CN110796292A - 计及雾霾影响的光伏功率短期预测方法 - Google Patents
计及雾霾影响的光伏功率短期预测方法 Download PDFInfo
- Publication number
- CN110796292A CN110796292A CN201910971238.1A CN201910971238A CN110796292A CN 110796292 A CN110796292 A CN 110796292A CN 201910971238 A CN201910971238 A CN 201910971238A CN 110796292 A CN110796292 A CN 110796292A
- Authority
- CN
- China
- Prior art keywords
- data
- photovoltaic power
- photovoltaic
- prediction
- haze
- 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
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000010187 selection method Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种计及雾霾影响的光伏功率预测方法;选取空气质量指数(AQI)作为衡量雾霾轻重的指标,将其与“天气状况”一同列入光伏功率预测的历史数据源;基于光伏输出功率受诸多因素影响的复杂非线性特征,建立了考虑雾霾影响的光伏功率预测模型,并利用BP神经网络算法求解;为保证光伏功率预测的准确性,提出基于“相似时”的训练样本选取方法。算例分析验证了光伏功率预测中计及雾霾的必要性和所提方法的有效性。
Description
技术领域
本发明属于电力***技术领域,涉及一种光伏功率预测方法,尤其涉及一种计及雾霾影响的光伏功率短期预测方法。
背景技术
依靠煤、石油等不可再生能源发电已面临资源枯竭和环境污染双重压力,寻找、开发新的发电能源成为世界性问题。太阳能对人类来说是永不枯竭的能源,地球每年可接收到的太阳能约为1.8×1018kWh,是全人类每年能源消耗量的数万倍,利用太阳能发电是太阳能利用的重要方式。受气象因素和光伏发电***自身特性的影响,使光伏功率具有随机性、波动性和间歇性特点,光伏发电的并网会对大电网产生冲击。近年来,国内多次出现长时间、大范围雾霾天气,冬季和春季尤为严重,光伏发电因雾霾频袭而遭受严峻考验。
精确的光伏功率预测模型能促进电网安全稳定运行,提高电能质量,还能为电网提供调度依据,提前针对功率波动做出应对措施。目前学术界关于光伏功率预测问题的研究较多,但考虑了雾霾因素对光伏功率产生影响的几乎没有。
发明内容
本发明针对上述现有技术中存在的问题,提供一种计及雾霾影响的光伏功率预测方法,解决了现有技术中光伏发电短期功率预测未考虑雾霾的问题。
本发明的技术方案包括如下步骤:
步骤1,选取空气质量指数(AQI)作为衡量雾霾轻重的指标,将其与“天气状况”一同列入光伏功率预测的历史数据源;
步骤2,数据预处理,取光伏电站所记录的1月~6月的数据,环境记录仪每5min采集一次数据,包括光伏功率(kW)、太阳辐照度(W/m2)、光伏板温度(℃)、环境温度(℃);
步骤3,模糊变量的量化,将模糊性天气状况映射为(0,1)区间上的具体数值;
步骤4,异常数据剔除,即剔除一段时间内,在太阳辐照度明显不为0时,光伏功率为0或接近于0的数据;
步骤5,归一化处理:为避免不同数据的量纲和大小范围可导致预测结果存在误差的问题,用“极差法”对各量进行归一化处理,方法如式(1)所示。
式(1)中,X为归一化处理后的数据;x为归一化处理前的数据;xmin为变量的最小值;
xmax为变量的最大值;
步骤6,构造以太阳辐照度、光伏板温度和天气状况为相似因子的时气象特征向量,计算相似度并排序,选取相似度高的若干相似时数据作为后续BP神经网络法预测模型的训练样本集;
步骤7,将基于相似时计及雾霾影响的BP神经网络预测模型与传统BP神经网络预测模型和基于相似时未考虑雾霾的BP神经网络预测模型的预测结果进行分析比较;
步骤8,建立光伏功率预测模型;由太阳辐照度(X1)、光伏板温度(X2)、环境温度(X3)、AQI(X4)和天气状况(X5)数据可以得到一个光伏功率(Y)值;得出模型下光伏输出功率的预测值与实际光伏功率(Y)值间的关系。
本发明的优点效果如下:
本发明的方法基本保证了历史时的太阳辐照度、光伏板温度和天气状况与预测时的相近,有效地提高了光伏功率的预测精度。
附图说明
图1为一实施例中光伏功率短期预测的流程图;
图2为另一实施例中BP神经网络示意图的流程图;
图3为一实施例中光伏输出功率对比图;
图4为一实施例中误差性能的对比表。
具体实施方式
实施例
参考图1,实施例中的计及雾霾影响的光伏功率短期预测方法,包括如下步骤。
S110:采用AQI量化雾霾天气的雾霾程度,将模糊性天气状况(晴、多云、阴等)映射为(0,1)区间上的具体数值。
数据预处理,取光伏电站所记录的1月~6月的数据,环境记录仪每5min采集一次数据,包括光伏功率(kW)、太阳辐照度(W/m2)、光伏板温度(℃)、环境温度(℃)。
异常数据剔除,即剔除一段时间内,在太阳辐照度明显不为0时,光伏功率为0或接近于0的数据。
S120:为避免不同数据的量纲和大小范围可导致预测结果存在误差的问题,用“极差法”对各量(如光伏功率、太阳辐照度、光伏板温度、环境温度、AQI等)进行归一化处理;方法如式(1)所示。
式(1)中,X为归一化处理后的数据;x为归一化处理前的数据;xmin为变量的最小值;
xmax为变量的最大值。
温度对光伏功率的影响从两个方面进行研究,其一是光伏板的表面温度,其二是光伏电站所处位置的环境温度。当光伏板温度过高时,会影响发电性能,即光伏板的光电转换效率与光伏板温度有关,温度高于标准测试温度时,光电转换效率将下降,光伏输出功率减少。通过SPSS软件分别对光伏板温度、环境温度与光伏功率进行相关性分析,可得到Pearson相关系数分别为0.485、0.379。
为进一步分析雾霾与光伏功率的关系,利用SPSS软件分析雾霾数据与光伏功率数据间的相关性,得到Pearson相关系数为-0.202,其负值表明两者存在负相关,即雾霾越严重则光伏功率越小。显著性指标Lsig=0,其值小于0.05,表明两者间存在极显著的相关,具有较强的统计意义。
S130:“晴”、“阵雨”、“多云”、“阴”等天气指标是基于云层的位置、厚度、面积、移动速度等确定的。在各种天气状况或指标下,云层对太阳光的遮挡程度不同,地球接收到的太阳辐射量也不同,最终使光伏输出功率不同。利用SPSS软件分析光伏输出功率与天气状况数据间的相关性,得到Pearson相关系数为0.324。
本方法充分考虑时特征相似度,提出基于相似时的训练样本确定方法,即构造以太阳辐照度、光伏板温度和天气状况为相似因子的时气象特征向量,计算相似度并排序,选取相似度高的若干相似时(相似度在0.6以上)数据作为后续BP神经网络法预测模型的训练样本集。
S140:根据上述对光伏功率与影响因素的相关性分析,选取对光伏功率影响更加显著的太阳辐照度、光伏板温度和天气状况作为影响光伏功率的气象因素,构造时气象特征向量如式(1)所示。
X=[E Tm t] (1)
预测时和第i个历史光伏数据的特征向量x0、xi分别为式(2)、(3)所示。
x0=[x0(1),x0(2),x0(3)] (2)
xi=[xi(1),xi(2),xi(3)] (3)
选择预测时的相似时的具体步骤如下:
(1)从历史数据中,逐时计算第i时与预测时的相似度Fi;
(2)按相似度从大到小的顺序排序,选取相似度Fi≥0.6的数据作为预测时的相似时。利用这组相似时的公开气象数据和光伏电站实际发电数据构成预测模型的训练样本集。
由前面分析可知,光伏功率受多种因素影响,且各因素之间相互耦合,很难通过建立精确的数学模型来模拟光伏输出功率。BP神经网络算法拥有很好的泛化、非线性映射能力,其特性非常适用于受外界环境影响较大的光伏功率预测。本方法基于BP神经网络算法进行计及雾霾、太阳辐照度、光伏板温度、环境温度和天气状况的光伏功率预测。统一有效的预测精度评估指标有利于不同研究结果之间的比较。假设X为实测值、X′为预测值、N为预测样本数据量。
①平均绝对百分比误差
平均绝对百分比误差分析整体的预测能力。
②平均绝对误差
③平均误差
平均误差反映预测***的***性偏差。
④方均根误差
S131:针对测试集中的某预测时,根据所述相似时选取方法在训练集中选取该时的相似时,构成训练样本集。为验证所提出的基于相似时计及雾霾影响的BP神经网络预测模型的有效性,将其与传统BP神经网络预测模型(未采用相似时方法)和基于相似时的BP神经网络预测模型(未考虑雾霾)的预测结果进行分析比较。
S132:由一组太阳辐照度(X1)、光伏板温度(X2)、环境温度(X3)、AQI(X4)和天气状况(X5)数据可以得到一个光伏功率(Y)值。描述了模型Ⅰ下光伏输出功率的预测值与实际值间关系。
由一组太阳辐照度(X1)、光伏板温度(X2)、环境温度(X3)和天气状况(X4)的数据可以得到一个光伏功率(Y)值。分别用每组(共30组)测试数据构造以太阳辐照度、光伏板温度和天气状况为相似因子的基准时气象特征向量,根据相似时选取原理,去掉异常数据后从剩余的565组数据中选取相似度高的若干相似时(相似度在0.6以上),作为该组的样本数据来训练BP神经网络。描述了模型Ⅱ下光伏输出功率的预测值与实际值间关系。
由一组太阳辐照度(X1)、光伏板温度(X2)、环境温度(X3)、AQI(X4)和天气状况(X5)的数据可以得到一个光伏功率(Y)值。采用与模型Ⅰ、模型Ⅱ相同的测试数据来验证神经网络。相似时选取过程与模型Ⅱ相同。描述了模型Ⅲ下光伏输出功率的预测值与实际值间关系。
光伏输出功率预测精度最高的是模型Ⅲ,其次是模型Ⅱ,预测精度最低的是模型Ⅰ。正如前文阐述,雾霾对光伏功率的影响是显著而不容忽视的;另外,历史时数据的太阳辐照度、光伏板温度、天气状况与预测时的差异很大,传统BP神经网络预测模型未能合理考虑天气因素对光伏功率的影响。而在所提出的基于相似时理论的两个BP神经网络预测模型中,对主要气象因素的处理比较精细,基本保证了历史时的太阳辐照度、光伏板温度和天气状况与预测时的相近,有效地提高了光伏功率的预测精度。
Claims (4)
1.一种计及雾霾影响的光伏功率预测方法,其特征在于包括如下步骤:
步骤1,选取空气质量指数(AQI)作为衡量雾霾轻重的指标,将其与“天气状况”一同列入光伏功率预测的历史数据源;
步骤2,数据预处理,取光伏电站所记录的1月~6月的数据,环境记录仪每5min采集一次数据,包括光伏功率(kW)、太阳辐照度(W/m2)、光伏板温度(℃)、环境温度(℃);
步骤3,模糊变量的量化,将模糊性天气状况映射为(0,1)区间上的具体数值;
步骤4,异常数据剔除,即剔除一段时间内,在太阳辐照度明显不为0时,光伏功率为0或接近于0的数据;
步骤5,归一化处理:为避免不同数据的量纲和大小范围可导致预测结果存在误差的问题,用“极差法”对各量进行归一化处理,方法如式(1)所示:
式(1)中,X为归一化处理后的数据;x为归一化处理前的数据;xmin为变量的最小值;
xmax为变量的最大值;
步骤6,构造以太阳辐照度、光伏板温度和天气状况为相似因子的时气象特征向量,计算相似度并排序,选取相似度高的若干相似时数据作为后续BP神经网络法预测模型的训练样本集;
步骤7,将基于相似时计及雾霾影响的BP神经网络预测模型与传统BP神经网络预测模型和基于相似时未考虑雾霾的BP神经网络预测模型的预测结果进行分析比较;
步骤8,建立光伏功率预测模型;由太阳辐照度(X1)、光伏板温度(X2)、环境温度(X3)、AQI(X4)和天气状况(X5)数据可以得到一个光伏功率(Y)值;得出模型下光伏输出功率的预测值与实际光伏功率(Y)值间的关系。
2.根据权利要求1所述的一种计及雾霾影响的光伏功率预测方法,其特征在于所述的步骤6中,时气象特征向量如式(1)所示:
X=[E Tm t] (1)
预测时和第i个历史光伏数据的特征向量x0、xi分别为式(2)、(3)所示:
x0=[x0(1),x0(2),x0(3)] (2)
xi=[xi(1),xi(2),xi(3)](3)。
3.根据权利要求1所述的一种计及雾霾影响的光伏功率预测方法,其特征在于所述的步骤6中,预测时的相似时的具体步骤如下:
(1)从历史数据中,逐时计算第i时与预测时的相似度Fi;
(2)按相似度从大到小的顺序排序,选取相似度Fi≥0.6的数据作为预测时的相似时,利用这组相似时的公开气象数据和光伏电站实际发电数据构成预测模型的训练样本集。
4.根据权利要求1所述的一种计及雾霾影响的光伏功率预测方法,其特征在于所述的步骤5中,进行归一化处理的各量包括光伏功率、太阳辐照度、光伏板温度、环境温度、AQI。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910971238.1A CN110796292A (zh) | 2019-10-14 | 2019-10-14 | 计及雾霾影响的光伏功率短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910971238.1A CN110796292A (zh) | 2019-10-14 | 2019-10-14 | 计及雾霾影响的光伏功率短期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110796292A true CN110796292A (zh) | 2020-02-14 |
Family
ID=69439077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910971238.1A Pending CN110796292A (zh) | 2019-10-14 | 2019-10-14 | 计及雾霾影响的光伏功率短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796292A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932008A (zh) * | 2020-08-06 | 2020-11-13 | 集美大学 | 一种可适用不同天气状况的船舶光伏输出功率预测方法 |
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*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390116A (zh) * | 2013-08-07 | 2013-11-13 | 华北电力大学(保定) | 采用分步方式的光伏电站发电功率预测方法 |
CN104200274A (zh) * | 2014-03-27 | 2014-12-10 | 国家电网公司 | 一种光伏功率预测方法 |
CN104463349A (zh) * | 2014-11-11 | 2015-03-25 | 河海大学 | 一种基于多时段综合相似日的光伏发电功率预测方法 |
CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电***功率预测方法 |
CN108564192A (zh) * | 2017-12-29 | 2018-09-21 | 河海大学 | 一种基于气象因子权重相似日的短期光伏功率预测方法 |
CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
CN109858673A (zh) * | 2018-12-27 | 2019-06-07 | 南京工程学院 | 一种光伏发电***功率预测方法 |
-
2019
- 2019-10-14 CN CN201910971238.1A patent/CN110796292A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390116A (zh) * | 2013-08-07 | 2013-11-13 | 华北电力大学(保定) | 采用分步方式的光伏电站发电功率预测方法 |
CN104200274A (zh) * | 2014-03-27 | 2014-12-10 | 国家电网公司 | 一种光伏功率预测方法 |
CN104463349A (zh) * | 2014-11-11 | 2015-03-25 | 河海大学 | 一种基于多时段综合相似日的光伏发电功率预测方法 |
CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电***功率预测方法 |
CN108564192A (zh) * | 2017-12-29 | 2018-09-21 | 河海大学 | 一种基于气象因子权重相似日的短期光伏功率预测方法 |
CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
CN109858673A (zh) * | 2018-12-27 | 2019-06-07 | 南京工程学院 | 一种光伏发电***功率预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932008A (zh) * | 2020-08-06 | 2020-11-13 | 集美大学 | 一种可适用不同天气状况的船舶光伏输出功率预测方法 |
CN111932008B (zh) * | 2020-08-06 | 2022-08-30 | 集美大学 | 一种可适用不同天气状况的船舶光伏输出功率预测方法 |
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*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Photovoltaic power forecasting with a hybrid deep learning approach | |
CN106529814B (zh) | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 | |
CN112257941B (zh) | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 | |
CN106447098B (zh) | 一种光伏超短期功率预测方法及装置 | |
CN108376262B (zh) | 一种风电出力典型特性的分析模型构建方法 | |
CN105787594B (zh) | 基于多元时间序列及回归分析的辐照预测方法 | |
CN110334870B (zh) | 基于门控循环单元网络的光伏电站短期功率预测方法 | |
CN110503153B (zh) | 基于差分进化算法和支持向量机的光伏***故障诊断方法 | |
Zhang et al. | Wavelet-based neural network with genetic algorithm optimization for generation prediction of PV plants | |
CN110866633B (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN112418346B (zh) | 一种数值天气预报总辐射***误差分类计算方法 | |
CN111985678A (zh) | 一种光伏功率短期预测方法 | |
CN110796292A (zh) | 计及雾霾影响的光伏功率短期预测方法 | |
CN115204444A (zh) | 基于改进聚类分析和融合集成算法的光伏功率预测方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
CN117060407B (zh) | 一种基于相似日划分的风电集群功率预测方法及*** | |
CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
CN111461297B (zh) | 基于mpc和elm神经网络的太阳辐照量优化预测算法 | |
CN113095534A (zh) | 一种ARIMA与改进Elman神经网络组合的风电功率预测方法 | |
Tai et al. | Power prediction of photovoltaic power generation based on LSTM model with additive Attention mechanism | |
CN116050592A (zh) | 一种多维度光伏功率预测方法及*** | |
CN113437938B (zh) | 考虑因地域差异的现场特征的光伏阵列输出功率计算方法 | |
CN112116127B (zh) | 一种基于气象过程与功率波动关联的光伏功率预测方法 | |
CN111027816B (zh) | 一种基于数据包络分析的光伏发电效率计算方法 |
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 |