CN110334870A - 基于门控循环单元网络的光伏电站短期功率预测方法 - Google Patents
基于门控循环单元网络的光伏电站短期功率预测方法 Download PDFInfo
- Publication number
- CN110334870A CN110334870A CN201910613978.8A CN201910613978A CN110334870A CN 110334870 A CN110334870 A CN 110334870A CN 201910613978 A CN201910613978 A CN 201910613978A CN 110334870 A CN110334870 A CN 110334870A
- Authority
- CN
- China
- Prior art keywords
- cycle unit
- gating cycle
- day
- unit networks
- parameter
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 9
- 241001269238 Data Species 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于门控循环单元网络的光伏电站短期功率预测方法。该方法包括:包括以下步骤:步骤S1:根据待预测日的天气类型选取气象参数作为模型输入,不同的天气类型,占主导地位的气象参数不同;步骤S2:对待预测日之前的20天历史数据进行处理,剔除异常值和黑夜的值,然后对历史功率和历史NWP气象参数进行归一化处理,将其作为训练数据集;步骤S3:采用门控循环单元网络对训练数据集进行学习,并用方均根反向传播算法调整网络的参数;步骤S4:将待预测日的NWP气象参数作为模型的输入,得出预测的功率值。本发明方法能够显著提高光伏电站短期功率预测的精度和可靠性。
Description
技术领域
本发明属于光伏电站功率的短期预测技术,具体涉及一种基于门控循环单元网络的光伏电站短期功率预测方法。
背景技术
太阳能具有清洁、无污染、来源广和取之不尽等特点,非常具有潜力,受到了各国的广泛关注,但随着太阳能发电在电网中占有比例的增大,其缺点也开始显现,太阳能具有受天气影响大、波动大与随机性强的特点,这不利于电网的稳定,因为电网波动超过一定的限度就会存在安全问题。利用光伏电站短期功率预测方法,可以提前估计光伏产能,为电网管理者调配电网,减少太阳能波动对电网造成的影响提供依据。
目前国内外相关研究主要集中在单一电站的超短期和短期功率预测,这主要是因为从预测开始进行时算起,将要产生的电能大部分都可以在未来1天内交易完毕。根据功率预测原理和方法的不同,可以将其分为三类:物理方法、统计方法和混合方法。其中物理方法主要是利用物理公式进行推理计算,这种方法建模复杂,需要考虑的因素很多,一般预测精度较低;统计方法,需要大量的历史发电数据,有时还需要对应的气象数据,一般来讲是使用人工神经网络对历史数据进行学习,建立环境因素与输出功率或者历史功率与未来功率之间的映射关系,然后便可以得出预测日的功率大小;混合方法则结合了物理方法和统计方法或者不同的统计方法,建立了更为复杂的模型,一般来讲精度也会更高。
一般的神经网络(如,BP网络)只考虑了当前输入气象参数对光伏功率的影响,而循环神经网络不仅考虑了当前输入气象参数对光伏功率的影响,还考虑了历史功率对当前功率的影响,这能有效提高预测的准确度,而门控循环单元网络是循环神经网络中的一种,它与一般循环神经网络相比能更好地捕捉时间序列中时间步距离较大的依赖关系。
目前,公开发表的文献及专利中尚未见有将门控循环单元网络用于预测光伏电站输出功率的研究。
发明内容
本发明的目的在于提供一种基于门控循环单元网络的光伏电站短期功率预测方法,以克服现有相关技术的缺陷,从而提高光伏电站短期功率预测的精度。
为实现上述目的,本发明的技术方案是:一种基于门控循环单元网络的光伏电站短期功率预测方法,包括如下步骤,
步骤S1、根据待预测日的天气类型选取气象参数作为模型输入,不同的天气类型,占主导地位的气象参数不同;
步骤S2、对待预测日之前的N天历史数据进行处理,剔除异常值和黑夜的值,然后对历史功率和历史NWP气象参数进行归一化处理,将其作为训练数据集;
步骤S3、采用门控循环单元网络对训练数据集进行学习,并用方均根反向传播算法调整网络的参数;
步骤S4、将待预测日的NWP气象参数作为模型的输入,得出预测的功率值。
在本发明一实施例中,所述步骤S1中,与天气类型相对应的气象参数,分为,晴天:地面水平辐照度、散射水平辐照度和环境温度;部分阴天:地面水平辐照度、散射水平辐照度、环境温度和相对湿度;阴天:地面水平辐照度、散射水平辐照度、环境温度和相对湿度;雨天:相对湿度。
在本发明一实施例中,所述步骤S2中,剔除异常值即剔除由非气象参数引起的功率变化该部分对应的数据;剔除黑夜的值,即剔除黑夜的数据,取白天6时至19时的数据,而后将数据归一化到区间[0,1]。
在本发明一实施例中,所述步骤S3的具体实现步骤如下,
步骤S31、正向传播,使用的是门控循环单元网络,其公式为:
Ut=sigmoid(WU1Xt+WU2Ht-1+BU)
Rt=sigmoid(WR1Xt+WR2Ht-1+BR)
其中,Xt是t时刻的门控循环单元网络的输入;Ht为t时刻隐藏状态值,即门控循环单元网络输出;Ut为更新门输出;Rt为重置门输出;为瞬时状态;WU1、WU2、WR1、WR2、WH~1和为权值;BU、BR和为偏置值;
步骤S32、反向传播,使用的是方均根反向传播算法,其方式为:
首先定义一个目标函数:
其中,p为待调参数,即权值和偏置值;为目标函数;yt为t时刻的实际功率值;at(p)为t时刻的网络输出值,即预测值;et(p)为对应的误差;
然后,使用方均根反向传播算法调整参数:
其中,α为学习率,表达式为St,dp为类动量项;β为一个0到1之间的超参数;ε为一个避免分母为零而存在的小量,取值为10-8。
相较于现有技术,本发明具有以下有益效果:本发明方法,门控循环单元网络考虑了当前气象参数,同时还考虑了历史功率对当前功率的影响,通过实例的验证分析,结果表明,与现有的光伏电站短期功率预测方法相比,本发明大大提高了光伏电站短期功率预测的精度和可靠性。
附图说明
图1为本发明中基于门控循环单元网络的光伏电站短期功率预测方法的流程图。
图2为本发明中门控循环单元网络的结构图。
图3为本发明中方均根反向传播算法的下降曲线示意图。
图4为本发明一实施例中基于门控循环单元网络的光伏电站短期功率预测模型在晴天下的预测结果图。
图5为本发明一实施例中基于门控循环单元网络的光伏电站短期功率预测模型在部分阴天下的预测结果图。
图6为本发明一实施例中基于门控循环单元网络的光伏电站短期功率预测模型在阴天下的预测结果图。
图7为本发明一实施例中基于门控循环单元网络的光伏电站短期功率预测模型在雨天下的预测结果图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
如图1所示,本发明提供了一种基于门控循环单元网络的光伏电站短期功率预测方法,包括如下步骤,
步骤S1、根据待预测日的天气类型选取气象参数作为模型输入,不同的天气类型,占主导地位的气象参数不同;
步骤S2、对待预测日之前的N(本实例中取20)天历史数据进行处理,剔除异常值和黑夜的值,然后对历史功率和历史NWP气象参数进行归一化处理,将其作为训练数据集;
步骤S3、采用门控循环单元网络对训练数据集进行学习,并用方均根反向传播算法调整网络的参数;
步骤S4、将待预测日的NWP气象参数作为模型的输入,得出预测的功率值。
所述步骤S1中,与天气类型相对应的气象参数,分为,晴天:地面水平辐照度、散射水平辐照度和环境温度;部分阴天:地面水平辐照度、散射水平辐照度、环境温度和相对湿度;阴天:地面水平辐照度、散射水平辐照度、环境温度和相对湿度;雨天:相对湿度。
所述步骤S2中,剔除异常值即剔除由非气象参数(比如,***故障和人为因素)引起的功率变化该部分对应的数据;剔除黑夜的值,即剔除黑夜的数据,取白天6时至19时的数据,而后将数据归一化到区间[0,1]。
所述步骤S3的具体实现步骤如下,
步骤S31、正向传播,使用的是门控循环单元网络(GRU网络),其公式为:
Ut=sigmoid(WU1Xt+WU2Ht-1+BU)
Rt=sigmoid(WR1Xt+WR2Ht-1+BR)
其中,Xt是t时刻的门控循环单元网络的输入;Ht为t时刻隐藏状态值,即门控循环单元网络输出;Ut为更新门输出;Rt为重置门输出;为瞬时状态;WU1、WU2、WR1、WR2、和为权值;BU、BR和为偏置值;门控循环单元网络的结构如图2所示;
步骤S32、反向传播,使用的是方均根反向传播算法,其方式为:
首先定义一个目标函数:
其中,p为待调参数,即权值和偏置值;为目标函数;yt为t时刻的实际功率值;at(p)为t时刻的网络输出值,即预测值;et(p)为对应的误差;
然后,使用方均根反向传播算法调整参数:
其中,α为学习率,表达式为St,dp为类动量项;β为一个0到1之间的超参数;ε为一个避免分母为零而存在的小量,取值为10-8。方均根反向传播算法的下降曲线示意图如图3所示。
较佳的,在本实例中以DKA太阳能中心(Desert Knowledge Australia SolarCentre)的22号光伏电站(容量为16.8kW)为研究对象,在晴天、部分阴天、阴天和雨天四种不同的天气条件下进行光伏功率预测,各天气类型测试数据选取为,晴天:2018/6/20、2018/6/21、2018/6/22;部分阴天:2018/4/19、2018/4/20、2018/4/21;阴天:2017/3/7、2017/3/8、2017/3/9;雨天:2018/3/8、2018/3/9、2018/11/7;训练数据选取为测试数据之前的20天历史数据。预测效果图如图4至图7所示。由表1中的平均绝对百分比误差(MAPE)和均方根误差(RMSE)可见,本发明所提出的方法能够进行较准确的预测,充分体现了本发明的准确性。
表1.四种天气条件下的性能测试
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (4)
1.一种基于门控循环单元网络的光伏电站短期功率预测方法,其特征在于,包括如下步骤,
步骤S1、根据待预测日的天气类型选取气象参数作为模型输入,不同的天气类型,占主导地位的气象参数不同;
步骤S2、对待预测日之前的N天历史数据进行处理,剔除异常值和黑夜的值,然后对历史功率和历史NWP气象参数进行归一化处理,将其作为训练数据集;
步骤S3、采用门控循环单元网络对训练数据集进行学习,并用方均根反向传播算法调整网络的参数;
步骤S4、将待预测日的NWP气象参数作为模型的输入,得出预测的功率值。
2.根据权利要求1所述的基于门控循环单元网络的光伏电站短期功率预测方法,其特征在于,所述步骤S1中,与天气类型相对应的气象参数,分为,晴天:地面水平辐照度、散射水平辐照度和环境温度;部分阴天:地面水平辐照度、散射水平辐照度、环境温度和相对湿度;阴天:地面水平辐照度、散射水平辐照度、环境温度和相对湿度;雨天:相对湿度。
3.根据权利要求1所述的基于门控循环单元网络的光伏电站短期功率预测方法,其特征在于,所述步骤S2中,剔除异常值即剔除由非气象参数引起的功率变化该部分对应的数据;剔除黑夜的值,即剔除黑夜的数据,取白天6时至19时的数据,而后将数据归一化到区间[0,1]。
4.根据权利要求1所述的基于门控循环单元网络的光伏电站短期功率预测方法,其特征在于,所述步骤S3的具体实现步骤如下,
步骤S31、正向传播,使用的是门控循环单元网络,其公式为:
Ut=sigmoid(WU1Xt+WU2Ht-1+BU)
Rt=sigmoid(WR1Xt+WR2Ht-1+BR)
其中,Xt是t时刻的门控循环单元网络的输入;Ht为t时刻隐藏状态值,即门控循环单元网络输出;Ut为更新门输出;Rt为重置门输出;为瞬时状态;WU1、WU2、WR1、WR2、和为权值;BU、BR和为偏置值;
步骤S32、反向传播,使用的是方均根反向传播算法,其方式为:
首先定义一个目标函数:
其中,p为待调参数,即权值和偏置值;为目标函数;yt为t时刻的实际功率值;at(p)为t时刻的网络输出值,即预测值;et(p)为对应的误差;
然后,使用方均根反向传播算法调整参数:
其中,α为学习率,表达式为St,dp为类动量项;β为一个0到1之间的超参数;ε为一个避免分母为零而存在的小量,取值为10-8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910613978.8A CN110334870B (zh) | 2019-07-09 | 2019-07-09 | 基于门控循环单元网络的光伏电站短期功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910613978.8A CN110334870B (zh) | 2019-07-09 | 2019-07-09 | 基于门控循环单元网络的光伏电站短期功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110334870A true CN110334870A (zh) | 2019-10-15 |
CN110334870B CN110334870B (zh) | 2022-05-31 |
Family
ID=68144440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910613978.8A Active CN110334870B (zh) | 2019-07-09 | 2019-07-09 | 基于门控循环单元网络的光伏电站短期功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334870B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115648A (zh) * | 2020-09-23 | 2020-12-22 | 贵州电网有限责任公司 | 一种基于改进深度学习方法的变压器顶层油温预测方法 |
CN112149905A (zh) * | 2020-09-25 | 2020-12-29 | 福州大学 | 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 |
CN112926653A (zh) * | 2021-02-25 | 2021-06-08 | 山东大学 | 基于小时级天气类型校正的光伏功率短期预测方法及*** |
CN112990553A (zh) * | 2021-02-23 | 2021-06-18 | 中国电建集团华东勘测设计研究院有限公司 | 使用自注意机制和双线性融合的风电超短期功率预测方法 |
CN113779860A (zh) * | 2021-03-01 | 2021-12-10 | 北京科益虹源光电技术有限公司 | 一种准分子激光器能量模型辨识方法及装置 |
CN113919232A (zh) * | 2021-10-25 | 2022-01-11 | 北京航天创智科技有限公司 | 一种基于循环神经网络的光伏电站功率预测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651007A (zh) * | 2016-11-24 | 2017-05-10 | 北京理工大学 | 基于gru的光伏电站辐照度中长期预测的方法及装置 |
US20180240200A1 (en) * | 2015-09-30 | 2018-08-23 | China Electric Power Research Institute Company Limited | Method and device for modeling a long-time-scale photovoltaic output time sequence |
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 |
CN109711609A (zh) * | 2018-12-15 | 2019-05-03 | 福州大学 | 基于小波变换和极限学习机的光伏电站输出功率预测方法 |
CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
-
2019
- 2019-07-09 CN CN201910613978.8A patent/CN110334870B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180240200A1 (en) * | 2015-09-30 | 2018-08-23 | China Electric Power Research Institute Company Limited | Method and device for modeling a long-time-scale photovoltaic output time sequence |
CN106651007A (zh) * | 2016-11-24 | 2017-05-10 | 北京理工大学 | 基于gru的光伏电站辐照度中长期预测的方法及装置 |
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 |
CN109711609A (zh) * | 2018-12-15 | 2019-05-03 | 福州大学 | 基于小波变换和极限学习机的光伏电站输出功率预测方法 |
CN109799533A (zh) * | 2018-12-28 | 2019-05-24 | 中国石油化工股份有限公司 | 一种基于双向循环神经网络的储层预测方法 |
Non-Patent Citations (4)
Title |
---|
YANN N. DAUPHIN ET AL.: "RMSProp and equilibrated adaptive learning rates for non-convex optimization", 《IEICE TRANSACTIONS ON FUNDAMENTALS OF ELECTRONICS》 * |
唐善成等: "采用Seq2Seq模型的非受限词义消歧方法", 《西北大学学报(自然科学版)》 * |
牛哲文等: "基于深度门控循环单元神经网络的短期风功率预测模型", 《电力自动化设备》 * |
袁晓玲等: "计及天气类型指数的光伏发电短期出力预测", 《中国电机工程学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115648A (zh) * | 2020-09-23 | 2020-12-22 | 贵州电网有限责任公司 | 一种基于改进深度学习方法的变压器顶层油温预测方法 |
CN112115648B (zh) * | 2020-09-23 | 2023-12-01 | 贵州电网有限责任公司 | 一种基于改进深度学习方法的变压器顶层油温预测方法 |
CN112149905A (zh) * | 2020-09-25 | 2020-12-29 | 福州大学 | 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 |
CN112990553A (zh) * | 2021-02-23 | 2021-06-18 | 中国电建集团华东勘测设计研究院有限公司 | 使用自注意机制和双线性融合的风电超短期功率预测方法 |
CN112990553B (zh) * | 2021-02-23 | 2023-11-14 | 中国电建集团华东勘测设计研究院有限公司 | 使用自注意机制和双线性融合的风电超短期功率预测方法 |
CN112926653A (zh) * | 2021-02-25 | 2021-06-08 | 山东大学 | 基于小时级天气类型校正的光伏功率短期预测方法及*** |
CN113779860A (zh) * | 2021-03-01 | 2021-12-10 | 北京科益虹源光电技术有限公司 | 一种准分子激光器能量模型辨识方法及装置 |
WO2022183690A1 (zh) * | 2021-03-01 | 2022-09-09 | 北京科益虹源光电技术有限公司 | 一种准分子激光器能量模型辨识方法及装置 |
CN113779860B (zh) * | 2021-03-01 | 2024-05-28 | 北京科益虹源光电技术有限公司 | 一种准分子激光器能量模型辨识方法及装置 |
CN113919232A (zh) * | 2021-10-25 | 2022-01-11 | 北京航天创智科技有限公司 | 一种基于循环神经网络的光伏电站功率预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110334870B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334870A (zh) | 基于门控循环单元网络的光伏电站短期功率预测方法 | |
Liu et al. | Random forest solar power forecast based on classification optimization | |
Liu et al. | Prediction of short-term PV power output and uncertainty analysis | |
Zhang et al. | Wind speed prediction of IPSO-BP neural network based on lorenz disturbance | |
CN109685257A (zh) | 一种基于支持向量机回归的光伏发电功率预测方法 | |
CN109858673A (zh) | 一种光伏发电***功率预测方法 | |
CN104978611A (zh) | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 | |
CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN109978284B (zh) | 一种基于混合神经网络模型的光伏发电功率分时预测方法 | |
CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
CN104933483A (zh) | 一种基于天气过程划分的风电功率预测方法 | |
CN105260800A (zh) | 一种光伏组件温度预测方法及装置 | |
CN110110912A (zh) | 一种光伏功率多模型区间预测方法 | |
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 | |
CN109599872B (zh) | 基于堆栈降噪自动编码器的电力***概率潮流计算方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN102147839A (zh) | 一种光伏发电量预测方法 | |
CN110766134A (zh) | 基于循环神经网络的光伏电站短期功率预测方法 | |
CN103793887A (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
CN109101071A (zh) | 一种基于智能预测的光伏多峰值最大功率点跟踪方法 | |
CN105225006A (zh) | 一种短期风电功率非参数概率预测方法 | |
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 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
Wang et al. | Wind process pattern forecasting based ultra-short-term wind speed hybrid prediction | |
CN109118120A (zh) | 考虑水库调度方案可持续性利用的多目标决策方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |