CN110222411B - 一种基于mRMR-DBN算法的无量测区太阳辐射估算方法 - Google Patents
一种基于mRMR-DBN算法的无量测区太阳辐射估算方法 Download PDFInfo
- Publication number
- CN110222411B CN110222411B CN201910468677.0A CN201910468677A CN110222411B CN 110222411 B CN110222411 B CN 110222411B CN 201910468677 A CN201910468677 A CN 201910468677A CN 110222411 B CN110222411 B CN 110222411B
- Authority
- CN
- China
- Prior art keywords
- solar radiation
- radiation
- mrmr
- sites
- algorithm
- 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.)
- Active
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 230000002093 peripheral effect Effects 0.000 claims abstract description 13
- 238000012163 sequencing technique Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于mRMR‑DBN算法的无量测区太阳辐射估算方法,属于电力***技术领域,根据距离远近、气象带情况划定辐射模型建立区域,选取无辐射量测区周边站点进行相关性计算;采用mRMR算法对无辐射量测区周边站点相关性进行排序;采用前向搜索策略将排好序的站点逐一添加至已选训练样本集合,并在测试集上计算此时的估算误差,误差最小时对应的已选站点即为最优的训练样本集合;使用已选的最优训练样本集合,基于DBN算法建立其他有辐射量测地区辐射数据和各气象参数及经纬度、海拔间的相关性,从而用所建立的模型对无辐射量测区的太阳辐射进行估算。本发明能够对无辐射量测区太阳辐射进行估算,解决我国太阳辐射观测站点远远少于气象观测站点的问题。
Description
技术领域
本发明属于电力***技术领域,具体涉及一种基于mRMR-DBN算法的无量测区太阳辐射估算方法。
背景技术
光伏资源是国家战略资源,对其总储量、时空分布以及各地光伏发电潜能估算是国家和地方政府宏观决策的重要依据。
然而,我国气象观测站点有2400多个,太阳辐射观测站点仅有98个。因此,根据已有的气象参数数据对无辐射量测区的太阳辐射进行估算具有一定的研究意义。
日太阳总辐射估算可以通过经验方程和机器学习算法两种模型得到。
经验方程是用一个特定的公式来描述日太阳总辐射与其他气象参数之间的关系,但是,经验公式涉及许多回归系数的计算,计算过程中需要对待研究站点的太阳辐射及相关气象参数数据进行回归拟合,这种方法对于解决实际无辐射量测区辐射数据获取问题无疑是无效的。
机器学习算法(如人工神经网络,支持矢量机、自适应神经模糊推理***等)则可以克服这一缺点,因为机器学习算法可以通过训练样本,建立其他有辐射量测地区辐射数据与其他各气象参数及经纬度、海拔间的相关性,从而用所建立的模型对无辐射量测区的辐射数据进行计算。
发明内容
发明目的:本发明的目的在于提供一种基于mRMR-DBN算法的无量测区太阳辐射估算方法,建立其他有辐射量测地区辐射数据和其他各气象参数及经纬度、海拔间的相关性,从而用所建立的模型对无辐射量测区的辐射数据进行计算。
技术方案:为实现上述目的,本发明提供如下技术方案:
一种基于mRMR-DBN算法的无量测区太阳辐射估算方法,该方法包括以下步骤:
(1)根据距离远近、气象带等情况划定辐射模型建立区域,选取无辐射量测区周边站点进行相关性计算;
(2)采用mRMR算法对无辐射量测区周边站点相关性进行排序;
(3)采用前向搜索策略将排好序的站点逐一添加至已选训练样本集合,并在测试集上计算此时的估算误差,误差最小时对应的已选站点即为最优的训练样本集合;
(4)使用已选的最优训练样本集合,基于DBN算法建立其他有辐射量测地区辐射数据和各气象参数及经纬度、海拔间的相关性,从而用所建立的模型对无辐射量测区的太阳辐射进行估算。
进一步地,所述的步骤(2)中,包括如下步骤:
步骤2.1:计算各站点之间的互信息:
步骤2.1.1:使用所有周边站点数据,计算各气象参数与太阳辐射之间的互信息I,计算公式如下:
式中,X为某一气象参数,Y为太阳辐射,K和L分别对应X和Y的数据总个数,xk表示变量X的第k个数据,yl表示变量Y的第l个数据,k=1,2,…,K,l=1,2,…,L,p表示概率;
步骤2.1.2:根据各气象参数与太阳辐射之间的互信息,确定计算站点间互信息时各气象参数所占权重;
步骤2.1.3:计算两个站点间各气象参数之间的互信息值,根据气象参数所占权重,从而得出站点间的总互信息值。
进一步地,所述的步骤(2)中,步骤2.1后还包括如下步骤:
步骤2.2:采用mRMR算法对周边站点与目标站点的相关性进行排序:
步骤2.2.1:设初始输入站点集合为A,且含有N个站点,an为A中的第n个站点,n=1,2,…,N,S表示已经选取的站点集合,F表示待选的站点集合,初始化已选站点集S为空集,待选站点集F为A,即A→F;
步骤2.2.2:对计算an与目标站点c的相关性I(an,c);记a*为满足max[I(an,c)]条件的站点,Fq和Sq分别为经过q次站点挑选后新的待选站点集合和已选站点集合,q=1,2,…,N,令F-{a*}→F1,{a*}→S1;
步骤2.2.3:设sg∈Sq,sg为Sq中已选的第g个站点,g=1,2,…,q,从Fq中找到使下式成立的站点并记为a**,令Fq-{a**}→Fq+1,Sq+{a**}→Sq+1:
进一步地,所述的步骤(3)中,包括如下步骤:
步骤3.1:根据mRMR排好序的结果,逐一添加站点至已选训练样本集合,用其建立模型,来估算无辐射量测区太阳辐射,并计算估算误差,采用如下三种误差指标:
平均绝对误差(Mean absolute error,MABE):
均方根误差(Root mean square error,RMSE):
皮尔森相关系数(Pearson correlation coefficient,R):
步骤3.2:遍历所有站点,误差最小时对应的已选站点即为最优的训练样本集合。
进一步地,所述的步骤(4)中,包括如下步骤:
步骤4.1:将已选站点的气象参数、经纬度和海拔作为DBN模型的输入,对应太阳辐射为输出,建立有辐射量测地区太阳辐射估算模型;
步骤4.2:将无辐射量测区的气象参数、经纬度和海拔输入到训练好的模型中,对无辐射量测区的太阳辐射进行估算。
有益效果:与现有技术相比,本发明的一种基于mRMR-DBN算法的无量测区太阳辐射估算方法,基于有辐射量测区的数据,使用mRMR-DBN算法建立有辐射量测区太阳辐射和各气象参数及经纬度、海拔间的相关性,从而用所建立的模型对无辐射量测区的太阳辐射进行估算。该方法能够对无辐射量测区太阳辐射进行估算,解决了我国太阳辐射观测站点远远少于气象观测站点的问题。
附图说明
图1为各站点与郑州的总互信息值;
图2为选择不同站点数模型的估算误差变化曲线;
图3为2010年7月郑州日太阳总辐射估算值与真实值变化曲线。
具体实施方式
下面结合附图和具体实施例对本发明作更进一步的说明。
一种基于mRMR-DBN算法的无量测区太阳辐射估算方法,该方法包括以下步骤:
(1)根据距离远近、气象带等情况划定辐射模型建立区域;
(2)采用mRMR算法对无辐射量测区周边站点相关性进行排序;
(3)采用前向搜索策略将排好序的站点逐一添加至已选训练样本集合,并在测试集上计算此时的估算误差,误差最小时对应的已选站点即为最优的训练样本集合;
(4)使用已选的最优训练样本集合,基于DBN算法建立其他有辐射量测地区辐射数据和各气象参数及经纬度、海拔间的相关性,从而用所建立的模型对无辐射量测区的太阳辐射进行估算。
步骤(1)中,根据距离远近、气象带等情况划定辐射模型建立区域,选取无辐射量测区周边站点进行相关性计算。
步骤(2)中,采用mRMR算法对无辐射量测区周边站点相关性进行排序:
步骤2.1:计算各站点之间的互信息:
步骤2.1.1:使用所有周边站点数据,计算各气象参数与太阳辐射之间的互信息I,计算公式如下:
式中,X为某一气象参数,Y为太阳辐射,K和L分别对应X和Y的数据总个数,xk表示变量X的第k个数据,yl表示变量Y的第l个数据,k=1,2,…,K,l=1,2,…,L,p表示概率;
步骤2.1.2:根据各气象参数与太阳辐射之间的互信息,确定计算站点间互信息时各气象参数所占权重;
步骤2.1.3:计算两个站点间各气象参数之间的互信息值,根据气象参数所占权重,从而得出站点间的总互信息值;
步骤2.2:采用mRMR算法对周边站点与目标站点的相关性进行排序:
步骤2.2.1:设初始输入站点集合为A,且含有N个站点,an为A中的第n个站点,n=1,2,…,N,S表示已经选取的站点集合,F表示待选的站点集合,初始化已选站点集S为空集,待选站点集F为A,即A→F;
步骤2.2.2:对计算an与目标站点c的相关性I(an,c);记a*为满足max[I(an,c)]条件的站点,Fq和Sq分别为经过q次站点挑选后新的待选站点集合和已选站点集合,q=1,2,…,N,令F-{a*}→F1,{a*}→S1;
步骤2.2.3:设sg∈Sq,sg为Sq中已选的第g个站点,g=1,2,…,q,从Fq中找到使下式成立的站点并记为a**,令Fq-{a**}→Fq+1,Sq+{a**}→Sq+1:
步骤(3)中,采用前向搜索策略将排好序的站点逐一添加至已选训练样本集合,并在测试集上计算此时的估算误差,误差最小时对应的已选站点即为最优的训练样本集合:
步骤3.1:根据mRMR排好序的结果,逐一添加站点至已选训练样本集合,用其建立模型,来估算无辐射量测区太阳辐射,并计算估算误差,采用如下三种误差指标:
平均绝对误差(Mean absolute error,MABE):
均方根误差(Root mean square error,RMSE):
皮尔森相关系数(Pearson correlation coefficient,R):
步骤3.2:遍历所有站点,误差最小时对应的已选站点即为最优的训练样本集合。
步骤(4)中,使用已选的最优训练样本集合,基于DBN算法建立其他有辐射量测地区辐射数据和各气象参数及经纬度、海拔间的相关性,从而用所建立的模型对无辐射量测区的太阳辐射进行估算:
步骤4.1:将已选站点的气象参数、经纬度和海拔作为DBN模型的输入,对应太阳辐射为输出,建立有辐射量测地区太阳辐射估算模型;
步骤4.2:将无辐射量测区的气象参数、经纬度和海拔输入到训练好的模型中,对无辐射量测区的太阳辐射进行估算。
实施例
下面以郑州和周边站点为例介绍本发明:
以郑州为中心,835公里为半径划一个圆形区域,该区域包括的辐射观测站点(按照距离郑州距离远近排序)有:太原、济南、合肥、武汉、南京、天津、北京、东胜、南昌、长沙、银川、杭州和上海,共计13个站点。计算13个城市各气象参数与郑州相应气象参数之间的互信息值,同时,通过计算13个站点中温度、湿度等8个参数与日太阳总辐射的相关性,确定统计各个站点间总互信息值时各参数所占的权重,从而计算出13个站点与郑州的总互信息值,如图1所示。
计算好互信息值之后,采用mRMR算法对无辐射量测区周边站点进行排序,排序结果为:济南、太原、天津、北京、银川、合肥、东胜、南京、武汉、上海、杭州、长沙和南昌。根据排序的结果,选取2004年1月1日至2015年12月31日的数据,采用前向搜索策略将排好序的站点逐一添加至已选训练样本集合,并在测试集上计算此时的估算误差。遍历所有站点,估算误差变化曲线如图2所示,其中图2(a)的纵坐标为MABE(平均绝对误差),图2(b)的纵坐标为RMSE(均方根误差),图2(c)的纵坐标为R(皮尔森相关系数)。综合三张图,可以看出,当选择郑州周边7个站点,即通过构建济南、太原、天津、北京、银川、合肥和东胜的气象参数与日太阳总辐射之间的关系,从而依据郑州2004年1月1日至2015年12月31日日气象参数值,估算该地区对应时间的日太阳总辐射值时,对应的MABE和RMSE指标最小,R指标最大。
下面,根据选取的最佳训练样本,建立mRMR-DBN模型,对郑州地区2010年7月1日至7月31日的日太阳辐射进行估算。为验证模型的鲁棒性和精确性,还建立基于mRMR-BP算法的估算模型与其比较,测试结果如表1和图3所示:
表1基于不同模型的2010年7月郑州日太阳总辐射估算值与真实值误差
图3刻画了该月两种模型估算值与真实值变化情况,从图中可以清晰地看出基于mRMR-DBN和mRMR-BP模型估算得到的日太阳总辐射值与真实值都有较好的吻合度,并且能够反映一个月内辐射的变化趋势。
为了研究站点选择原则对模型估算结果是否有一定的影响,本节根据13个站点与郑州的距离,由近及远选择7个站点的气象数据和太阳总辐射数据作为训练样本,基于DBN算法建立无辐射量测区日太阳总辐射估算模型,根据距离选择的7个站点为太原、济南、合肥、武汉、南京、天津和北京。表2为不同站点选择原则下2010年7月郑州日太阳总辐射估算值与真实值误差比较,mRMR-DBN表示训练样本是经过最大相关最小冗余算法选择出的最佳站点组合,而d-DBN则表示根据距离远近所选的站点组合,不同站点组合形成的训练样本量相同(都为7*3653),7表示7个站点,3653代表每个站点各有3653天数据。表格中加粗的字体表示两种模型中误差较小的值及其对应的模型。
表2不同站点选择原则下2010年7月郑州日太阳总辐射估算值与真实值误差
从表中可以看出,只有极少数几天,d-DBN模型的误差小于mRMR-DBN模型,验证了mRMR-DBN估算模型的准确性和有效性。
以上仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对各设施位置进行调整,这些调整也应视为本发明的保护范围。
Claims (4)
1.一种基于mRMR-DBN算法的无量测区太阳辐射估算方法,其特征在于:该方法包括以下步骤:
(1)根据距离远近、气象带情况划定辐射模型建立区域,选取无辐射量测区周边站点进行相关性计算;
(2)采用mRMR算法对无辐射量测区周边站点相关性进行排序;
(3)采用前向搜索策略将排好序的站点逐一添加至已选训练样本集合,并在测试集上计算此时的估算误差,误差最小时对应的已选站点即为最优的训练样本集合;
(4)使用已选的最优训练样本集合,基于DBN算法建立其他有辐射量测地区辐射数据和各气象参数及经纬度、海拔间的相关性,从而用所建立的模型对无辐射量测区的太阳辐射进行估算
;所述的步骤(2)中,包括如下步骤:
步骤2.1:计算各站点之间的互信息:
步骤2.1.1:使用所有周边站点数据,计算各气象参数与太阳辐射之间的互信息I,计算公式如下:
式中,X为某一气象参数,Y为太阳辐射,K和L分别对应X和Y的数据总个数,xk表示变量X的第k个数据,yl表示变量Y的第l个数据,k=1,2,…,K,l=1,2,…,L,p表示概率;
步骤2.1.2:根据各气象参数与太阳辐射之间的互信息,确定计算站点间互信息时各气象参数所占权重;
步骤2.1.3:计算两个站点间各气象参数之间的互信息值,根据气象参数所占权重,从而得出站点间的总互信息值。
2.根据权利要求1所述的一种基于mRMR-DBN算法的无量测区太阳辐射估算方法,其特征在于:所述的步骤(2)中,步骤2.1后还包括如下步骤:
步骤2.2:采用mRMR算法对周边站点与目标站点的相关性进行排序:
步骤2.2.1:设初始输入站点集合为A,且含有N个站点,an为A中的第n个站点,n=1,2,…,N,S表示已经选取的站点集合,F表示待选的站点集合,初始化已选站点集S为空集,待选站点集F为A,即A→F;
步骤2.2.2:对计算an与目标站点c的相关性I(an,c);记a*为满足max[I(an,c)]条件的站点,Fq和Sq分别为经过q次站点挑选后新的待选站点集合和已选站点集合,q=1,2,…,N,令F-{a*}→F1,{a*}→S1;
步骤2.2.3:设sg∈Sq,sg为Sq中已选的第g个站点,g=1,2,…,q,从Fq中找到使下式成立的站点并记为a**,令Fq-{a**}→Fq+1,Sq+{a**}→Sq+1:
3.根据权利要求2所述的一种基于mRMR-DBN算法的无量测区太阳辐射估算方法,其特征在于:所述的步骤(3)中,包括如下步骤:
步骤3.1:根据mRMR排好序的结果,逐一添加站点至已选训练样本集合,用其建立模型,来估算无辐射量测区太阳辐射,并计算估算误差,采用如下三种误差指标:
平均绝对误差(Mean absolute error,MABE):
均方根误差(Root mean square error,RMSE):
皮尔森相关系数(Pearson correlation coefficient,R):
步骤3.2:遍历所有站点,误差最小时对应的已选站点即为最优的训练样本集合。
4.根据权利要求3所述的一种基于mRMR-DBN算法的无量测区太阳辐射估算方法,其特征在于:所述的步骤(4)中,包括如下步骤:
步骤4.1:将已选站点的气象参数、经纬度和海拔作为DBN模型的输入,对应太阳辐射为输出,建立有辐射量测地区太阳辐射估算模型;
步骤4.2:将无辐射量测区的气象参数、经纬度和海拔输入到训练好的模型中,对无辐射量测区的太阳辐射进行估算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910468677.0A CN110222411B (zh) | 2019-05-31 | 2019-05-31 | 一种基于mRMR-DBN算法的无量测区太阳辐射估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910468677.0A CN110222411B (zh) | 2019-05-31 | 2019-05-31 | 一种基于mRMR-DBN算法的无量测区太阳辐射估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110222411A CN110222411A (zh) | 2019-09-10 |
CN110222411B true CN110222411B (zh) | 2020-04-03 |
Family
ID=67818895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910468677.0A Active CN110222411B (zh) | 2019-05-31 | 2019-05-31 | 一种基于mRMR-DBN算法的无量测区太阳辐射估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222411B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814398B (zh) * | 2020-07-08 | 2023-09-29 | 国网河北省电力有限公司 | 一种基于图的融合时空注意力的地表太阳辐射度预测方法 |
CN113505998A (zh) * | 2021-07-15 | 2021-10-15 | 河海大学 | 基于麻雀搜索算法-深度信念网络的日太阳辐射估计模型 |
CN113505708A (zh) * | 2021-07-15 | 2021-10-15 | 河海大学 | 基于奇异谱分析-深度信念网络的日太阳辐射估计算法 |
CN115017799B (zh) * | 2022-05-13 | 2023-05-23 | 河海大学 | 基于em-dbn融合的无量测区太阳辐射估计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598743A (zh) * | 2015-01-27 | 2015-05-06 | 国家电网公司 | 一种无量测地区太阳辐射数据的生成方法 |
JP2016223958A (ja) * | 2015-06-02 | 2016-12-28 | 日本電気通信システム株式会社 | 日射量予測装置、全天日射量の予測方法およびプログラム |
CN106897998A (zh) * | 2017-02-24 | 2017-06-27 | 深圳市昊睿智控科技服务有限公司 | 太阳能直射辐射强度信息预测方法和*** |
CN107255785A (zh) * | 2017-04-28 | 2017-10-17 | 南京邮电大学 | 基于改进mRMR的模拟电路故障诊断方法 |
CN108710974A (zh) * | 2018-05-18 | 2018-10-26 | 中国农业大学 | 一种基于深度置信网络的水体氨氮预测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10149645B2 (en) * | 2016-07-12 | 2018-12-11 | Andrew Poutiatine | System for tracking and responding to solar radiation exposure for improvement of athletic performance |
-
2019
- 2019-05-31 CN CN201910468677.0A patent/CN110222411B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598743A (zh) * | 2015-01-27 | 2015-05-06 | 国家电网公司 | 一种无量测地区太阳辐射数据的生成方法 |
JP2016223958A (ja) * | 2015-06-02 | 2016-12-28 | 日本電気通信システム株式会社 | 日射量予測装置、全天日射量の予測方法およびプログラム |
CN106897998A (zh) * | 2017-02-24 | 2017-06-27 | 深圳市昊睿智控科技服务有限公司 | 太阳能直射辐射强度信息预测方法和*** |
CN107255785A (zh) * | 2017-04-28 | 2017-10-17 | 南京邮电大学 | 基于改进mRMR的模拟电路故障诊断方法 |
CN108710974A (zh) * | 2018-05-18 | 2018-10-26 | 中国农业大学 | 一种基于深度置信网络的水体氨氮预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于数据流的汽轮机组故障智能诊断***的研究;程维华;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170615;I140-415 * |
Also Published As
Publication number | Publication date |
---|---|
CN110222411A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222411B (zh) | 一种基于mRMR-DBN算法的无量测区太阳辐射估算方法 | |
CN112905560B (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
CN106920007B (zh) | 基于二阶自组织模糊神经网络的pm2.5智能预测方法 | |
CN112348292B (zh) | 一种基于深度学习网络的短期风电功率预测方法和*** | |
CN103353923B (zh) | 基于空间特征分析的自适应空间插值方法及其*** | |
CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及*** | |
WO2022021726A1 (zh) | 一种基于pmu的电力***状态估计性能评价方法 | |
CN111428942B (zh) | 基于变网格技术提取微地形因子的线路覆冰厚度预测方法 | |
CN114006369B (zh) | 区域风光场站功率联合预测方法、装置、电子设备和存储介质 | |
CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
CN110390343B (zh) | 一种空间气象数据的订正方法及*** | |
CN114004163B (zh) | 一种基于modis和长短时记忆网络模型的pm2.5反演方法 | |
CN110210670A (zh) | 一种基于电力***短期负荷的预测方法 | |
CN106600060A (zh) | 基于相似日晴朗系数修正的太阳辐照量预测方法 | |
CN111415010A (zh) | 一种基于贝叶斯神经网络的风电机组参数辨识方法 | |
CN112686481A (zh) | 一种径流量预报方法、处理器 | |
CN114091317A (zh) | 基于nwp辐照度修正和误差预测的光伏电站功率预测方法 | |
CN113283155A (zh) | 一种近地表气温估算方法、***、存储介质及设备 | |
CN115544889A (zh) | 基于深度学习的数值模式降水偏差校正方法 | |
CN112711083A (zh) | 基于自适应权重特征的多源降水数据动态融合方法及*** | |
CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及*** | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN113991711A (zh) | 一种光伏电站储能***容量配置方法 | |
CN110059972B (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 | |
CN111461297A (zh) | 基于mpc和elm神经网络的太阳辐照量优化预测算法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |