CN114819382A - 一种基于lstm的光伏功率预测方法 - Google Patents
一种基于lstm的光伏功率预测方法 Download PDFInfo
- Publication number
- CN114819382A CN114819382A CN202210524395.XA CN202210524395A CN114819382A CN 114819382 A CN114819382 A CN 114819382A CN 202210524395 A CN202210524395 A CN 202210524395A CN 114819382 A CN114819382 A CN 114819382A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- selecting
- lstm
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 230000015654 memory Effects 0.000 claims abstract description 12
- 238000010187 selection method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 11
- 210000005036 nerve Anatomy 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000008676 import Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 abstract 2
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 241001522296 Erithacus rubecula Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及光伏功率预测的技术领域，申请一种基于改进的长短期记忆网络(LSTM)光伏功率预测方法，所述方法中LSTM融合了最优模型选择和注意力机制。首先获取历史光伏功率数据，并对数据进行预处理；然后对数据进行特征选择，并选择合适的注意力机制；最后利用试错法和循环选择法确定最优的模型进行预测。本方法对特征向量进行选择，剔除不重要和冗余的特征，减少训练时间的同时增加模型的泛化能力；选择合适的注意力机制，增加了重要特征的权重，增强了模型对特征和特征值的理解；利用试错法和循环选择法对模型进行优化，确定最优LSTM模型，使光伏功率预测更加准确。
Description
技术领域
本发明属于光伏发电厂光伏功率预测技术领域，具体涉及一种基于改进的长短期记忆网络(LSTM)的光伏功率预测方法。
背景技术
大力发展可再生的清洁能源已经成为我国目前的主要目标。光伏发电在我国经过一系列发展已经小有规模，但随着光伏发电大容量的并入电网，输出功率的随机性必然会对电网安全稳定运行造成较大的影响。由于光伏电站的功率具有随机性和波动性，若是能准确的对光伏功率进行预测，就能够有效防止电网过载，提高电网运行的稳定性。
光伏功率的预测方法主要有传统的统计学方法和基于机器学习的预测方法。其中，统计学方法主要有多元线性回归(MLR)、时间序列分析法和卡尔曼滤波法等，这类方法原理与建模简单，这些模型无法准确捕捉数据中的非线性，预测效果不准确。另一类方法则是基于机器学习的方法，例如灰色***、人工神经网络、支持向量机(SVM)以及高斯过程(GP)等。其中，反向传播(BP)神经网络和SVM的应用最为广泛。但上述方法缺少对时间序列相关性的考虑，并且当训练样本较多时存在无法有效收敛的问题，使得预测的结果不准确。
近年来，LSTM网络为代表的深度学习算法在短期光伏功率预测领域取得了较好的应用，LSTM网络可以充分挖掘时序数据之间的内在关联，解决了在模型训练中“梯度消失”的问题。为了解决统计模型中无法准确捕捉数据中的非线性的问题和机器学习中训练样本较多时存在无法有效收敛的问题，基于LSTM光伏发电功率预测模型，该模型基于改进的LSTM光伏功率预测的方法，融合了最优模型选择和注意力机制，使得预测的结果更加的准确。
发明内容
本发明提出一种改进的LSTM的光伏功率预测方法，对特征向量进行重要性排序，选出重要的特征进行相关性分析，筛选出重要的特征向量，剔除冗余的特征；选择合适的注意力机制，以增加重要特征向量的权重，作为LSTM的输入；使用循环选择法选择出最优的LSTM模型，并设置相应的参数，最后对数据进行预测。
1.基于改进的长短期记忆网络(LSTM)光伏功率预测的方法，其特征在于，所述方法中LSTM融合了最优模型选择和注意力机制，包括以下步骤：
Ⅰ、下载并导入数据，包括光伏发电厂所在地区的太阳辐照度、漫射辐射度、温度、压力、风向、风速以及光伏发电厂历史功率数据；
II、对数据进行预处理；
III、使用XgBoost库和皮尔逊相关系数的方法进行特征选择；
IV、选择合适的注意力机制；
V、把特征选择后的数据按照80％和20％的比例划分成训练集和测试集；
VI、搭建LSTM模型并设置参数；
VII、利用循环选择的方法选出最优的模型，对数据进行预测；
所述步骤Ⅱ对数据进行预处理，包括以下步骤：
首先剔除异常数据，再将缺失的数据用数据所在列的均值进行填补，最后对数据进行归一化，采用归一化方法公式如下：
其中，xi为原始数据，
为归一化后的数据，xmin为选定列的最小值，xmax为选定列的最大值；
所述步骤Ⅲ使用XgBoost和皮尔逊相关系数的方法进行特征选择，包括以下步骤：
将光伏发电厂历史功率数据作为目标向量，将影响光伏发电的因素作为特征向量，使用XgBoost模块中的XgBclassifier、plot_importance函数对特征向量重要性程度进行排序，剔除不重要的特征向量；
用皮尔逊相关系数法对前7个重要的特征向量进行相关性分析，并绘制热力图，找出相关性程度高于95％的特征向量，剔除冗余特征，再对特征进行最终排序；
所述步骤IV选择合适的注意力机制，包括以下步骤：
对步骤Ⅲ中最终排序好的特征进行选择，选择前x个特征向量，组成矩阵X，选择前y个特征向量，组成矩阵Y，选择前z个特征向量，组成矩阵Z，其中z>y>x；
将矩阵X、Y、Z作为LSTM模型中第一层的输入，将矩阵X、Y作为LSTM模型中第二层的输入，将矩阵X作为LSTM模型中第三层的输入；
所述步骤VI搭建LSTM模型并设置参数，包括以下步骤：
搭建3层LSTM模型，优化算法使用适应性矩估计，损失函数使用均方差损失函数(MSE)，性能指标评测使用平均绝对误差(MAE)函数；
计算均方差损失函数(MSE)值：
其中，n为数据集的样本数量，xmodel为模型输出值，xactual为实测值；
利用试错法选择LSTM模型的学习步长、每次放入网络的样本数(Batchsize)、算法在整个训练数据集中的工作次数(Epoch)；
所述步骤VII利用循环选择的方法选出最优的模型，对数据进行预测，包括以下步骤：
设置记忆时长为1、2、3、4小时，设置全连接层数为1、2、3、4层，设置各层神经单元数目为1、2、3、4个；
依次选择记忆时长，全连接层数和各层神经单元数目进行模型测试，可选择64种组合模型参数；
对64种组合模型参数逐一测试，计算MAE函数值，确定最小MAE值的模型参数，以此选出最优的模型，利用最优模型进行预测；
MAE函数值的计算公式如下：
其中，n为数据集的样本数量，ai和bi分别为i时刻的各个预测任务的真实值和预测值。
与最接近的基于LSTM模型预测方法相比，本发明具有以下优异效果：
本发明提供的改进的LSTM模型预测方法，对特征进行选择，达到精简了特征的效果，加入了循环选择模型的方法选出最优模型，相比传统的试错法来确定LSTM模型的最优参数，本方案使得特征向量更加精简，模型更加优化。即在试错出最优的学习步长、Epoch的同时，循环训练出使得MAE最小的模型，来确定LSTM模型中每次被记忆的次数、全连接层的层数和各层神经单元数目。使得模型更加的优化，短期预测精度更加准确。
附图说明
为了让读者更清晰地了解本专利实施方案，下面将对本专利具体实施方式中的附图作简单介绍：
图1是本发明的流程示意图；
图2是注意力机制示意图；
图3是循环选择方法的示意图。
具体实施方式
下面结合附图对本发明进行详细描述，本部分的描述仅是示范性和解释性，不应对本发明的保护范围有任何的限制作用。此外，本领域技术人员根据本文件的描述，可以对本文件中实施例中以及不同实施例中的特征向量进行相应组合。
图2注意力机制示意图，注意力机制模型衡量特征的重要性最直接的方法就是依靠权重，就是在每次识别时首先计算各个特征的权值，然后对特征进行加权求和，权值越大，该特征对当前识别的贡献就越大，本文将重要的特征进行每层LSTM的重复输入，以达到增加重要特征权重的效果。包括以下步骤：
步骤1：选择重要的特征组成矩阵；
步骤2：将组成的矩阵作为各层LSTM的输入。
特征进行重要性排序之后，选择前3个重要的特征，组成矩阵X，选择前5个重要的特征，组成矩阵Y，选择前7个重要的特征，组成矩阵Z；
将矩阵X、Y、Z作为LSTM模型中第一层的输入，将矩阵X、Y作为LSTM模型中第二层的输入，将矩阵X作为LSTM模型中第三层的输入。
图3是循环选择方法的示意图，包括以下步骤：
步骤1：设置记忆时长、全连接层数和各层单元数目的范围；
步骤2：对组合成的模型进行模型选择测试；
步骤3：确定最优的模型进行预测。
记忆时长设置为1、2、3、4小时，因为所导入的数据每15min记录一次，对应于程序里面记忆时长设置的值为4、8、12、16个，全连接层数设置为1、2、3、4层，各层神经单元数目设置为1、2、3、4个。其中设置的参数是可以更改的，理论上可以选择更多的参数测试出更优的模型。
依次选择记忆时长，全连接层数和各层神经单元数目进行模型选择测试，可选择64种模型参数。
对64种组合模型参数逐一测试，MAE函数对测试结果进行评定，确定最小MAE值的模型参数，以此选出最优的模型，利用最优模型进行预测。
本发明提供的基于改进的LSTM模型对光伏发电厂光伏功率进行预测，先对历史数据进行处理，并对特征向量重要性进行排序，选出重要的特征向量，再对各特征向量进行相关性分析，筛选出皮尔逊相关系数高于95％的特征向量，剔除冗余的特征向量。搭建3层的LSTM模型，依次选出特征向量重要性排序中的前x、y、z个特征向量组成矩阵X、Y、Z，将矩阵X、Y、Z作为LSTM模型中第一层的输入，将矩阵X、Y作为LSTM模型中第二层的输入，将矩阵X作为LSTM模型中第三层的输入，为重要的特征向量增加权重。
相比传统的试错法来确定LSTM模型的最优参数，本方案还加入了循环选择模型的方法，选择出使得预测出来的数据中最小的MAE的模型。即在试错出最优的学习步长、Batchsize、Epoch的同时，循环训练出使得MAE最小的模型，来确定LSTM模型中每次被记忆的次数、全连接层的层数和各层神经单元数目。使得模型更加的优化，短期预测精度更加准确。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (1)
1.基于改进的长短期记忆网络(LSTM)光伏功率预测的方法，其特征在于，所述方法中LSTM融合了最优模型选择和注意力机制，包括以下步骤：
Ⅰ、下载并导入数据，包括光伏发电厂所在地区的太阳辐照度、漫射辐射度、温度、压力、风向、风速以及光伏发电厂历史功率数据；
II、对数据进行预处理；
III、使用XgBoost库和皮尔逊相关系数的方法进行特征选择；
IV、选择合适的注意力机制；
V、把特征选择后的数据按照80％和20％的比例划分成训练集和测试集；
VI、搭建LSTM模型并设置参数；
VII、利用循环选择的方法选出最优的模型，对数据进行预测；
所述步骤Ⅱ对数据进行预处理，包括以下步骤：
首先剔除异常数据，再将缺失的数据用数据所在列的均值进行填补，最后对数据进行归一化，采用归一化方法公式如下：
其中，xi为原始数据，
为归一化后的数据，xmin为选定列的最小值，xmax为选定列的最大值；
所述步骤Ⅲ使用XgBoost和皮尔逊相关系数的方法进行特征选择，包括以下步骤：
将光伏发电厂历史功率数据作为目标向量，将影响光伏发电的因素作为特征向量，使用XgBoost模块中的XgBclassifier、plot_importance函数对特征向量重要性程度进行排序，剔除不重要的特征向量；
用皮尔逊相关系数法对前7个重要的特征向量进行相关性分析，并绘制热力图，找出相关性程度高于95％的特征向量，剔除冗余特征，再对特征进行最终排序；
所述步骤IV选择合适的注意力机制，包括以下步骤：
对步骤Ⅲ中最终排序好的特征进行选择，选择前x个特征向量，组成矩阵X，选择前y个特征向量，组成矩阵Y，选择前z个特征向量，组成矩阵Z，其中z>y>x；
将矩阵X、Y、Z作为LSTM模型中第一层的输入，将矩阵X、Y作为LSTM模型中第二层的输入，将矩阵X作为LSTM模型中第三层的输入；
所述步骤VI搭建LSTM模型并设置参数，包括以下步骤：
搭建3层LSTM模型，优化算法使用适应性矩估计，损失函数使用均方差损失函数(MSE)，性能指标评测使用平均绝对误差(MAE)函数；
计算均方差损失函数(MSE)值：
其中，n为数据集的样本数量，xmodel为模型输出值，xactual为实测值；
利用试错法选择LSTM模型的学习步长、每次放入网络的样本数(Batchsize)、算法在整个训练数据集中的工作次数(Epoch)；
所述步骤VII利用循环选择的方法选出最优的模型，对数据进行预测，包括以下步骤：
设置记忆时长为1、2、3、4小时，设置全连接层数为1、2、3、4层，设置各层神经单元数目为1、2、3、4个；
依次选择记忆时长，全连接层数和各层神经单元数目进行模型测试，可选择64种组合模型参数；
对64种组合模型参数逐一测试，计算MAE函数值，确定最小MAE值的模型参数，以此选出最优的模型，利用最优模型进行预测；
MAE函数值的计算公式如下：
其中，n为数据集的样本数量，ai和bi分别为i时刻的各个预测任务的真实值和预测值。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2022105103901 | 2022-05-11 | ||
| CN202210510390 | 2022-05-11 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114819382A true CN114819382A (zh) | 2022-07-29 |
| CN114819382B CN114819382B (zh) | 2024-05-24 |
Family
ID=82515589
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210524395.XA Active CN114819382B (zh) | 2022-05-11 | 2022-05-13 | 一种基于lstm的光伏功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114819382B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115222024A (zh) * | 2022-09-05 | 2022-10-21 | 广东电网有限责任公司湛江供电局 | 基于深度特征选择网络的短期光伏发电预测方法和*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516844A (zh) * | 2019-07-25 | 2019-11-29 | 太原理工大学 | 基于emd-pca-lstm的多变量输入光伏功率预测方法 |
| CN110909919A (zh) * | 2019-11-07 | 2020-03-24 | 哈尔滨工程大学 | 融合注意力机制的深度神经网络模型的光伏功率预测方法 |
| CN112417028A (zh) * | 2020-11-26 | 2021-02-26 | 国电南瑞科技股份有限公司 | 一种风速时序特征挖掘方法及短期风电功率预测方法 |
| US20210133569A1 (en) * | 2019-11-04 | 2021-05-06 | Tsinghua University | Methods, computing devices, and storage media for predicting traffic matrix |
| CN113642225A (zh) * | 2021-05-24 | 2021-11-12 | 国网新疆电力有限公司经济技术研究院 | 一种基于attention机制的CNN-LSTM短期风电功率预测方法 |
-
2022
- 2022-05-13 CN CN202210524395.XA patent/CN114819382B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516844A (zh) * | 2019-07-25 | 2019-11-29 | 太原理工大学 | 基于emd-pca-lstm的多变量输入光伏功率预测方法 |
| US20210133569A1 (en) * | 2019-11-04 | 2021-05-06 | Tsinghua University | Methods, computing devices, and storage media for predicting traffic matrix |
| CN110909919A (zh) * | 2019-11-07 | 2020-03-24 | 哈尔滨工程大学 | 融合注意力机制的深度神经网络模型的光伏功率预测方法 |
| CN112417028A (zh) * | 2020-11-26 | 2021-02-26 | 国电南瑞科技股份有限公司 | 一种风速时序特征挖掘方法及短期风电功率预测方法 |
| CN113642225A (zh) * | 2021-05-24 | 2021-11-12 | 国网新疆电力有限公司经济技术研究院 | 一种基于attention机制的CNN-LSTM短期风电功率预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吉锌格;李慧;刘思嘉;王丽婕;: "基于MIE-LSTM的短期光伏功率预测", 电力***保护与控制, no. 07, 1 April 2020 (2020-04-01) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115222024A (zh) * | 2022-09-05 | 2022-10-21 | 广东电网有限责任公司湛江供电局 | 基于深度特征选择网络的短期光伏发电预测方法和*** |
| CN115222024B (zh) * | 2022-09-05 | 2023-01-24 | 广东电网有限责任公司湛江供电局 | 基于深度特征选择网络的短期光伏发电预测方法和*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114819382B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109873610B (zh) | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 | |
| CN108022001B (zh) | 基于pca和分位数回归森林的短期负荷概率密度预测方法 | |
| CN109165774A (zh) | 一种短期光伏功率预测方法 | |
| CN106503867A (zh) | 一种遗传算法最小二乘风电功率预测方法 | |
| CN110163429A (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
| CN116187540B (zh) | 一种基于时空偏差修正的风电场站超短期功率预测方法 | |
| CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
| CN112001537B (zh) | 一种基于灰色模型和支持向量机的短期风电功率预测方法 | |
| CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
| CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
| CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
| CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
| CN114819382A (zh) | 一种基于lstm的光伏功率预测方法 | |
| CN109787237B (zh) | 一种可再生能源高渗透地区电网断面潮流预测方法及装置 | |
| CN116526478B (zh) | 基于改进的蛇群优化算法的短期风电功率预测方法及*** | |
| CN116885703B (zh) | 一种高维多元气象数据融合的短期风光功率预测方法 | |
| CN116845875A (zh) | 一种基于woa-bp的短期光伏出力预测方法及装置 | |
| CN116646929A (zh) | 一种基于pso-cnn-bilstm的短期风电功率预测方法 | |
| CN113722970B (zh) | 一种光伏功率超短期在线预测方法 | |
| CN115860232A (zh) | 一种蒸汽负荷预测方法、***、电子设备及介质 | |
| CN112508224B (zh) | 微电网多模型负荷预测自适应选择方法、***及存储介质 | |
| CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及*** | |
| CN113988189A (zh) | 一种跨风电机组的迁移故障诊断方法 | |
| CN114357865A (zh) | 一种水电站径流及其关联源荷功率年场景模拟和预测方法 | |
| CN113642784A (zh) | 一种计及风机状态的风电功率超短期预测的方法 |
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 |