CN104978605A - 基于深度学习网络的大规模风电功率预测***及方法 - Google Patents
基于深度学习网络的大规模风电功率预测***及方法 Download PDFInfo
- Publication number
- CN104978605A CN104978605A CN201510310688.8A CN201510310688A CN104978605A CN 104978605 A CN104978605 A CN 104978605A CN 201510310688 A CN201510310688 A CN 201510310688A CN 104978605 A CN104978605 A CN 104978605A
- Authority
- CN
- China
- Prior art keywords
- data
- deep learning
- learning network
- database
- degree
- 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
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于深度学习网络的大规模风电功率预测***及方法,该预测***包括:数据采集模块,由风电场自行提供,用于从风机采集风机数据及天气数据,并将其存储到数据库中,数据库,负责数据的存储和与数据相关的操作;预测值计算模块,根据该数据库中存储的历史数据经深度学习网络计算得到预测值,并将预测值存入数据库中,本发明利用深度学习网络强大的非线性映射能力,根据历史数据以及天气预报数据,给出风电场未来48小时内的风电功率预测数据,实现了大规模风电功率的预测。
Description
技术领域
本发明涉及风电领域,特别是涉及一种基于深度学习网络的大规模风电功率预测***及方法。
背景技术
随着风电的快速发展,大规模风电场(几十万千瓦甚至百万千瓦级)的并网运行对电力***的影响也越来越显著。风能所具有的随机性、间歇性和不可控性的特点以及在实际运行中多数风电具有的反调峰特性,使得难以预测风电场发电出力的变化趋势,造成电网运行调度的困难和复杂化,对电网的安全稳定运行造成了很大影响,这已经成为制约风电大规模接入的关键技术问题。
风电功率预测在国外已有近二十年的发展历史,目前已有多种商用的预测***投入运行。但是我国风资源在地理分布上相对集中的特点,导致国外的成熟***无法直接应用于我国的风电场,且当前基于深度学习网络的风电功率预测***还没有出现。
发明内容
为克服上述现有技术存在的不足,本发明之一目的在于提供一种基于深度学习网络的大规模风电功率预测***及方法,其利用深度学习网络强大的非线性映射能力,根据历史数据以及天气预报数据,给出风电场未来48小时内的风电功率预测数据,实现了大规模风电功率的预测。
为达上述及其它目的,本发明提出一种基于深度学习网络的大规模风电功率预测***,包括:
数据采集模块,由风电场自行提供,用于从风机采集风机数据及天气数据, 并将其存储到数据库中,
数据库,负责数据的存储和与数据相关的操作;
预测值计算模块,根据该数据库中存储的历史数据经深度学习网络计算得到预测值,并将预测值存入数据库中。
进一步地,所述预测***还包括数据发布模块,负责从数据库取出数据再通过界面进行显示。
进一步地,所述预测值计算模块
风速预测模块,用于通过深度学习网络算法预测风速;
功率预测模块,根据预测得到的风速,查找该数据库中存储的每台风机的风速-功率专家数据库表,得到相应的功率值。
进一步地,所述风速预测模块包括:
模型参数选取模块,根据所要得到的预测数据选择合适的样本点的个数,然后通过执行存储过程,得到风机每隔一段时间的风速数据,存入数组中;
初始化模型,通过逐层训练深度学习网络,使网络模型得到一个初始值;
模型参数确定模块,通过神经网络的学习算法再对网络进行参数的微调,从而使整个深度学习网络收敛到一个局部最优点上;
风速求解模块根据确定的参数对模型进行求解,获得预测的风速。
进一步地,所述样本点的个数大于300小于10000。
进一步地,所述预测值计算模块采用C/S结构。
进一步地,所述数据库用于存储大量的数据,并创建大量的存储过程用类进行数据的筛选,分类和部分计算,以及创建大量的作业用来定时进行数据相关操作。
为达到上述目的,本发明还提供一种基于深度学习网络的大规模风电功率预测方法,包括如下步骤:
步骤一,从风机采集风机数据及采集天气数据,并存储到数据库中;
步骤二,对采集到的数据进行筛选与整理,得到所需的数据;
步骤三,调用深度学习网络算法,将所需的数据传递给该算法,计算得到预测数据,并存储于数据库中。
进一步地,在步骤三之后,还包括如下步骤:
数据发布模块从数据库中取出所需的数据,在界面中显示。
进一步地,步骤三进一步包括如下步骤:
步骤S1,根据所要得到的预测数据选择合适的样本点的个数,然后通过执行存储过程,得到风机每隔十分钟的风速数据,存入数组中;
步骤S2,通过逐层训练深度学习网络,使网络模型得到一个初始值;
步骤S3,利用步骤S1的数据,通过神经网络的学习算法再对网络进行参数的微调,从而使整个深度学习网络收敛到一个局部最优点上。
步骤S4,对网络模型进行求解,获得风速预测值;
步骤S5,根据预测得到的风速,查找数据库中每台风机的风速-功率专家数据库表,得到相应的功率值。
与现有技术相比,本发明一种基于深度学习网络的大规模风电功率预测***及方法通过利用深度学习网络强大的非线性映射能力,根据历史数据以及天气预报数据,给出风电场未来48小时内的风电功率预测数据,实现了大规模风电功率的预测。
附图说明
图1为本发明一种基于深度学习网络的大规模风电功率预测***的***架构图;
图2为本发明较佳实施例中风速预测模块120的细部流程图;
图3为本发明较佳实施例中具有两个隐含层的深度学习网络的示意图;
图4为本发明较佳实施例中功率预测模块125的工作示意图;
图5为本发明较佳实施例之数据发布模块的逻辑架构图;
图6为本发明一种基于深度学习网络的大规模风电功率预测方法的步骤流程图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用,本说明书中的各项细节亦可基于不同观点与应用,在不背离本发明的精神下进行各种修饰与变更。
图1为本发明一种基于深度学习网络的大规模风电功率预测***的***架构图。如图1所示,本发明一种基于深度学习网络的大规模风电功率预测***,包括:数据采集模块10、数据库11、预测值计算模块12以及数据发布模块13。
其中,数据采集模块10由风电场自行提供,用于从风机采集风机数据,同时也采集天气数据,并将其存储到数据库11中;数据库11,负责数据的存储和与数据相关的操作;预测值计算模块12,根据数据库11中的历史数据经深度学习网络计算得到预测值,并将预测值存入数据库11中,预测值计算模块12采用C/S结构;数据发布模块13采用B/S结构,负责将数据库取出数据再通过界面进行显示。
本发明的工作原理为:***从风机采集风机数据及天气数据,然后存储到数据库中。数据库对采集到的数据进行一定的筛选与整理(包括对数据的缺失补齐,缺失数据沿用上一时刻数据,处理后的所有数据按列进行归一化处理),得到所需的数据,数据库调用深度学习网络算法,并将所需的数据传递给该算法,该算法计算得到预测数据后,再存储到数据库中,最后由数据发布从数据库中取出所需的数据,在界面中显示。
本发明中,数据库11作为整个***的核心需要承载以下工作:首先,需要存储大量的数据;其次,需要创建大量的存储过程用类进行数据的筛选,分类 和部分计算;最后,需要创建大量的作业用来定时进行数据相关操作。
具体地,预测值计算模块12包括风速预测模块120以及功率预测模块125。图2为本发明较佳实施例中风速预测模块120的细部流程图。风速预测模块120用于通过深度学习网络算法预测风速,其具体包括:模型参数选取模块121、初始化模型122、模型参数确定模块123以及风速求解模块124。
其中模型参数选取模块121,根据所要得到的预测数据选择合适的样本点的个数(大于300小于10000),然后通过执行存储过程,得到风机每隔十分钟的风速数据,存入数组中;初始化模型122通过逐层训练深度学习网络,使网络模型得到一个较优的初始值。具体地,深度学习网络的学习训练过程为:
(1)底层的RBM网络以输入数据进行训练;
(2)将底层RBM网络的特征结果作为它上一层RBM网络的输入;
(3)重复过程(1)和(2),来训练所有需要训练的层;
(4)分层训练完成之后,还可以采用误差反向传播算法来进行权重和偏置,利用历史数据对网络进行训练得到对训练数据拟合误差较小的网络参数作为较优初始值。
模型参数确定模块123通过神经网络的学习算法再对网络进行参数的微调(本发明中可以利用误差反向传播方法对网络权值进行微调),从而使整个深度学习网络收敛到一个局部最优点上;风速求解模块124根据确定的参数对模型进行求解,获得预测的风速。
图4为本发明较佳实施例中功率预测模块125的工作示意图。如图4所示,功率预测模块125,根据已经预测得到的风速,查找数据库11中存储的每台风机的风速-功率专家数据库表。得到相应的功率值。
在本发明中,数据发布模块13主要实现了***的界面部分,其采用B/S结构,并不牵扯到风机数据的采集,数据的处理以及计算输出功率的问题。而只是指负责将预测的功率及数据库中的相关信息以页面的形式,或者说以更加人性化的图形界面的形式呈现给用户。
在本发明较佳实施例中,数据发布模块13采用常用的三层构架方式,其总体逻辑如图5所示。由于该结构为常用的三层架构,在此不予赘述。
图6为本发明一种基于深度学习网络的大规模风电功率预测方法的步骤流程图。如图6所示,本发明一种基于深度学习网络的大规模风电功率预测方法,包括如下步骤:
步骤601,从风机采集风机数据及采集天气数据,并存储到数据库中;
步骤602,对采集到的数据进行筛选与整理,得到所需的数据;
步骤603,调用深度学习网络算法,将所需的数据传递给该算法,计算得到预测数据,并存储于数据库中;
步骤604,数据发布模块从数据库中取出所需的数据,在界面中显示。
进一步地,步骤603包括然下步骤:
步骤S1,根据所要得到的预测数据选择合适的样本点的个数(大于300小于10000),然后通过执行存储过程,得到风机每隔十分钟的风速数据,存入数组中;
步骤S2,通过逐层训练深度学习网络,使网络模型得到一个较优的初始值;
步骤S3,利用步骤S1的数据,通过神经网络的学习算法再对网络进行参数的微调,从而使整个深度学习网络收敛到一个局部最优点上。
步骤S4,对网络模型进行求解,获得风速预测值;
步骤S5,根据预测得到的风速,查找数据库中每台风机的风速-功率专家数据库表,得到相应的功率值。
综上所述,本发明一种基于深度学习网络的大规模风电功率预测***及方法通过利用深度学习网络强大的非线性映射能力,根据历史数据以及天气预报数据,给出风电场未来48小时内的风电功率预测数据,实现了大规模风电功率的预测。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。 任何本领域技术人员均可在不违背本发明的精神及范畴下,对上述实施例进行修饰与改变。因此,本发明的权利保护范围,应如权利要求书所列。
Claims (10)
1.一种基于深度学习网络的大规模风电功率预测***,包括:
数据采集模块,由风电场自行提供,用于从风机采集风机数据及天气数据,并将其存储到数据库中,
数据库,负责数据的存储和与数据相关的操作;
预测值计算模块,根据该数据库中存储的历史数据经深度学习网络计算得到预测值,并将预测值存入数据库中。
2.如权利要求1所述的基于深度学习网络的大规模风电功率预测***,其特征在于:所述预测***还包括数据发布模块,负责从数据库取出数据再通过界面进行显示。
3.如权利要求1所述的基于深度学习网络的大规模风电功率预测***,其特征在于,所述预测值计算模块
风速预测模块,用于通过深度学习网络算法预测风速;
功率预测模块,根据预测得到的风速,查找该数据库中存储的每台风机的风速-功率专家数据库表,得到相应的功率值。
4.如权利要求3所述的基于深度学习网络的大规模风电功率预测***,其特征在于,所述风速预测模块包括:
模型参数选取模块,根据所要得到的预测数据选择合适的样本点的个数,然后通过执行存储过程,得到风机每隔一段时间的风速数据,存入数组中;
初始化模型,通过逐层训练深度学习网络,使网络模型得到一个初始值;
模型参数确定模块,通过神经网络的学习算法再对网络进行参数的微调,从而使整个深度学习网络收敛到一个局部最优点上;
风速求解模块根据确定的参数对模型进行求解,获得预测的风速。
5.如权利要求4所述的基于深度学习网络的大规模风电功率预测***,其特征在于:所述样本点的个数大于300小于10000。
6.如权利要求4所述的基于深度学习网络的大规模风电功率预测***,其特征在于:所述预测值计算模块采用C/S结构。
7.如权利要求4所述的基于深度学习网络的大规模风电功率预测***,其特征在于:所述数据库用于存储大量的数据,并创建大量的存储过程用类进行数据的筛选,分类和部分计算,以及创建大量的作业用来定时进行数据相关操作。
8.一种基于深度学习网络的大规模风电功率预测方法,包括如下步骤:
步骤一,从风机采集风机数据及采集天气数据,并存储到数据库中;
步骤二,对采集到的数据进行筛选与整理,得到所需的数据;
步骤三,调用深度学习网络算法,将所需的数据传递给该算法,计算得到预测数据,并存储于数据库中。
9.如权利要求8所述的基于深度学习网络的大规模风电功率预测方法,其特征在于,在步骤三之后,还包括如下步骤:
数据发布模块从数据库中取出所需的数据,在界面中显示。
10.如权利要求8所述的基于深度学习网络的大规模风电功率预测方法,其特征在于,步骤三进一步包括如下步骤:
步骤S1,根据所要得到的预测数据选择合适的样本点的个数,然后通过执行存储过程,得到风机每隔十分钟的风速数据,存入数组中;
步骤S2,通过逐层训练深度学习网络,使网络模型得到一个初始值;
步骤S3,利用步骤S1的数据,通过神经网络的学习算法再对网络进行参数的微调,从而使整个深度学习网络收敛到一个局部最优点上。
步骤S4,对网络模型进行求解,获得风速预测值;
步骤S5,根据预测得到的风速,查找数据库中每台风机的风速-功率专家数据库表,得到相应的功率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510310688.8A CN104978605A (zh) | 2015-06-08 | 2015-06-08 | 基于深度学习网络的大规模风电功率预测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510310688.8A CN104978605A (zh) | 2015-06-08 | 2015-06-08 | 基于深度学习网络的大规模风电功率预测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104978605A true CN104978605A (zh) | 2015-10-14 |
Family
ID=54275087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510310688.8A Pending CN104978605A (zh) | 2015-06-08 | 2015-06-08 | 基于深度学习网络的大规模风电功率预测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104978605A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930955A (zh) * | 2016-04-07 | 2016-09-07 | 浙江万马新能源有限公司 | 基于深度学习的充电网络运行态势分析方法及装置 |
CN106250302A (zh) * | 2016-07-27 | 2016-12-21 | 北京合力思腾科技股份有限公司 | 数据预测分析方法及装置 |
CN107247278A (zh) * | 2017-06-15 | 2017-10-13 | 上海市计算技术研究所 | 一种gps信号漂移的处理方法及终端 |
CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
CN110019329A (zh) * | 2017-07-31 | 2019-07-16 | 广州极飞科技有限公司 | 一种数据预测的方法及装置 |
CN110059082A (zh) * | 2019-04-17 | 2019-07-26 | 东南大学 | 一种基于1D-CNN与Bi-LSTM的天气预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7974742B2 (en) * | 2003-06-13 | 2011-07-05 | Enis Ben M | Method of coordinating and stabilizing the delivery of wind generated energy |
CN102184453A (zh) * | 2011-05-16 | 2011-09-14 | 上海电气集团股份有限公司 | 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 |
CN102479339A (zh) * | 2010-11-24 | 2012-05-30 | 香港理工大学 | 基于混合神经网络的风电场短期风速预测方法和*** |
CN103413174A (zh) * | 2013-08-30 | 2013-11-27 | 哈尔滨工业大学 | 基于深度学习方法的短期风速多步预测方法 |
CN103699944A (zh) * | 2013-12-31 | 2014-04-02 | 国电南京自动化股份有限公司 | 一种多预测模式的风电光伏发电功率预测*** |
CN104077632A (zh) * | 2014-06-23 | 2014-10-01 | 华北电力大学 | 一种基于深度神经网络的风电场功率预测方法 |
US20140324495A1 (en) * | 2013-02-22 | 2014-10-30 | Vestas Wind Systems A/S | Wind turbine maintenance optimizer |
-
2015
- 2015-06-08 CN CN201510310688.8A patent/CN104978605A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7974742B2 (en) * | 2003-06-13 | 2011-07-05 | Enis Ben M | Method of coordinating and stabilizing the delivery of wind generated energy |
CN102479339A (zh) * | 2010-11-24 | 2012-05-30 | 香港理工大学 | 基于混合神经网络的风电场短期风速预测方法和*** |
CN102184453A (zh) * | 2011-05-16 | 2011-09-14 | 上海电气集团股份有限公司 | 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 |
US20140324495A1 (en) * | 2013-02-22 | 2014-10-30 | Vestas Wind Systems A/S | Wind turbine maintenance optimizer |
CN103413174A (zh) * | 2013-08-30 | 2013-11-27 | 哈尔滨工业大学 | 基于深度学习方法的短期风速多步预测方法 |
CN103699944A (zh) * | 2013-12-31 | 2014-04-02 | 国电南京自动化股份有限公司 | 一种多预测模式的风电光伏发电功率预测*** |
CN104077632A (zh) * | 2014-06-23 | 2014-10-01 | 华北电力大学 | 一种基于深度神经网络的风电场功率预测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930955A (zh) * | 2016-04-07 | 2016-09-07 | 浙江万马新能源有限公司 | 基于深度学习的充电网络运行态势分析方法及装置 |
CN106250302A (zh) * | 2016-07-27 | 2016-12-21 | 北京合力思腾科技股份有限公司 | 数据预测分析方法及装置 |
CN106250302B (zh) * | 2016-07-27 | 2018-10-23 | 北京合力思腾科技股份有限公司 | 数据预测分析方法及装置 |
CN107247278A (zh) * | 2017-06-15 | 2017-10-13 | 上海市计算技术研究所 | 一种gps信号漂移的处理方法及终端 |
CN107247278B (zh) * | 2017-06-15 | 2021-04-30 | 上海市计算技术研究所 | 一种gps信号漂移的处理方法及终端 |
CN110019329A (zh) * | 2017-07-31 | 2019-07-16 | 广州极飞科技有限公司 | 一种数据预测的方法及装置 |
CN110019329B (zh) * | 2017-07-31 | 2021-11-05 | 广州极飞科技股份有限公司 | 一种数据预测的方法及装置 |
CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
CN110059082A (zh) * | 2019-04-17 | 2019-07-26 | 东南大学 | 一种基于1D-CNN与Bi-LSTM的天气预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104978605A (zh) | 基于深度学习网络的大规模风电功率预测***及方法 | |
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
CN108734331A (zh) | 基于lstm的短期光伏发电功率预测方法及*** | |
CN101793907A (zh) | 一种风电场短期风速预测方法 | |
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 | |
CN105449666B (zh) | 适用于微电网的多状态等值分析方法及*** | |
CN102938093A (zh) | 一种风电功率预测的方法 | |
CN105069521A (zh) | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 | |
CN110084412A (zh) | 一种基于特征转换多标签学习的光伏发电大数据预测方法 | |
CN106529706A (zh) | 一种基于支持向量机回归的风电场风速预测方法 | |
CN105373856A (zh) | 一种考虑游程检测法重构的风电功率短时组合预测方法 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和*** | |
CN115065078B (zh) | 微网环境下储能容量配置方法及*** | |
CN111401603A (zh) | 一种多类型能源需求预测方法 | |
CN104102951A (zh) | 一种基于emd历史数据预处理的短期风电功率预测方法 | |
CN114154558A (zh) | 基于图神经网络的分布式能源发电负荷预测***及方法 | |
CN114595891A (zh) | 一种配电网电压及潮流越界风险评估方法、***及设备 | |
CN105024645A (zh) | 一种基于矩阵进化的光伏阵列故障定位方法 | |
CN105678415A (zh) | 一种分布式电源配电网的净负荷预测方法 | |
CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
CN108075471A (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
Xiaolan et al. | One-month ahead prediction of wind speed and output power based on EMD and LSSVM | |
CN106485603A (zh) | 一种应用于风力发电的短期风速预测方法 | |
CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
Ajagunsegun et al. | Machine learning-based system for managing energy efficiency of public buildings: An approach towards smart cities |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Pan Zhigang Inventor after: Li Wei Inventor after: Liu Sanming Inventor after: Wang Zhijie Inventor after: Li Ying Inventor after: Zhu Xiaowei Inventor before: Pan Zhigang Inventor before: Zhu Xiaowei Inventor before: Li Ying |
|
COR | Change of bibliographic data | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151014 |