CN112633565B - 一种光伏功率集合区间预测方法 - Google Patents
一种光伏功率集合区间预测方法 Download PDFInfo
- Publication number
- CN112633565B CN112633565B CN202011473590.1A CN202011473590A CN112633565B CN 112633565 B CN112633565 B CN 112633565B CN 202011473590 A CN202011473590 A CN 202011473590A CN 112633565 B CN112633565 B CN 112633565B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- interval
- prediction
- optimization
- prediction result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012850 discrimination method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 108090000672 Annexin A5 Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种光伏功率集合区间预测方法,包括:对预处理后的历史光伏功率进行非平稳时段的判别,得到非平稳时段的光伏功率;对非平稳时段的光伏功率进行特征提取,得到输入变量;根据输入变量分别进行光伏功率的点预测、区间预测,得到点预测结果、区间预测结果;分别对点预测结果、区间预测结果进行多目标优化,得到第一优化区间、第二优化区间;将第一优化区间、第二优化区间及该预测点的实际光伏功率共同作为输入进行多目标优化,得到光伏功率预测区间。效果卓越,预测精度显著提升,调度***可以更精确地评估光伏出力的波动情况。
Description
技术领域
本发明属于光伏功率预测技术领域,涉及一种光伏功率集合区间预测方法。
背景技术
光伏功率预测技术是根据光伏电站运行参数、气象特征等条件来预测未来时刻光伏输出功率的一种技术。近年来使用最为广泛的方法是人工智能法,通过机器学***滑,峰谷差较大,此时传统预测模型的预测精度较差。
发明内容
本发明的目的是提供一种光伏功率集合区间预测方法,解决了现有技术中存在的预测精度较差问题。
本发明所采用的技术方案是,一种光伏功率集合区间预测方法,包括以下步骤:
步骤1、对历史光伏功率进行数据预处理;
步骤2、对步骤1处理后的历史光伏功率进行非平稳时段的判别,得到非平稳时段的光伏功率;
步骤3、对非平稳时段的光伏功率进行特征提取,得到输入变量;
步骤4、根据输入变量分别进行光伏功率的点预测、区间预测,得到点预测结果、区间预测结果;
步骤5、分别对点预测结果、区间预测结果进行多目标优化,得到第一优化区间、第二优化区间;
步骤6、将第一优化区间、第二优化区间及该预测点的实际光伏功率共同作为输入进行多目标优化,得到光伏功率预测区间。
本发明的特点还在于:
步骤1具体过程为:采用中心极限定理对历史光伏功率进行异常数据检测、剔除,然后使用K近邻全算法和欧式距离法填补异常数据。
步骤2中采用辐功比差判别法进行非平稳时段的判别。
步骤3具体包括以下步骤:
分别计算非平稳时段光伏功率的每个影响因素变量的MIC值,选择MIC值较大的影响因素变量作为输入变量,MIC值的计算方式为:
上式中,x表示特征因素,y表示光伏出力,a、b分别x、y方向上划分格子的个数,B为变量。
步骤4中光伏功率的点预测方法为:
先将输入变量作为输入对LSTM模型进行训练,得到第一层基学习器;然后将第一层基学习器输出的预测结果与输入变量共同作为输入对第一层基学习器进行训练,得到Stack-LSTM模型;将输入变量输入Stack-LSTM模型进行预测,得到点预测结果。
步骤4中将输入变量输入BAYES神经网络进行预测,得到区间预测结果。
步骤6中,将第一优化区间、第二优化区间及该预测点的实际光伏功率共同作为输入,采用NSGA-II优化算法进行多目标优化,得到光伏功率预测区间。
本发明的有益效果是:
本发明一种光伏功率集合区间预测方法,对历史数据进行预处理,采用MIC理论进行特征选择,可以消除无关变量,从而减小计算量,加快模型训练过程;NSGA-II网络模型对预测结果进行多目标优化,提高整体的预测精度;本发明的集合概率预报模型,效果卓越,预测精度显著提升,调度***可以更精确地评估光伏出力的波动情况。
附图说明
图1是本发明一种光伏功率集合区间预测方法的流程图;
图2是本发明一种光伏功率集合区间预测方法中采用Stack-LSTM模型的电站1点预测结果图;
图3是本发明一种光伏功率集合区间预测方法中采用Stack-LSTM模型的电站2点预测结果图;
图4是本发明一种光伏功率集合区间预测方法中采用LSTM模型的电站1点预测结果图;
图5是本发明一种光伏功率集合区间预测方法中采用LSTM模型的电站2点预测结果图;
图6是本发明一种光伏功率集合区间预测方法中采用ANN模型的电站1点预测结果图;
图7是本发明一种光伏功率集合区间预测方法中采用ANN模型的电站2点预测结果图;
图8是本发明一种光伏功率集合区间预测方法中电站1区间预测结果图;
图9是本发明一种光伏功率集合区间预测方法中电站2区间预测结果图;
图10是本发明一种光伏功率集合区间预测方法中NSGA-Ⅱ优化算法流程图;
图11是本发明一种光伏功率集合区间预测方法中电站1优化前后预测结果对比图;
图12是本发明一种光伏功率集合区间预测方法中电站2优化前后预测结果对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
一种光伏功率集合区间预测方法,如图1所示,包括以下步骤:
步骤1、对历史光伏功率进行数据预处理;
采用中心极限定理对历史光伏功率进行异常数据检测、剔除,然后使用K近邻全算法和欧式距离法填补异常数据。
步骤2、光伏出力受到天气和辐照度等因素的影响较大,且周期性较强,常见出力曲线类型有平稳出力型、非平稳出力型。采用辐功比差判别法对步骤1处理后的历史光伏功率进行非平稳时段的判别,得到非平稳时段的光伏功率;
步骤2.1、给定参数辐功比差,其计算公式:
式中:St-1为数据样本中第t-1个样本的辐照度;St为数据样本中第t个样本的辐照度;
步骤2.2、根据下式对Xt取值范围进行划分:
步骤2.3、对Xt的取值进行判别,当Xt取值在[0.7,1.3]上时,认定为平稳出力时段,除此以外的情况均为非平稳出力时段。
步骤3、采用MIC方法对非平稳时段的光伏功率进行特征提取,得到输入变量;MIC方法具体为:将当前二维空间在x,y方向分别划分为一定的区间数,然后查看当前的散点在各个方格中的落入情况,即联合概率的计算;
具体过程为:分别计算非平稳时段光伏功率的影响因素变量MIC值,选择MIC值较大的影响因素变量作为输入变量,本实施例中选择辐照度、湿度、温度、风速作为输入变量,MIC值的计算方式为:
上式中,x表示特征因素,y表示光伏出力,a、b分别x、y方向上划分格子的个数,B为变量;
步骤4、根据输入变量分别进行光伏功率的点预测、区间预测,得到点预测结果、区间预测结果;
步骤4.1先将输入变量作为输入对LSTM模型进行训练,得到第一层基学习器;然后将第一层基学习器输出的预测结果与输入变量共同作为输入对第一层基学习器进行训练,得到第二层基学习器,即Stack-LSTM模型;将输入变量输入Stack-LSTM模型进行预测,得到点预测结果;
具体的,步骤4.1.1、将数据集划分为n个子集I1,I2,......In;
步骤4.1.2、基于这n个子集,分别输入LSTM算法中,得到第一次预测结果w1,w2,......wn;
步骤4.1.3、将第一次预测结果作为额外的特征,添加到原有的特征中,构成新的输入特征x′1,x′2,......x′l=(x1,x2,......xl,w1,w2,......wn),再次输入到LSTM算法中,进行第二次预测并得到精度更高的结果。
步骤4.2、将输入变量输入BAYES神经网络进行预测,得到区间预测结果。在复杂天气条件下,光伏电站短时出力不平稳,确定性预测方法的预测精度显著降低,相较于确定性预测,使用贝叶斯(BAYES)神经网络进行区间预测能够给出预测时刻光伏设备所有可能的出力值区间分布。
步骤5、采用NSGA-II优化算法分别对点预测结果、区间预测结果进行多目标优化,得到第一优化区间、第二优化区间;
步骤6、将第一优化区间、第二优化区间及该预测点的实际光伏功率共同作为输入进行多目标优化,得到光伏功率预测区间。
NSGA-II优化算法进行多目标优化。首先,随机产生规模为N的初始种群,非支配排序后通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群;其次,从第二代开始,将父代种群与子代种群合并,进行快速非支配排序,同时对每个非支配层中的个体进行拥挤度计算,根据非支配关系及个体的拥挤度选取合适的个体组成新的父代种群;最后,通过遗传算法的基本操作产生新的子代种群;以此类推,直到满足程序结束的条件,具体流程图如图10所示。
步骤6.1、将第一优化区间、第二优化区间及该预测点的实际光伏功率共同作为输入;
步骤6.2、通过输入,构建基本的NSGA-II网络模型,进行多目标优化,优化目标为最小的区间宽度(PINAW)、最大的区间覆盖率(PICP);
步骤6.3、对NSGA-II网络模型进行验证。
实施例
本发明选取国能日新第二届光伏预测大赛官方提供的数据来进行预测研究,选取2017年一整年的电站1和电站2的出力数据,原始数据为2017年一整年完整的数据,数据时间步长为15分钟,每天24小时采样到的数据,电站1共32848组数据,电站2共33060组数据。由于光伏出力的周期性和间歇性,本发明只选取白天发电时刻的数据,剔除晚上不发电时间段的数据,同时对数据中所存在的异常数据、缺失数据、错误数据进行处理修复后,最终电站1共保留了16018组有效数据,电站2共保留了16427组有效数据。前90%为训练集,后10%为测试集。
经过本发明的优化处理,预测精度有了大幅度的提升,为了量化这种不确定性的提升程度,具体数据对比如表1:
表1多目标优化前后对比表
由表1可以得到,经过多目标优化,在同一区间覆盖率下,相较于未经优化的预测模型,区间宽度减小了10%-20%,这意味着预测精度提升了至少10%以上。与边界估值理论方法相比,同等区间覆盖率下,本发明的预测模方法对确定性预测结果和区间预测结果进行多目标优化后,如图11-12所示,预测精度提升20%以上,显著提高了光伏功率预测的预测精度。
选取两组不同来源的数据分别进行Stack-LSTM模型、BAYES神经网络进行验证,从图2-7中可以明显看出,本发明的Stack-LSTM模型相较于LSTM模型、ANN模型的曲线贴合度最高,预测精度也最高。区间预测结果如图8-9所示,相较于确定性点预测而言,在非平稳出力时段,区间预测能够尽可能的预测该点的可能出力情况,这可以使得调度***能够及时调整调度策略,最大程度上保证电网的安全稳定运行。
通过以上方式,本发明一种光伏功率集合区间预测方法,对历史数据进行预处理,采用MIC理论进行特征选择,可以消除无关变量,从而减小计算量,加快模型训练过程;NSGA-II网络模型对预测结果进行多目标优化,提高整体的预测精度;本发明的集合概率预报模型,效果卓越,预测精度显著提升,调度***可以更精确地评估光伏出力的波动情况。
Claims (5)
1.一种光伏功率集合区间预测方法,其特征在于,包括以下步骤:
步骤1、对历史光伏功率进行数据预处理;
步骤2、对步骤1处理后的所述历史光伏功率进行非平稳时段的判别,得到非平稳时段的光伏功率;
步骤3、对所述非平稳时段的光伏功率进行特征提取,得到输入变量;
步骤4、根据所述输入变量分别进行光伏功率的点预测、区间预测,得到点预测结果、区间预测结果;
步骤5、分别对所述点预测结果、区间预测结果进行多目标优化,得到第一优化区间、第二优化区间;
步骤6、将所述第一优化区间、第二优化区间及预测点的实际光伏功率共同作为输入进行多目标优化,得到光伏功率预测区间;
步骤2中采用辐功比差判别法进行非平稳时段的判别;
步骤3具体包括以下步骤:
分别计算非平稳时段光伏功率的每个影响因素变量的MIC值,选择MIC值较大的影响因素变量作为输入变量,MIC值的计算方式为:
(3);
上式中,x表示特征因素,y表示光伏出力,a、b分别x、 y方向上划分格子的个数,B为变量。
2.根据权利要求1所述的一种光伏功率集合区间预测方法,其特征在于, 步骤1具体过程为:采用中心极限定理对历史光伏功率进行异常数据检测、剔除,然后使用K近邻全算法和欧式距离法填补异常数据。
3.根据权利要求1所述的一种光伏功率集合区间预测方法,其特征在于,步骤4中所述光伏功率的点预测方法为:
先将所述输入变量作为输入对LSTM模型进行训练,得到第一层基学习器;然后将第一层基学习器输出的预测结果与输入变量共同作为输入对第一层基学习器进行训练,得到Stack-LSTM模型;将所述输入变量输入Stack-LSTM模型进行预测,得到点预测结果。
4.根据权利要求1所述的一种光伏功率集合区间预测方法,其特征在于,步骤4中将所述输入变量输入BAYES神经网络进行预测,得到区间预测结果。
5.根据权利要求1所述的一种光伏功率集合区间预测方法,其特征在于,步骤6中,将所述第一优化区间、第二优化区间及预测点的实际光伏功率共同作为输入,采用NSGA-II优化算法进行多目标优化,得到光伏功率预测区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011473590.1A CN112633565B (zh) | 2020-12-15 | 2020-12-15 | 一种光伏功率集合区间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011473590.1A CN112633565B (zh) | 2020-12-15 | 2020-12-15 | 一种光伏功率集合区间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633565A CN112633565A (zh) | 2021-04-09 |
CN112633565B true CN112633565B (zh) | 2023-07-25 |
Family
ID=75312750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011473590.1A Active CN112633565B (zh) | 2020-12-15 | 2020-12-15 | 一种光伏功率集合区间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633565B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780643A (zh) * | 2021-08-31 | 2021-12-10 | 陕西燃气集团新能源发展股份有限公司 | 一种基于事例推理的光伏电站短期出力预测方法 |
CN118199061A (zh) * | 2024-05-17 | 2024-06-14 | 宁波送变电建设有限公司甬城配电网建设分公司 | 一种可再生能源的短期功率预测方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007003390A (ja) * | 2005-06-24 | 2007-01-11 | National Institute Of Advanced Industrial & Technology | 太陽光発電評価システム |
CN105826946A (zh) * | 2016-05-09 | 2016-08-03 | 东北电力大学 | 大规模光伏接入的配电网动态无功优化方法 |
JP2016224320A (ja) * | 2015-06-02 | 2016-12-28 | 沖電気工業株式会社 | 情報処理装置及び情報処理方法 |
CN107453396A (zh) * | 2017-08-02 | 2017-12-08 | 安徽理工大学 | 一种分布式光伏电源出力的多目标优化调度方法 |
CN108921339A (zh) * | 2018-06-22 | 2018-11-30 | 南京工程学院 | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 |
CN110059862A (zh) * | 2019-03-25 | 2019-07-26 | 国网浙江省电力有限公司电力科学研究院 | 一种基于自编码与极限学习机的光伏区间预测方法和*** |
CN111353653A (zh) * | 2020-03-13 | 2020-06-30 | 大连理工大学 | 一种光伏出力短期区间预测方法 |
-
2020
- 2020-12-15 CN CN202011473590.1A patent/CN112633565B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007003390A (ja) * | 2005-06-24 | 2007-01-11 | National Institute Of Advanced Industrial & Technology | 太陽光発電評価システム |
JP2016224320A (ja) * | 2015-06-02 | 2016-12-28 | 沖電気工業株式会社 | 情報処理装置及び情報処理方法 |
CN105826946A (zh) * | 2016-05-09 | 2016-08-03 | 东北电力大学 | 大规模光伏接入的配电网动态无功优化方法 |
CN107453396A (zh) * | 2017-08-02 | 2017-12-08 | 安徽理工大学 | 一种分布式光伏电源出力的多目标优化调度方法 |
CN108921339A (zh) * | 2018-06-22 | 2018-11-30 | 南京工程学院 | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 |
CN110059862A (zh) * | 2019-03-25 | 2019-07-26 | 国网浙江省电力有限公司电力科学研究院 | 一种基于自编码与极限学习机的光伏区间预测方法和*** |
CN111353653A (zh) * | 2020-03-13 | 2020-06-30 | 大连理工大学 | 一种光伏出力短期区间预测方法 |
Non-Patent Citations (4)
Title |
---|
Pavel Kromer等.Evolutionary prediction of photovoltaic power plant energy production.GECCO '12: Proceedings of the 14th annual conference companion on Genetic and evolutionary computation.2012,全文. * |
基于模型预测控制的风电集群多时间尺度有功功率优化调度策略研究;路朋等;中国电机工程学报;第39卷(第22期);全文 * |
基于模糊信息粒化的光伏出力区间预测;陈云龙;殷豪;孟安波;周亚武;;电测与仪表(第14期);全文 * |
基于遗传算法优化BP神经网络的光伏阵列短期功率预测;付宗见;梁明亮;王艳萍;;电子器件(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112633565A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN105631558A (zh) | 基于相似日的bp神经网络光伏发电***功率预测方法 | |
Yang et al. | Day-ahead forecasting of photovoltaic output power with similar cloud space fusion based on incomplete historical data mining | |
CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN110516840A (zh) | 基于改进随机森林方法的风光发电出力的短期预测方法 | |
CN112633565B (zh) | 一种光伏功率集合区间预测方法 | |
CN111191854A (zh) | 一种基于线性回归及神经网络的光伏发电预测模型和方法 | |
Kolhe et al. | GA-ANN for short-term wind energy prediction | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
CN109242200B (zh) | 一种贝叶斯网络预测模型的风电功率区间预测方法 | |
CN115425680A (zh) | 一种多能源联合发电***的功率预测模型构建及预测方法 | |
CN115049163B (zh) | 基于禁忌搜索与深度稳定学习的光伏区域预测方法及装置 | |
CN110909310A (zh) | 一种基于模型参数优化的光伏短期发电量预测方法及*** | |
CN110197296A (zh) | 一种基于时间序列相似性的机组负荷预测方法 | |
CN115965132A (zh) | 基于ga-bp神经网络的分布式光伏数字孪生***功率预测方法 | |
CN105956708A (zh) | 基于灰关联时间序列的短期风速预测方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN109767353A (zh) | 一种基于概率分布函数的光伏发电功率预测方法 | |
CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及*** | |
CN116154875A (zh) | 基于tcn和误差函数的光伏电站有功功率优化分配方法 | |
Xiyun et al. | A combination method in photovoltaic power forecasting based on the correlation coefficient | |
CN113836819B (zh) | 一种基于时序关注的床温预测方法 | |
CN115544895A (zh) | 光伏电站年出力保证率模型优化方法 |
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 |