CN110516844A - 基于emd-pca-lstm的多变量输入光伏功率预测方法 - Google Patents
基于emd-pca-lstm的多变量输入光伏功率预测方法 Download PDFInfo
- Publication number
- CN110516844A CN110516844A CN201910675922.5A CN201910675922A CN110516844A CN 110516844 A CN110516844 A CN 110516844A CN 201910675922 A CN201910675922 A CN 201910675922A CN 110516844 A CN110516844 A CN 110516844A
- Authority
- CN
- China
- Prior art keywords
- data
- emd
- photovoltaic
- photovoltaic power
- prediction
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Classifications
-
- 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
- G06N3/08—Learning methods
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (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
本发明公开了一种基于EMD‑PCA‑LSTM的多变量输入光伏功率预测方法，利用经验模态分解方法将5种环境序列进行分解，得到不同时间尺度下的本征模态分解和剩余分量，将环境序列分解为各种不同的波动序列；利用主成分分析方法筛选出影响光伏输出功率的关键因子，降低模型输入参数的维度，消除由EMD分解得到的不同波动序列的冗余性和相关性。最后，通过LSTM神经网络完成对多变量时间序列和光伏功率序列之间的动态时间建模，构建预测模型，实现对光伏输出功率的预测。本方法验证了LSTM模型在光伏预测领域的实用性，扩展了深度学习技术的应用范畴，对于深入探讨光伏并网***的经济运行和调度提供了一种新的视角，在现实中具有良好的应用前景和工程应用价值。
Description
技术领域
本发明涉及数据预测技术领域，尤其是涉及一种基于EMD-PCA-LSTM的多变量输入光伏功率预测方法。
背景技术
能源危机和环境污染是当今世界面临的两大难题，光伏发电目前成为满足人类用电需求的重要途径之一。由于受到环境和气候条件的影响，光伏功率的波动性和随机性对大规模光伏并网发电会造成一定的影响。为了保证光伏电站的正常运行和电网的安全调度，准确及时地进行光伏功率预测具有非常重要的意义。
发明内容
为解决上述技术问题，本发明提供了一种基于EMD-PCA-LSTM的多变量输入光伏功率预测方法，包括步骤：
步骤一：获取光伏电站实际生产中逆变器下的光伏功率的实测功率时间序列数据，以及光伏阵区对应的环境检测仪采集的太阳辐照度、相对湿度、空气温度、组件温度、大气压力5种环境序列数据，组成光伏功率预测的实测样本数据集；
步骤二：对光伏功率预测的实测样本数据集进行数据清洗以及降采样处理；
步骤三：利用经验模态分解方法，对5种环境序列数据进行分解；
步骤四：利用主成分分析方法，对环境序列数据分解得到的特征序列集合进行降维；
步骤五：利用降维后的特征序列集合和光伏输出功率构造适用于LSTM网络训练的数据集，按照7:3的比例分为训练集和测试集，将训练集输入LSMT网络中进行训练；
步骤六：模型训练结束后，保存训练模型，将测试集输入到训练模型中进行预测，通过对比真实数据和预测数据，求出预测的评估指标：RMSE，MAE，R2，进行实验结果总结与分析。
其中，对采样数据进行数据清洗的步骤为：以天为单位，剔除样本数据中存在的功率为0以及环境数据为0的数据；数据采集时间段设定为早6:00-晚19:00，采样间隔为10min，每天数据的采样点为79个；每组数据中包含的变量有6:00-19:00的太阳辐照度、空气温度、组件温度、相对湿度、大气压力5种环境序列数据。
其中，采用EMD算法对原始环境序列数据进行分解，得到每种环境因素数的IMF分量和剩余分量，以得到始环境序列的局部特征；将各个环境序列进行EMD分解得到的IMF分量和剩余分量，进行汇总，得到共计68维的特征序列作为新的特征序列集合。
其中，主成分分析方法是通过线性变换将原始数据转换到新的特征空间中，以此来提取数据的主要的线性分量，去除特征序列数据中存在的噪声，降低特征序列数据的冗余性和相关性，对得到的特征序列数据，选取累计贡献率大于95%的主成分，作为新的输入变量。
其中，在将训练集输入LSMT网络中进行训练的步骤之前，还包括确定建立用于光伏输出功率预测的LSTM网络预测需要确定的模型参数的步骤：
利用t-1时刻的环境特征序列和光伏功率历史数据，对t时刻的光伏功率历史数据进行预测；其中，模型输入层时间步数为1，输入层维数为9，隐藏层数目为1，隐藏层单元数为50个，输出层变量为数为1，训练批次为10，训练轮次为100次；
模型训练结束后， 保存模型文件，并且对测试集数据进行测试，通过实验结果对模型进行反复验证和优化，提高模型的预测精度。
本发明提出了一种基于EMD-PCA-LSTM的多变量输入光伏功率预测方法，针对光伏发电功率具有不稳定性和明显的间歇波动的特点，首先利用经验模态分解方法将5种环境序列进行分解，得到不同时间尺度下的本征模态分量和剩余分量，将环境序列分解为各种不同的特征波动序列；利用主成分分析方法筛选出影响光伏输出功率的关键因子，降低模型输入参数的维度，消除由EMD分解得到的不同波动序列的冗余性和相关性；通过LSTM神经网络完成对多变量时间序列和光伏功率序列之间的动态时间建模，构建预测模型，最终实现对光伏输出功率的预测。通过本发明，能够保证光伏电站的正常运行和电网的安全调度，准确及时地进行光伏功率预测。
附图说明
图1为本发明提供的一种基于EMD-PCA-LSTM的多变量输入光伏功率预测方法的流程示意图。
图2为本发明提供的一种基于EMD-PCA-LSTM的多变量输入光伏功率预测方法的逻辑示意图。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步更详细的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
参阅图1，本发明提供了一种基于EMD-PCA-LSTM的多变量输入光伏功率预测方法，包括步骤：
步骤一：获取光伏电站实际生产中逆变器下的光伏功率的实测功率时间序列数据，以及光伏阵区对应的环境检测仪采集的太阳辐照度、相对湿度、空气温度、组件温度、大气压力5种环境序列数据，组成光伏功率预测的实测样本数据集；
步骤二：对光伏功率预测的实测样本数据集进行数据清洗以及降采样处理；
步骤三：利用经验模态分解方法，对5种环境序列数据进行分解；
步骤四：利用主成分分析方法，对环境序列数据分解得到的特征序列集合进行降维；
步骤五：利用降维后的特征序列集合和光伏输出功率构造适用于LSTM网络训练的数据集，按照7:3的比例分为训练集和测试集，将训练集输入LSMT网络中进行训练；
步骤六：模型训练结束后，保存训练模型，将测试集输入到训练模型中进行预测，通过对比真实数据和预测数据，求出预测的评估指标：RMSE，MAE，R2，进行实验结果总结与分析。
在光伏功率预测的实测样本数据集制作步骤中，实测数据包括光伏电站实际生产中逆变器下的光伏功率的实测功率时间序列数据，以及光伏阵区对应的环境检测仪获取得到的太阳辐照度、相对湿度、空气温度、组件温度、大气压力5种环境序列数据。
图2为光伏功率预测方法的具体流程示意，解释了整个方法的流程。由于光伏电站在实际运行过程中存在通讯设备故障等原因，对采样数据进行数据清洗，以天为单位，剔除样本数据中存在的功率为0以及环境数据为0的“坏数据”。由于光伏功率的有效输出时间段以白天为主，所以我们的重点研究时间段为早上6:00-晚上19:00，采样间隔为10min，每天数据的采样点为79个。每组数据中包含的变量有6:00-19:00的太阳辐照度、空气温度、组件温度、相对湿度、大气压力5种环境序列数据。
实验样本中的环境序列数据为非平稳信号，并且受天气变化的影响，具有一定的随机性和突变性，采用EMD算法对原始环境序列数据进行分解，得到每种环境因素数的IMF分量和剩余分量，以此来突显出原始环境序列的局部特征。将各个环境序列进行EMD分解得到的IMF分量和剩余分量，进行汇总，可以得到共计68维的特征序列作为新的特征序列集合。
主成分分析方法是一种经典的数据降维方法，通过线性变换将原始数据转换到新的特征空间中，以此来提取数据的主要的线性分量。为了去除特征序列数据中存在的噪声，降低特征序列数据的冗余性和相关性，对得到的特征序列数据进行主成分分析。选取累计贡献率大于95%的主成分，作为新的输入变量。
确定建立用于光伏输出功率预测的LSTM网络预测需要确定的模型参数。利用t-1时刻的环境特征序列和光伏功率历史数据，对t时刻的光伏功率历史数据进行预测。其中输入层时间步数为1，输入层维数为9，隐藏层数目为1，隐藏层单元数为50个，输出层变量为数为1，训练批次为10，训练轮次为100次。模型训练结束后， 保存模型文件，并且对测试集数据进行测试，通过实验结果对模型进行反复验证和优化，提高模型的预测精度。
实施例1：
本实验数据来自山西省太原市某光伏能源公司。该实验数据基本信息如下：
使用能源公司下属某光伏电站2018年3到10月14号逆变器下的光伏的数据来进行测试验证。将样本数据集中的6952个时间断面数据转化为适于LSTM网络训练的数据集，并且按照7:3的比例分为训练集和测试集，训练过程采用适应性动量估计算法优化更新权重，模型参数调优使用经验调优与网格搜索相结合。为进行对比实验，本发明分别使用BP模型、LSTM模型、XGboost模型、EMD-LSTM与EMD-PCA-LSTM模型进行对比实验，实验采用相同的实验环境及迭代次数。表一为实验测试结果。
表1测试结果
| 模型名称 | RMSE | MAE | R<sup>2</sup> |
| EMD-PCA-LSTM | 35.18 | 15.51 | 0.9446 |
| EMD-LSTM | 38.10 | 19.74 | 0.9418 |
| LSTM | 40.95 | 16.16 | 0.9328 |
| BP | 40.78 | 18.12 | 0.9334 |
| XGBoost | 44.68 | 22.65 | 0.9123 |
本发明提出了一种基于基于EMD-PCA-LSTM的多变量输入光伏功率预测方法，EMD-PCA-LSTM模型的预测精度和预测效果都比较高，EMD-LSTM模型随着输入变量的增多，RMSE和MAE均有一定程度的提高，模型的预测精度有一定的下降，但是，当采用主成分分析将原来的输入变量减少为9个输入变量时，与单一LSTM模型相比，RMSE和MAE分别提高，R2也有一定提高。利用PCA实现了对EMD分解得到数据的降维处理，消除了变量之间的冗余性和相关性，提升了预测模型的预测精度，证明了PCA降维处理的必要性。除此之外，EMD-PCA-LSTM模型的预测精度也明显优于单一的LSTM神经网络、传统的BP神经网络和机器学习回归算法XGBoost模型。
以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种基于EMD-PCA-LSTM的多变量输入光伏功率预测方法，其特征在于，
步骤一：获取光伏电站实际生产中逆变器下的列阵光伏功率的实测功率时间序列数据，以及光伏阵区对应的环境检测仪采集的太阳辐照度、相对湿度、空气温度、组件温度、大气压力5种环境序列数据，组成光伏功率预测的实测样本数据集；
步骤二：对光伏功率预测的实测样本数据集进行数据清洗以及
降采样处理；
步骤三：利用经验模态分解方法，对5种环境序列数据进行分解；
步骤四：利用主成分分析方法，对环境序列数据分解得到的特征序列集合进行降维；
步骤五：利用降维后的特征序列集合和光伏输出功率构造适用于LSTM网络训练的数据集，按照7:3的比例分为训练集和测试集，将训练集输入LSMT网络中进行训练；
步骤六：模型训练结束后，保存训练模型，将测试集输入到训练模型中进行预测，通过对比真实数据和预测数据，求出预测的评估指标：RMSE，MAE，R2，进行实验结果总结与分析。
2.根据权利要求1所述的基于EMD-PCA-LSTM的多变量输入光伏功率预测方法，其特征在于，对采样数据进行数据清洗的步骤为：以天为单位，剔除样本数据中存在的功率为0以及环境数据为0的数据；数据采集时间段设定为早6:00-晚19:00，采样间隔为10min，每天数据的采样点为79个；每组数据中包含的变量有6:00-19:00的太阳辐照度、空气温度、组件温度、相对湿度、大气压力5种环境序列数据。
3.根据权利要求1所述的基于EMD-PCA-LSTM的多变量输入光伏功率预测方法，其特征在于，采用EMD算法对原始环境序列数据进行分解，得到每种环境因素数的IMF分量和剩余分量，以得到始环境序列的局部特征；将各个环境序列进行EMD分解得到的IMF分量和剩余分量，进行汇总，得到共计68维的特征序列作为新的特征序列集合。
4.根据权利要求1所述的基于EMD-PCA-LSTM的多变量输入光伏功率预测方法，其特征在于，主成分分析方法是通过线性变换将原始数据转换到新的特征空间中，以此来提取数据的主要的线性分量，去除特征序列数据中存在的噪声，降低特征序列数据的冗余性和相关性，对得到的特征序列数据，选取累计贡献率大于95%的主成分，作为新的输入变量。
5.根据权利要求1所述的基于EMD-PCA-LSTM的多变量输入光伏功率预测方法，其特征在于，在将训练集输入LSMT网络中进行训练的步骤之前，还包括确定建立用于光伏输出功率预测的LSTM网络预测需要确定的模型参数的步骤：
利用t-1时刻的环境特征序列和光伏功率历史数据，对t时刻的光伏功率历史数据进行预测；其中，模型输入层时间步数为1，输入层维数为9，隐藏层数目为1，隐藏层单元数为50个，输出层变量为数为1，训练批次为10，训练轮次为100次；
模型训练结束后， 保存模型文件，并且对测试集数据进行测试，通过实验结果对模型进行反复验证和优化，提高模型的预测精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910675922.5A CN110516844A (zh) | 2019-07-25 | 2019-07-25 | 基于emd-pca-lstm的多变量输入光伏功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910675922.5A CN110516844A (zh) | 2019-07-25 | 2019-07-25 | 基于emd-pca-lstm的多变量输入光伏功率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110516844A true CN110516844A (zh) | 2019-11-29 |
Family
ID=68623147
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910675922.5A Pending CN110516844A (zh) | 2019-07-25 | 2019-07-25 | 基于emd-pca-lstm的多变量输入光伏功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110516844A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144286A (zh) * | 2019-12-25 | 2020-05-12 | 北京工业大学 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
| CN111369070A (zh) * | 2020-03-13 | 2020-07-03 | 西安理工大学 | 一种基于包络线聚类的多模融合光伏功率预测方法 |
| CN112364477A (zh) * | 2020-09-29 | 2021-02-12 | 中国电器科学研究院股份有限公司 | 户外实证预测模型库生成方法及*** |
| CN112561181A (zh) * | 2020-12-21 | 2021-03-26 | 国网甘肃省电力公司电力科学研究院 | 一种基于Unet网络和地基云图的光伏发电预测*** |
| CN112884249A (zh) * | 2021-03-25 | 2021-06-01 | 国家海洋信息中心 | 一种海域表层水温预测方法和装置 |
| CN113487064A (zh) * | 2021-06-10 | 2021-10-08 | 淮阴工学院 | 基于主成分分析和改进lstm的光伏功率预测方法及*** |
| CN113673788A (zh) * | 2021-09-23 | 2021-11-19 | 国网天津市电力公司 | 基于分解误差修正和深度学习的光伏发电功率预测方法 |
| CN113762642A (zh) * | 2021-09-23 | 2021-12-07 | 大连理工大学人工智能大连研究院 | 基于bo-emd-lstm深度学习算法的教室空气质量预测方法 |
| CN113837434A (zh) * | 2021-08-16 | 2021-12-24 | 同盾科技有限公司 | 太阳能光伏发电预测方法、装置、电子设备和存储介质 |
| CN114819382A (zh) * | 2022-05-11 | 2022-07-29 | 湘潭大学 | 一种基于lstm的光伏功率预测方法 |
| CN115096357A (zh) * | 2022-06-07 | 2022-09-23 | 大连理工大学 | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 |
| CN116404645A (zh) * | 2023-06-07 | 2023-07-07 | 山东大学 | 考虑时空相关特性的分布式光伏短期功率预测方法及*** |
| CN116933152A (zh) * | 2023-06-07 | 2023-10-24 | 哈尔滨工业大学（威海） | 一种基于多维emd-pso-lstm神经网络的海浪信息预测方法及*** |
| CN117194962A (zh) * | 2023-09-13 | 2023-12-08 | 安徽国麒科技有限公司 | 一种基于DeepIM深度学习算法的光伏发电量预测方法 |
| CN117272851A (zh) * | 2023-11-23 | 2023-12-22 | 太原理工大学 | 一种盐碱地光伏板下植物接收光量的建模预测方法 |
| CN117852721A (zh) * | 2024-01-15 | 2024-04-09 | 国网山东省电力公司潍坊供电公司 | 一种基于epl的园区中长期终端能源服务需求预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103049798A (zh) * | 2012-12-05 | 2013-04-17 | 浙江大学城市学院 | 一种应用于光伏发电***的短期发电功率预测方法 |
| CN105589998A (zh) * | 2015-12-23 | 2016-05-18 | 华北电力大学 | 一种光伏输出功率超短期预测方法 |
| CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
-
2019
- 2019-07-25 CN CN201910675922.5A patent/CN110516844A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103049798A (zh) * | 2012-12-05 | 2013-04-17 | 浙江大学城市学院 | 一种应用于光伏发电***的短期发电功率预测方法 |
| CN105589998A (zh) * | 2015-12-23 | 2016-05-18 | 华北电力大学 | 一种光伏输出功率超短期预测方法 |
| CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨茂等: "基于FA－PCA－LSTM的光伏发电短期功率预测", 《昆明理工大学学报( 自然科学版)》, vol. 44, no. 1, 28 February 2019 (2019-02-28), pages 1 - 5 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144286A (zh) * | 2019-12-25 | 2020-05-12 | 北京工业大学 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
| CN111369070A (zh) * | 2020-03-13 | 2020-07-03 | 西安理工大学 | 一种基于包络线聚类的多模融合光伏功率预测方法 |
| CN111369070B (zh) * | 2020-03-13 | 2023-06-27 | 西安理工大学 | 一种基于包络线聚类的多模融合光伏功率预测方法 |
| CN112364477A (zh) * | 2020-09-29 | 2021-02-12 | 中国电器科学研究院股份有限公司 | 户外实证预测模型库生成方法及*** |
| CN112364477B (zh) * | 2020-09-29 | 2022-12-06 | 中国电器科学研究院股份有限公司 | 户外实证预测模型库生成方法及*** |
| CN112561181A (zh) * | 2020-12-21 | 2021-03-26 | 国网甘肃省电力公司电力科学研究院 | 一种基于Unet网络和地基云图的光伏发电预测*** |
| CN112884249A (zh) * | 2021-03-25 | 2021-06-01 | 国家海洋信息中心 | 一种海域表层水温预测方法和装置 |
| CN113487064A (zh) * | 2021-06-10 | 2021-10-08 | 淮阴工学院 | 基于主成分分析和改进lstm的光伏功率预测方法及*** |
| CN113837434A (zh) * | 2021-08-16 | 2021-12-24 | 同盾科技有限公司 | 太阳能光伏发电预测方法、装置、电子设备和存储介质 |
| CN113673788A (zh) * | 2021-09-23 | 2021-11-19 | 国网天津市电力公司 | 基于分解误差修正和深度学习的光伏发电功率预测方法 |
| CN113762642A (zh) * | 2021-09-23 | 2021-12-07 | 大连理工大学人工智能大连研究院 | 基于bo-emd-lstm深度学习算法的教室空气质量预测方法 |
| CN114819382A (zh) * | 2022-05-11 | 2022-07-29 | 湘潭大学 | 一种基于lstm的光伏功率预测方法 |
| CN114819382B (zh) * | 2022-05-11 | 2024-05-24 | 湘潭大学 | 一种基于lstm的光伏功率预测方法 |
| CN115096357A (zh) * | 2022-06-07 | 2022-09-23 | 大连理工大学 | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 |
| CN116404645B (zh) * | 2023-06-07 | 2023-08-25 | 山东大学 | 考虑时空相关特性的分布式光伏短期功率预测方法及*** |
| CN116933152A (zh) * | 2023-06-07 | 2023-10-24 | 哈尔滨工业大学（威海） | 一种基于多维emd-pso-lstm神经网络的海浪信息预测方法及*** |
| CN116933152B (zh) * | 2023-06-07 | 2024-05-03 | 哈尔滨工业大学（威海） | 一种基于多维emd-pso-lstm神经网络的海浪信息预测方法及*** |
| CN116404645A (zh) * | 2023-06-07 | 2023-07-07 | 山东大学 | 考虑时空相关特性的分布式光伏短期功率预测方法及*** |
| CN117194962A (zh) * | 2023-09-13 | 2023-12-08 | 安徽国麒科技有限公司 | 一种基于DeepIM深度学习算法的光伏发电量预测方法 |
| CN117272851A (zh) * | 2023-11-23 | 2023-12-22 | 太原理工大学 | 一种盐碱地光伏板下植物接收光量的建模预测方法 |
| CN117272851B (zh) * | 2023-11-23 | 2024-02-02 | 太原理工大学 | 一种盐碱地光伏板下植物接收光量的建模预测方法 |
| CN117852721A (zh) * | 2024-01-15 | 2024-04-09 | 国网山东省电力公司潍坊供电公司 | 一种基于epl的园区中长期终端能源服务需求预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110516844A (zh) | 基于emd-pca-lstm的多变量输入光伏功率预测方法 | |
| Zhao et al. | Performance evaluation and accuracy enhancement of a day-ahead wind power forecasting system in China | |
| Kardakos et al. | Application of time series and artificial neural network models in short-term forecasting of PV power generation | |
| CN106920007B (zh) | 基于二阶自组织模糊神经网络的pm2.5智能预测方法 | |
| Zhang et al. | Short term wind energy prediction model based on data decomposition and optimized LSSVM | |
| CN113496311A (zh) | 光伏电站发电功率预测方法及*** | |
| CN109376951A (zh) | 一种光伏概率预测方法 | |
| CN104657791B (zh) | 一种基于相关性分析的风电场群风速分布预测方法 | |
| CN101604356A (zh) | 一种不确定性中长期水文预报模型的建立方法 | |
| CN111695724B (zh) | 一种基于混合神经网络模型的风速预测方法 | |
| CN106600060A (zh) | 基于相似日晴朗系数修正的太阳辐照量预测方法 | |
| CN115860797B (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
| CN116151464A (zh) | 一种光伏发电功率预测方法、***及可存储介质 | |
| CN116128039A (zh) | 一种地表水体水质预测模型的构建方法和预测方法 | |
| Ahn et al. | A short-term forecasting of wind power outputs using the enhanced wavelet transform and arimax techniques | |
| CN103605908A (zh) | 基于卡尔曼滤波的风速序列预测方法 | |
| Qu et al. | Research on short‐term output power forecast model of wind farm based on neural network combination algorithm | |
| Khalyasmaa et al. | Averaged errors as a risk factor for intelligent forecasting systems operation in the power industry | |
| Cheng et al. | Application of clustering analysis in the prediction of photovoltaic power generation based on neural network | |
| CN117060407B (zh) | 一种基于相似日划分的风电集群功率预测方法及*** | |
| CN105205572A (zh) | 基于EMD分解和Elman算法的光伏出力预测方法 | |
| CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
| Zhen et al. | Multi-level wavelet decomposition based day-ahead solar irradiance forecasting | |
| CN113537573B (zh) | 基于双重时空特征提取的风电功率运行趋势预测方法 | |
| CN104657619B (zh) | 一种评价风速周期性的方法及*** |
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: 20191129 |