CN106600041A - 基于受限玻尔兹曼机的光伏发电短期功率概率预测方法 - Google Patents
基于受限玻尔兹曼机的光伏发电短期功率概率预测方法 Download PDFInfo
- Publication number
- CN106600041A CN106600041A CN201611097237.1A CN201611097237A CN106600041A CN 106600041 A CN106600041 A CN 106600041A CN 201611097237 A CN201611097237 A CN 201611097237A CN 106600041 A CN106600041 A CN 106600041A
- Authority
- CN
- China
- Prior art keywords
- model
- boltzmann machine
- prediction
- genetic algorithm
- predicted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000010248 power generation Methods 0.000 title abstract description 6
- 230000002068 genetic effect Effects 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000004075 alteration Effects 0.000 claims description 4
- 238000013277 forecasting method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 abstract description 19
- 230000005611 electricity Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 24
- 238000012549 training Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 238000005286 illumination Methods 0.000 description 5
- 210000000349 chromosome Anatomy 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
-
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于受限玻尔兹曼机的光伏发电短期功率概率预测方法，该方法采用改进深度受限玻尔兹曼机算法，包括：建立基于遗传算法优化的深度受限玻尔兹曼机学习预测模型，通过灰色关联系数法寻找待预测日的相似日，以相似日的历史发电功率数据和来自数据天气预报的预测日的天气因素信息为模型的输入量，以光伏发电***在预测日的输出功率信息为预测模型的输出量，以一个月的实测信息作为预测模型样本数据，预测未来1‑24小时的光伏发电输出功率，并且得到预测点的概率密度函数，采用遗传算法作为优化模型，其中遗传算法的交叉率为0.6，变异率的取值为0.2，深度受限玻尔兹曼机的结构层数选定为四层。本发明具有预测精度高的特点。
Description
技术领域
本发明涉及一种光伏发电功率预测方法。
背景技术
光伏发电具有污染少、规模灵活等优点，得到了广泛应用。但由于光伏发电***受环境因素影响明显，存在不确定性、波动性、间歇性等特点，不利于电网的安全调度和能量管理，增加了电网的运行风险。而光伏发电***的波动性越大，对其发电功率进行确定性预测的预测精度就会越低，因此，对光伏发电的短期功率进行概率预测，可以更加全面的反映光伏发电信息，对于电网的安全调度和能量管理具有重要的意义。
目前针对光伏发电功率的预测方法多为确定性预测，即利用统计学原理，根据影响光伏发电功率的环境因素数据和历史发电数据，建立各种数学预测模型，实现对未来光伏发电***出力的短期功率预测。有很多文献光伏发电功率短期预测方法进行了研究，例如：BP神经网络法、灰色神经网络法。
对于光伏发电***而言，由于其发电功率受自然环境因素的影响较为明显，对光伏发电短期功率进行预测的精确度难以准确保证。
发明内容
本发明的目的是克服现有技术的上述不足，提供一种可以保证在满足给定精确度的要求之下获取更加全面的光伏发电功率数据的光伏发电短期功率概率预测方法。本发明基于改进深度受限玻尔兹曼机算法(RBM)构建光伏发电短期功率概率预测模型，通过灰色关联系数法寻找待预测日的相似日，并利用遗传算法对RBM算法进行参数优化，避免模型参数寻优陷入局部最优，以提高预测模型的预测精度。技术方案如下：
一种基于受限玻尔兹曼机的光伏发电短期功率概率预测方法，该方法采用改进深度受限玻尔兹曼机算法，包括：建立基于遗传算法优化的深度受限玻尔兹曼机学习预测模型，通过灰色关联系数法寻找待预测日的相似日，以相似日的历史发电功率数据和来自数据天气预报的预测日的天气因素信息为模型的输入量，以光伏发电***在预测日的输出功率信息为预测模型的输出量，以一个月的实测信息作为预测模型样本数据，预测未来1-24小时的光伏发电输出功率，并且得到预测点的概率密度函数，采用遗传算法作为优化模型，其中遗传算法的交叉率为0.6，变异率的取值为0.2，初始群体规模设定为50，最大迭代次数为200，深度受限玻尔兹曼机的结构层数选定为四层。
附图说明
图1受限玻尔兹曼机结构图
图2深度受限玻尔兹曼机结构图
图3改进深度受限玻尔兹曼机模型的流程图
图4单点预测值的正态分布曲线图
图5改进受限玻尔兹曼机模型在置信水平为80％的概率上下限值预测图
图6改进深度受限玻尔兹曼机模型在置信水平为80％的概率上下限值预测图
图7改进受限玻尔兹曼机模型在置信水平为90％的概率上下限值预测图
图8改进深度受限玻尔兹曼机模型在置信水平为90％的概率上下限值预测图
具体实施方式
本发明基于改进深度受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)算法构建光伏发电短期功率概率预测模型，通过灰色关联系数法寻找待预测日的相似日，并利用遗传算法(Genetic Algorithm，GA)对RBM算法进行参数优化，避免模型参数寻优陷入局部最优，以提高预测模型的预测精度。
(1)相似日的选取
光伏***的发电出力受诸多因素的影响，包括地理位置、辐照角度等固定环境因素，也包括光照强度、温度、湿度、云量等可变环境因素，还有转换效率等与自身装置特性相关的因素。通过分析不同的环境因素对光伏发电功率的影响作用，最终，选择以对光伏发电功率影响最为明显的光照强度与温度数据作为相似日选择的环境因素判别依据。
选取的每日气象特征向量如式(1)所示：
xi＝[xi(1),xi(2),xi(3),xi(4)]＝[thi,tli,lhi,lli] (1)
其中，thi表示第i日最高温度，tli表示第i日最低温度，lhi表示第i日最大光照强度，lli表示第i日最小光照强度。
以x0表示待预测日，则待预测日x0与第i个历史日xi的第j个特征分量的关联系数技术方式如式(2)所示：
其中，ρ一般取为0.5。
待预测日x0与第i个历史日xi的相似度定义公式如式(3)所示：
以相似度最大的历史日作为待预测日的相似日。
(2)改进受限玻尔兹曼机(RBM)
受限玻尔兹曼机(RBM)包含两个层，可见层(visible layer)和隐藏层(hiddenlayer)，其中神经元之间的连接特点为：层内无连接，层间全连接。其结构图如图1所示。
RBM的预测过程即在输入为V时，通过条件概率P(h/v)来计算隐藏层的输出向量h，再得到输出向量h之后，再根据相量h以及条件概率P(v/h)计算可见层向量v，以最新得到的可见层相量v和原始输入向量v进行比较，不断修正参数，最终使最新得到的可见层相量v向原始输入向量v不断靠近，达到误差要求。
RBM的模型是一个基于能量的模型，因给定的状态(v,h)，可定义的能量函数如式(4)所示：
其中，wj,i表示可见单元i与隐单元j之间的连接权重，ai表示可见单元i的偏置，bj表示隐单元j的偏置。
利用式(4)的能量函数，得出状态(v,h)的联合概率分布，其函数形式如式(5)所示。
其中，Zθ为归一化因子，其表示形式为
根据式(5)可以得出概率分布Pθ(v)与Pθ(h)，其函数形式如式(6)、(7)所示。
而在给定可见层之后，隐藏层第j个节点取值为1的概率如式(8)所示。
而又因为隐藏层节点之间的关系是条件独立的，可得如下的条件概率分布如式(9)所示。
同理，在确定了隐藏层h之后，可得其条件概率分布，如式(10)、(11)所示：
给定训练样本后，训练一个RBM即是调整参数θ，以拟合给定的训练样本。假定训练样本集合为： 其中，ns为训练样本的数目。
训练RBM的目标即最大化似然函数如式(12)所示。
对式(12)作对数处理，即训练目标可转换为如式(13)所示函数形式。
此外，对于一个正在学习的RBM模型，由于似然函数的计算较为复杂，很难直接以其作为RBM的评估函数，常采用近似方法重构误差(Reconstruction Error)来代替似然函数作为RBM的评估函数。而重构误差是以训练样本作为初始状态，经过RBM的分布进行一次Gibbs采样后与原始数据的差值。
在误差满足要求时，隐藏层的输出值即为***输出值，此时，即可得到模型的概率分布Pθ(v)与Pθ(h)。
(3)遗传优化算法
遗传算法(Genetic Algorithm，GA)是一种模拟Darwin生物进化论过程的寻优算法。遗传算法以任一群体为起始点，通过随机性的选择、交叉和变异操作，产生具有更好适应能力的新生代个体，通过优胜劣汰的机制使得群体在约束条件的基础上向着更好的搜索空间移动，经过不断的繁衍寻找到适应度最高的个体，即优化问题的最优解。
光伏发电***的概率预测模型，即改进受限玻尔兹曼机模型，有三个待优化的模型参数，分别为W、a与b，记为θ＝(W,a,b)而遗传算法具有结构简单、泛化能力强、鲁棒性强等优点，可以用作预测模型的优化选取，加快预测算法的收敛速度，从而提高模型的预测性能。
对预测模型的待优化参数θ＝(W,a,b)，通过选择、交叉和变异操作进行优化。为避免基因缺失、提高算法的全局收敛性，利用个体的适应度进行选择操作，其具体操作过程为：找出当前群体中适应度最高的个体和适应度最低的个体；若当前群体中最佳个体的适应度比总的迄今为止的最好个体的适应度还要高，就以当前群体中的最佳个体作为新的总的最好个体；用迄今为止的最好个体替换当前群体中的最差个体。交叉操作的具体操作过程为：首先在染色体中随机选择一个点作为交叉点，然后将第一个父辈交叉点前的串和第二个父辈交叉点后的串组合成一个新的染色体，将第二个父辈交叉点前的串和第一个父辈交叉点后的串组合成一个新的染色体。变异操作则是为了保持物种的多样性，以一定概率改变染色体中某个基因的字符值。
(4)基于改进深度受限玻尔兹曼机的概率预测模型
相对于受限玻尔兹曼机模型的单层结构而言，深度受限玻尔兹曼机模型是一种多层结构的预测模型，其结构图如图2所示。
深度受限玻尔兹曼机学习算法相对与受限玻尔兹曼机学习算法具有更高的精度，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使预测也更加容易。
本发明以θ＝(W,a,b)作为优化参数通过遗传算法对预测模型进行参数寻优，建立基于深度受限玻尔兹曼机算法的概率预测模型，主要步骤如下：
1)确定编码方式
对改进受限玻尔兹曼机模型参数θ＝(W,a,b)的优化是一个连续复杂的非线性优化问题，采用浮点数 编码方法，即个体的每个基因值用某一个范围内的一个浮点数来表示，这种编码方式使用的是决策变量的真实值，适用于决策变量表示范围较大的情况。相对于二进制的编码方式，浮点数编码改善了遗传算法的计算复杂性，提高了运算效率。
2)生成初始群体
如果初始种群规模较大，则能够在一定程度上保持种群基因的多样性，预测模型具有更强的全局寻优能力，但付出的代价是计算迭代的时间增加；过小的种群规模虽然具有很快的收敛速度，但可能会带来局部极小问题。
3)确定适应度函数
深度受限玻尔兹曼机模型在计算时其目的是为了使得由计算得来的可见层不断拟合可见层的真实值，其目标函数如式(14)所示。
在确定遗传算法的适应度函数时，即根据深度RBM的目标函数，确定其适应度函数的表示方式如式(15)所示。
其中，θ＝(W,a,b)，其中，ns为训练样本的数目。v，h均为训练样本数据。
4)模型参数优化
利用遗传算法，通过选择，交叉和变异操作对待优化参数θ＝(W,a,b)进行寻优。
5)模型的学习过程
预测模型反复通过自下而上的学习和自上而下的学习过程计算模型参数，即在学习得到第n-1层后，将第n-1层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数。
6)参数更新
为了计算目标函数的最大值，文中采用k步对比散度算法(ContrastiveDivergence,CD-k)，具体过程为：取初始值v(0):＝v，然后执行k步Gibbs采样，其中第t(t＝1,2,...,k)步先后执行如下操作：
a).利用P(h|v(t-1))采样出数据h(t-1)；
b).利用P(v|h(t-1))采样出数据v(t)。
最后，利用第k步采样后得到的v(k)近似估计上述三个偏导数的计算公式，具体如式(16)、(17)、(18)所示。
CD-k算法的目的即是得到这些偏导数的近似值，根据偏导数的值，根据式(19)更新变量：
w＝w+η*Δw
a＝a+η*Δa (19)
b＝b+η*Δb
在迭代过程中，这三个参数值不断更新，最终在总迭代次数以内，使得目标函数取得最大值。
最终通过设置初始群体规模、优化算法迭代次数、交叉率和变异率确定模型参数的优化结果。
图3为基于遗传算法优化的深度RBM光伏发电短期功率概率预测模型的流程图。
本实施例采用天津某地光伏发电站的实测数据与相关数据天气预报数据，进行光伏发电***短期功率的概率预测模型的建立与有效性验证。模型采用2013年的夏季数据作为模型的样本数据，每日光伏功率发电数据的采样时间段取6:00到19:00，以15min为一采样时间间隔。采用遗传算法进行光伏发电预测模型的参数寻优。
本发明建立基于遗传算法优化的深度受限玻尔兹曼机学习预测模型，以相似日的历史发电功率数据和来自数据天气预报的预测日的天气因素信息为模型的输入量，以光伏发电***在预测日的输出功率信息为预测模型的输出量。以一个月的实测信息作为预测模型样本数据，预测未来1-24小时的光伏发电输出功率，并且得到预测点的概率密度函数。采用遗传算法作为优化模型，其中遗传算法的交叉率为0.6，变异率的取值一般很小，本发明将其设定为0.2，初始群体规模设定为50，最大迭代次数为200，深度受限玻尔兹曼机的结构层数选定为四层。
光伏发电***概率上下限值预测模型的预测结果如图中所示，其中图4，图5，图6和图7分别给出了改进深度受限玻尔兹曼机模型和改进受限玻尔兹曼机模型在不同置信水平条件下的概率上下限值预测情况。在图4中给出了一个预测点的正态分布图。
在图4的正态分布曲线中，这一预测点的实际功率为10.5KW，对于深度学习模型，而经概率预测模型的预测，其服从期望值为11.56kw，方差值为0.469的正态分布。对于RBM预测模型，其服从期望值为11.49kw，方差值为0.659的正态分布。可以看出，深度RBM模型要比RBM模型的预测精确度更高。
对于概率预测模型，它可以给出每一个预测点所服从的正态分布函数，对于任意给定的一个预测点，此预测模型都可以给出其概率密度函数的期望值与方差值，而期望值是每个预测点的单点预测功率值，即模型的输出值。给定一个置信水平，即可以通过正态分布函数计算出概率上下限值预测的上限值和下限值。因此，对于概率预测模型，在给定置信水平的条件下，其概率上下限值预测精度在很大程度上取决于此模 型所得到的单点预测值的预测精度。图5，图7分别给出了改进受限玻尔兹曼机预测模型在不同置信区间下的概率预测的上下限，图6，图8分别给出了改进深度受限玻尔兹曼机预测模型在不同置信区间下的概率预测上下限。
表1不同置信水平下的概率上下限值预测结果
从图5，图6中可以看出，在给定的置信水平条件下，概率上下限值预测基本都可以覆盖实测功率值，只有在10:00-13:00之间，这样光照变化起伏较大的时间段，概率上下限值预测的某些预测点会与实测功率点非常接近，概率上下限值预测的区间带宽在这些预测点会变得很窄，但是，整体上，概率上下限值预测还是可以满足要求的，说明概率上下限值预测具有一定的可信度，并且从图中，还可以看出，概率上下限值预测的上限值和下限值与实测功率值的差值并不是很大，整体上可以满足预测要求，这就说明概率上下限值预测还可以保证像点预测一样的预测精度。
表2不同置信水平下的概率上下限值预测结果
从表2中可以看出，当置信水平较大时，预测区间的平均带宽更宽，这是因为更高的置信水平意味着更高的覆盖概率，从而确保预测结果的可靠性，相应的平均中心误差则会更大。与基于受限玻尔兹曼机算法的预测模型相比较，可以看出，在同一置信水平条件下，基于深度学***均中心误差更小，说明其预测精度更高。即，对通过概率生成模型来得到光伏发电***的置信区间时，预测模型的预测精度越高，其在同一置信水平条件下的置信区间越窄，模型的预测效果越好。
Claims (1)
1.一种基于受限玻尔兹曼机的光伏发电短期功率概率预测方法，该方法采用改进深度受限玻尔兹曼机算法，包括：建立基于遗传算法优化的深度受限玻尔兹曼机学习预测模型，通过灰色关联系数法寻找待预测日的相似日，以相似日的历史发电功率数据和来自数据天气预报的预测日的天气因素信息为模型的输入量，以光伏发电***在预测日的输出功率信息为预测模型的输出量，以一个月的实测信息作为预测模型样本数据，预测未来1-24小时的光伏发电输出功率，并且得到预测点的概率密度函数，采用遗传算法作为优化模型，其中遗传算法的交叉率为0.6，变异率的取值为0.2，初始群体规模设定为50，最大迭代次数为200，深度受限玻尔兹曼机的结构层数选定为四层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611097237.1A CN106600041A (zh) | 2016-12-02 | 2016-12-02 | 基于受限玻尔兹曼机的光伏发电短期功率概率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611097237.1A CN106600041A (zh) | 2016-12-02 | 2016-12-02 | 基于受限玻尔兹曼机的光伏发电短期功率概率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106600041A true CN106600041A (zh) | 2017-04-26 |
Family
ID=58596858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611097237.1A Pending CN106600041A (zh) | 2016-12-02 | 2016-12-02 | 基于受限玻尔兹曼机的光伏发电短期功率概率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106600041A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107798432A (zh) * | 2017-11-03 | 2018-03-13 | 东莞理工学院 | 一种基于深度学习网络的光伏电站发电功率短期预测方法 |
| CN108776843A (zh) * | 2018-04-12 | 2018-11-09 | 天津大学 | 基于波尔兹曼机的光伏超短期功率预测方法 |
| CN109002926A (zh) * | 2018-07-27 | 2018-12-14 | 中国计量大学 | 一种高准确性的光伏发电量预测模型及其构建方法和应用 |
| CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
| CN110061961A (zh) * | 2019-03-05 | 2019-07-26 | 中国科学院信息工程研究所 | 一种基于受限波尔兹曼机的抗追踪网络拓扑智能构建方法和*** |
| CN110135564A (zh) * | 2019-05-15 | 2019-08-16 | 深圳朴生智能科技有限公司 | 基于边缘计算的煤矿瓦斯传感器数据异常检测方法 |
| CN110956304A (zh) * | 2019-10-17 | 2020-04-03 | 国网河南省电力公司鹤壁供电公司 | 一种基于ga-rbm的分布式光伏发电量短期预测方法 |
| CN111404193A (zh) * | 2019-12-05 | 2020-07-10 | 杭州电子科技大学 | 一种基于数据驱动的微电网随机鲁棒优化调度方法 |
| CN116471198A (zh) * | 2023-06-19 | 2023-07-21 | 南京典格通信科技有限公司 | 一种基于受限玻尔兹曼机的功放故障预测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105447509A (zh) * | 2015-11-10 | 2016-03-30 | 天津大学 | 一种光伏发电***的短期功率预测方法 |
-
2016
- 2016-12-02 CN CN201611097237.1A patent/CN106600041A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105447509A (zh) * | 2015-11-10 | 2016-03-30 | 天津大学 | 一种光伏发电***的短期功率预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杨旭华 等: "基于深度信念网络的医院门诊量预测", 《计算机科学》 * |
| 王继东 等: "基于改进支持向量机算法的光伏发电短期功率滚动预测", 《电力***及其自动化学报》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107798432A (zh) * | 2017-11-03 | 2018-03-13 | 东莞理工学院 | 一种基于深度学习网络的光伏电站发电功率短期预测方法 |
| CN108776843A (zh) * | 2018-04-12 | 2018-11-09 | 天津大学 | 基于波尔兹曼机的光伏超短期功率预测方法 |
| CN109002926A (zh) * | 2018-07-27 | 2018-12-14 | 中国计量大学 | 一种高准确性的光伏发电量预测模型及其构建方法和应用 |
| CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
| CN110061961A (zh) * | 2019-03-05 | 2019-07-26 | 中国科学院信息工程研究所 | 一种基于受限波尔兹曼机的抗追踪网络拓扑智能构建方法和*** |
| CN110061961B (zh) * | 2019-03-05 | 2020-08-25 | 中国科学院信息工程研究所 | 一种基于受限波尔兹曼机的抗追踪网络拓扑智能构建方法和*** |
| CN110135564A (zh) * | 2019-05-15 | 2019-08-16 | 深圳朴生智能科技有限公司 | 基于边缘计算的煤矿瓦斯传感器数据异常检测方法 |
| CN110956304A (zh) * | 2019-10-17 | 2020-04-03 | 国网河南省电力公司鹤壁供电公司 | 一种基于ga-rbm的分布式光伏发电量短期预测方法 |
| CN111404193A (zh) * | 2019-12-05 | 2020-07-10 | 杭州电子科技大学 | 一种基于数据驱动的微电网随机鲁棒优化调度方法 |
| CN111404193B (zh) * | 2019-12-05 | 2022-01-04 | 杭州电子科技大学 | 一种基于数据驱动的微电网随机鲁棒优化调度方法 |
| CN116471198A (zh) * | 2023-06-19 | 2023-07-21 | 南京典格通信科技有限公司 | 一种基于受限玻尔兹曼机的功放故障预测方法 |
| CN116471198B (zh) * | 2023-06-19 | 2023-10-03 | 南京典格通信科技有限公司 | 一种基于受限玻尔兹曼机的功放故障预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106600041A (zh) | 基于受限玻尔兹曼机的光伏发电短期功率概率预测方法 | |
| Shamshirband et al. | A survey of deep learning techniques: application in wind and solar energy resources | |
| Liu et al. | Prediction of short-term PV power output and uncertainty analysis | |
| Wang et al. | Deep learning method based on gated recurrent unit and variational mode decomposition for short-term wind power interval prediction | |
| Bento et al. | Ocean wave energy forecasting using optimised deep learning neural networks | |
| Mahmoud et al. | An advanced approach for optimal wind power generation prediction intervals by using self-adaptive evolutionary extreme learning machine | |
| JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
| CN108921339B (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 | |
| CN109858673A (zh) | 一种光伏发电***功率预测方法 | |
| CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
| CN105631558A (zh) | 基于相似日的bp神经网络光伏发电***功率预测方法 | |
| CN103049798A (zh) | 一种应用于光伏发电***的短期发电功率预测方法 | |
| CN112418526A (zh) | 基于改进深度信念网络的综合能源负荷控制方法及装置 | |
| CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
| CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
| Gao et al. | A hybrid improved whale optimization algorithm with support vector machine for short-term photovoltaic power prediction | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
| Das et al. | Optimized support vector regression-based model for solar power generation forecasting on the basis of online weather reports | |
| Gupta et al. | Short-term day-ahead photovoltaic output forecasting using PCA-SFLA-GRNN algorithm | |
| Sa’ad et al. | A day-ahead Multi-Approach Machine L earning Technique for Photovoltaic Power Forecasting | |
| Brahma et al. | Visualizing solar irradiance data in ArcGIS and forecasting based on a novel deep neural network mechanism | |
| Li et al. | Deep learning model for short-term photovoltaic power forecasting based on variational mode decomposition and similar day clustering | |
| CN116845875A (zh) | 一种基于woa-bp的短期光伏出力预测方法及装置 | |
| Li | Energy consumption forecasting with deep learning | |
| Lv et al. | Research on short-term load forecasting approach for smart grid |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |
|
| RJ01 | Rejection of invention patent application after publication |