CN101916998A - 一种基于支持向量机的风电功率预测装置及方法 - Google Patents
一种基于支持向量机的风电功率预测装置及方法 Download PDFInfo
- Publication number
- CN101916998A CN101916998A CN 201010224039 CN201010224039A CN101916998A CN 101916998 A CN101916998 A CN 101916998A CN 201010224039 CN201010224039 CN 201010224039 CN 201010224039 A CN201010224039 A CN 201010224039A CN 101916998 A CN101916998 A CN 101916998A
- Authority
- CN
- China
- Prior art keywords
- centerdot
- training sample
- prediction
- alpha
- sigma
- 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
-
- Y04S10/54—
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于支持向量机的风电功率预测装置及方法,属于风电功率预测技术领域。该装置包括有微处理器、传感器、外扩存储器、数据采集模块、能量管理模块(EMS)和通信接口;应用该装置的预测方法,步骤如下:步骤1、对历史数据进行归一化处理;步骤2、采用数据采集模块采集预测日的气象信息,形成训练样本集;步骤3、得到满足精度要求的最优聚类中心矩阵;步骤4、将训练样本集按聚类中心的距离进行分类;步骤5、得到风电功率预测结果。本发明的优点:实现了结构风险最小化的归纳原则,并且它的训练等价于解决一个线性约束的二次规划问题,存在唯一解。
Description
技术领域
本发明属于风电功率预测技术领域,特别涉及一种基于支持向量机(SVM)的风电功率预测装置及方法。
背景技术
近年来,随着风电规模的不断扩大,大容量的风电接入电网会对电力***的安全、稳定运行以及保证电能质量带来严峻的挑战。因此,必须对风电场未来24小时的功率进行准确的预测。这样可以及时调整调度计划,减少***的旋转备用量,降低***的运行成本,为风电场参与发电竞价奠定基础。
目前,对风电场输出功率的预测包括二种方法:一是物理方法,即先利用数值天气预报***得到风速、风向、气压、气温等天气数据,然后根据风机周围的物理信息得到风力风电机组风速、风向等信息,最后利用风机的功率曲线计算得出风机的实际输出功率;二是统计方法,其根据历史数据即风速或功率在天气状况和输出功率间建立映射关系,然后进行预测,建模方法包括时间序列、卡尔曼滤波法、神经网络法等。这些方法随着风电技术的深入暴露出一些难于克服的缺陷,如预测精度差、收敛速度慢和稳定性差等缺点。
发明内容
为了克服已有技术的不足,本发明提供一种基于支持向量机的风电功率预测装置及方法。
本发明的技术方案是这样实现的:该装置包括有微处理器、传感器、外扩存储器、数据采集模块、能量管理模块(EMS)和通信接口;
其中通信接口包括RS232接口和以太网接口;
外扩存储器包括假静态随机存储器(PSRAM)与闪存(Nand Flash);
数据采集模块是信号的输入输出,包括A\D输入、D\A输出与数字量输入输出;
该装置各部件的连接是:传感器的输出连接数据采集模块的输入,数据采集模块的输出和能量管理模块(EMS)的输出连接微处理器的输入,微处理器的输出连接通讯接口的输入,通讯接口的输出连接外扩存储器,外扩存储器的双工端连接微处理器的双工端。
基于支持向量机的风电功率预测装置进行预测的方法,利用基于支持向量机模型进行预测,步骤如下:
步骤1、对历史数据进行归一化处理;
归一化公式为:
步骤2、采用数据采集模块采集预测日的气象信息,形成训练样本集,训练样本输入一般包括以下几类:利用公式(1)处理预测日之前与预测日的预测时刻数据;为预测日之前预测时刻输出归一化数据;为预测日前一日预测时刻输出归一化数据;预测日的气象数据,包含最高温度、最低温度、平均温度、风力和湿度,k为气象参数的维数;
步骤3、用模糊c均值方法(FCM)聚类,得到满足精度要求的最优聚类中心矩阵:
根据训练样本集,确定聚类类别数c和迭代收敛精度,初始化聚类中心矩阵P=P(0);
用式
步骤4、将训练样本集按聚类中心的距离进行分类:
计算与聚类中心Pi的距离
确定训练样本集到聚类中心的距离;
得到距离最短的一类训练样本记为作为训练样本集所属类别,将该类包含的训练样本集作为支持向量机预测模型预测的训练样本集;
步骤5、将分类后的训练样本集和能量管理模块获得的功率数据作为支持向量机预测模型的输入量,利用支持向量机预测模型进行风电功率预测,公式(7)的输出值即为风电功率预测结果;
支持向量机预测模型为:
其中yi为支持向量机预测模型输出;若aj∈(0,C);ε为不敏感损失函数;C为调整参数;为常数项,“T”为转置;(i=1,2,…l)为训练样本的输入;l为距聚类中心距离最短的训练样本的个数;m为训练样本维数,即输入条件的维数;αi为拉格朗日乘子,为αi的对偶值。
所述的支持向量机预测模型应用,按如下步骤进行:
1)、建立如下式的目标函数:
其中s.t.为约束条件;K(xi,xj)为核函数;l为距聚类中心距离最短的训练样本的个数;m为训练样本维数,即输入条件的维数;αi为拉格朗日乘子,为αi的对偶值;(i=1,2,…l)为训练样本的输入;yi为支持向量机预测模型输出;
本发明的优点:本发明为一种在统计学习基础上构建起来的机器学习方法,适合于风电场的有限样本情况下的功率预测,实现了结构风险最小化的归纳原则,并且它的训练等价于解决一个线性约束的二次规划问题,存在唯一解。随着不敏感损失函数的引入,支持向量机已经扩展为解决非线性回归估计问题的一种有效方法。
附图说明:
图1本发明风电场功率预测装置结构框图;
图2本发明微控制器与PSRAM连接电原理图;
图3本发明微控制器与FLASH连接电原理图;
图4本发明微控制器与以太网连接电原理图;
图5本发明联合聚类算法的支持向量机预测模型基本流程图;
图6本发明预测功率与实际功率曲线图。
具体实施方式:
本发明一种基于支持向量机的风电功率预测装置及方法的详细结构结合实施例和附图加以说明,
该装置包括微处理器、传感器、外扩存储器、数据采集模块、能量管理模块(EMS)和通信接口;如图1所示,其中微处理器是整个***的核心,采用NXP公司LPC2000系列ARM微控制器LPC2200,可外扩Flash和RAM,Ethernet、UART等***功能接口,微控制器完成测量数据的分析处理、控制动态存储与显示、控制信号输入输出及其它设备通信等功能。微处理器分别经数据采集模块从传感器得到的风电场的风速、温度、湿度和压强等实时气象信息;另一方面从电力部门已有的EMS模块获取风电场的功率数据;微控制器接受到由通信接口得到的电力调度指令,从数据采集模块获取所需的历史数据进行预测并将结果反馈到回来,最终从数据采集模块中读取风电功率预测值,并根据此值进行后续的调度安排;
外扩存储器包括PSRAM和Nand Flash,PSRAM是Cel lularRAM的MT45W4ML16PFA,它是4M*16位的64Mb器件;
LPC2200在外扩存储器接口Bank0上使用,所以将LPC2200的CS0与MT45W4ML16PFA的片选引脚连接,外扩存储器连接使用了16位总线方式,数据总线使用了D0~D15,地址总线使用了A1~A22。为了能够对MT45W4ML16PFA的字节单元进行单独操作(如高8位,或低8位),把LPC2200的BLS1、BLS0(字节定位选择位)控制信号分别连接到MT45W4ML16PFA的UB#(高字节使能)、LB#(低字节使能)引脚;如图2所示,
Nand Flash是SAMSUNG公司生产的K9F2808U0C,存储容量为16M*8位,工作电压为2.7~3.6V,图3是LPC2200与K9F2808U0C连接图,其中,使用8位数据总线(D0~D7)与K9F2808U0C的I/O0~I/O7引脚相连,通过数据总线发送地址、命令和数据,K9F2808U0C的片选信号由CS3控制,CLE(命令锁存使能)、ALE(地址锁存使能)信号分别由A0、A1控制;如图3所示,
通信接口以太网接口与为微处理器的连接电路图,以太网接口采用CS8900A与为微处理器相连,CS8900A芯片是Cirrus Logic公司生产的一种局域网处理芯片,在嵌入式领域中使用非常常见,它的封装是100-pin TQFP,内部集成了在片RAM、10BASE-T收发滤波器,并且提供8位和16位两种接口,CS8900A通过nCS3引脚使能,D0~D15为双向的16位数据总线,TXD+/TXD-为10BASE-T发送端,RXD+/RXD-为10BASE-T接收端,通信接口完成于PC机和调度中心的信息交互;如图4所示,
数据采集模块是信号的输入输出,包括A\D输入、D\A输出与数字量输入输出;
本发明基于支持向量机(SVM)的风电功率预测方法,基本思路是先将历史数据根据FCM算法聚类;再识别待预测样本所属的类,选择所属类包含的样本作为学习样本;最后使用SVM方法进行负荷预测。这种方法考虑了样本之间的相似性,依据样本的相似度选用同类特征数据作为预测输入,保证了数据特征的一致性,强化了历史数据规律。
验证联合FCM聚类算法的SVM的功率预测方法。以预测某风场的日24小时输出功率为例,用预测日的前100天数据构建样本。
基于支持向量机的风电功率预测装置进行预测的方法,利用基于支持向量机模型进行预测,步骤如下:
步骤1、对历史数据进行归一化处理;
归一化公式为:
步骤2、采用数据采集模块采集预测日的气象信息,形成训练样本集,训练样本输入一般包括以下几类:利用公式(1)处理预测日之前与预测日的预测时刻数据;A={0.49125,0.78,0.75375,0.83,0.68125,0.82625,0.41125,0.8925,0.88875,0.415,0.8075,0.86,0.8375,0.4825,0.8125}为预测日之前预测时刻输出归一化数据;B={0.41875,0.80125,0.615,0.4525,0.67875,0.78625,0.915,0.78875,0.6625,0.8475,0.52375,0.56375,0.4775,0.58625,0.9325}为预测日前一日预测时刻输出归一化数据;c={0.6925,0.8925,0.58,0.63,0.86375,0.51375,0.77125,0.5,0.55625,0.78,0.51125,0.765,0.8875,0.6225,0.6575}为预测日的气象数据,包含最高温度、最低温度、平均温度、风力和湿度,k为气象参数的维数;
步骤3、用模糊c均值方法(FCM)聚类,得到满足精度要求的最优聚类中心矩阵:
根据训练样本集,确定聚类类别数c和迭代收敛精度,初始化聚类中心矩阵P=P(0);
用式
步骤4、将训练样本集按聚类中心的距离进行分类:
计算与聚类中心Pi的距离
确定训练样本集到聚类中心的距离;
步骤5、将分类后的训练样本集和能量管理模块获得的功率数据作为支持向量机预测模型的输入量,利用支持向量机预测模型进行风电功率预测,公式(7)的输出值即为风电功率预测结果;
支持向量机预测模型为:
其中yi为支持向量机预测模型输出;若aj∈(0,C);ε为不敏感损失函数;C为调整参数;为常数项,“T”为转置;(i=1,2,…l)为训练样本的输入;l为距聚类中心距离最短的训练样本的个数;m为训练样本维数,即输入条件的维数;αi为拉格朗日乘子,为αi的对偶值。
所述的支持向量机预测模型应用,按如下步骤进行:
1)、建立如下式的目标函数:
其中s.t.为约束条件;K(xi,xj)为核函数;l为距聚类中心距离最短的训练样本的个数;m为训练样本维数,即输入条件的维数;αi为拉格朗日乘子,为αi的对偶值;(i=1,2,…l)为训练样本的输入;yi为支持向量机预测模型输出;
通过图6预测功率与实际功率曲线,可知本发明方发预测误差小,为10%左右。
Claims (3)
1.一种基于支持向量机的风电功率预测装置,其特征在于:该装置包括微处理器、传感器、外扩存储器、数据采集模块、能量管理模块和通信接口;其中通信接口包括RS232接口和以太网接口;外扩存储器包括假静态随机存储器与闪存;数据采集模块是信号的输入输出,包括A\D输入、D\A输出与数字量输入输出;
该装置的连接是:传感器的输出连接数据采集模块的输入,数据采集模块的输出和能量管理模块的输出连接微处理器的输入,微处理器的输出连接通讯接口的输入,通讯接口的输出连接外扩存储器,外扩存储器的双工端连接微处理器的双工端。
2.采用权利要求1所述的基于支持向量机的风电功率预测装置进行预测的方法,其特征在于,利用基于支持向量机模型进行预测,步骤如下:
步骤1、对历史数据进行归一化处理;
归一化公式为:
步骤2、采用数据采集模块采集预测日的气象信息,形成训练样本集,训练样本输入一般包括以下几类:利用公式(1)处理预测日之前与预测日的预测时刻数据; 为预测日之前预测时刻输出归一化数据; 为预测日前一日预测时刻输出归一化数据;c={xic1,xic2,…,xick},预测日的气象数据,包含最高温度、最低温度、平均温度、风力和湿度,k为气象参数的维数;
步骤3、用模糊c均值方法(FCM)聚类,得到满足精度要求的最优聚类中心矩阵:
根据训练样本集,确定聚类类别数c和迭代收敛精度,初始化聚类中心矩阵P=P(0);
用式
步骤4、将训练样本集按聚类中心的距离进行分类:
确定训练样本集到聚类中心的距离;
步骤5、将分类后的训练样本集和能量管理模块获得的功率数据作为支持向量机预测模型的输入量,利用支持向量机预测模型进行风电功率预测,公式(7)的输出值即为风电功率预测结果;
支持向量机预测模型为:
3.按权利要求1所述的基于支持向量机的风电功率预测装置进行预测的方法,其特征在于,所述的支持向量机预测模型应用,按如下步骤进行:
1)、建立如下式的目标函数:
其中s.t.为约束条件;K(xi,xj)为核函数;l为距聚类中心距离最短的训练样本的个数;m为训练样本维数,即输入条件的维数;αi为拉格朗日乘子,为αi的对偶值;(i=1,2,…l)为训练样本的输入;yi为支持向量机预测模型输出;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010224039 CN101916998A (zh) | 2010-07-12 | 2010-07-12 | 一种基于支持向量机的风电功率预测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010224039 CN101916998A (zh) | 2010-07-12 | 2010-07-12 | 一种基于支持向量机的风电功率预测装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101916998A true CN101916998A (zh) | 2010-12-15 |
Family
ID=43324426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010224039 Pending CN101916998A (zh) | 2010-07-12 | 2010-07-12 | 一种基于支持向量机的风电功率预测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101916998A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298707A (zh) * | 2011-08-24 | 2011-12-28 | 辽宁力迅风电控制***有限公司 | 基于连续时间段聚类与支持向量机建模的风电功率预测方法 |
CN102411729A (zh) * | 2011-11-04 | 2012-04-11 | 国电南京自动化股份有限公司 | 基于自适应线性逻辑网络的风电功率预测方法 |
CN102521671A (zh) * | 2011-11-29 | 2012-06-27 | 华北电力大学 | 一种风电功率超短期预测方法 |
CN102662324A (zh) * | 2012-04-28 | 2012-09-12 | 江南大学 | 槽式反应器基于在线支持向量机的非线性模型预测控制方法 |
CN102682185A (zh) * | 2011-03-10 | 2012-09-19 | 华锐风电科技(集团)股份有限公司 | 单风力发电机的风电功率预测方法 |
CN102682219A (zh) * | 2012-05-17 | 2012-09-19 | 鲁东大学 | 一种支持向量机短期负荷预测方法 |
CN103065202A (zh) * | 2012-12-24 | 2013-04-24 | 电子科技大学 | 一种基于组合核函数的风电场超短期风速预测方法 |
CN103117546A (zh) * | 2013-02-28 | 2013-05-22 | 武汉大学 | 一种超短期风电功率滑动预测方法 |
CN103345585A (zh) * | 2013-07-12 | 2013-10-09 | 清华大学 | 基于支持向量机的风功率预测校正方法及*** |
CN103942621A (zh) * | 2014-04-18 | 2014-07-23 | 国家电网公司 | 采用复合数据源基于Sigmoid核函数支持向量机的风电功率短期预测方法 |
CN105160434A (zh) * | 2015-09-15 | 2015-12-16 | 武汉大学 | 采用svm选取预测模型的风电功率爬坡事件预测方法 |
CN105956720A (zh) * | 2016-06-07 | 2016-09-21 | 中南大学 | 一种基于t-s模糊模型的风电功率超短期预测方法 |
CN106228272A (zh) * | 2016-08-01 | 2016-12-14 | 陈包容 | 一种获取预警阈值的方法及装置 |
CN106347970A (zh) * | 2015-06-02 | 2017-01-25 | 南通大学 | 一种具有在线能效监测的带式输送机能效监测方法 |
CN106655266A (zh) * | 2016-12-26 | 2017-05-10 | 国网天津市电力公司 | 一种接入新能源的地区电网可灵活调节电源配置方法 |
CN107103120A (zh) * | 2017-03-31 | 2017-08-29 | 上海大学 | 基于支持向量机快速预报Ni‑Mn‑Ga形状记忆合金转变温度的方法 |
CN107451697A (zh) * | 2017-08-07 | 2017-12-08 | 南京金水尚阳信息技术有限公司 | 一种基于复合数据修复的风功率预测方法 |
CN107706938A (zh) * | 2017-09-05 | 2018-02-16 | 清华大学 | 一种基于分位点回归的风电功率波动区间分析方法 |
CN109902743A (zh) * | 2019-02-28 | 2019-06-18 | 广东工业大学 | 一种风电机组输出功率预测方法 |
CN112378056A (zh) * | 2020-11-18 | 2021-02-19 | 珠海格力电器股份有限公司 | 智能空调控制方法、装置、计算机设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
-
2010
- 2010-07-12 CN CN 201010224039 patent/CN101916998A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
Non-Patent Citations (3)
Title |
---|
《支持向量机:理论、算法与拓展》 20090831 邓乃扬,田英杰 《支持向量机:理论、算法与拓展》 科学出版社 101-102 1-3 , * |
《江苏电机工程》 20070531 李林峰,孙长银 基于FCM聚类与SVM的电力***短期负荷预测 47-49 2,3 第26卷, 第3期 * |
《电网技术》 20060430 姜惠兰,刘晓津,关颖,王梦宾 基于硬C均值聚类算法和支持向量机的电力***短期负荷预测 81-84 2-3 第30卷, 第8期 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682185A (zh) * | 2011-03-10 | 2012-09-19 | 华锐风电科技(集团)股份有限公司 | 单风力发电机的风电功率预测方法 |
CN102682185B (zh) * | 2011-03-10 | 2014-07-09 | 华锐风电科技(集团)股份有限公司 | 单风力发电机的风电功率预测方法 |
CN102298707B (zh) * | 2011-08-24 | 2015-03-25 | 辽宁力迅风电控制***有限公司 | 基于连续时间段聚类与支持向量机建模的风电功率预测方法 |
CN102298707A (zh) * | 2011-08-24 | 2011-12-28 | 辽宁力迅风电控制***有限公司 | 基于连续时间段聚类与支持向量机建模的风电功率预测方法 |
CN102411729A (zh) * | 2011-11-04 | 2012-04-11 | 国电南京自动化股份有限公司 | 基于自适应线性逻辑网络的风电功率预测方法 |
CN102411729B (zh) * | 2011-11-04 | 2013-10-09 | 国电南京自动化股份有限公司 | 基于自适应线性逻辑网络的风电功率预测方法 |
CN102521671A (zh) * | 2011-11-29 | 2012-06-27 | 华北电力大学 | 一种风电功率超短期预测方法 |
CN102521671B (zh) * | 2011-11-29 | 2014-10-29 | 华北电力大学 | 一种风电功率超短期预测方法 |
CN102662324A (zh) * | 2012-04-28 | 2012-09-12 | 江南大学 | 槽式反应器基于在线支持向量机的非线性模型预测控制方法 |
CN102682219B (zh) * | 2012-05-17 | 2016-05-25 | 鲁东大学 | 一种支持向量机短期负荷预测方法 |
CN102682219A (zh) * | 2012-05-17 | 2012-09-19 | 鲁东大学 | 一种支持向量机短期负荷预测方法 |
CN103065202A (zh) * | 2012-12-24 | 2013-04-24 | 电子科技大学 | 一种基于组合核函数的风电场超短期风速预测方法 |
CN103065202B (zh) * | 2012-12-24 | 2015-07-15 | 电子科技大学 | 一种基于组合核函数的风电场超短期风速预测方法 |
CN103117546A (zh) * | 2013-02-28 | 2013-05-22 | 武汉大学 | 一种超短期风电功率滑动预测方法 |
CN103117546B (zh) * | 2013-02-28 | 2016-03-16 | 武汉大学 | 一种超短期风电功率滑动预测方法 |
CN103345585A (zh) * | 2013-07-12 | 2013-10-09 | 清华大学 | 基于支持向量机的风功率预测校正方法及*** |
CN103942621A (zh) * | 2014-04-18 | 2014-07-23 | 国家电网公司 | 采用复合数据源基于Sigmoid核函数支持向量机的风电功率短期预测方法 |
CN106347970A (zh) * | 2015-06-02 | 2017-01-25 | 南通大学 | 一种具有在线能效监测的带式输送机能效监测方法 |
CN106347970B (zh) * | 2015-06-02 | 2018-06-22 | 南通大学 | 一种具有在线能效监测的带式输送机能效监测方法 |
CN105160434A (zh) * | 2015-09-15 | 2015-12-16 | 武汉大学 | 采用svm选取预测模型的风电功率爬坡事件预测方法 |
CN105956720A (zh) * | 2016-06-07 | 2016-09-21 | 中南大学 | 一种基于t-s模糊模型的风电功率超短期预测方法 |
CN106228272A (zh) * | 2016-08-01 | 2016-12-14 | 陈包容 | 一种获取预警阈值的方法及装置 |
CN106655266A (zh) * | 2016-12-26 | 2017-05-10 | 国网天津市电力公司 | 一种接入新能源的地区电网可灵活调节电源配置方法 |
CN106655266B (zh) * | 2016-12-26 | 2019-02-22 | 国网天津市电力公司 | 一种接入新能源的地区电网可灵活调节电源配置方法 |
CN107103120A (zh) * | 2017-03-31 | 2017-08-29 | 上海大学 | 基于支持向量机快速预报Ni‑Mn‑Ga形状记忆合金转变温度的方法 |
CN107451697A (zh) * | 2017-08-07 | 2017-12-08 | 南京金水尚阳信息技术有限公司 | 一种基于复合数据修复的风功率预测方法 |
CN107706938A (zh) * | 2017-09-05 | 2018-02-16 | 清华大学 | 一种基于分位点回归的风电功率波动区间分析方法 |
CN109902743A (zh) * | 2019-02-28 | 2019-06-18 | 广东工业大学 | 一种风电机组输出功率预测方法 |
CN112378056A (zh) * | 2020-11-18 | 2021-02-19 | 珠海格力电器股份有限公司 | 智能空调控制方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101916998A (zh) | 一种基于支持向量机的风电功率预测装置及方法 | |
Xu et al. | Data-driven configuration optimization of an off-grid wind/PV/hydrogen system based on modified NSGA-II and CRITIC-TOPSIS | |
WO2023004838A1 (zh) | 一种风电出力区间预测方法 | |
CN105590174A (zh) | 基于k-均值聚类rbf神经网络的企业用电负荷预测方法 | |
CN107301472A (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
CN104978608B (zh) | 一种风电功率预测装置及预测方法 | |
CN107947165A (zh) | 一种面向调节需求的配电网灵活性评价方法 | |
WO2020140743A1 (zh) | 配电台区源-荷协同接入方法、终端、存储介质 | |
CN102231144B (zh) | 一种基于Boosting算法的配电网理论线损预测方法 | |
CN103258142B (zh) | 基于天气模式的风电场短期风速预测方法 | |
CN103020462B (zh) | 计及复杂尾流效应模型的风电场概率输出功率计算方法 | |
CN109523084A (zh) | 一种基于主元分析和机器学习的风电功率超短期预测方法 | |
CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
CN104899665A (zh) | 风电功率短期预测方法 | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
CN110011618B (zh) | 基于模糊c均值聚类神经网络的光伏阵列故障的诊断装置 | |
CN108921339A (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
CN105389634A (zh) | 一种组合式短期风电功率预测***及方法 | |
CN107153845A (zh) | 一种基于机器学习的自适应并网光伏***的孤岛检测法 | |
Chitsazan et al. | Wind speed forecasting using an echo state network with nonlinear output functions | |
CN103065202A (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
CN113794199B (zh) | 一种考虑电力市场波动的风电储能***最大收益优化方法 | |
Zhang et al. | Solar radiation intensity probabilistic forecasting based on K-means time series clustering and Gaussian process regression | |
CN201789293U (zh) | 一种基于支持向量机的风电功率预测装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20101215 |