CN110956312B - 基于emd-cnn深度神经网络的光伏配电网电压预测方法 - Google Patents
基于emd-cnn深度神经网络的光伏配电网电压预测方法 Download PDFInfo
- Publication number
- CN110956312B CN110956312B CN201911117638.2A CN201911117638A CN110956312B CN 110956312 B CN110956312 B CN 110956312B CN 201911117638 A CN201911117638 A CN 201911117638A CN 110956312 B CN110956312 B CN 110956312B
- Authority
- CN
- China
- Prior art keywords
- voltage
- data
- neural network
- emd
- power distribution
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 10
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 2
- 238000007418 data mining Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000926 separation method Methods 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (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‑CNN深度神经网络的光伏配电网电压预测方法。本发明的方法包括:步骤1,对原始电压时间序列数据进行最大最小归一化处理;步骤2,进行经验模态EMD分解,得到不同频率的固有模态分量以及一项残差分量;步骤3,构造输入数据矩阵:分别将固有模态分量按照二维数据矩阵排列置于不同通道中,利用卷积核实现各平稳分量中特征提取;步骤4,训练卷积神经网络CNN预测模型并进行预测。本发明从***的角度出发,通过数据挖掘的手段来针对性地对含高比例光伏配电网的电压进行高精度预测,掌握电压变化趋势,为实现高比例光伏配电网的无功电压智能化高效运行提供有力的数据支撑。
Description
技术领域
本发明涉及配电网电压预测领域,具体地说是一种基于EMD-CNN深度神经网络的光伏配电网电压预测方法。
背景技术
近年来太阳能发电容量迅速增加,配电网中的分布式光伏比例越来越高。然而,在含高比例光伏配电网中,受太阳辐照强度、温度以及云层等因素影响,光伏并网功率会发生突变,从而导致节点电压明显波动;而且户用光伏产权属于用户,负荷的波动的影响将进一步增加电网运行的不确定性,使得低压配电网电压越限和波动的风险加剧。随着人工智能技术的发展,精确的电压预测为配电网稳定运行提供了新的思路。
在含高比例分布式光伏配电网中,存在光伏出力远高于负荷消纳水平的情况,甚至存在功率倒送和电压越限现象,因此传统电压控制方法并不适用于此极端情况。目前电力***预测领域的研究主要围绕新能源发电功率及负荷预测展开,基于含分布式光伏配电网电压预测还少有涉及。
智能电网是大数据的重要技术应用领域之一。随着智能电网的发展,高级量测体系、各种监控***的大规模部署产生且积累了大量数据,充分挖掘这些数据的价值具有重要意义,通过对电压特点的研究,提出适用于电压预测的智能方法以准确掌握电压变化趋势,对于高比例光伏配电网的稳定高效运行十分重要。
发明内容
为解决上述现有技术存在的缺陷,本发明提供一种基于EMD-CNN深度神经网络的光伏配电网电压预测方法,其从***的角度出发,通过数据挖掘的手段来针对性地对含高比例光伏配电网的电压进行高精度预测,掌握电压变化趋势,为实现高比例光伏配电网的无功电压智能化高效运行提供有力的数据支撑。
本发明采用如下的技术方案:基于EMD-CNN深度神经网络的光伏配电网电压预测方法,其包括:
步骤1,对原始电压时间序列数据进行最大最小归一化处理,使得原始数据位于[0,1]区间;
步骤2,将经过归一化处理后的电压时间序列数据进行经验模态EMD分解,得到不同频率的固有模态分量以及一项残差分量;
步骤3,构造输入数据矩阵:分别将固有模态分量按照二维数据矩阵排列置于不同通道中,利用卷积核实现各平稳分量中特征提取;
步骤4,训练卷积神经网络CNN预测模型并进行预测:划分输入数据矩阵的数据集为训练集和测试集,将训练集输入卷积神经网络CNN模型,经过反向传播算法进行梯度下降法训练得到预测模型,输入测试集数据得到电压预测结果。
进一步地,步骤1中,归一化处理公式如下:
式中,v*(t)为归一化处理后的电压时间序列数据,v0(t)为原始电压时间序列数据,vmax与vmin分别为电压的最大值与最小值。
进一步地,所述的步骤2包含以下三个步骤:
步骤21:找出原始电压时间序列信号v0(t)中的所有极大值点,并用样条插值函数拟合形成原始电压时间序列信号的上包络线lup(t);
步骤22:方法同步骤21,找出原始电压时间序列信号v0(t)中的所有极小值点及下包络线ldown(t),得到上下包络线的平均值l1(t)如下式:
步骤23:将原始电压时间序列信号v0(t)与第一次得到的平均包络线l1(t)相减,得到新的待筛选信号v1(t)=v0(t)-l1(t),重复步骤21和22,直到经过k次循环后vk(t)满足IMF分解终止条件终止(本征模函数Intrinsic Mode Function,简称IMF),在此过程中各个分量的值如下式:
式中:IMFi(t)为分解出来的各个固有模态分量分量,r(t)为残差分量,通过上述分解过程,原始电压时间序列v0(t)表示为:
更进一步地,所述的步骤23中,为加速对大量电压时序数据的经验模态分解,采用加以改进的传统限定标准差终止条件,即若lup(t)、ldown(t)分别为原始电压时间序列信号的上、下包络线,构造新的终止条件形式,如下式:
再进一步地,步骤23中,对于给定的3个限定值θ1、θ2和α,得到2个分解终止条件:
1)满足δ(t)<θ1的时间点个数与时间序列总长度比值大于等于1-α,得到终止条件1如下式:
式中:D为分解信号全部时间点的离散表示;
2)终止条件2为:对于每个时间点t满足条件如下式:
δ(t)<θ2,θ2=10θ1。
进一步地,步骤3中,为实现不同时间尺度的特征提取,需要搭建卷积层;
在卷积层中,稀疏连接和权重共享通过卷积核实现,它在不改变其权重的情况下在不同的输入通道上进行卷积运算,而各个通道可分别放置EMD各分解分量;不同的过滤器具有不同的权重即wj各不相同,并且每个过滤器在所有输入通道上共享权重,各个过滤器为下一层生成K个通道的输出数据,各个卷积核输出结果分别放置在不同通道中。
进一步地,步骤3中,第j个卷积核的输出yj如下式:
式中:xi是第i个通道的输入,wj和bj分别是第j个滤波器的权重和偏差,xi和wj都是2维数据形式;C和K分别代表输入通道和滤波器的数量,*表示卷积运算,a是卷积层的激活函数,选择tanh或线性整流函数ReLU。
进一步地,经过几次卷积和下采样操作后,特征映射的格式仍为2维形式,需要将它们展平为1维数据形式,处理后的数据将被输入一个或多个全连接层,每层中的节点数逐渐减少,最终输出输入为点预测的数据格式。
进一步地,卷积层和全连接层连接搭建好的卷积神经网络通过步骤3中构造的数据集进行反向传播算法训练,将参数训练好的模型进行电压点预测,电压点预测的评价标准用平均绝对百分比误差MAPE和平均绝对误差MAE:
式中:Vmeas(i)为第i时刻节点电压实测值,Vpred(i)为第i时刻模型预测输出值。
与最接近的现有技术相比,本发明具有的有益效果是:
1、本发明利用CNN的不同通道权重共享的特点,将不同的电压EMD分解分量置于输入数据的不同通道进行预测。与其他混合预测模型相比,该方法不仅降低了模型的复杂度,更能够使得卷积核能够全面提取分解分量的特征,提高预测精度。
2、本发明从数据驱动的角度出发,通过数据挖掘的方法针对性的对含分布式光伏配电网的电压进行高精度预测,为实现高比例光伏配电网的无功电压智能化高效运行提供有力的数据支撑。
附图说明
图1为本发明实施例的流程图;
图2是本发明应用例中的某电压时间序列EMD分解结果图;
图3为本发明应用例中的预测结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行深入地详细说明。应当理解,此处所描述的实施例仅仅用以解释本发明,并不用于限定发明。
实施例
如图1所示,本发明所述的一种基于EMD-CNN深度神经网络的光伏配电网电压预测方法,流程如图1所示,具体包括以下步骤:
步骤1对原始电压时间序列数据进行归一化处理
选取含分布式光伏配电网中某关键节点电压数据为研究对象,由于低压光伏配电网的节点电压大致波动范围在230-240V左右,为了便于深度神经网络预测模型训练以及特征提取,将电压时间序列数据进行最大最小归一化处理,使得原始数据位于为[0,1]区间,归一化处理公式如式(1):
式中,v*(t)为归一化处理后的电压时间序列数据,v0(t)为原始电压时间序列数据,vmax与vmin分别为电压的最大值与最小值。
步骤2将归一化的电压时间序列数据进行EMD分解
由于含分布式光伏的配电网节点电压与光伏的输出功率以及负荷的波动有关,所以无功电压时间序列呈现高波动性、可变性及随机性。电压序列中往往包含尖峰和波动等形式的非线性和动态分量,会降低无功电压预测精度。因此,为了降低CNN的训练难度并提高预测精度,将步骤1归一化处理的电压时间序列数据进行EMD分解,从复杂的原始信号中获取不同的固有模态分量IMF(t)和一项残差分量r(t),从而产生平稳的时序分量,使得预测模型能够更好地捕捉各个分量的变化规律。
所述步骤2包含以下三个步骤:
步骤21:找出原始电压时间序列信号v0(t)中的所有极大值点,并用样条插值函数拟合形成原信号的上包络线lup(t)。
步骤22:方法同步骤21,找出原信号的极小值点及下包络线ldown(t)。得到上下包络线的平均值l1(t)如式(2):
步骤23:将原始信号v0(t)与第一次得到的平均包络线l1(t)相减,得到新的待筛选信号v1(t)=v0(t)-l1(t),重复步骤21和22,直到经过k次循环后vk(t)满足IMF分解终止条件终止。在此过程中各个分量的值如式(3):
式中:IMFi(t)为分解出来的各个固有模态分量分量,r(t)为残差分量。通过上述分解过程,原始电压时间序列v0(t)可表示为如式(4):
为加速对大量电压时序数据的EMD分解,采用加以改进的传统限定标准差终止条件。若lup(t)、ldown(t)分别为原始信号的上、下包络线,构造新的终止条件形式,如式(5):
对于给定的3个限定值θ1、θ2和α,能够得到2个分解终止条件:
(1)满足δ(t)<θ1的时间点个数与时间序列总长度比值大于等于1-α,得到终止条件1如式(6):
式中:D为分解信号全部时间点的离散表示,θ1=0.05,α=0.05。
(2)终止条件2为对于每个时间点t满足条件如式(7):
δ(t)<θ2,θ2=10θ1 式(7)
步骤3构造输入数据矩阵
针对卷积神经网络输入数据为二维矩阵形式的特点,对于经过步骤1和步骤2归一化处理并进行EMD分解的电压时间序列数据,分别将固有模态分量按照二维数据矩阵排列置于不同通道中,利用卷积核实现各相对较平稳分量中特征提取。通过滑动时间窗口的形式构造训练集得到n个样本,用于卷积神经网络预测模型训练。
为实现不同时间尺度的特征提取,需要搭建卷积层。在卷积层中,稀疏连接和权重共享通过卷积核实现,它可以在不改变其权重的情况下在不同的输入通道上进行卷积运算,而各个通道可以分别放置EMD各分解分量。不同的过滤器通常具有不同的权重即wj各不相同,并且每个过滤器在所有输入通道上共享权重,从而大大节省了计算空间并降低了过度拟合的可能性。各个过滤器为下一层生成K个通道的输出数据,各个卷积核输出结果分别放置在不同通道中,其中第j个卷积核的输出yj如式(8):
式中:xi是第i个通道的输入,wj和bj分别是第j个滤波器的权重和偏差。xi和wj都是2维数据形式。C和K分别代表输入通道和滤波器的数量,*表示卷积运算,a是卷积层的激活函数,通常选择tanh或线性整流函数ReLU。
由于卷积核只能够在相应的感受野中提取局部特征,卷积层中的任何单个通道都无法反映出全局特征,所以全连接层对于完整的CNN结构仍然是必不可少的。经过几次卷积和下采样操作后,特征映射的格式仍为2维形式,需要将它们展平为1维数据形式。处理后的数据将被输入一个或多个全连接层,每层中的节点数逐渐减少,最终输出输入为点预测的数据格式。
步骤4训练CNN卷积神经网络预测模型并进行预测
划分输入数据矩阵的数据集为训练集和测试集,将训练集输入卷积神经网络CNN模型,经过反向传播算法进行梯度下降法训练得到预测模型。
卷积层和全连接层连接搭建好的卷积神经网络通过步骤3中构造的数据集进行反向传播算法训练,将参数训练好的模型进行电压点预测,输入测试集数据得到电压预测结果,其中评价标准用平均绝对百分比误差MAPE和平均绝对误差MAE如式(9)~(10):
式中:Vmeas(i)为第i时刻节点电压实测值,Vpred(i)为第i时刻模型预测输出值。在测试集的误差越小,模型预测精度越高。
应用例
1)对原始电压时间序列数据进行归一化处理
针对某含分布式光伏配电网,选取配电网中某关键节点电压历史运行数据为研究对象,相邻时间节点间隔为1小时,时间跨度从16年8月到18年6月近两年时间。通过对电压数据最大最小归一化处理,将原始数据取值置于[0,1]区间。
2)将归一化的电压时间序列数据进行EMD分解
将归一化电压时间序列数据进行EMD分解,得到固有模态分量及残差分量,选取步骤2中的终止条件1为分解结束条件,得到各个分量与原始信号对比结果如图2所示。
3)构造输入数据矩阵
选取2维滑动时间窗口大小为7×24,连续滑动得到数据对,对于分解的不同分量分别放置在不同通道中,得到包含近15000个样本的数据集,设置训练集和测试集比例为6:1,划分样本数据集。
4)训练CNN卷积神经网络预测模型并进行预测
通过python编程实现卷积神经网络的搭建,在本应用例中,设置两层卷积层及两层全连接层,通过超参数的调整,训练网络使得泛化误差最小,即在测试集中的预测更加准确。通过训练好的模型输入测试集数据,得到预测结果。为了验证本发明模型的准确性,选取BPNN、SVR、CNN、EMD-SVR模型与本发明模型比较,比较结果如图3所示。
Claims (9)
1.基于EMD-CNN深度神经网络的光伏配电网电压预测方法,其特征在于,包括:
步骤1,对原始电压时间序列数据进行最大最小归一化处理,使得原始数据位于[0,1]区间;
步骤2,将经过归一化处理后的电压时间序列数据进行经验模态EMD分解,得到不同频率的固有模态分量以及一项残差分量;
步骤3,构造输入数据矩阵:分别将固有模态分量按照二维数据矩阵排列置于不同通道中,利用卷积核实现各平稳分量中特征提取;
步骤4,训练卷积神经网络CNN预测模型并进行预测:划分输入数据矩阵的数据集为训练集和测试集,将训练集输入卷积神经网络CNN模型,经过反向传播算法进行梯度下降法训练得到预测模型,输入测试集数据得到电压预测结果;
所述的步骤2包含以下三个步骤:
步骤21:找出原始电压时间序列信号v0(t)中的所有极大值点,并用样条插值函数拟合形成原始电压时间序列信号的上包络线lup(t);
步骤22:方法同步骤21,找出原始电压时间序列信号v0(t)中的所有极小值点及下包络线ldown(t),得到上下包络线的平均值l1(t)如下式:
步骤23:将原始电压时间序列信号v0(t)与第一次得到的平均包络线l1(t)相减,得到新的待筛选信号v1(t)=v0(t)-l1(t),重复步骤21和22,直到经过k次循环后vk(t)满足IMF分解终止条件终止,在此过程中各个分量的值如下式:
式中:IMFi(t)为分解出来的各个固有模态分量,r(t)为残差分量,通过上述分解过程,原始电压时间序列v0(t)表示为:
6.根据权利要求1或2所述的基于EMD-CNN深度神经网络的光伏配电网电压预测方法,其特征在于,步骤3中,为实现不同时间尺度的特征提取,需要搭建卷积层;
在卷积层中,稀疏连接和权重共享通过卷积核实现,它在不改变其权重的情况下在不同的输入通道上进行卷积运算,而各个通道可分别放置EMD各分解分量;不同的过滤器具有不同的权重即wj各不相同,并且每个过滤器在所有输入通道上共享权重,各个过滤器为下一层生成K个通道的输出数据,各个卷积核输出结果分别放置在不同通道中。
8.根据权利要求7所述的基于EMD-CNN深度神经网络的光伏配电网电压预测方法,其特征在于,经过几次卷积和下采样操作后,特征映射的格式仍为2维形式,需要将它们展平为1维数据形式,处理后的数据将被输入一个或多个全连接层,每层中的节点数逐渐减少,最终输出输入为点预测的数据格式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911117638.2A CN110956312B (zh) | 2019-11-15 | 2019-11-15 | 基于emd-cnn深度神经网络的光伏配电网电压预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911117638.2A CN110956312B (zh) | 2019-11-15 | 2019-11-15 | 基于emd-cnn深度神经网络的光伏配电网电压预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956312A CN110956312A (zh) | 2020-04-03 |
CN110956312B true CN110956312B (zh) | 2022-11-15 |
Family
ID=69977385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911117638.2A Active CN110956312B (zh) | 2019-11-15 | 2019-11-15 | 基于emd-cnn深度神经网络的光伏配电网电压预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956312B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507766B (zh) * | 2020-04-16 | 2021-06-18 | 宁波谦屹节能科技有限公司 | 应用区块链和人工智能的微电网电力大数据交易管理*** |
CN112018755A (zh) * | 2020-07-03 | 2020-12-01 | 国网浙江省电力有限公司电力科学研究院 | 基于循环神经网络的光伏配电网无功电压预测方法及*** |
CN112564098B (zh) * | 2020-12-02 | 2022-08-30 | 国网浙江省电力有限公司电力科学研究院 | 基于时间卷积神经网络的高比例光伏配电网电压预测方法 |
CN112803398A (zh) * | 2021-01-08 | 2021-05-14 | 武汉数澎科技有限公司 | 基于经验模态分解和深度神经网络的负荷预测方法及*** |
CN113300379B (zh) * | 2021-05-08 | 2022-04-29 | 武汉大学 | 一种基于深度学习的电力***无功电压控制方法及*** |
CN114169493B (zh) * | 2021-11-04 | 2024-05-24 | 浙江大学 | 基于尺度感知神经架构搜索的多变量时间序列预测方法 |
CN117220287B (zh) * | 2023-11-09 | 2024-02-06 | 四川大学 | 一种发电量预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373856A (zh) * | 2015-11-23 | 2016-03-02 | 江苏省电力公司南通供电公司 | 一种考虑游程检测法重构的风电功率短时组合预测方法 |
CN108549929A (zh) * | 2018-03-29 | 2018-09-18 | 河海大学 | 一种基于深层卷积神经网络的光伏功率预测方法 |
-
2019
- 2019-11-15 CN CN201911117638.2A patent/CN110956312B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373856A (zh) * | 2015-11-23 | 2016-03-02 | 江苏省电力公司南通供电公司 | 一种考虑游程检测法重构的风电功率短时组合预测方法 |
CN108549929A (zh) * | 2018-03-29 | 2018-09-18 | 河海大学 | 一种基于深层卷积神经网络的光伏功率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110956312A (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956312B (zh) | 基于emd-cnn深度神经网络的光伏配电网电压预测方法 | |
Raza et al. | An ensemble framework for day-ahead forecast of PV output power in smart grids | |
CN111008728B (zh) | 一种用于分布式光伏发电***短期出力的预测方法 | |
CN108304623B (zh) | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN110738344B (zh) | 电力***负荷预测的分布式无功优化方法及装置 | |
CN108336739B (zh) | 一种基于rbf神经网络的概率潮流在线计算方法 | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
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 | |
CN107766986A (zh) | 泄漏积分型回声状态网络在线学习光伏功率预测方法 | |
CN109599872B (zh) | 基于堆栈降噪自动编码器的电力***概率潮流计算方法 | |
CN110287540B (zh) | 一种基于精英群众差分进化算法的光伏电池参数辨识方法 | |
CN112330050A (zh) | 一种基于双层XGBoost考虑多特征的电力***负荷预测方法 | |
CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
CN111242353A (zh) | 风电功率组合预测建模和预测方法 | |
CN110675278A (zh) | 一种基于rbf神经网络的光伏功率短期预测方法 | |
CN116258269A (zh) | 一种基于负荷特征分解的超短期负荷动态预测方法 | |
Rana et al. | A data-driven approach for forecasting state level aggregated solar photovoltaic power production | |
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 | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
Tajjour et al. | Power generation forecasting of a solar photovoltaic power plant by a novel transfer learning technique with small solar radiation and power generation training data sets | |
CN110991689A (zh) | 基于LSTM-Morlet模型的分布式光伏发电***短期预测方法 | |
CN106100582A (zh) | 基于带遗忘因子的递推最小二乘光伏电池参数辨识方法 | |
Su et al. | A LSTM based wind power forecasting method considering wind frequency components and the wind turbine states | |
CN110365014B (zh) | 一种考虑电压灵敏度时变特性的电压分区方法 |
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 |