CN116910460A - 一种基于多能源时空互补的异常数据辨识修正方法及系统 - Google Patents
一种基于多能源时空互补的异常数据辨识修正方法及系统 Download PDFInfo
- Publication number
- CN116910460A CN116910460A CN202310276528.0A CN202310276528A CN116910460A CN 116910460 A CN116910460 A CN 116910460A CN 202310276528 A CN202310276528 A CN 202310276528A CN 116910460 A CN116910460 A CN 116910460A
- Authority
- CN
- China
- Prior art keywords
- abnormal data
- data
- energy
- neural network
- wind
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 92
- 238000012937 correction Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 230000000295 complement effect Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 41
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000035772 mutation Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004691 coupled cluster theory Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2337—Non-hierarchical techniques using fuzzy logic, i.e. fuzzy clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于多能源时空互补的异常数据辨识修正方法，涉及电力系统的异常数据处理技术领域，包括对多能源的原始数据进行互补性分析，采用模糊C均值聚类方法对数据进行聚类采用超圆神经元网络对异常数据进行辨识、分析，构建神经网络预测模型，进行训练，修正异常数据，得到各能源的单独出力。本发明还公开一种基于多能源时空互补的异常数据辨识修正系统，包括互补性分析单元、异常数据聚类单元、异常数据辨识单元、异常数据修正单元。本发明根据多能源的互补特性，对多能源出力异常数据的辨识，对异常数据进行修正，提高了精度，从而解决异常数据的预处理问题，满足电力安全稳定调度的需要。
Description
技术领域
本发明涉及电力系统的异常数据处理技术领域，更具体地，涉及一种多能源电力系统异常数据修正技术。
背景技术
在能源结构低碳化转型的背景下，风电、光伏、水电、抽水蓄能等可再生能源装机容量持续增长。由于风电、光伏等可再生能源出力的不确定性和间歇性，小水电出力具有较大的随机性。随着风光水蓄的大规模并网，其对电网的安全稳定运行造成了较大影响。因为，随着清洁能源规模的增大，电力系统中接入数据越来越多，包括运行前的预安排数据和运行后的实际与运行数据，如何从海量的数据中提取需要的有用信息对于研究电力系统的运行至关重要，又由于任何电力设备故障或者干扰误差都可能导致运行数据产生异常值，如果采用含有异常数据的原始数据进行分析或调控，结果的正确性将无法保障。
如中国专利文献CN109167440B的分布式新能源系统有效屏蔽异常数据的方法，通过结合并网点开关状态、通道状态、交互报文等在安全接入区直接判断电站数据，将不合理的数据屏蔽，从而保证调度系统对于电站的正常控制。但是这种方案是基于直接屏蔽失效数据，没充分考虑风电和光伏发电之间天然的时空互补性，水电和抽水蓄能对风光波动的调节能力。
发明内容
本发明所要解决的技术问题是电力系统异常数据的辨识和修正问题。
本发明的目的旨在通过充分考虑风电和光伏发电之间天然的时空互补性，水电和抽水蓄能对风光波动的调节能力等时空特性，辨识和修正出力异常数据，以满足电力系统调度对原始数据的预处理。
本发明采用的技术方案是：一种基于多能源时空互补的异常数据辨识修正方法，包括以下步骤：S1：对风光水蓄多能源的原始出力数据进行互补性分析；S2：对进行互补性分析后的原始出力数据进行聚类；S3：建立输入和输出样本集，对异常数据进行辨识、分析，构建神经网络预测模型；S4：对神经网络预测模型进行训练，修正异常数据，得到各能源的单独出力数据。
本发明通过采用相关系数分析多能源的互补性，采用权值分配实现多能源出力的统一考虑；采用模糊C均值聚类方法提取原始数据的特征曲线；采用神经网络法，实现对异常数据的逐点修正和各能源的单独修正，从而解决电力系统异常数据的辨识和修正问题，满足电力调度数据处理需要，保证了电力系统安全稳定地运行。
在本方案中，进一步地，步骤S1所述的互补性分析包括风电、光伏出力的特性分析和水电、抽水蓄能对风电、光伏波动的相关性分析。
更进一步地，可以将风光水蓄多能源出力看作一个整体，根据多能源的容量占比分配动态权值。
在本方案中，进一步地，步骤S2采用模糊C均值聚类算法对原始出力数据进行聚类，提取原始出力数据的特征曲线。
在本方案中，进一步地，步骤S3采用超圆神经元网络建立输入和输出样本集，对异常数据进行辨识得到异常数据集，对于辨识出的异常数据，采用神经网络进行分析，建立神经网络预测模型。
在本方案中，进一步地，步骤S4利用非异常数据形成的样本集对神经网络预测模型进行训练，根据训练好的神经网络预测模型实现对异常数据的逐点修正，根据风光水蓄多能源的互补性特征得到各能源的单独出力数据。
更进一步地，对异常数据的逐点修正的步骤，包括对t1点到t2点之间的异常数据进行修正，为：
其中：t∈[t1,t2]；vi1,j、vi2,j分别为数据矢量xj对类中心vi1、vi2的隶属度值。
本发明采用的另一技术方案是：一种基于多能源时空互补的异常数据辨识修正系统，包括以下单元：
互补性分析单元，包括风光出力特性分析模块和相关性分析模块，用于分析风光水蓄多能源原始出力数据。
异常数据聚类单元，通过模糊C均值聚类算法对原始出力数据进行聚类。
异常数据辨识单元，通过超圆神经元网络得到神经网络预测模型异常数据集。
异常数据修正单元，基于风光水蓄多能源的互补性进行异常数据修正。
所述异常数据包括：缺失出力数据、突变出力数据和无效出力数据。
通过包括互补性分析单元、异常数据聚类单元、异常数据辨识单元和异常数据修正单元的辨识修正系统，采用相关系数分析多能源的互补性统一考量，采用模糊C均值聚类方法提取原始数据的特征曲线，采用神经网络法提取异常数据，并逐点修正，从而解决了基于多能源时空互补电力系统的异常数据的辨识和修正问题，满足了电力系统调度系统对原始数据的预处理需要，保证电力平稳运行。
在本方案中，进一步地，所述异常数据包括：缺失出力数据、突变出力数据和无效出力数据。
在本方案中，进一步地，所述神经网络预测模型，采用非线性方法对输入空间进行分割，模型结构包括超圆神经元层和MP神经元层，超圆神经元层的元件全连接到MP神经元层的元件。
相对现有技术，本发明的有益效果在于：本发明根据风光水蓄多能源的互补特性，有效实现了对多能源出力异常数据的辨识，采用神经网络对不连续的缺失数据和连续的异常数据进行修正，提高了修正精度，保障了电网安全稳定运行。
附图说明
图1为本发明的异常数据辨识修正方法流程图。
图2为本发明方法的过程流程图。
图3为本发明风电原始数据曲线图。
图4为本发明风电修正数据曲线图。
图5为本发明光伏原始数据曲线图。
图6为本发明光伏修正数据曲线图。
图7为本发明风电、光伏出力互补性图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
风光水蓄历史出力数据是进行特性分析以及互补调度控制建模的基础，其通过数据采集与监视控制系统SCADA(Supervisory Control And Data Acquisition)采集得到，在运行数据传输到终端之前一般经过传感器测量仪器的量测阶段、数据类型转换阶段、数据数字传输阶段和数据转化存储阶段，在这四个阶段中任何的设备故障或者干扰误差都可能导致运行数据产生异常值，如果采用含有异常数据的原始数据进行分析或建立调度控制模型，结果的正确性将无法保障，因此在特性分析前需要对原始数据进行预处理。
实施例1。
本实施例1提供一种基于多能源时空互补的异常数据辨识修正系统，包括以下单元：
互补性分析单元，包括风光出力特性分析模块和相关性分析模块，用于分析风光水蓄多能源原始出力数据。
异常数据聚类单元，通过模糊C均值聚类算法对原始出力数据进行聚类。
异常数据辨识单元，通过超圆神经元网络得到神经网络预测模型异常数据集。
异常数据修正单元，基于风光水蓄多能源的互补性进行异常数据修正。
所述异常数据包括：缺失出力数据、突变出力数据和无效出力数据。
实施例2。
如图1所示，本实施例2提供一种基于多能源时空互补的异常数据辨识修正方法，包括以下步骤：
步骤S1：对风光水蓄多能源的原始出力数据进行互补性分析。
互补性分析包括风电、光伏出力的特性分析和水电、抽水蓄能对风电、光伏波动的相关性分析。将风光水蓄多能源出力看作一个整体，根据多能源的容量占比分配动态权值。
步骤S2：对进行互补性分析后的原始出力数据进行聚类。
采用模糊C均值聚类算法对原始出力数据进行聚类，提取原始出力数据的特征曲线。
步骤S3：建立输入和输出样本集，对异常数据进行辨识、分析，构建神经网络预测模型。
异常数据包括：缺失出力数据、突变出力数据和无效出力数据。
采用超圆神经元网络建立输入和输出样本集，对异常数据进行辨识得到异常数据集，对于辨识出的异常数据，采用神经网络进行分析，建立神经网络预测模型。
步骤S4：对神经网络预测模型进行训练，修正异常数据，得到各能源的单独出力数据。
利用非异常数据形成的样本集对神经网络预测模型进行训练，根据训练好的神经网络预测模型实现对异常数据的逐点修正，根据风光水蓄多能源的互补性特征得到各能源的单独出力数据。
实施例3。
如图3所示，在实施例1的基础上，提供一种基于多能源时空互补的异常数据辨识修正方法，包括以下具体步骤：
在进行异常出力数据分析阶段前，需对原始数据进行预处理。细分步骤包括：准备待检测风光水蓄多能源原始数据，辨识缺失和突变为零的数据，用插值法进行填补补正。
在进行辨识修正阶段，需对预处理后的待检测数据作为一个整体来分析。在作为整体分析的同时，首先，需考虑各类能源容量权重占比。
然后，基于模糊C均值聚类算法聚类生成数据特征曲线。
模糊C均值聚类算法是一种局部搜索算法，算法的关键是求取目标函数极值点，该点为聚类中心和数据点之间的距离加权和，从而得到聚类中心的迭代公式，通过构造拉格朗日函数，迭代求取各样本到聚类中心的全局加权距离平方和最小值以获得最优聚类中心。
采用模糊划分，计算每个给定数据点的隶属度，以此确定该数据点属于各组的成都。设定隶属矩阵U取值范围为[0,1]间，进行标准化以后，每个个体的隶属度总和为1。
目标函数为：
其中，uik∈[0,1]为第k个数据隶属于第i个聚类中心的程度；Vi为模糊类的聚类中心；dik为第k个聚类中心与第i个数据间的欧氏距离；m∈[0,2]为一个加权指数，根据聚类准则构造拉格朗日函数。
式中，λk(k＝1,2,…,n)为拉格朗日乘子，若对所有输入参数求导得到目标函数最小，其必要条件如下：
其次，采用超圆神经元网络得到神经网络预测模型异常数据集。
神经网络预测模型中的每一个神经元都具有一个吸引域。相同的响应输出在吸引域内对应于相同的输入数据。在神经元吸引域中的输入特征和相同的输出类别对应。所以神经网络预测模型是用非线性的方法对输入空间进行分割。
神经网络预测模型网络结构包含两层：第一层是指超圆神经元CC神经元层，它们的主要作用是完成对样本空间的划分，算法中确定其个数每个CC神经元的参数为(Ai,Ci)，Ai表示的是特征向量，Ci表示的是吸引域。第二层是指MP神经元层，它的作用是完成对输出的判断，参数θ由每个MP神经元确定。
CC神经元层的M个元件到MP神经元层的K个元件是全连接的，其权值定义如下：
Wmk＝-(y(Am)k)
0k＝-∑mWmk
(m＝l，2，…，M；k＝1，2，…，K)
基于超圆神经元网络的神经网络预测模型的样本集训练步骤：
(1)样本输入选择特征曲线X1，其样本输出Y为(0,…,0)。
(2)将一个偏差e叠加到X1的第一个分量,于是产生了一条曲线，该曲线含有1个坏数据，对应的输出Y为(1,0,…,0)。然后依次对第二个直至全部分量均如此处理,最终得到正偏差的样本集。
(3)把e换成-e，+1换成-1，重复上面第(2)步，这样得到了负偏差样本集，从而形成CC1的样本集，从而得到第i个CC模型的训练数据样本集。
按照上面的步骤方法就可以形成CC2，…,CCp的输入和输出样本集，从而得到所有模型的异常数据集。
最后，训练神经网络，修正异常数据，得到各能源的单独出力。
利用非异常数据形成的样本集对所述预测模型进行训练，根据训练好的预测模型实现对异常数据的逐点修正。
设曲线xj的t1点到t2点之间的数据为坏数据，它的隶属度中最大的两个类中心分别为vi1和vi2，在采用下列公式对坏数据进行修正：
式中：t∈[t1,t2]；vi1,j、vi2,j分别为数据矢量xj对类中心vi1、vi2的隶属度值。
然后，根据多能源的互补性特征得到各能源的单独出力。
实施例4。
选取丽水境内地理位置距离相近的风光新能源电站为例进行分析，综合其地理位置和装机规模选取黄源风电场和旭龙光伏电站，其中黄源风电场装机容量为34.5MW，旭龙光伏电站装机容量为30MW。
如图3所示，以黄源风电场为例，装机容量为34.5MW，通过其2022年7月1日至2022年12月31日每天出力数据进行趋势分析，按出力均值测算选取7月4日为例，提取7月4日一天96点出力，其中从06:30开始一直到12:15期间出力数据维持在-0.2～0.05之间，对于该数据为明显的错数，进行预处理修正。
如图4所示，展示的为通过预处理修正后该日96点风电发电曲线。
如图5所示，以2022年7月4日该日96点曲线为例，其中09:00和14:30两个时刻数据出现明显突变，结合当日气象观测数据及新能源电站出力特性分析，14:30时刻突变下降为天气云层影响，09:00时刻对应出力数据突变为0为数据问题，进行预处理修正。
如图6所示，展示的为通过预处理修正后该日96点光伏发电曲线。
如图7所示，以2022年7月4日黄源风电场和旭龙光伏电站出力特性为例，其中夜间无光照，光伏电站无出力，但夜间山间多有风，风电场仍可正常发电；白天天晴光伏电站可正常发电，该日白天没风，风电无出力，综合考虑该日曲线，以单站为例风光出力存在较强的互补性。
由此可见，对于区域电网，可充分考虑风光多元互补性，同时结合其电源类型容量权重占比，合理布局，保障电网的稳定运行。
本发明根据风光水蓄多能源的互补特性，有效实现了对多能源出力异常数据的辨识，采用神经网络对不连续的缺失数据和连续的异常数据进行修正，提高了修正精度，有利于电力系统调度对原始数据的预处理，促进多能源电力系统可调控性，保障了电网安全稳定运行。
Claims (10)
1.一种基于多能源时空互补的异常数据辨识修正方法，其特征在于，包括以下步骤：
S1：对风光水蓄多能源的原始出力数据进行互补性分析；
S2：对进行互补性分析后的原始出力数据进行聚类；
S3：建立输入和输出样本集，对异常数据进行辨识分析，构建神经网络预测模型；
S4：对神经网络预测模型进行训练，修正异常数据，得到各能源的单独出力数据。
2.根据权利要求1所述的基于多能源时空互补的异常数据辨识修正方法，其特征在于，步骤S1所述的互补性分析包括：风电光伏出力的特性分析，水电和抽水蓄能对风电光伏波动的相关性分析。
3.根据权利要求2所述的基于多能源时空互补的异常数据辨识修正方法，其特征在于，步骤S1包括：将风光水蓄多能源出力作为一个整体，利用多能源的容量占比分配动态权值。
4.根据权利要求1、2或3所述的基于多能源时空互补的异常数据辨识修正方法，其特征在于，步骤S2包括：采用模糊C均值聚类算法对原始出力数据进行聚类，提取原始出力数据的特征曲线。
5.根据权利要求4所述的基于多能源时空互补的异常数据辨识修正方法，其特征在于，步骤S3包括：采用超圆神经元网络建立输入和输出样本集，对异常数据进行辨识得到异常数据集，对于辨识出的异常数据，采用神经网络进行分析，建立神经网络预测模型。
6.根据权利要求4或5所述的基于多能源时空互补的异常数据辨识修正方法，其特征在于，步骤S4包括：利用非异常数据形成的样本集对神经网络预测模型进行训练，根据训练好的神经网络预测模型实现对异常数据的逐点修正，根据风光水蓄多能源的互补性特征得到各能源的单独出力数据。
7.根据权利要求6所述的基于多能源时空互补的异常数据辨识修正方法，其特征在于，所述对异常数据的逐点修正，包括对t1点到t2点之间的异常数据进行修正，为：
其中：t∈[t1,t2]；vi1,j、vi2,j分别为数据矢量xj对类中心vi1、vi2的隶属度值。
8.一种基于多能源时空互补的异常数据辨识修正系统，应用于权利要求1所述的基于多能源时空互补的异常数据辨识修正方法，其特征在于，包括：
互补性分析单元，包括风光出力特性分析模块和相关性分析模块，对风光水蓄多能源原始出力数据进行分析；
异常数据聚类单元，采用模糊C均值聚类算法对原始出力数据进行聚类；
异常数据辨识单元，采用超圆神经元网络得到神经网络预测模型异常数据集；
异常数据修正单元，基于风光水蓄多能源的互补性进行异常数据修正。
9.根据权利要求8所述的基于多能源时空互补的异常数据辨识修正系统，其特征在于，所述异常数据包括：缺失出力数据、突变出力数据和无效出力数据。
10.根据权利要求8所述的基于多能源时空互补的异常数据辨识修正系统，其特征在于，所述神经网络预测模型，采用非线性方法对输入空间进行分割，模型结构包括超圆神经元层和MP神经元层，超圆神经元层的元件全连接到MP神经元层的元件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310276528.0A CN116910460A (zh) | 2023-03-21 | 2023-03-21 | 一种基于多能源时空互补的异常数据辨识修正方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310276528.0A CN116910460A (zh) | 2023-03-21 | 2023-03-21 | 一种基于多能源时空互补的异常数据辨识修正方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116910460A true CN116910460A (zh) | 2023-10-20 |
Family
ID=88363530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310276528.0A Pending CN116910460A (zh) | 2023-03-21 | 2023-03-21 | 一种基于多能源时空互补的异常数据辨识修正方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116910460A (zh) |
-
2023
- 2023-03-21 CN CN202310276528.0A patent/CN116910460A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021238505A1 (zh) | 基于联邦学习的区域光伏功率概率预测方法及协同调控系统 | |
| CN109546659B (zh) | 基于随机矩阵和智能场景匹配的配电网无功优化方法 | |
| CN104978608B (zh) | 一种风电功率预测装置及预测方法 | |
| WO2023201552A1 (en) | County-wide photovoltaic prediction method based on cluster division and data enhancement | |
| Wang et al. | Cloud feature extraction and fluctuation pattern recognition based ultrashort-term regional PV power forecasting | |
| CN113964885A (zh) | 一种基于态势感知的电网无功主动预测及控制技术 | |
| CN114069687A (zh) | 一种计及逆变器无功调节作用的分布式光伏规划方法 | |
| Wang et al. | Improved artificial neural network method for predicting photovoltaic output performance | |
| Wang et al. | An adaptive identification method of abnormal data in wind and solar power stations | |
| CN117638923A (zh) | 配网分布式光伏高精度预测及就地消纳方法 | |
| CN105760895B (zh) | 一种光伏出力波动类型的划分方法 | |
| Huang et al. | Power prediction method of distributed photovoltaic digital twin system based on GA-BP | |
| Kaushik et al. | Performance Analysis of Regression Models in Solar PV Forecasting | |
| CN116910460A (zh) | 一种基于多能源时空互补的异常数据辨识修正方法及系统 | |
| CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
| CN115660032A (zh) | 基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法 | |
| Zhang et al. | Multi‐Input Deep Convolutional Neural Network Model for Short‐Term Power Prediction of Photovoltaics | |
| CN114626604A (zh) | 一种基于基准站感知的分布式光伏观测方法及系统 | |
| Ning et al. | Short‐Term Master‐Slave Forecast Method for Distributed Photovoltaic Plants Based on the Spatial Correlation | |
| Zhou et al. | A short-term power forecasting model for photovoltaic plants based on data mining | |
| Cheng et al. | Temperature & humidity-weighted-modified GRNN based prediction model of photovoltaic power generation | |
| Dou et al. | Day-Ahead Correction of Numerical Weather Prediction Solar Irradiance Forecasts Based on Similar Day Analysis | |
| Liu et al. | Short-term photovoltaic power prediction based on bayesian regularized bp neural networks | |
| Peng et al. | A hybrid model for solar radiation forecasting towards energy efficient buildings | |
| Yin et al. | Photovoltaic power prediction model based on empirical mode decomposition-long-short memory neural network |
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 |