CN108256668A - 基于和声搜索-Elman算法的光伏出力预测方法 - Google Patents
基于和声搜索-Elman算法的光伏出力预测方法 Download PDFInfo
- Publication number
- CN108256668A CN108256668A CN201711330122.7A CN201711330122A CN108256668A CN 108256668 A CN108256668 A CN 108256668A CN 201711330122 A CN201711330122 A CN 201711330122A CN 108256668 A CN108256668 A CN 108256668A
- Authority
- CN
- China
- Prior art keywords
- harmony
- elman
- power generation
- photovoltaic power
- generation output
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 25
- 238000013277 forecasting method Methods 0.000 title claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000010845 search algorithm Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 12
- 230000007547 defect Effects 0.000 abstract description 2
- 238000011478 gradient descent method Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 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
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)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种基于和声搜索‑Elman算法的光伏出力预测方法，包括以下步骤：S1、根据不同的天气类型选择训练集样本；S2、利用训练集样本数据建立Elman神经网络模型；S3、通过和声搜索算法优化Elman神经网络模型的参数，得到不同天气类型的光伏出力预测模型；S4、输入预测样本集到光伏出力预测模型，得到光伏出力预测值。与现有技术相比，本发明通过和声搜索算法对Elman神经网络模型进行参数改善，克服了传统Elman神经网络算法中梯度下降法训练网络参数时易出现局部最优的缺陷，与传统的Elman神经网络出力预测模型进行相比具有更高的预测精度。
Description
技术领域
本发明涉及光伏出力预测技术，尤其是涉及一种基于和声搜索-Elman算法的光伏出力预测方法。
背景技术
近年来，随着新能源发电和控制技术、计算机信息技术、大数据技术的提出和发展，能源互联网(Energy Internet)逐渐得到大众认可。在国家政策的支持下，光伏发电作为太阳能的主要利用途径，逐渐成为全球能源体系的主要组成部分和EI的重要组成部分，以平均每年高于30％的速率增加装机容量。截止到2016年底，光伏发电装机容量达7742GW，新增和累计装机容量均已列为全球第一。同时，由于光伏电站的出力具有周期性和波动性，所以如何能更加精确预测光伏出力，对整个能源网络的运行都有极其深远的意义。
根据建模方式的不同，光伏出力预测方法可分成两种。第一种为物理方法，此法利用太阳辐照度传递方程、组件运行方程等建立光伏出力预测模型。第二种为统计方法，它利用智能优化算法和历史数据来构建光伏出力预测模型，其中，智能优化算法有聚类算法，支持向量机和人工神经网络等算法。物理方法的普遍预测偏差在5.0％～20.0％之间，而智能预测算法的预测偏差大概在3.0％～11.0％左右，因此，智能预测算法是功率预测技术进步的关键点。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于和声搜索-Elman算法的光伏出力预测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于和声搜索-Elman算法的光伏出力预测方法，包括以下步骤：
S1、根据不同的天气类型选择训练集样本；
S2、利用训练集样本数据建立Elman神经网络模型；
S3、通过和声搜索算法优化Elman神经网络模型的参数，得到不同天气类型的光伏出力预测模型；
S4、输入预测样本集到光伏出力预测模型，得到光伏出力预测值。
优选的，所述步骤S3中通过和声搜索算法优化Elman神经网络模型的参数具体包括：
S31、用Elman神经网络模型的参数初始化和声记忆库；
S32、在和声记忆库内以记忆库取值概率rHMC搜索新解，若新解的目标函数值优于和声记忆库内的最差解，则用新解替换最差解；
S33、循环步骤S32直到达到设定的迭代次数。
优选的，所述步骤S31具体包括：
将Elman神经网络模型的参数α、w1、w2、w3作为和声搜索算法中的一组和声ω＝{α、w1、w2、w3}，随机取出SHM个ωi，其中1≤i≤SHM，采用实数编码，作为初始和声记忆库。
优选的，所述步骤S32中在和声记忆库内以记忆库取值概率rHMC搜索新解的方法具体包括：
其中，ω′i表示第i次产生的新解的和声，rand表示[0,1]上均匀分布的随机数，Zi表示变量范围，ωi j为第i次产生的和声记忆库的第j个解，j＝1,2,…,SHM。
优选的，所述第i次产生的新解的和声ω′i若来自和声记忆库，要对ω′i进行微调，具体为：
其中，rPA表示音调微调率，WB表示音调调节带宽。
优选的，所述天气类型包括晴天、多云、阴天和雨天。
优选的，所述光伏出力预测模型的输入变量包括环境温度、湿度、风速和辐照度。
与现有技术相比，本发明通过和声搜索算法对Elman神经网络模型进行参数改善，克服了传统Elman神经网络算法中梯度下降法训练网络参数时易出现局部最优的缺陷，与传统的Elman神经网络出力预测模型进行相比具有更高的预测精度。
附图说明
图1为不同辐照度光伏组件出力P-V特性曲线图；
图2为不同环境温度光伏组件出力P-V特性曲线图；
图3为Elman神经网络结构图；
图4为本发明光伏出力预测方法流程图；
图5为不同天气类型下测试日的功率数据；
图6为本发明在晴天天气类型下的预测结果；
图7为本发明在多云天气类型下的预测结果；
图8为本发明在阴天天气类型下的预测结果；
图9为本发明在雨天天气类型下的预测结果；
图10为晴天天气类型下本发明与传统Elman预测模型预测结果对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例一
光伏出力与其组件的地理位置、环境状况、气象条件都有着密不可分的关系；其中，天气类型是影响光伏出力预测精确度的最显著因素。在相同天气类型下，光伏出力数据之间具有很大的关联性，也即预测日的样本数据一般可选择相似历史环境下的功率数据。因此，对不同的天气类型进行划分是提高预测模型性能的重要环节。太阳辐照度、环境温度、湿度、风速等是划分天气类型的重要因素。在相同的天气类型下，光伏组件在标准工况下的出力情况与辐照度和环境温度的关系如图1、图2所示。
由图1、图2可知，在温度条件相似的情况下，光伏组件的出力与辐照度基本成正比关系。而在相似辐照度条件下，随着温度的升高，光伏组件的转换性能会降低，也就意味着光伏组件的出力减少；而当温度下降时光伏电池板的光电转换效率会提高，不过仍有一个边界值，也就是说，当环境温度不受限制的下降时光伏组件的出力无法一直增加。综上，本发明将天气状况分为4类：晴天，多云、阴天和雨天。在天气类型的基础上，给出各影响因素与光伏组出力之间的相关性，如表1所示。
表1光伏出力中各影响因素的相关性
| 影响因素 | 晴天 | 阴天 | 雨天 |
| 辐照度 | 0.92 | 0.80 | 0.76 |
| 环境温度 | 0.46 | 0.39 | 0.63 |
| 湿度 | 0.18 | 0.57 | 0.54 |
| 风速 | 0.09 | 0.13 | 0.52 |
Elman神经网络是在20世纪80年代提出的，该模型的优势在于它比一般前馈式神经网络多增加了承接层，充当有记忆功能的一步延时算子，从而使***具备适应时变特性的能力，将***的动态特征直接体现出来。Elman神经网络的结构如图3所示。Elman神经网络的数学模型如以下3个公式所示。
x(k)＝f(w1xc(k)+w2u(k-1))
xc(k)＝αxc(k-1)+x(k-1)
y(k)＝g(w3x(k))
式中：u∈Rr为r维输入向量；y∈Rm为m维输出向量；x(k)∈Rn为隐含层输出；xc(k)∈Rn为承接层输出，都是n维向量。w1∈Rn×n、w2∈Rn×r、w3∈Rm×n、分别为各层之间的连接权值矩阵；f(·)、g(·)为隐含层和输出层神经元各自之间的传递函数；α为自连接反馈增益因子(0≤α≤1)；α＝0时该神经网络为标准的Elman网络，α≠0时该神经网络为改进的Elman网络。
设第k步***的实际输出向量为则在时间段(0,T)内，定义网络的误差指标函数如下式所示：
其中自连接反馈增益因子α，网络的权值w1、w2、w3决定着Elman神经网络的结构，通过合理的取值可以得到较好的模型结构。
和声搜索算法(Harmony search algorithm,HS)是韩国学者Z﹒W﹒Geem等人受到音乐表演的启示，开发的一种全局搜索智能优化算法。HS算法在定义问题、初始化参数后将会分解出HMS(和声记忆库的大小)个初始解，并将放入和声记忆库HM里，记忆库矩阵如下式所示。
随后在记忆库内记忆库取值概率rHMC搜索新的解，新解的生成方式如下式所示：
其中rand为均匀分布在[0,1]之间的随机数。
若rand＜rHMC，即新解在HM内随机搜索得到，则需要对新解以音调微调率rPA进行微调，如下式所示：
其中：bw为音调微调带宽；rPA为音调微调率，rand1为均匀分布在[0,1]之间的随机数；否则将会以1-rHMC的概率在记忆库外，变量可能的值域内搜索。
对于搜索出的新解进行评估，如果最后评判新解是优于HM内的最差解，则由新解替换最差解，接着重复上述搜索、替代新解的步骤，直至达到设定迭代次数T＝Tmax为止。
如图4所示，一种基于和声搜索-Elman算法的光伏出力预测方法，包括以下步骤：
S1、根据不同的天气类型选择训练集样本；
S2、利用训练集样本数据，以环境温度、湿度、风速和辐照度为输入变量，建立Elman神经网络模型；
S3、通过和声搜索算法优化Elman神经网络模型的参数，得到不同天气类型的光伏出力预测模型；
S4、输入预测样本集到光伏出力预测模型，得到光伏出力预测值。
步骤S3中通过和声搜索算法优化Elman神经网络模型的参数具体包括：
S31、用Elman神经网络模型的参数初始化和声记忆库；
S32、在和声记忆库内以记忆库取值概率rHMC搜索新解，若新解的目标函数值优于和声记忆库内的最差解，则用新解替换最差解加入至HM中；
S33、循环步骤S32直到达到设定的迭代次数。
首先，设置HS的参数：明确每一个解向量的参数个数NA和本发明使用的Elman神经网络模型的4个参数。SHM作为与算法全局寻优能力相关的参数，由于HS从多点同时开始，SHM不断增大时，会增加算法的计算量，以致影响到全局搜索寻优的速度。rHMC是HS优化中的另外一个特殊参量，取值通常在[0,1]内，它对每次迭代流程中新解的产生方法起关键性作用。因新解中的每一个参数都取决于rHMC，通常rHMC取[0,1]中较大的值。rPA在算法中具备操控局部搜索的用途，使其绕过局部最优，其值通常取[0.1,0.5]之间。用WB来调控以确保幅值不超过取值范畴。
步骤S31具体包括：
将Elman神经网络模型的参数α、w1、w2、w3作为一组解向量ω，即和声搜索算法中的一组和声ω＝{α、w1、w2、w3}，随机取出SHM个ωi，其中1≤i≤SHM，采用实数编码，作为初始和声记忆库，即{ω1,ω2,...,ωSHM}。
步骤S32中在和声记忆库内以记忆库取值概率rHMC搜索新解的方法为：
其中，ω′i表示第i次产生的新解的和声，rand表示[0,1]上均匀分布的随机数，Zi表示变量范围，ωi j为第i次产生的和声记忆库的第j个解，j＝1,2,…,SHM。
第i次产生的新解的和声ω′i若来自和声记忆库，要对ω′i进行微调，具体为：
其中，rPA表示音调微调率，WB表示音调调节带宽。
实施例二
为验证本发明所提出的HS-Elman光伏出力预测模型的有效性。选取光伏组件运行历史数据为某能源互联网实验室监控平台的数据，该数据的采集时间为2016年1月～5月。
将以下几种因素作为输入对象：辐照度、环境温度、空气湿度、风速。根据不同的天气类型将样本数据划分，选取同一天气类型数据，其中前五天的历史数据作为训练样本，以第六天的数据作为测试样本，如图4所示为不同天气类型下测试日的实际功率数据，由图5可知，天气类型对光伏出力有很明显的影响，其中晴天光伏出力最多，而阴雨天时，光伏出力非常小。
此外根据光伏出力的集中时间，选择8:00～18:00时段内的数据作为样本点，每隔15min设置一个采样点，一天24h共计41个数据点，将不能满足标准的数据给予数值零。预测模型所使用的样本数据已经过处理，对数据缺失和波动异常的数据，由临近日期相同类型的数据加权平均计算得出。如表2所示为所选取晴天的测试数据，包括测试当天的温度、湿度、风速、辐照度以及实际功率值。
表2晴天模型测试样本
| 时刻 | 温度/℃ | 湿度/％ | 风速/m/s | 辐照度/W/m2 | 实际出力/KW |
| 08:00 | 17.8 | 42.4 | 1.1 | 232 | 1.37 |
| 08:15 | 19.2 | 38.3 | 3.6 | 383 | 8.11 |
| 08:30 | 20.6 | 37.5 | 0.6 | 428 | 14.89 |
| ...... | ...... | ...... | ...... | ...... | ...... |
| 12:00 | 28.4 | 30.5 | 0.8 | 822 | 86.43 |
| 12:15 | 28 | 28.3 | 1.7 | 764 | 87.05 |
| 12:30 | 28.5 | 20.3 | 2.9 | 758 | 84.12 |
| ...... | ...... | ...... | ...... | ...... | ...... |
| 17:30 | 27.1 | 38.7 | 4.6 | 374 | 9.43 |
| 17:45 | 26.2 | 40.4 | 4.4 | 247 | 5.78 |
| 18:00 | 25.9 | 41.6 | 2.0 | 147 | 2.96 |
依次选取多云、阴天、雨天的训练和测试样本，利用本发明得到的出力预测模型对晴天、多云、阴天、雨天这四种天气类型下的光伏出力进行预测，如图6～9所示为不同天气类型下实际光伏出力与基于HS-Elman光伏出力预测模型的光伏出力预测结果对比图。
从图6～9的预测结果对比图可以看出，不同天气类型，模型预测的光伏出力结果与实际值之间的误差区别明显。晴天时由于辐照度较高，且气象条件相对稳定，所以误差相对较小；而阴雨天气状况下，由于辐照度的降低，光伏出力波动较大，预测结果的误差也明显增大。对比图6～9四张图，可以看出早晨和傍晚由于辐照度较低，光伏出力较小，因此预测结果与实际功率值相差不大，但是中午时候由于辐照度和温度变化比较明显，导致光伏出力变化较大，尤其是阴雨天气时，预测结果与实际值之间的误差较明显。当然，训练和测试数据采集时存在偏差，对天气类型划分不够细致等，都有可能影响模型的预测结果。
同时，为了对提出的预测模型进行性能评估，本发明采用采用平均绝对百分比误差(MAPE)和均方根误差(RMSE)作为预测精度评价的指标。如图10所示为晴天状况下光伏出力的实际值与传统Elman光伏出力预测模型、优化后的HS-Elman光伏出力预测模型的预测结果对比图。表3为不同天气类型在不同的预测模型下根据评价指标进行的性能评估。
表3不同天气类型在不同预测模型下的预测性能评估
由图10可以看出与传统Elman光伏出力预测模型相比，用和声搜索算法优化参数后的Elman模型，预测结果更贴近实际值，具有更好的预测精度，说明所选取的参数优化后的Elman神经网络具又更好的预测性能。
由表3可以直观的看出，天气类型对预测结果影响比较明显，同时可以看出，传统Elman模型进行晴天、多云天气预测的误差较小，对阴天、雨天进行预测时的误差较大。而HS-Elman预测模型在晴天状况下预测精度较高，其他天气类型由于光照波动较大，预测精度相对较低，虽然在相对复杂的天气类型下，模型预测的光伏出力误差较大，但是仍高于传统Elman光伏出力预测模型。由此可见本发明提出的基于HS参数优化的Elman预测模型对光伏出力预测是有效和可行的。
Claims (5)
1.一种基于和声搜索-Elman算法的光伏出力预测方法，其特征在于，包括以下步骤：
S1、对不同的天气类型进行区分，并根据不同的天气类型选择训练集样本；
S2、利用训练集样本数据建立Elman神经网络模型；
S3、通过和声搜索算法优化Elman神经网络模型的参数，得到不同天气类型的光伏出力预测模型；
S4、输入预测样本集到光伏出力预测模型，得到光伏出力预测值。
2.根据权利要求1所述的基于和声搜索-Elman算法的光伏出力预测方法，其特征在于，所述步骤S3中通过和声搜索算法优化Elman神经网络模型的参数具体包括：
S31、用Elman神经网络模型的参数初始化和声记忆库；
S32、在和声记忆库内以记忆库取值概率rHMC搜索新解，若新解的目标函数值优于和声记忆库内的最差解，则用新解替换最差解；
S33、循环步骤S32直到达到设定的迭代次数。
3.根据权利要求2所述的基于和声搜索-Elman算法的光伏出力预测方法，其特征在于，所述步骤S31具体包括：
将Elman神经网络模型的参数α、w1、w2、w3作为和声搜索算法中的一组和声ω＝{α、w1、w2、w3}，随机取出SHM个ωi，其中1≤i≤SHM，采用实数编码，作为初始和声记忆库。
4.根据权利要求2所述的基于和声搜索-Elman算法的光伏出力预测方法，其特征在于，所述步骤S32中在和声记忆库内以记忆库取值概率rHMC搜索新解的方法具体包括：
其中，ω′i表示第i次产生的新解的和声，rand表示[0,1]上均匀分布的随机数，Zi表示变量范围，ωi j为第i次产生的和声记忆库的第j个解，j＝1,2,…,SHM。
5.根据权利要求4所述的基于和声搜索-Elman算法的光伏出力预测方法，其特征在于，所述第i次产生的新解的和声ω′i若来自和声记忆库，要对ω′i进行微调，具体为：
其中，rPA表示音调微调率，WB表示音调调节带宽。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711330122.7A CN108256668A (zh) | 2017-12-13 | 2017-12-13 | 基于和声搜索-Elman算法的光伏出力预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711330122.7A CN108256668A (zh) | 2017-12-13 | 2017-12-13 | 基于和声搜索-Elman算法的光伏出力预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108256668A true CN108256668A (zh) | 2018-07-06 |
Family
ID=62723120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711330122.7A Pending CN108256668A (zh) | 2017-12-13 | 2017-12-13 | 基于和声搜索-Elman算法的光伏出力预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108256668A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751314A (zh) * | 2019-09-16 | 2020-02-04 | 上海电力大学 | 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法 |
| CN112949937A (zh) * | 2021-03-29 | 2021-06-11 | 西安建筑科技大学 | 一种bp神经网络的光伏发电量预测***和方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102799948A (zh) * | 2012-06-21 | 2012-11-28 | 华北电力大学 | 一种并网型光伏电站发电***输出功率预测方法 |
| CN104268638A (zh) * | 2014-09-11 | 2015-01-07 | 广州市香港科大***研究院 | 一种基于elman神经网络的光伏发电***功率预测方法 |
| CN105184398A (zh) * | 2015-08-27 | 2015-12-23 | 华北电力大学（保定） | 一种电力最大负荷小样本预测方法 |
| CN105205572A (zh) * | 2015-10-22 | 2015-12-30 | 国家电网公司 | 基于EMD分解和Elman算法的光伏出力预测方法 |
| CN105631517A (zh) * | 2015-12-17 | 2016-06-01 | 河海大学 | 基于思维进化Elman神经网络的光伏发电功率短期预测方法 |
-
2017
- 2017-12-13 CN CN201711330122.7A patent/CN108256668A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102799948A (zh) * | 2012-06-21 | 2012-11-28 | 华北电力大学 | 一种并网型光伏电站发电***输出功率预测方法 |
| CN104268638A (zh) * | 2014-09-11 | 2015-01-07 | 广州市香港科大***研究院 | 一种基于elman神经网络的光伏发电***功率预测方法 |
| CN105184398A (zh) * | 2015-08-27 | 2015-12-23 | 华北电力大学（保定） | 一种电力最大负荷小样本预测方法 |
| CN105205572A (zh) * | 2015-10-22 | 2015-12-30 | 国家电网公司 | 基于EMD分解和Elman算法的光伏出力预测方法 |
| CN105631517A (zh) * | 2015-12-17 | 2016-06-01 | 河海大学 | 基于思维进化Elman神经网络的光伏发电功率短期预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张艳霞等: "基于反馈型神经网络的光伏***发电功率预测", 《电力***保护与控制》 * |
| 李元诚等: "基于和声搜索-高斯过程混合算法的光伏功率预测", 《电力自动化设备》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751314A (zh) * | 2019-09-16 | 2020-02-04 | 上海电力大学 | 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法 |
| CN110751314B (zh) * | 2019-09-16 | 2022-05-31 | 上海电力大学 | 考虑用户充电行为特征数据驱动的电动汽车负荷预测方法 |
| CN112949937A (zh) * | 2021-03-29 | 2021-06-11 | 西安建筑科技大学 | 一种bp神经网络的光伏发电量预测***和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及*** | |
| CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
| CN108205717A (zh) | 一种光伏发电功率多时间尺度预测方法 | |
| CN108280545A (zh) | 一种基于k均值聚类神经网络的光伏功率预测方法 | |
| CN110705760A (zh) | 一种基于深度置信网络的光伏发电功率预测方法 | |
| CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和*** | |
| CN111384726A (zh) | 一种高渗透率光伏配电网分区调压方法 | |
| CN112949895A (zh) | 一种基于动态可扩展神经网络模型的风速预测方法 | |
| Gao et al. | Optimal parameter selection for support vector machine based on artificial bee colony algorithm: a case study of grid‐connected PV system power prediction | |
| CN115271253B (zh) | 一种水风光发电功率预测模型构建方法、装置及存储介质 | |
| Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
| CN115965132A (zh) | 基于ga-bp神经网络的分布式光伏数字孪生***功率预测方法 | |
| CN111062539B (zh) | 基于次级用电量特性聚类分析的总电量预测方法 | |
| CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
| CN116341728A (zh) | 一种基于数据驱动的超短期光伏输出功率预测方法 | |
| CN108256668A (zh) | 基于和声搜索-Elman算法的光伏出力预测方法 | |
| CN110909994A (zh) | 基于大数据驱动的小水电群发电量预测方法 | |
| CN110991747A (zh) | 一种计及风电场功率的短期负荷预测方法 | |
| CN113095547B (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
| Zhang et al. | Short-term load forecasting based on GAD-BP neural network | |
| CN110365014B (zh) | 一种考虑电压灵敏度时变特性的电压分区方法 | |
| CN116341717A (zh) | 一种基于误差补偿的风速预测方法 | |
| CN116523142A (zh) | 一种考虑时空特性聚类的光伏集群区间预测方法 | |
| CN116681154A (zh) | 一种基于emd-ao-delm的光伏功率计算方法 | |
| CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180706 |