CN117541115A - 基于改进模糊聚类算法的风光机组联合出力的量化方法 - Google Patents

基于改进模糊聚类算法的风光机组联合出力的量化方法 Download PDF

Info

Publication number
CN117541115A
CN117541115A CN202311497185.7A CN202311497185A CN117541115A CN 117541115 A CN117541115 A CN 117541115A CN 202311497185 A CN202311497185 A CN 202311497185A CN 117541115 A CN117541115 A CN 117541115A
Authority
CN
China
Prior art keywords
wind
output
light
clustering algorithm
copula
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
Application number
CN202311497185.7A
Other languages
English (en)
Inventor
杨熙
李家锋
李秋鹏
王元强
梁俊坚
董家华
谭龙健
苏长南
张钊宇
陈卓平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Wind Power Generation Co ltd
Original Assignee
Guangdong Wind Power Generation Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Wind Power Generation Co ltd filed Critical Guangdong Wind Power Generation Co ltd
Priority to CN202311497185.7A priority Critical patent/CN117541115A/zh
Publication of CN117541115A publication Critical patent/CN117541115A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • 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
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • 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
    • 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
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)

Abstract

本发明公开了一种基于改进模糊聚类算法的风光机组联合出力的量化方法。本发明的方法包括以下步骤：S1：结合某地区风光场站日内24h的历史出力数据分时段建立风光联合出力的多种动态Copula模型；S2：基于所选Copula函数，运用拟合优度检验方法选出最优模型，生成各时段风光出力场景；S3：基于改进的模糊聚类算法对风光出力场景进行削减；S4：根据各场景出现概率和出力特性对各时段的风光场站出力特性进行量化描述，本发明技术方案能够量化风光电站的出力特性，更加直观、精确地评估风光电站的出力情况，为风光场站的管理和维护提供有效的技术支持。

Description

基于改进模糊聚类算法的风光机组联合出力的量化方法
技术领域
本发明涉及风光互补发电系统技术领域，具体涉及一种基于改进模糊聚类算法的风光机组联合出力量化方法。
背景技术
风电与光电联合发电技术，是当前新能源发电技术领域的一个热点研究方向。利用风光场站所产生的风力和光能进行联合发电，可以显著提升电能的利用效率和弥补两种能源之间的缺陷，从而使得发电效果更优。然而，由于风和光能源的随机性和不稳定性，往往难以准确地预测其输出功率。这给风光场站的管理和维护带来极大的挑战。因此，研究如何对风光场站的出力进行联合量化是非常必要的。
风光互补发电系统的首要问题是如何基于风光联合出力的耦合特性进行不确定性的量化分析，大量文献基于Copula理论生成风、光电场的典型出力场景，并通过场景削减的方法解决复杂多维场景的问题，但是传统削减法在应用中具有一定的局限性，专利号为CN115528683A的名称为“一种量化评估风光联合出力能力的方法”考虑了风光出力的耦合特性，建立风光联合保证出力系数计算模型，但是只考虑了风光出力时间上的互补性，未考虑空间上的互补性，缺乏普适性。因此本发明基于动态Copula理论分析风光场站在时空方面的耦合性，生成各时段风光出力的典型场景，并利用一种改进Fuzzy聚类算法进行场景缩减，对风光场站的出力特性进行联合量化，为风光场站的管理和维护提供有效的技术支持。
发明内容
本发明目的是解决上述问题，提供一种基于改进模糊聚类算法的风光机组联合出力的量化方法，该方法包括以下步骤：
S1：结合某地区风光场站日内24h的历史出力数据分时段建立风光联合出力的多种动态Copula模型；
S2：基于所选Copula函数，运用拟合优度检验方法选出最优模型，生成各时段风光出力场景；
S3：基于改进的模糊聚类算法对风光出力场景进行削减；
S4：根据各场景出现概率和出力特性对各时段的风光场站出力特性进行量化描述。
进一步地，所述步骤S1中，利用MLK方法生成风、光场站的边缘分布函数，从而求取似然函数。
进一步地，所述步骤S1中，所述多种动态Copula模型包括动态正态Copula函数、动态t-Copula函数、动态Clayton-Copula函数和动态SJC-Copula函数。
其中动态C-Copula函数的结构如Clayton-Copula函数，二维情况表达式为：
式中：u、v为边缘分布函数，θC,t为动态相关系数；
动态SJC-Copula函数由动态Joe-Clayton Copula函数变换而来，表达式为：
其中Joe-Clayton Copula函数表达式为：
式中：u,v为边缘分布函数； 为动态上尾相关系数、/>为动态下尾相关系数。
动态N-Copula、t-Copula函数结构类似，在二维情况下表达式分别为：
式中u,v为边缘分布函数；ρN,t为动态N-Copula函数动态相关系数，ρt,t为动态t-Copula函数动态相关系数；kt为自由度，s为风电场出力随机变量，r为光伏电场出力随机变量，φ-1为标准正态分布函数的逆函数，为自由度为k的t分布的逆函数。
进一步地，上述动态相关系数的估计转化为对演进方程参数的估计。
进一步地，所述步骤S2中，运用欧氏距离判别法检验拟合优度，用各Copula函数与样本数据的经验Copula的欧式距离比较，所述欧式距离越小，则该Copula函数的拟合优度越好：
其中ui＝Fn(xi)；vi＝Gn(yi)；Cn(ui,vi)为经验Copula函数。
进一步地，利用拟合优度检验方法选出最优模型的Copula函数依概率生成随机点，检验这些生成的大量随机点是否服从这些电场的联合出力特性，从而确定最优Copula模型。
进一步地，利用最优Copula模型生成大量随机点，并且利用改进模糊聚类算法进行场景缩进，得到N个风光电站联合出力的典型场景。
进一步地，所述步骤S3中，改进的模糊聚类算法利用层次聚类法得到初始聚类中心，其具体实施步骤如下：
S3-1：通过层次聚类法得到初始聚类中心
S3-2：确定隶属度函数，得到初始化隶属度矩阵U(0)
S3-3：更新聚类中心以及隶属度矩阵U(t)，U(t+1)
S3-4：满足终止调节则停止迭代，否则返回步骤S3-3
进一步地，所述步骤S4中，各风光场站出力的量化描述的计算公式为：
其中，M表示场景个数，P(t)为t时段风光场站联合出力功率，Pi(t)为该时段场景i下风光场站出力值，yi(t)为场景i出现的概率。
进一步地，所述步骤S3-1通过层次聚类法得到初始聚类中心，选择层次聚类分割的各个子簇的代表点作为初始聚类中心，步骤如下：
1)将每个对象看作一类，计算两两之间的最小距离；
2)将距离最小的两个类合并成一个新类；
3)重新计算新类与所有类之间的距离；
4)重复2)、3)，直到所有类最后合并成一类。
进一步地，所述步骤S3-2隶属度函数为：
式中C为聚类中心数，cj为第j个聚类中心，ck为第k个聚类中心，uij表示样本xi对于聚类中心cj的隶属度，m为聚类的簇数。
进一步地，所述步骤S3-2通过下述公式更新聚类中心：
式中下xi为第i个样本，N为样本数，为聚类簇数为m时样本xi对于聚类中心cj的隶属度
有益效果：
本发明研究风光出力的动态相关特性和联合出力的波动性，解决了现行静态相关系数无法准确描述风光出力相依的问题，建立了多种动态Copula函数的风光电场出力联合模型，使用拟合优度检验方法选出最优模型，利用最优Coupula模型与风光电场出力依概率形成叠加生成了海量场景，结合改进模糊c-均值聚类算法，能够提高模糊聚类算法的聚类效果，避免算法进入局部最优；选出典型场景，从而对风光机组联合出力进行准确量化，指导电力系统调度及安全稳定性评估。
附图说明
图1是一种基于改运模糊聚类算法的风光机组联合出力的量化方法的步骤图。
图2是改进模糊聚类算法步骤图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。应当理解的是，本说明书描述的具体实施方式仅仅是为了解释本发明，并非为了限定本发明。
如图1所示，本发明提供一种基于改进模糊聚类算法的风光机组联合出力的量化方法，具体的步骤包括：
S1：结合某地区风光场站日内24h的历史出力数据分时段建立风光联合出力的多种动态Copula模型；
S2：基于所选Copula函数，运用拟合优度检验方法选出最优模型，生成各时段风光出力场景；
S3：基于改进的模糊聚类算法对风光出力场景进行削减；
S4：根据各场景出现概率和出力特性对各时段的风光场站出力特性进行量化描述。
进一步地，所述步骤S1中，利用MLK方法生成风、光场站的边缘分布函数，从而求取似然函数。
进一步地，所述步骤S1中，所述多种动态Copula模型包括动态正态Copula函数、动态t-Copula函数、动态Clayton-Copula函数和动态SJC-Copula函数。
其中动态C-Copula函数的结构如Clayton-Copula函数，二维情况表达式为：
式中：u、v为边缘分布函数，θC,t为动态相关系数
动态SJC-Copula函数由动态Joe-Clayton Copula函数变换而来，表达式为：
其中Joe-Clayton Copula函数表达式为：
式中：u,v为边缘分布函数；为动态上尾相关系数、/>为动态下尾相关系数。
动态N-Copula、t-Copula函数结构类似，在二维情况下表达式分别为：
式中u,v为边缘分布函数；ρN,t为动态N-Copula函数动态相关系数，ρt,t为动态t-Copula函数动态相关系数；kt为自由度，为风电场出力随机变量，r为光伏电场出力随机变量s,r为随机变量，φ-1为标准正态分布函数的逆函数，为自由度为k的t分布的逆函数。
进一步地，上述动态相关系数的估计转化为对演进方程参数的估计。
进一步地，所述步骤S2中，运用欧氏距离判别法检验拟合优度，用各Copula函数与样本数据的经验Copula的欧式距离比较。欧式距离越小，则该Copula函数的拟合优度越好：
其中ui＝Fn(xi)；vi＝Gn(yi)；Cn(ui,vi)为经验Copula函数。
进一步地，利用拟合优度检验方法选出最优模型的Copula函数依概率生成随机点，检验这些生成的大量随机点是否服从这些电场的联合出力特性，从而确定最优Copula模型。
进一步地，利用最优Copula模型生成大量随机点，并且利用改进模糊聚类算法进行场景缩进，得到N个风光电站联合出力的典型场景。
进一步地，所述步骤S3中，改进的模糊聚类算法利用层次聚类法得到初始聚类中心，其具体实施步骤如图2所示，步骤如下：
S3-1：通过层次聚类法得到初始聚类中心；
S3-2：确定隶属度函数，得到初始化隶属度矩阵U(0)；
S3-3：更新聚类中心以及隶属度矩阵U(t)，U(t+1)；
S3-4：满足终止调节则停止迭代，否则返回步骤S3-3。
进一步地，所述步骤S4中，各风光场站出力的量化描述的计算公式为：
其中，M表示场景个数，P(t)为t时段风光场站联合出力功率，Pi(t)为该时段场景i下风光场站出力值，yi(t)为场景i出现的概率。
进一步地，所述步骤S3-1通过层次聚类法得到初始聚类中心，选择层次聚类分割的各个子簇的代表点作为初始聚类中心，步骤如下：
1)将每个对象看作一类，计算两两之间的最小距离；
2)将距离最小的两个类合并成一个新类；
3)重新计算新类与所有类之间的距离；
4)重复2)、3)，直到所有类最后合并成一类。
进一步地，所述步骤S4-2隶属度函数为：
式中C为聚类中心数，cj为第j个聚类中心，ck为第k个聚类中心，uij表示样本xi对于聚类中心cj的隶属度，m为聚类的簇数。
进一步地，所述步骤S4-2通过下述公式更新聚类中心：
式中下xi为第i个样本，N为样本数，为聚类簇数为m时样本xi对于聚类中心cj的隶属度。
本发明研究风光出力的动态相关特性和联合出力的波动性，解决了现行静态相关系数无法准确描述风光出力相依的问题，建立了多种动态Copula函数的风光电场出力联合模型，使用拟合优度检验方法选出最优模型，利用最优Coupula模型与风光电场出力依概率形成叠加生成了海量场景，结合改进模糊c-均值聚类算法，能够提高模糊聚类算法的聚类效果，避免算法进入局部最优；选出典型场景，从而对风光机组联合出力进行准确量化，指导电力系统调度及安全稳定性评估。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于改进模糊聚类算法的风光机组联合出力的量化方法，其特征在于，包括：
S1：结合某地区风光场站日内24h的历史出力数据分时段建立风光联合出力的多种动态Copula模型；
S2：基于所选Copula函数，运用拟合优度检验方法选出最优模型，生成各时段风光出力场景；
S3：基于改进的模糊聚类算法对风光出力场景进行削减；
S4：根据各场景出现概率和出力特性对各时段的风光场站出力特性进行量化描述。
2.根据权利要求1所述的基于改进模糊聚类算法的风光机组联合出力的量化方法，其特征在于，所述步骤S1中，所述多种动态Copula模型包括动态正态Copula函数、动态t-Copula函数、动态Clayton-Copula函数和动态SJC-Copula函数。
3.根据权利要求2所述的基于改进模糊聚类算法的风光机组联合出力的量化方法，其特征在于，所述步骤S2中，运用欧氏距离判别法检验拟合优度，用各Copula函数与样本数据的经验Copula的欧式距离比较；所述欧式距离越小，则该Copula函数的拟合优度越好：
其中ui＝Fn(xi)；vi＝Gn(yi)；Cn(ui,vi)为经验Copula函数。
4.根据权利要求1所述的基于改进模糊聚类算法的风光机组联合出力的量化方法，其特征在于，所述步骤S3中，改进的模糊聚类算法利用层次聚类法得到初始聚类中心，其具体实施步骤如下：
S3-1：通过层次聚类法得到初始聚类中心；
S3-2：确定隶属度函数，得到初始化隶属度矩阵U(0)；
S3-3：更新聚类中心以及隶属度矩阵U(t)和U(t+1)；
S3-4：满足终止调节则停止迭代，否则返回步骤S3-3。
5.根据权利要求1所述的基于改进模糊聚类算法的风光机组联合出力的量化方法，其特征在于，所述步骤S4中，各风光场站出力的量化描述的计算公式为：
其中，M表示场景个数，P(t)为t时段风光场站联合出力功率，Pi(t)为该时段场景i下风光场站出力值，yi(t)为场景i出现的概率。
6.根据权利要求4所述的基于改进模糊聚类算法的风光机组联合出力的量化方法，其特征在于，所述步骤S3-1通过层次聚类法得到初始聚类中心，选择层次聚类分割的各个子簇的代表点作为初始聚类中心。
7.根据权利要求4所述的基于改进模糊聚类算法的风光机组联合出力的量化方法，其特征在于，所述步骤S3-2隶属度函数为：
式中C为聚类中心数，cj为第j个聚类中心，ck为第k个聚类中心，uij表示样本xi对于聚类中心cj的隶属度，m为聚类的簇数。
8.根据权利要求4所述的基于改进模糊聚类算法的风光机组联合出力的量化方法，其特征在于，所述步骤S3-2通过下述公式更新聚类中心：
式中下xi为第i个样本，N为样本数，为聚类簇数为m时样本xi对于聚类中心cj的隶属度。
CN202311497185.7A 2023-11-10 2023-11-10 基于改进模糊聚类算法的风光机组联合出力的量化方法 Pending CN117541115A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311497185.7A CN117541115A (zh) 2023-11-10 2023-11-10 基于改进模糊聚类算法的风光机组联合出力的量化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311497185.7A CN117541115A (zh) 2023-11-10 2023-11-10 基于改进模糊聚类算法的风光机组联合出力的量化方法

Publications (1)

Publication Number Publication Date
CN117541115A true CN117541115A (zh) 2024-02-09

Family

ID=89793194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311497185.7A Pending CN117541115A (zh) 2023-11-10 2023-11-10 基于改进模糊聚类算法的风光机组联合出力的量化方法

Country Status (1)

Country Link
CN (1) CN117541115A (zh)

Similar Documents

Publication Publication Date Title
Sheng et al. Short-term solar power forecasting based on weighted Gaussian process regression
Ghaderi et al. Deep forecast: Deep learning-based spatio-temporal forecasting
WO2023201552A1 (en) County-wide photovoltaic prediction method based on cluster division and data enhancement
CN110889603A (zh) 一种基于PCA-Copula理论考虑风电相关性的电力系统经济调度方法
Zhang et al. Short-term power load forecasting using integrated methods based on long short-term memory
CN109272258B (zh) 基于K-means聚类的区域风光发电资源评估方法
CN117200181A (zh) 一种基于DBSCAN-EM-GMM和Web技术的光伏发电量预测方法
CN117132132A (zh) 基于气象数据的光伏发电功率预测方法
Ye et al. Optimal Component IGSCV-SVR Ensemble Model Improved by VMD for Ultra-short-term Wind Speed Forecasting.
CN117541115A (zh) 基于改进模糊聚类算法的风光机组联合出力的量化方法
Xu et al. NWP feature selection and GCN-based ultra-short-term wind farm cluster power forecasting method
Kaushik et al. Performance Analysis of Regression Models in Solar PV Forecasting
You et al. New PSO‐SVM Short‐Term Wind Power Forecasting Algorithm Based on the CEEMDAN Model
CN112949938B (zh) 改善训练样本类别不均衡的风电爬坡事件直接预报方法
Kari et al. Short-Term Wind Power Prediction Based on Combinatorial Neural Networks.
Lin et al. A Fault Risk Warning Method of Integrated Energy Systems Based on RelieF-Softmax Algorithm.
CN110007242B (zh) 一种基于波峰电流的太阳电池阵退化估计方法
CN114896871B (zh) 一种基于最小互信息的光伏出力分解方法
Niu et al. Improved Kernel Fuzzy C-Means Clustering Method Based on Smart Grid
Liu et al. Wind power prediction based on meteorological data visualization
Fan et al. Optimization of photovoltaic panel deployment in centralized photovoltaic power plant under multiple factors
Rong et al. Research on equivalent modeling method of wind farm considering wind speed correlation based on Mixed-Copula
Yuan et al. Ultra-short-term Photovoltaic Power Prediction Based on STCN Model
Chen et al. Short-time photovoltaic power prediction considering relative influential factor based on typical weather conditions
Liang et al. Short-term day-to-day maximum load forecasting based on data mining and deep learning

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