CN116151464A - 一种光伏发电功率预测方法、***及可存储介质 - Google Patents
一种光伏发电功率预测方法、***及可存储介质 Download PDFInfo
- Publication number
- CN116151464A CN116151464A CN202310195495.7A CN202310195495A CN116151464A CN 116151464 A CN116151464 A CN 116151464A CN 202310195495 A CN202310195495 A CN 202310195495A CN 116151464 A CN116151464 A CN 116151464A
- Authority
- CN
- China
- Prior art keywords
- power generation
- photovoltaic power
- generation power
- prediction
- photovoltaic
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000003064 k means clustering Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 241000039077 Copula Species 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06N20/00—Machine learning
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种光伏发电功率预测方法、***及可存储介质，涉及光伏发电领域。本发明包括以下步骤：采集影响光伏发电功率的相关参数；将影响光伏发电功率的相关参数分类，利用K‑means聚类算法对分类结果聚类，去除噪点；基于聚类结果建立不同类型的矩阵；将不同类型的矩阵分通道输入到光伏发电功率预测模型中，完成对光伏发电功率的预测。本发明中各输入变量的特征矩阵以多通道的方式输入，不同变量特征矩阵相互独立，实现不同变量特征矩阵分别进行特征提取，有效提高了网络效率，通过融合多个通道的特征信息从而使得网络能够学习到更加丰富的时空特征，以提高预测精度。
Description
技术领域
本发明涉及光伏发电领域，更具体的说是涉及一种光伏发电功率预测方法、***及可存储介质。
背景技术
由于天气状况的混沌性和不稳定性，光伏发电具有强烈的不确定性和动态性，从而导致电网产生波动，给光伏发电***的管理和运行带来了新的挑战，从而降低实时控制性能，因此光伏发电功率的准确预测是确定合理的运行计划和短期调度计划的关键解决方案之一。
根据预测的时间尺度，光伏发电功率预测可分为超短期预测(0～6h)、短期预测(6～24h)和中长期预测(1～12月)。对于中长期预测，由于时间间隔较长且存在较强的随机性和不确定性，因此预测误差较大，其主要用于电网的长期规划。为了更好地确定电网市场的实时调度、维护计划和运行，需要较高的预测精度；而极短期和短期光伏发电功率预测由于时间粒度更小更精确，因此预测精度往往较高，使得人们对极短期和短期光伏发电功率预测的关注日益增加，成为该领域的热门话题。
发明内容
有鉴于此，本发明提供了一种光伏发电功率预测方法、***及可存储介质，及时预测可以优化电网调度，并且能够规划其他方式的发电比例，第一可使电力***的稳定性得到保证；第二可以指导电网与电站的建设与检修工作；第三可以提升能源利用率，减少消纳，避免造成资源浪费。
为了实现上述目的，本发明采用如下技术方案：
一方面公开了一种光伏发电功率预测方法，包括以下步骤：
采集影响光伏发电功率的相关参数；
将影响光伏发电功率的相关参数分类，利用K-means聚类算法对分类结果聚类，去除噪点；
基于聚类结果建立不同类型的矩阵；
将不同类型的矩阵分通道输入到光伏发电功率预测模型中，完成对光伏发电功率的预测。
可选的，所述光伏发电功率预测模型具体设置为：包括特征提取模块，最大池化层以及归一化层；所述特征提取模块，所述最大池化层以及所述归一化层依次连接；所述特征提取模块包括多个卷积层依次连接，卷积核的大小依次递减。
可选的，所述相关参数包括辐照度、温度、湿度、气压、风速、云层、降水量、历史功率。
可选的，将影响光伏发电功率的相关参数分类具体为：由相关性分析算法确定辐照度和温度是相关参数中对光伏发电贡献最大的2个环境变量，并根据环境因素与光伏功率波动特征的关联性将全年数据划分为4类；其次，使用完全集合经验模态分解、奇异谱分解和变分模态分解对辐照度、温度和光伏发电功率进行分解。
可选的，还包括利用线性插值法对相关参数进行预处理。
可选的，还包括对所述光伏发电功率预测模型进行训练，其中训练集包括：采用基于历史数据利用自回归滑动平均模型的双向权重比重对功率序列进行重构作为训练集，还采用光伏发电厂出力之间的延时相关性重构的缺失功率数据作为训练集。
另一方面还公开了一种光伏发电功率预测***，包括：相关参数采集模块，相关参数分类模块，矩阵建立模块和光伏发电功率预测模块；
相关参数采集模块：用于采集影响光伏发电功率的相关参数；
相关参数分类模块：用于将影响光伏发电功率的相关参数分类，利用K-means聚类算法对分类结果聚类，去除噪点；
矩阵建立模块：用于基于聚类结果建立不同类型的矩阵；
光伏发电功率预测模块：用于将不同类型的矩阵分通道输入到光伏发电功率预测模型中，完成对光伏发电功率的预测。
可选的，还包括数据预处理模块，用于利用线性插值法对相关参数进行预处理。
最后公开了一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的一种光伏发电功率预测方法的步骤。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种光伏发电功率预测方法、***及可存储介质，具有以下有益效果：
1、本发明中各输入变量的特征矩阵以多通道的方式输入，不同变量特征矩阵相互独立，实现不同变量特征矩阵分别进行特征提取，有效提高了网络效率，通过融合多个通道的特征信息从而使得网络能够学习到更加丰富的时空特征，以提高预测精度；
2、找到影响光伏发电功率最大的环境属性集合，训练集进行输入，可以提高模型的预测速度以及精度，对于提高电网稳定性和提高光伏电站运营管理效率具有重要意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的流程示意图；
图2为本发明的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种光伏发电功率预测方法，如图1所示，包括以下步骤：
S1：采集影响光伏发电功率的相关参数；
S2：将影响光伏发电功率的相关参数分类，利用K-means聚类算法对分类结果聚类，去除噪点；
S3：基于聚类结果建立不同类型的矩阵；
S4：将不同类型的矩阵分通道输入到光伏发电功率预测模型中，完成对光伏发电功率的预测。
在S4中，光伏发电功率预测模型具体设置为：包括特征提取模块，最大池化层以及归一化层；特征提取模块，最大池化层以及归一化层依次连接；特征提取模块包括多个卷积层依次连接，卷积核的大小依次递减。具体的，为了增强模型提取重要特征的能力，对于每个卷积块均设置2层卷积层；其次，为了降低训练过程中的噪声水平，使学习的参数可以保持较大的梯度状态，提高收敛速度，在每层卷积层后设置批量归一化层(batchnormalization，BN)，由于BN层并无提取特征的作用，因此可与卷积层看为一个整体。
在本实施例中还可以加入扩张卷积和残差卷积，扩张卷积的加入使得时间卷积网络的感受野变大，更为灵活，感受野甚至可以覆盖到整个序列；而残差块的加入可以将序列的有效输入延长，增加时间卷积网络的信息。
容纳量，并且可以有效的降低计算量。
在S1中：相关参数包括辐照度、温度、湿度、气压、风速、云层、降水量、历史功率。
将影响光伏发电功率的相关参数分类具体为：由相关性分析算法确定辐照度和温度是相关参数中对光伏发电贡献最大的2个环境变量，并根据环境因素与光伏功率波动特征的关联性将全年数据划分为4类；其次，使用完全集合经验模态分解、奇异谱分解和变分模态分解对辐照度、温度和光伏发电功率进行分解。
还包括利用线性插值法对相关参数进行预处理。另外为提高采集数据的连续性，需对采集的异常数据缺失进行补齐，常采用的方法有：最大概率法、滑动均值法、拉格朗日插值法、分类固定处理法、回归法、灰色预测法。异常数据分成三类：一类光伏出力功率高于概率功率曲线上界，且不随辐照度变化而变化；一类是光伏出力功率低于概率功率曲线下界，且不随辐照度发生变化；一类是总辐照度明显不为0，光伏功率保持为0或接近为0。先将影响出力功率的因子分类，再选用最优copula函数进行出力功率拟合，形成准确的概率分布，利用欧氏距离和K-S值筛选出不同影响因子区间下的异常数据点，最后采用最大功率补齐算法对缺失数据进行补齐。
还包括对光伏发电功率预测模型进行训练，其中训练集包括：采用基于历史数据利用自回归滑动平均模型的双向权重比重对功率序列进行重构作为训练集，还采用光伏发电厂出力之间的延时相关性重构的缺失功率数据作为训练集。
更进一步的，光伏发电输出功率受到多种外界因素的影响，比如太阳辐照度、云量、温度等。但是上述特征对模型输出结果影响却各不相同，所以需要进行特征分析。此外，虽然数据量较少可能使模型在训练过程中遗漏掉重要信息，但是过多的输入特征不可避免的会增加模型的复杂度，这会造成信息冗余等问题。为了使模型拥有更好的预测性能，以及适当压缩输入特征的输入维度，需要对本文得到的光伏发电数据进行分析。本实施例使用距离相关系数综合分析各种特征的关系。
距离相关系数(Distance Correlation)能较好规避皮尔逊相关系数存在的问题。皮尔逊相关系数对于线性关系具有较高的敏锐度，其值越趋于0表示关系越不密切。但是，除了线性关系，非线性关系也是一种关系，所以使用皮尔逊相关系数很难映射特征间的复杂关系。相比之下，距离相关系数兼顾两者关联度，对函数输入输出的表征能力更为具体和精确，所以距离相关系数的应用范围更加广泛。如果随机变量X和Y具有有限正方差，则它们的距离相关系数定义如下：
距离相关系数均为非负数，即dCor(X,Y)∈[0，1]，该值越大，说明相关性越强。与皮尔逊相关系数一样，这里所得到的距离相关系数也是来自于样本。
本实施例还公开了一种光伏发电功率预测***，如图2所示，包括：相关参数采集模块，相关参数分类模块，矩阵建立模块和光伏发电功率预测模块；
相关参数采集模块：用于采集影响光伏发电功率的相关参数；
相关参数分类模块：用于将影响光伏发电功率的相关参数分类，利用K-means聚类算法对分类结果聚类，去除噪点；
矩阵建立模块：用于基于聚类结果建立不同类型的矩阵；
光伏发电功率预测模块：用于将不同类型的矩阵分通道输入到光伏发电功率预测模型中，完成对光伏发电功率的预测。
可选的，还包括数据预处理模块，用于利用线性插值法对相关参数进行预处理。
最后公开了一种计算机存储介质，计算机存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述任意一项的一种光伏发电功率预测方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种光伏发电功率预测方法，其特征在于，包括以下步骤：
采集影响光伏发电功率的相关参数；
将影响光伏发电功率的相关参数分类，利用K-means聚类算法对分类结果聚类，去除噪点；
基于聚类结果建立不同类型的矩阵；
将不同类型的矩阵分通道输入到光伏发电功率预测模型中，完成对光伏发电功率的预测。
2.根据权利要求1所述的一种光伏发电功率预测方法，其特征在于，所述光伏发电功率预测模型具体设置为：包括特征提取模块，最大池化层以及归一化层；所述特征提取模块，所述最大池化层以及所述归一化层依次连接；所述特征提取模块包括多个卷积层依次连接，卷积核的大小依次递减。
3.根据权利要求1所述的一种光伏发电功率预测方法，其特征在于，所述相关参数包括辐照度、温度、湿度、气压、风速、云层、降水量、历史功率。
4.根据权利要求1所述的一种光伏发电功率预测方法，其特征在于，将影响光伏发电功率的相关参数分类具体为：由相关性分析算法确定辐照度和温度是相关参数中对光伏发电贡献最大的2个环境变量，并根据环境因素与光伏功率波动特征的关联性将全年数据划分为4类；其次，使用完全集合经验模态分解、奇异谱分解和变分模态分解对辐照度、温度和光伏发电功率进行分解。
5.根据权利要求1所述的一种光伏发电功率预测方法，其特征在于，还包括利用线性插值法对相关参数进行预处理。
6.根据权利要求所述的一种光伏发电功率预测方法，其特征在于，还包括对所述光伏发电功率预测模型进行训练，其中训练集包括：采用基于历史数据利用自回归滑动平均模型的双向权重比重对功率序列进行重构作为训练集，还采用光伏发电厂出力之间的延时相关性重构的缺失功率数据作为训练集。
7.一种光伏发电功率预测***，其特征在于，包括：相关参数采集模块，相关参数分类模块，矩阵建立模块和光伏发电功率预测模块；
相关参数采集模块：用于采集影响光伏发电功率的相关参数；
相关参数分类模块：用于将影响光伏发电功率的相关参数分类，利用K-means聚类算法对分类结果聚类，去除噪点；
矩阵建立模块：用于基于聚类结果建立不同类型的矩阵；
光伏发电功率预测模块：用于将不同类型的矩阵分通道输入到光伏发电功率预测模型中，完成对光伏发电功率的预测。
8.根据权利要求7所述的一种光伏发电功率预测***，其特征在于，还包括数据预处理模块，用于利用线性插值法对相关参数进行预处理。
9.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6中任意一项所述的一种光伏发电功率预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310195495.7A CN116151464A (zh) | 2023-03-03 | 2023-03-03 | 一种光伏发电功率预测方法、***及可存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310195495.7A CN116151464A (zh) | 2023-03-03 | 2023-03-03 | 一种光伏发电功率预测方法、***及可存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116151464A true CN116151464A (zh) | 2023-05-23 |
Family
ID=86282609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310195495.7A Pending CN116151464A (zh) | 2023-03-03 | 2023-03-03 | 一种光伏发电功率预测方法、***及可存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116151464A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116579509A (zh) * | 2023-07-14 | 2023-08-11 | 天津福天科技有限公司 | 一种基于虚拟现实的光伏发电预测方法 |
| CN117709556A (zh) * | 2024-02-06 | 2024-03-15 | 山东建筑大学 | 一种光伏发电短期预测方法、***、介质及设备 |
-
2023
- 2023-03-03 CN CN202310195495.7A patent/CN116151464A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116579509A (zh) * | 2023-07-14 | 2023-08-11 | 天津福天科技有限公司 | 一种基于虚拟现实的光伏发电预测方法 |
| CN117709556A (zh) * | 2024-02-06 | 2024-03-15 | 山东建筑大学 | 一种光伏发电短期预测方法、***、介质及设备 |
| CN117709556B (zh) * | 2024-02-06 | 2024-05-31 | 山东建筑大学 | 一种光伏发电短期预测方法、***、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN109711609B (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
| CN112949945B (zh) | 一种改进双向长短期记忆网络的风电功率超短期预测方法 | |
| CN110070226A (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及*** | |
| CN116151464A (zh) | 一种光伏发电功率预测方法、***及可存储介质 | |
| CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
| Li et al. | A novel combined prediction model for monthly mean precipitation with error correction strategy | |
| CN114970952B (zh) | 一种考虑环境因素的光伏出力短期预测方法及*** | |
| CN116128141B (zh) | 风暴潮预测方法、装置、存储介质及电子设备 | |
| CN111008726A (zh) | 一种电力负荷预测中类图片转换方法 | |
| CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及*** | |
| CN112653198A (zh) | 一种基于预测箱的风电出力场景生成方法及*** | |
| CN115688993A (zh) | 一种适用于配电台区的短期电力负荷预测方法 | |
| CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
| CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
| Chen et al. | Short interval solar power prediction for energy harvesting with low computation cost on edge computation network | |
| CN117688362A (zh) | 基于多元数据特征增强的光伏功率区间预测方法及装置 | |
| Tai et al. | Power prediction of photovoltaic power generation based on LSTM model with additive Attention mechanism | |
| Xia et al. | Research on Solar Radiation Estimation based on Singular Spectrum Analysis-Deep Belief Network | |
| Zhang et al. | Research on the prediction of solar energy generation based on measured environmental data | |
| Niu et al. | WPFSAD: Wind Power Forecasting System Integrating Dual-Stage Attention and Deep Learning | |
| CN116842855B (zh) | 分布式光伏配电网出力预测方法、装置、电子设备及介质 | |
| CN117833216A (zh) | 基于混合神经网络的光伏电站发电功率预测方法及装置 | |
| Jin et al. | A hybrid prediction framework based on deep learning for wind power | |
| CN117993739B (zh) | 基于数据去噪和补点修正的光伏出力超短期预测方法 |
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 |