CN106228274A - 基于som神经网络数据聚类识别的光伏电站发电量预测方法 - Google Patents
基于som神经网络数据聚类识别的光伏电站发电量预测方法 Download PDFInfo
- Publication number
- CN106228274A CN106228274A CN201610629744.9A CN201610629744A CN106228274A CN 106228274 A CN106228274 A CN 106228274A CN 201610629744 A CN201610629744 A CN 201610629744A CN 106228274 A CN106228274 A CN 106228274A
- Authority
- CN
- China
- Prior art keywords
- data
- neuron
- neural network
- input
- sample
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000010248 power generation Methods 0.000 title claims abstract description 17
- 230000007935 neutral effect Effects 0.000 claims abstract description 21
- 210000002569 neuron Anatomy 0.000 claims description 32
- 230000001537 neural effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 210000004205 output neuron Anatomy 0.000 claims description 6
- 230000013016 learning Effects 0.000 claims description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 210000002700 urine Anatomy 0.000 abstract description 3
- 210000005036 nerve Anatomy 0.000 description 4
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000714 time series forecasting Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000031836 visual learning 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Neurology (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明公开了一种基于SOM神经网络数据聚类识别的光伏电站发电量预测方法,根据步骤1的SOM神经网络聚类结果,将数据样本分为多类,分别导入BP神经网络进行网络训练,得到各类训练好的BP神经网络,然后将预测日数据处理后输入训练好的SOM神经网络进行识别得出所对应的数据类型,接着将预测日输入向量导入所对应的训练完成的BP神经网络即可进行预测。本发明提出一种基于SOM神经网络数据聚类识别的光伏电站发电量预测方法,可对光伏电站历史数据按照自身特征聚类,数据样本自我识别分类后,进行发电量预测,可有效提高发电量预测精度。
Description
技术领域
本发明涉及一种基于SOM神经网络数据聚类识别的光伏电站发电量预测方法,属于光伏电站发电量预测领域。
背景技术
21世纪,光伏发电技术得到了长足的发展,其具有清洁无污染、可再生的特点,得到了广大研究人员的青睐,而光伏电站的发电量预测对电站起着至关重要的作用,这一领域在我国尚未起步较晚,尚未成熟,普遍存在预测精度偏低的问题。目前,大多数研究人员在进行发电量预测的过程中都会进行数据的预处理,其中包括天气类型的分类,根据不同的天气类型分别进行预测以提高预测精度,然而基于天气类型分类的发电量预测方法有时也存在问题,通过天气类型分类以提高预测精度的原理在于近似认为天气类型相同的数据潜在的变化规律相似,实际上天气状况多变,非线性特征极强,一天之中可能存在多种天气特征,比如上午是晴天,中午是阴天,下午是雨天,又或者某天是雨天,可是电站数据变化与晴天类似,如此按照天气类型分类的方法进行预测预测精度不仅不会提高,反而会降低。比如某天实际在下雨,可以发电情况及气象数据与晴天或者阴天类似,若采用此法进行输入模式聚类识别,一定程度上课提高预测精度。自组织映射(SOM)神经网络算法是一种聚类和高维可视化的无导师学习算法,根据其特有网络结构和学习规则,通过对输入模式的反复学习,捕捉各输入模式的潜在模式特征,并将其自组织,在竞争层将分类表现出来。光伏电站发电量预测属于时间序列预测,根据历史动态发电数据通过数据挖掘发现时间序列隐藏的发展变化趋势从而预测未来动态发电数据,SOM神经网络适用于时间序列预测,可对光伏电站历史数据按照自身特征聚类,数据样本自我识别分类后,进行发电量预测,可有效提高发电量预测精度。
发明内容
目的:针对光伏电站发电量预测领域天气类型分类方法存在的缺陷,本发明提出一种基于SOM神经网络数据聚类识别的光伏电站发电量预测方法,通过SOM算法对电站历史数据进行聚类,挖掘出动态时间序列的潜在特征,根据这些特征进行分类,然后数据样本对号入座,找到自己所属的类,紧接着即可分别对每一类历史数据进行网络训练和预测。
技术方案:为了解决上述技术问题,本发明所采用的技术方案为:
一种基于SOM神经网络数据聚类识别的光伏电站发电量预测方法,包括以下步骤:
步骤1:SOM神经网络数据聚类,具体步骤如下:
1a)、选取数据样本:选取太阳辐照度、瞬时风速、背板温度、环境温度、环境湿度和电站交流端发电功率为数据样本,以5分钟为采样周期,采集某月11天内每日7:00—18:00时段的数据;
1b)、数据预处理:采用最大最小法对步骤1a)采集的数据样本集进行归一化预处理,得到经处理后的数据样本;
1c)、确定网络拓扑结构:SOM神经网络包括输入层和输出层,输入层神经元数即输入向量维数,以太阳辐照度时间序列为SOM神经网络数据样本,根据步骤1a)可得出输入层神经元个数为121个;
1d)、网络初始化:对121个输入层神经元到输出层神经元的连接权值随机赋予较小的权值;选取输出神经元j的邻接神经元集合Sj,Sj(0)表示t=0时刻神经元j的邻接神经元集合Sj,Sj(t)表示t时刻神经元j的邻接神经元集合Sj,神经元集合区域Sj(t)随时间的增长而不断缩小;
1e)、计算欧几里得距离dj:提供新的输入样本X,计算输入样本与每个输出神经元j的欧几里得距离:
式中,||·||表示输入向量X和权值向量Wj间的欧几里得距离,N为输入向量维数;
1f)、找出获胜神经元:根据步骤1e)计算出一个具有最小距离的神经元j*,即确定出某个单元k,使得对于任意的j,都有表示第k个神经元在竞争中获胜;
1g)、连接权值修正:取步骤1f)中获胜的单元k周围的一个邻域Sk(t),按照下式修正神经元j*及其邻接神经元的权值:
wij(t+1)=wij(t)+η(t)[xi(t)-wij(t)]
式中,η为一个增益项,随时间变化逐渐下降到零,一般取
或
1h)、计算输出ok:网络第k个神经元输出为:
式中,f(·)一般为0-1函数,或者为其他非线性函数;
1i)、提供新的学习样本,重复步骤1e),至达到最大迭代次数,每个样本均训练完毕;
1j)、步骤1i)训练完成后得到各个样本数据神经元的获胜情况,样本中获胜神经元位置相同的即可归为一类,其他数据样本均可输入网络进行识别,对号入座找到所属类型;
步骤2:BP神经网络预测:
根据步骤1的SOM神经网络聚类结果,将数据样本分为多类,分别导入BP神经网络进行网络训练,得到各类训练好的BP神经网络,然后将预测日数据处理后输入训练好的SOM神经网络进行识别得出所对应的数据类型,接着将预测日输入向量导入所对应的训练完成的BP神经网络即可进行预测。
优选地,所述步骤1b)中的最大最小法的公式如下:
xk=(xk-xmin)/(xmax-xmin),
式中,xmin为数据序列的最小数,xmax为数据序列的最大数。
优选地,所述步骤1c)中的输出层采用二维网络矩阵方式,其结构取6*6结构。
有益效果:本发明提出一种基于SOM神经网络数据聚类识别的光伏电站发电量预测方法,可对光伏电站历史数据按照自身特征聚类,数据样本自我识别分类后,进行发电量预测,可有效提高发电量预测精度。
附图说明
图1为本发明的光伏电站发电量预测方法流程图;
图2为本发明的网络拓扑结构;
图3为本发明的神经元邻域分布示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
如图1-3所示,一种基于SOM神经网络数据聚类识别的光伏电站发电量预测方法,包括以下步骤:
步骤1:SOM神经网络数据聚类,具体步骤如下:
1a)、选取数据样本:选取太阳辐照度、瞬时风速、背板温度、环境温度、环境湿度和电站交流端发电功率为数据样本,以5分钟为采样周期,采集某月11天内每日7:00—18:00时段的数据;
1b)、数据预处理:采用最大最小法对步骤1a)采集的数据样本集进行归一化预处理,得到经处理后的数据样本;
1c)、确定网络拓扑结构:如图2所示,SOM神经网络包括输入层和输出层(竞争层),输入层神经元数即输入向量维数,以太阳辐照度时间序列为SOM神经网络数据样本,根据步骤1a)可得出输入层神经元个数为121个;
1d)、网络初始化:对121个输入层神经元到输出层神经元的连接权值随机赋予较小的权值;选取输出神经元j的邻接神经元集合Sj,Sj(0)表示t=0时刻神经元j的邻接神经元集合Sj,Sj(t)表示t时刻神经元j的邻接神经元集合Sj,神经元集合区域Sj(t)随时间的增长而不断缩小,如图3所示;
1e)、计算欧几里得距离dj:提供新的输入样本X,计算输入样本与每个输出神经元j的欧几里得距离:
式中,||·||表示输入向量X和权值向量Wj间的欧几里得距离,N为输入向量维数;
式中,||·||表示输入向量X和权值向量Wj间的欧几里得距离,N为输入向量维数;
1f)、找出获胜神经元:根据步骤1e)计算出一个具有最小距离的神经元j*,即确定出某个单元k,使得对于任意的j,都有表示第k个神经元在竞争中获胜;
1g)、连接权值修正:取步骤1f)中获胜的单元k周围的一个邻域Sk(t),按照下式修正神经元j*及其邻接神经元的权值:
wij(t+1)=wij(t)+η(t)[xi(t)-wij(t)]
式中,η为一个增益项,随时间变化逐渐下降到零,一般取
或
1h)、计算输出ok:网络第k个神经元输出为:
式中,f(·)一般为0-1函数,或者为其他非线性函数;
1i)、提供新的学习样本,重复步骤1e),至达到最大迭代次数,每个样本均训练完毕;
1j)、步骤1i)训练完成后得到各个样本数据神经元的获胜情况,样本中获胜神经元位置相同的即可归为一类,其他数据样本均可输入网络进行识别,对号入座找到所属类型;
步骤2:BP神经网络预测:
根据步骤1的SOM神经网络聚类结果,将数据样本分为多类,分别导入BP神经网络进行网络训练,得到各类训练好的BP神经网络,然后将预测日数据处理后输入训练好的SOM神经网络进行识别得出所对应的数据类型,接着将预测日输入向量导入所对应的训练完成的BP神经网络即可进行预测,余下步骤跟传统BP神经网络预测发电量步骤类似,故此处不作更多说明。
优选地,所述步骤1b)中的最大最小法的公式如下:
xk=(xk-xmin)/(xmax-xmin),
式中,xmin为数据序列的最小数,xmax为数据序列的最大数。
优选地,所述步骤1c)中的输出层采用二维网络矩阵方式,其结构取6*6结构。
本发明中结合传统的具代表性的前馈型(BP)神经网络进行阐述,预测算法可根据实际需要确定。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (3)
1.一种基于SOM神经网络数据聚类识别的光伏电站发电量预测方法,其特征在于,包括以下步骤:
步骤1:SOM神经网络数据聚类,具体步骤如下:
1a)、选取数据样本:选取太阳辐照度、瞬时风速、背板温度、环境温度、环境湿度和电站交流端发电功率为数据样本,以5分钟为采样周期,采集某月11天内每日7:00—18:00时段的数据;
1b)、数据预处理:采用最大最小法对步骤1a)采集的数据样本集进行归一化预处理,得到经处理后的数据样本;
1c)、确定网络拓扑结构:SOM神经网络包括输入层和输出层,输入层神经元数即输入向量维数,以太阳辐照度时间序列为SOM神经网络数据样本,根据步骤1a)可得出输入层神经元个数为121个;
1d)、网络初始化:对121个输入层神经元到输出层神经元的连接权值随机赋予较小的权值;选取输出神经元j的邻接神经元集合Sj,Sj(0)表示t=0时刻神经元j的邻接神经元集合Sj,Sj(t)表示t时刻神经元j的邻接神经元集合Sj,神经元集合区域Sj(t)随时间的增长而不断缩小;
1e)、计算欧几里得距离dj:提供新的输入样本X,计算输入样本与每个输出神经元j的欧几里得距离:
式中,||·||表示输入向量X和权值向量Wj间的欧几里得距离,N为输入向量维数;
1f)、找出获胜神经元:根据步骤1e)计算出一个具有最小距离的神经元j*,即确定出某个单元k,使得对于任意的j,都有表示第k个神经元在竞争中获胜;
1g)、连接权值修正:取步骤1f)中获胜的单元k周围的一个邻域Sk(t),按照下式修正神经元j*及其邻接神经元的权值:
wij(t+1)=wij(t)+η(t)[xi(t)-wij(t)]
式中,η为一个增益项,随时间变化逐渐下降到零,一般取
或
1h)、计算输出ok:网络第k个神经元输出为:
式中,f(·)一般为0-1函数,或者为其他非线性函数;
1i)、提供新的学习样本,重复步骤1e),至达到最大迭代次数,每个样本均训练完毕;
1j)、步骤1i)训练完成后得到各个样本数据神经元的获胜情况,样本中获胜神经元位置相同的即可归为一类,其他数据样本均可输入网络进行识别,对号入座找到所属类型;
步骤2:BP神经网络预测:
根据步骤1的SOM神经网络聚类结果,将数据样本分为多类,经网络初始化后,分别导入BP神经网络进行网络训练,得到各类训练好的BP神经网络,然后将预测日数据处理后输入训练好的SOM神经网络进行识别得出所对应的数据类型,接着将预测日输入向量导入所对应的训练完成的BP神经网络即可进行预测。
2.根据权利要求1所述的一种基于SOM神经网络数据聚类识别的光伏电站发电量预测方法,其特征在于,所述步骤1b)中的最大最小法的公式如下:
xk=(xk-xmin)/(xmax-xmin)
式中,xmin为数据序列的最小数,xmax为数据序列的最大数。
3.根据权利要求1所述的一种基于SOM神经网络数据聚类识别的光伏电站发电量预测方法,其特征在于,所述步骤1c)中的输出层采用二维网络矩阵方式,其结构取6*6结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610629744.9A CN106228274A (zh) | 2016-08-03 | 2016-08-03 | 基于som神经网络数据聚类识别的光伏电站发电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610629744.9A CN106228274A (zh) | 2016-08-03 | 2016-08-03 | 基于som神经网络数据聚类识别的光伏电站发电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106228274A true CN106228274A (zh) | 2016-12-14 |
Family
ID=57536082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610629744.9A Pending CN106228274A (zh) | 2016-08-03 | 2016-08-03 | 基于som神经网络数据聚类识别的光伏电站发电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106228274A (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506867A (zh) * | 2017-08-31 | 2017-12-22 | 国网冀北电力有限公司廊坊供电公司 | 一种基于动态建模的光伏出力预测方法 |
CN107506949A (zh) * | 2017-10-10 | 2017-12-22 | 甘肃省电力公司风电技术中心 | 光伏数据聚类方法、光伏功率预测方法、存储介质和设备 |
CN107563559A (zh) * | 2017-09-06 | 2018-01-09 | 合肥凌山新能源科技有限公司 | 基于大数据的太阳能发电量的预测*** |
CN107909288A (zh) * | 2017-12-05 | 2018-04-13 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于som神经网络聚类算法的缴费行为分析方法 |
CN107958327A (zh) * | 2017-11-21 | 2018-04-24 | 国网四川省电力公司凉山供电公司 | 一种基于因子分析和som网络的项目进度风险预测方法 |
CN108154190A (zh) * | 2018-01-12 | 2018-06-12 | 上海海事大学 | 一种基于som神经网络的岸桥电机状态聚类分析方法 |
CN108182453A (zh) * | 2018-01-17 | 2018-06-19 | 贵州电网有限责任公司 | 一种用户停电敏感度分类方法 |
CN108230121A (zh) * | 2018-02-09 | 2018-06-29 | 艾凯克斯(嘉兴)信息科技有限公司 | 一种基于循环神经网络的产品设计方法 |
CN108280746A (zh) * | 2018-02-09 | 2018-07-13 | 艾凯克斯(嘉兴)信息科技有限公司 | 一种基于双向循环神经网络的产品设计方法 |
CN108376263A (zh) * | 2018-02-24 | 2018-08-07 | 福建中烟工业有限责任公司 | 工作场所环境温湿度预测方法和装置 |
CN108416429A (zh) * | 2018-02-24 | 2018-08-17 | 华北水利水电大学 | 基于som神经网络的氢燃料发动机故障诊断***及其方法 |
CN108898154A (zh) * | 2018-09-29 | 2018-11-27 | 华北电力大学 | 一种电力负荷som-fcm分层聚类方法 |
CN109272058A (zh) * | 2018-11-27 | 2019-01-25 | 电子科技大学中山学院 | 一种集成电力负荷曲线聚类方法 |
CN109408853A (zh) * | 2018-08-31 | 2019-03-01 | 中国电力科学研究院有限公司 | 一种水电站来水特性分析方法及*** |
CN111140986A (zh) * | 2019-12-23 | 2020-05-12 | 珠海格力电器股份有限公司 | 空调***的运行状态检测方法、装置、存储介质及空调 |
CN111199252A (zh) * | 2019-12-30 | 2020-05-26 | 广东电网有限责任公司 | 一种电力通信网络智能运维***的故障诊断方法 |
CN111738522A (zh) * | 2020-06-28 | 2020-10-02 | 电子科技大学中山学院 | 一种光伏发电功率的预测方法、存储介质及终端设备 |
CN111914082A (zh) * | 2019-05-08 | 2020-11-10 | 天津科技大学 | 一种基于som神经网络算法的在线知识聚合方法 |
CN113033081A (zh) * | 2021-03-10 | 2021-06-25 | 中国科学院地理科学与资源研究所 | 一种基于som-bpnn模型的径流模拟方法及*** |
CN113779740A (zh) * | 2021-09-26 | 2021-12-10 | 中机国能电力工程有限公司 | 一种光伏支架网格化容错纠偏方法 |
CN113923705A (zh) * | 2021-09-30 | 2022-01-11 | 公安部第三研究所 | 一种基于改进som神经网络的移动智能终端流量监测方法以及相关设备 |
CN114742102A (zh) * | 2022-03-30 | 2022-07-12 | 中国人民解放军战略支援部队航天工程大学 | 一种nlos信号识别方法及*** |
CN117200199A (zh) * | 2023-09-06 | 2023-12-08 | 国网上海市电力公司 | 一种基于天气分型的光伏功率预测方法和*** |
CN117498400A (zh) * | 2024-01-03 | 2024-02-02 | 长峡数字能源科技(湖北)有限公司 | 一种分布式光伏与储能数据的处理方法及*** |
-
2016
- 2016-08-03 CN CN201610629744.9A patent/CN106228274A/zh active Pending
Non-Patent Citations (3)
Title |
---|
代倩等: "基于天气类型聚类识别的光伏***短期无辐照度发电预测模型研究", 《中国电机工程学报》 * |
宋丹丹等: "SOFM-LM-BP神经网络在光伏发电量预测中的应用", 《辽宁工业大学学报》 * |
张玉等: "光伏发电量的预测综述", 《制造业自动化》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506867A (zh) * | 2017-08-31 | 2017-12-22 | 国网冀北电力有限公司廊坊供电公司 | 一种基于动态建模的光伏出力预测方法 |
CN107506867B (zh) * | 2017-08-31 | 2021-09-21 | 国网冀北电力有限公司廊坊供电公司 | 一种基于动态建模的光伏出力预测方法 |
CN107563559A (zh) * | 2017-09-06 | 2018-01-09 | 合肥凌山新能源科技有限公司 | 基于大数据的太阳能发电量的预测*** |
CN107506949B (zh) * | 2017-10-10 | 2021-01-26 | 甘肃省电力公司风电技术中心 | 光伏数据聚类方法、光伏功率预测方法、存储介质和设备 |
CN107506949A (zh) * | 2017-10-10 | 2017-12-22 | 甘肃省电力公司风电技术中心 | 光伏数据聚类方法、光伏功率预测方法、存储介质和设备 |
CN107958327A (zh) * | 2017-11-21 | 2018-04-24 | 国网四川省电力公司凉山供电公司 | 一种基于因子分析和som网络的项目进度风险预测方法 |
CN107909288A (zh) * | 2017-12-05 | 2018-04-13 | 国网内蒙古东部电力有限公司电力科学研究院 | 基于som神经网络聚类算法的缴费行为分析方法 |
CN108154190A (zh) * | 2018-01-12 | 2018-06-12 | 上海海事大学 | 一种基于som神经网络的岸桥电机状态聚类分析方法 |
CN108182453A (zh) * | 2018-01-17 | 2018-06-19 | 贵州电网有限责任公司 | 一种用户停电敏感度分类方法 |
CN108230121A (zh) * | 2018-02-09 | 2018-06-29 | 艾凯克斯(嘉兴)信息科技有限公司 | 一种基于循环神经网络的产品设计方法 |
CN108280746A (zh) * | 2018-02-09 | 2018-07-13 | 艾凯克斯(嘉兴)信息科技有限公司 | 一种基于双向循环神经网络的产品设计方法 |
CN108230121B (zh) * | 2018-02-09 | 2022-06-10 | 艾凯克斯(嘉兴)信息科技有限公司 | 一种基于循环神经网络的产品设计方法 |
CN108280746B (zh) * | 2018-02-09 | 2022-05-24 | 艾凯克斯(嘉兴)信息科技有限公司 | 一种基于双向循环神经网络的产品设计方法 |
CN108416429A (zh) * | 2018-02-24 | 2018-08-17 | 华北水利水电大学 | 基于som神经网络的氢燃料发动机故障诊断***及其方法 |
CN108376263B (zh) * | 2018-02-24 | 2020-09-29 | 福建中烟工业有限责任公司 | 工作场所环境温湿度预测方法和装置 |
CN108376263A (zh) * | 2018-02-24 | 2018-08-07 | 福建中烟工业有限责任公司 | 工作场所环境温湿度预测方法和装置 |
CN109408853A (zh) * | 2018-08-31 | 2019-03-01 | 中国电力科学研究院有限公司 | 一种水电站来水特性分析方法及*** |
CN108898154A (zh) * | 2018-09-29 | 2018-11-27 | 华北电力大学 | 一种电力负荷som-fcm分层聚类方法 |
CN109272058A (zh) * | 2018-11-27 | 2019-01-25 | 电子科技大学中山学院 | 一种集成电力负荷曲线聚类方法 |
CN111914082A (zh) * | 2019-05-08 | 2020-11-10 | 天津科技大学 | 一种基于som神经网络算法的在线知识聚合方法 |
CN111140986A (zh) * | 2019-12-23 | 2020-05-12 | 珠海格力电器股份有限公司 | 空调***的运行状态检测方法、装置、存储介质及空调 |
CN111199252A (zh) * | 2019-12-30 | 2020-05-26 | 广东电网有限责任公司 | 一种电力通信网络智能运维***的故障诊断方法 |
CN111738522A (zh) * | 2020-06-28 | 2020-10-02 | 电子科技大学中山学院 | 一种光伏发电功率的预测方法、存储介质及终端设备 |
CN113033081A (zh) * | 2021-03-10 | 2021-06-25 | 中国科学院地理科学与资源研究所 | 一种基于som-bpnn模型的径流模拟方法及*** |
CN113779740A (zh) * | 2021-09-26 | 2021-12-10 | 中机国能电力工程有限公司 | 一种光伏支架网格化容错纠偏方法 |
CN113923705A (zh) * | 2021-09-30 | 2022-01-11 | 公安部第三研究所 | 一种基于改进som神经网络的移动智能终端流量监测方法以及相关设备 |
CN114742102A (zh) * | 2022-03-30 | 2022-07-12 | 中国人民解放军战略支援部队航天工程大学 | 一种nlos信号识别方法及*** |
CN117200199A (zh) * | 2023-09-06 | 2023-12-08 | 国网上海市电力公司 | 一种基于天气分型的光伏功率预测方法和*** |
CN117200199B (zh) * | 2023-09-06 | 2024-04-02 | 国网上海市电力公司 | 一种基于天气分型的光伏功率预测方法和*** |
CN117498400A (zh) * | 2024-01-03 | 2024-02-02 | 长峡数字能源科技(湖北)有限公司 | 一种分布式光伏与储能数据的处理方法及*** |
CN117498400B (zh) * | 2024-01-03 | 2024-03-15 | 长峡数字能源科技(湖北)有限公司 | 一种分布式光伏与储能数据的处理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106228274A (zh) | 基于som神经网络数据聚类识别的光伏电站发电量预测方法 | |
Tian et al. | A novel wind speed forecasting system based on hybrid data preprocessing and multi-objective optimization | |
CN104573879B (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN105913151A (zh) | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 | |
Yang et al. | A weather-based hybrid method for 1-day ahead hourly forecasting of PV power output | |
CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
CN109002948B (zh) | 基于cda-bp的微电网短期光伏发电功率预测方法 | |
CN109802430A (zh) | 一种基于LSTM-Attention网络的风电电网控制方法 | |
CN110443725A (zh) | 基于cnn+lstm的风电功率预测模型 | |
CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN106446494A (zh) | 基于小波包‑神经网络的风光功率预测方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN110148068A (zh) | 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法 | |
CN109146162A (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
CN112215428B (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及*** | |
CN109345027A (zh) | 基于独立成分分析与支持向量机的微电网短期负荷预测方法 | |
Alshareef | An effective falcon optimization algorithm based MPPT under partial shaded photovoltaic systems | |
CN110009135A (zh) | 一种基于宽度学习的风电功率预测方法 | |
CN107256436A (zh) | 蓄热电锅炉与清洁能源的预测匹配和消纳控制方法 | |
CN112149905A (zh) | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 | |
CN107403244A (zh) | 基于人工神经网络改进灰色模型的短期风速预测方法 | |
Elhammoudy et al. | Dandelion Optimizer algorithm-based method for accurate photovoltaic model parameter identification | |
CN117374956A (zh) | 一种针对综合能源站光伏发电的短期预测方法 | |
CN116187540A (zh) | 一种基于时空偏差修正的风电场站超短期功率预测方法 | |
CN117172097A (zh) | 基于云边协同与多智能体深度学习的配电网调度运行方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161214 |
|
RJ01 | Rejection of invention patent application after publication |