过程中缺失的数据插值补齐并修正。
在步骤2的序列分解的计算方法如下：
分解后的序列由下式得到：
其中，δ(t)为狄拉克分布，f(t)表示原始信号，yk(t)(k＝1,2,…,N)是信号分解结果，并且k是信号分解后信号的中心频率。
在步骤S3中，阈值设定为2。
在步骤S4中，长短期记忆神经网络模型的训练过程中的计算步骤如下：
S41、根据当前输入数据和前一时刻的隐藏状态，计算输入门，遗忘门和输出门的开关状态：
S42、根据输入门的开关状态，计算当前时刻的候选记忆单元；
S43、根据遗忘门的开关状态和前一时刻的记忆单元，计算当前时刻的记忆单元；
S44、根据当前时刻的记忆单元和输出门的开关状态，计算当前时刻的隐藏状态；
其中，长短期记忆神经网络在包含遗忘门、输入门和输出门的门控机制的同时，其单元结构中还具有一个内部存储器。
示例性地，通过上述计算过程，完成一个长短期记忆神经网络(LSTM)的循环过程的循环网络的训练，
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.基于经验模态分解和神经网络相结合的光伏功率预测方法，其特征在于，所述方法包括以下步骤：
S1、判断光伏电站的运行状态，收集相关环境因素数据和功率数据，进行数据预处理，得到时间序列；
S2、对经预处理的序列进行完全经验模态分解，得到分解后的模态分量；
S3、判断分解后的剩余分量的个数，若分量个数小于阈值，则进入步骤3，否则进入步骤2；
S4、将分解后的模态分量分别输入长短期记忆神经网络训练得到训练模型；
S5、模型训练完成后将环境因素输入训练模型，叠加重构后得到光伏电站对应时刻的功率预测值。
2.根据权利要求1所述的基于经验模态分解和神经网络相结合的光伏功率预测方法，其特征在于，在步骤S1中的数据清洗将由限电、检修异常数据样本筛选并剔除以及在采集过程中缺失的数据插值补齐并修正。
3.根据权利要求2所述的基于经验模态分解和神经网络相结合的光伏功率预测方法，其特征在于，在步骤2的序列分解的计算方法如下：
分解后的序列由下式得到：
其中，δ(t)为狄拉克分布，f(t)表示原始信号，yk(t)(k＝1,2,…,N)是信号分解结果，并且k是信号分解后信号的中心频率。
4.根据权利要求1所述的基于经验模态分解和神经网络相结合的光伏功率预测方法，其特征在于，在步骤S3中，阈值设定为2。
5.根据权利要求4所述的基于经验模态分解和神经网络相结合的光伏功率预测方法，其特征在于，在步骤S4中，长短期记忆神经网络模型的训练过程中的计算步骤如下：
S41、根据当前输入数据和前一时刻的隐藏状态，计算输入门，遗忘门和输出门的开关状态：
S42、根据输入门的开关状态，计算当前时刻的候选记忆单元；
S43、根据遗忘门的开关状态和前一时刻的记忆单元，计算当前时刻的记忆单元；
S44、根据当前时刻的记忆单元和输出门的开关状态，计算当前时刻的隐藏状态；
其中，长短期记忆神经网络在包含遗忘门、输入门和输出门的门控机制的同时，其单元结构中还具有一个内部存储器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310698522.2A CN116629448A (zh) | 2023-06-13 | 2023-06-13 | 基于经验模态分解和神经网络相结合的光伏功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310698522.2A CN116629448A (zh) | 2023-06-13 | 2023-06-13 | 基于经验模态分解和神经网络相结合的光伏功率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116629448A true CN116629448A (zh) | 2023-08-22 |
Family
ID=87617077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310698522.2A Pending CN116629448A (zh) | 2023-06-13 | 2023-06-13 | 基于经验模态分解和神经网络相结合的光伏功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629448A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117874434A (zh) * | 2024-03-11 | 2024-04-12 | 湖南工程学院 | 一种环境温湿度智能检测过程中数据清洗方法 |
-
2023
- 2023-06-13 CN CN202310698522.2A patent/CN116629448A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117874434A (zh) * | 2024-03-11 | 2024-04-12 | 湖南工程学院 | 一种环境温湿度智能检测过程中数据清洗方法 |
| CN117874434B (zh) * | 2024-03-11 | 2024-05-24 | 湖南工程学院 | 一种环境温湿度智能检测过程中数据清洗方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023130776A1 (zh) | 储能电站电池工况健康状态预测方法及系统 | |
| Wang et al. | Hydrological time series forecast model based on wavelet de-noising and ARIMA-LSTM | |
| CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
| CN111310981B (zh) | 一种基于时间序列的水库水位趋势预测方法 | |
| Xu et al. | A water level prediction model based on ARIMA-RNN | |
| CN116629448A (zh) | 基于经验模态分解和神经网络相结合的光伏功率预测方法 | |
| CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
| CN112215405A (zh) | 一种基于dann域适应学习的非侵入式居民用电负荷分解方法 | |
| CN111428201A (zh) | 基于经验模态分解和前馈神经网络对时序数据的预测方法 | |
| CN115081597A (zh) | 一种基于机器学习的以电核碳方法、系统、设备和介质 | |
| CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
| CN105426991A (zh) | 一种变压器缺陷率预测的方法和系统 | |
| CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
| CN115713044B (zh) | 一种多工况切换下的机电设备剩余寿命分析方法和装置 | |
| CN110969238A (zh) | 一种校准用电数据的方法及装置 | |
| CN107069710B (zh) | 计及新能源时空相关性的电力系统状态估计方法 | |
| CN115456260A (zh) | 客服话务量预测方法 | |
| CN114818827A (zh) | 基于seq2point网络的非侵入式负荷分解方法 | |
| CN113469419A (zh) | 一种商业楼宇用电量预测方法及系统 | |
| CN113151842A (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
| CN113221248A (zh) | 一种基于pf-garch模型的船舶系统设备状态参数预测方法 | |
| CN112529311A (zh) | 一种基于图卷积分析的道路流量预测方法和装置 | |
| CN116975611B (zh) | 一种基于扩散模型ode形式的高频负荷数据生成方法和系统 | |
| Zhang et al. | Wind energy forecasting framework based on new perspective | |
| CN117154723B (zh) | 基于多源数据和模型融合的台区短期负荷预测方法及系统 |
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 |