CN112927097A - 基于GRA-ABC-Elman模型的光伏发电功率短期预测方法 - Google Patents
基于GRA-ABC-Elman模型的光伏发电功率短期预测方法 Download PDFInfo
- Publication number
- CN112927097A CN112927097A CN202110124002.1A CN202110124002A CN112927097A CN 112927097 A CN112927097 A CN 112927097A CN 202110124002 A CN202110124002 A CN 202110124002A CN 112927097 A CN112927097 A CN 112927097A
- Authority
- CN
- China
- Prior art keywords
- meteorological
- power generation
- elman
- neural network
- photovoltaic power
- 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 39
- 238000010248 power generation Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 235000012907 honey Nutrition 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 27
- 241000257303 Hymenoptera Species 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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"
-
- 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)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公布了基于GRA‑ABC‑Elman模型的光伏发电功率短期预测方法,主要包括:采集光伏电站历史发电功率数据以及气象站对应时间段的气象信息作为气象、功率样本数据;剔除气象数据中的异常、重复数据,对所有特征作灰色关联度分析,提取重要特征作为神经网络的训练输入集;建立Elman神经网络,确定网络拓扑结构,初始化其各项参数;利用人工蜂群算法不断优化Elman神经网络的权值和阈值;利用优化后的网络建立光伏发电功率短期预测模型并输入气象‑功率样本数据进行训练;将待预测日的气象信息输入训练好的预测模型中,对待预测日的发电功率进行预测。本发明能够准确的预测光伏电站短期发电功率,便于电网调度运行。
Description
技术领域
本发明涉及光伏发电领域,特别是涉及基于GRA-ABC-Elman模型的光伏发电功率短期预测方法。
背景技术
近年来,环境污染问题日益严重,世界各国对节能减排的要求不断提高,全球对电力能源的需求量又逐年增加,所以可再生能源的开发和利用是解决能源危机的重要途径。光伏发电以其清洁无污染和永不枯竭的独特魅力迅速成为了世界关注和研究的热点,然而气象环境因素使其输出具有很强的波动性和间歇性,影响了光伏并网后的稳定性,使光伏发电难以得到大规模应用。因此,对光伏电站的发电功率进行预测不但可以减轻光伏并网给电力***带来的不利影响;而且将光伏发电与电网调度、负荷分配等相结合,还可以规划整个电力***,大大提高了***的稳定性和利用率,对光伏电站和电力***都具有重要意义。
光伏发电输出功率,可以采用多种预测方法。根据预测信息来源的不同,可以分为物理方法、统计方法和人工智能方法。物理预测方法是根据光伏电站所在位置处的地理信息与气象信息,用太阳光辐照传递方程与光伏组件运行方程等手段进行预测。它不依赖于历史数据,根据地理信息及光伏组件的参数,现场获取数据就可进行预测,但其建模困难,且光伏组件参数会缓慢变化,因此其抗干扰能力有限,鲁棒性不强。具有代表性的物理预测方法包括:晴天ASHRAE模型、HOTTEL模型、REST模型、有云天气Nielsen模型等。与物理方法不同,统计预测方法依赖历史数据,是根据输入的历史气象数据、功率数据、运行情况,寻找统计规律,对输出功率进行预测。具有代表性的统计预测方法包括:时间序列法、回归分析法、灰色理论法、模糊理论法、时空关联法等等。
近年来,以人工神经网络为主的人工智能预测方法已经受到人们广泛关注,它是一种由大量的节点之间相互联接构成的运算模型,具有较高的拟合与泛化能力,同时具有训练时间短的特点。但是,传统的神经网络仅有前馈而无反馈,对历史数据的敏感性过差,处理动态信息能力过弱,不具备适应时变特性的能力。所以本文采用Elman神经网络,该网络是在传统的BP网络基础上,在隐含层增加一个承接层,作为一步延时算子,达到记忆的目的,从而能够有效地解决上述传统神经网络的各种缺陷与问题。
光伏电站短期功率预测的研究方法多种多样,基于混合改进的Kmeans-GRA-Elman算法就是其中一种预测方法较为新颖、预测结果较为准确的模型,但本发明相较于此提出了利用人工蜂群算法对Elman神经网络的权值和阈值进行参数优化的方法,有效地解决了人工神经网络权值、阈值的随机初始化导致网络泛化能力不强,易陷入极小值等问题,以此来加强蜂群算法的开发能力,进而能够快速地找到Elman神经网络权值、阈值的最优解,由此预测出的光伏电站短期功率更加精确、有效。目前,公开发表的文献及专利中尚未见有将基于GRA-ABC-Elman模型应用于光伏电站短期功率预测的研究。
发明内容
鉴于此,本发明的目的是提供一种基于GRA-ABC-Elman模型的光伏发电功率短期预测方法,该方法可以对光伏发电短期功率进行更快速、更准确地预测。
为了解决现有技术存在的问题,本发明采用的技术方案如下:
基于GRA-ABC-Elman模型的光伏发电功率短期预测方法,包括以下步骤:
①采集光伏电站历史发电功率数据以及气象站对应时间段的气象信息,作为气象、功率样本数据;
②剔除气象数据中的异常、重复数据,对气象数据中所有特征作灰色关联度分析,提取其中的重要特征作为Elman神经网络的训练输入集;
③建立Elman神经网络,确定其网络拓扑结构和输入层、输出层和隐含层节点个数,初始化Elman神经网络的各项参数;
④利用人工蜂群算法不断优化Elman神经网络的权值和阈值;
⑤利用优化后的神经网络建立光伏发电功率短期预测模型并输入气象、功率样本数据对该预测模型进行训练;
⑥将从数值天气预报NWP中获得的待预测日的气象信息输入到训练好的预测模型中,对待预测日的发电功率进行预测。
进一步地,所述步骤①中气象站提供的气象信息主要包括光照辐射度、温度、湿度、风速、大气压强。
进一步地,所述步骤②中对气象数据中所有特征作灰色关联度分析,主要包括如下步骤:
a.数据归一化:
式(1)中,xA(i)表示气象样本数据归一化后得到的值;xmax、xmin分别表示气象样本数据中的最大值、最小值,x表示某一时刻气象样本数据值;
b.求关联系数:
式(2)中,ζA(i)表示关联系数;ρ表示控制关联系数区分度的可调节系数;
c.计算关联度:
d.提取上述关联度接近1的重要特征作为Elman神经网络训练输入集。
进一步地,所述步骤③中建立的Elman神经网络的非线性状态空间表达式为:
y(k)=g(w2h(k)) (4)
h(k)=f(w1u(k-1)+w3xc(k)) (5)
xc(k)=h(k-1) (6)
式(4)、(5)、(6)中,f(*)为隐含层神经元的激励函数;g(*)为输出层神经元的激励函数;y为m维输出节点向量;h为n维隐含层节点单元向量;u为r维输入节点向量;xc为n维承接层反馈状态向量;w1,w2,w3分别代表输入层到隐含层的权值,隐含层到输出层的权值,承接层到隐含层的权值。
进一步地,所述步骤④利用人工蜂群算法不断优化Elman神经网络的权值和阈值包括如下步骤:
a.初始化蜜源向量:
xmi=li+rand(0,1)*(ui-li) (7)
式(7)中,xmi表示所有蜜源向量,m=1,2...N代表一共N个解向量,i=1,2...n代表每个解向量含有n个变量;ui和li分别表示xmi的最大、最小边界值;
计算每个初始蜜源适应度的值fitm(xm),计算公式如下:
b.雇佣蜂阶段:
c.跟随蜂阶段:
式(10)中,Pm表示跟随蜂是否选择跟随雇佣蜂的概率;
d.侦察蜂阶段:
计算公式同雇佣蜂寻找新蜜源的公式(9)。
本发明所具有的优点和有益效果是:
基于GRA-ABC-Elman模型的光伏发电功率短期预测方法,利用人工蜂群算法对Elman神经网络的权值和阈值进行参数优化,有效地解决了人工神经网络权值、阈值的随机初始化导致网络泛化能力不强,易陷入极小值等问题,以此来加强蜂群算法的开发能力,进而能够快速地找到Elman神经网络权值、阈值的最优解,由此能够快速、准确的预测光伏电站短期发电功率,使其具有适应时变特性能力和对历史数据敏感度较高的优点。将该方法与电网调度、负荷分配等相结合,还可以规划和运行整个电力***,大大提高了***的稳定性和利用率,便于电网的调度运行。
附图说明
下面结合附图和实施例对本发明进行详细描述:
图1为本发明基于GRA-ABC-Elman模型的光伏发电功率短期预测方法的实施过程流程图;
图2为本发明基于GRA-ABC-Elman模型的光伏发电功率短期预测方法数据预处理的流程图;
图3为Elman神经网络的结构示意图;
图4为人工蜂群优化算法的流程图;
具体实施方式
如图1所示,本发明基于GRA-ABC-Elman模型的光伏发电功率短期预测方法,其中GRA是指灰色关联度分析、ABC是指人工蜂群算法,包括以下步骤:
①采集光伏电站历史发电功率数据以及气象站对应时间段的气象信息,作为气象、功率样本数据。气象站提供的气象信息主要包括光照辐射度、温度、湿度、风速、大气压强。
②剔除气象数据中的异常、重复数据,对所有特征作灰色关联度分析提取重要特征作为神经网络的训练输入集。
③建立Elman神经网络,确定网络拓扑结构,初始化其各项参数。
④利用人工蜂群算法不断优化Elman神经网络的权值和阈值。
⑤利用优化后的网络建立光伏发电功率短期预测模型并输入气象-功率样本数据进行训练。
⑥将从数值天气预报NWP中获得的待预测日的气象信息输入训练好的预测模型中,对待预测日的发电功率进行预测。
如图2所示,所述步骤②中对气象样本数据中所有特征作灰色关联度分析,主要包括如下步骤:
a.数据归一化,减少数据的绝对数值的差异,将多种数据缩放到[0,1]的范围。具体公式如下:
式(1)中,xA(i)表示特征A第i个时刻气象样本数据归一化后得到的值。xmax表示第i个时刻气象样本数据中的最大值,xmin表示第i个时刻气象样本数据中的最小值,x表示第i个时刻气象样本数据的值。
b.求关联系数:
式(2)中,ζA(i)表示特征A样本数据中第i个时刻的关联系数;ρ表示控制关联系数区分度的可调节系数,取值为0.5。
c.对每个关联系数做平均计算,得关联度,计算公式如下;
d.提取上述关联度接近1的重要特征作为Elman神经网络训练输入集。
如图3所示,所述步骤③中建立的Elman神经网络的非线性状态空间表达式为:
y(k)=g(w2h(k)) (4)
h(k)=f(w1u(k-1)+w3xc(k)) (5)
xc(k)=h(k-1) (6)
式(4)、(5)、(6)中,f(*)为隐含层神经元的激励函数;g(*)为输出层神经元的激励函数;y=[y1,y2,...,ym]为m维输出节点向量;h=[h1,h2,...,hn]为n维隐含层节点单元向量;u=[u1,u2,...,ur]为r维输入节点向量;xc=[xc1,xc2,...,xcn]为n维承接层反馈状态向量;w1,w2,w3分别代表输入层到隐含层的权值,隐含层到输出层的权值,承接层到隐含层的权值。
如图4所示,所述步骤④中人工蜂群算法优化Elman神经网络的权值和阈值的步骤如下:
a.初始化所有蜜源向量,初始化参数包括:蜜源数目、位置、最大迭代次数itermax以及阈值limit;
xmi=li+rand(0,1)*(ui-li) (7)
式(7)中,xmi表示所有蜜源向量,m=1,2...N代表一共N个解向量,i=1,2...n代表每个解向量含有n个变量;ui和li分别表示xmi的最大、最小边界值。
计算每个初始蜜源适应度的值fitm(xm),计算公式如下,蜜源适应度的值即表示产生的解的优劣质量;
b.雇佣蜂寻找新蜜源,即产生一个新解;
计算新解的适应度的值fitm(xm)并与旧解相比较,若新解的适应度值优于旧解,则雇佣蜂记住新解忘记旧解;反之,则将保留旧解。
c.跟随蜂阶段;
蜂巢中的跟随蜂分析雇佣蜂带回来的信息,采用轮盘赌策略来选择蜜源跟踪开采,计算公式如下:
式(10)中,Pm表示跟随蜂是否选择跟随雇佣蜂的概率;fitm(xm)表示蜜源适应度的值。
若计算出的选择概率大于随机生成的数值,则跟随蜂选择跟随雇佣蜂,否则转化为侦察蜂,寻找新蜜源。
d.侦察蜂阶段:
蜜源拥有参数trial,初始值为0,被开采一次trial值加1。如果一个蜜源经过多次开采也就是trial值过高,超过了预定阈值limit,那么需抛弃这个蜜源,侦查蜂也是雇佣蜂需要重新找到一个新的食物源vmi。计算公式同雇佣蜂寻找新蜜源的公式(9)。
Claims (5)
1.基于GRA-ABC-Elman模型的光伏发电功率短期预测方法,其特征在于包括以下步骤:
①采集光伏电站历史发电功率数据以及气象站对应时间段的气象信息,作为气象、功率样本数据;
②剔除气象数据中的异常、重复数据,对气象数据中所有特征作灰色关联度分析,提取其中的重要特征作为Elman神经网络的训练输入集;
③建立Elman神经网络,确定其网络拓扑结构和输入层、输出层和隐含层节点个数,初始化Elman神经网络的各项参数;
④利用人工蜂群算法不断优化Elman神经网络的权值和阈值;
⑤利用优化后的神经网络建立光伏发电功率短期预测模型并输入气象、功率样本数据对该预测模型进行训练;
⑥将从数值天气预报NWP中获得的待预测日的气象信息输入到训练好的预测模型中,对待预测日的发电功率进行预测。
2.根据权利要求1所述的基于GRA-ABC-Elman模型的光伏发电功率短期预测方法,其特征在于:所述步骤①中气象站提供的气象信息主要包括光照辐射度、温度、湿度、风速、大气压强。
4.根据权利要求1所述的基于GRA-ABC-Elman模型的光伏发电功率短期预测方法,其特征在于:所述步骤③中建立的Elman神经网络的非线性状态空间表达式为:
y(k)=g(w2h(k)) (4)
h(k)=f(w1u(k-1)+w3xc(k)) (5)
xc(k)=h(k-1) (6)
式(4)、(5)、(6)中,f(*)为隐含层神经元的激励函数;g(*)为输出层神经元的激励函数;y为m维输出节点向量;h为n维隐含层节点单元向量;u为r维输入节点向量;xc为n维承接层反馈状态向量;w1,w2,w3分别代表输入层到隐含层的权值,隐含层到输出层的权值,承接层到隐含层的权值。
5.根据权利要求1所述的基于GRA-ABC-Elman模型的光伏发电功率短期预测方法,其特征在于:所述步骤④利用人工蜂群算法不断优化Elman神经网络的权值和阈值包括如下步骤:
a.初始化蜜源向量:
xmi=li+rand(0,1)*(ui-li) (7)
式(7)中,xmi表示所有蜜源向量,m=1,2...N代表一共N个解向量,i=1,2...n代表每个解向量含有n个变量;ui和li分别表示xmi的最大、最小边界值;
计算每个初始蜜源适应度的值fitm(xm),计算公式如下:
b.雇佣蜂阶段:
c.跟随蜂阶段:
式(10)中,Pm表示跟随蜂是否选择跟随雇佣蜂的概率;
d.侦察蜂阶段:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110124002.1A CN112927097A (zh) | 2021-01-29 | 2021-01-29 | 基于GRA-ABC-Elman模型的光伏发电功率短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110124002.1A CN112927097A (zh) | 2021-01-29 | 2021-01-29 | 基于GRA-ABC-Elman模型的光伏发电功率短期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112927097A true CN112927097A (zh) | 2021-06-08 |
Family
ID=76168398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110124002.1A Pending CN112927097A (zh) | 2021-01-29 | 2021-01-29 | 基于GRA-ABC-Elman模型的光伏发电功率短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112927097A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113507128A (zh) * | 2021-07-14 | 2021-10-15 | 国网青海省电力公司 | 一种特高压直流换流站近场无功优化配置方法 |
CN113762646A (zh) * | 2021-10-15 | 2021-12-07 | 国网山东省电力公司菏泽供电公司 | 一种光伏短期功率智能预测方法及*** |
CN115115124A (zh) * | 2022-07-13 | 2022-09-27 | 国网江苏省电力有限公司营销服务中心 | 基于dtw气象偏移矫正的分布式光伏出力预测方法及装置 |
CN117117859A (zh) * | 2023-10-20 | 2023-11-24 | 华能新能源股份有限公司山西分公司 | 基于神经网络的光伏发电功率预测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734321A (zh) * | 2018-05-17 | 2018-11-02 | 江苏大学 | 一种基于改进ABC算法的Elman神经网络的短期负荷预测方法 |
CN108876013A (zh) * | 2018-05-29 | 2018-11-23 | 福州大学 | 一种基于最佳相似日和Elman神经网络实现光伏电站短期功率预测方法 |
CN109002915A (zh) * | 2018-07-13 | 2018-12-14 | 福州大学 | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 |
CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
CN111967079A (zh) * | 2020-08-17 | 2020-11-20 | 河海大学 | 一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
-
2021
- 2021-01-29 CN CN202110124002.1A patent/CN112927097A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734321A (zh) * | 2018-05-17 | 2018-11-02 | 江苏大学 | 一种基于改进ABC算法的Elman神经网络的短期负荷预测方法 |
CN108876013A (zh) * | 2018-05-29 | 2018-11-23 | 福州大学 | 一种基于最佳相似日和Elman神经网络实现光伏电站短期功率预测方法 |
CN109002915A (zh) * | 2018-07-13 | 2018-12-14 | 福州大学 | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 |
CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
CN111967079A (zh) * | 2020-08-17 | 2020-11-20 | 河海大学 | 一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
Non-Patent Citations (1)
Title |
---|
李刚,刘佳林,王腾飞,丁坤: "基于相似日理论和IPSO-Elman 模型的短期光伏发电功率预测", 测控技术, vol. 39, no. 2, pages 1 - 8 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113507128A (zh) * | 2021-07-14 | 2021-10-15 | 国网青海省电力公司 | 一种特高压直流换流站近场无功优化配置方法 |
CN113507128B (zh) * | 2021-07-14 | 2023-07-21 | 国网青海省电力公司 | 一种特高压直流换流站近场无功优化配置方法 |
CN113762646A (zh) * | 2021-10-15 | 2021-12-07 | 国网山东省电力公司菏泽供电公司 | 一种光伏短期功率智能预测方法及*** |
CN115115124A (zh) * | 2022-07-13 | 2022-09-27 | 国网江苏省电力有限公司营销服务中心 | 基于dtw气象偏移矫正的分布式光伏出力预测方法及装置 |
CN115115124B (zh) * | 2022-07-13 | 2024-01-30 | 国网江苏省电力有限公司营销服务中心 | 基于dtw气象偏移矫正的分布式光伏出力预测方法及装置 |
CN117117859A (zh) * | 2023-10-20 | 2023-11-24 | 华能新能源股份有限公司山西分公司 | 基于神经网络的光伏发电功率预测方法及*** |
CN117117859B (zh) * | 2023-10-20 | 2024-01-30 | 华能新能源股份有限公司山西分公司 | 基于神经网络的光伏发电功率预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
CN112927097A (zh) | 基于GRA-ABC-Elman模型的光伏发电功率短期预测方法 | |
CN107766990B (zh) | 一种光伏电站发电功率的预测方法 | |
CN110705789A (zh) | 一种光伏电站短期功率预测方法 | |
CN110717610B (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN111414717A (zh) | 一种基于XGBoost-LightGBM的机组功率预测方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN109523084A (zh) | 一种基于主元分析和机器学习的风电功率超短期预测方法 | |
CN112215428B (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及*** | |
Kolhe et al. | GA-ANN for short-term wind energy prediction | |
CN112990558B (zh) | 一种基于深度迁移学习的气象温度、光照的预测方法 | |
CN110009135B (zh) | 一种基于宽度学习的风电功率预测方法 | |
CN112149905A (zh) | 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 | |
Xiao et al. | Online sequential extreme learning machine algorithm for better predispatch electricity price forecasting grids | |
CN115115127A (zh) | 一种基于深度学习的低压台区智能调控方法及*** | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
Meng et al. | A new PV generation power prediction model based on GA-BP neural network with artificial classification of history day | |
Joudaki | Long-term wind speed and power forecasting based on lstm: A comprehensive study | |
CN109359671B (zh) | 一种水电站水库调度规则的分类智能提取方法 | |
CN116499023A (zh) | 一种地热耦合太阳能供热站智能控制方法及*** | |
Xu et al. | One-day ahead forecast of PV output based on deep belief network and weather classification | |
Lv et al. | Research on short-term load forecasting approach for smart grid | |
CN113780643A (zh) | 一种基于事例推理的光伏电站短期出力预测方法 | |
Li et al. | A gray rbf model improved by genetic algorithm for electrical power forecasting |
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 |