TWI810487B - 太陽能發電預測方法 - Google Patents
太陽能發電預測方法 Download PDFInfo
- Publication number
- TWI810487B TWI810487B TW109133382A TW109133382A TWI810487B TW I810487 B TWI810487 B TW I810487B TW 109133382 A TW109133382 A TW 109133382A TW 109133382 A TW109133382 A TW 109133382A TW I810487 B TWI810487 B TW I810487B
- Authority
- TW
- Taiwan
- Prior art keywords
- power generation
- data
- forecast
- algorithm
- actual
- Prior art date
Links
- 238000013277 forecasting method Methods 0.000 title abstract description 4
- 238000010248 power generation Methods 0.000 claims abstract description 95
- 238000007637 random forest analysis Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 57
- 238000010801 machine learning Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 22
- 238000003066 decision tree Methods 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000015654 memory Effects 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 abstract description 4
- 238000007636 ensemble learning method Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Water Treatment By Electricity Or Magnetism (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種太陽能發電預測方法，其資料預處理使用三次樣條插值方法補齊缺漏值，再使用模糊聚類的方法對太陽能發電聚類分析，並使用長短期記憶法、前饋神經網路、卷積神經網路、支持向量回歸、串疊深度神經網路等多種不同模型分別進行預測，再使用隨機森林方法結合五種不同模型的預測輸出結果，與多個不同的模型預測結果各自比較，預測誤差明顯下降，預測準確度可以得到有效的提升
Description
本發明是有關於一種預測方法，特別是指一種將多個不同的機器學習模型的預測結果整合在一起，來提升預測準確率的 太陽能發電預測方法。
隨著再生能源在電網中佔比提高，電力系統供電可靠度會受再生能源間歇供電特性影響，勢必對電網造成諸多影響，原本單向電力潮流將轉變成雙向電力潮流，若能預先評估再生能源於未來某時段之發電功率，可讓電力調度更加精準且能更有效地調控負載曲線，因此完善的電力調度機制輔以再生能源發電預測技術，以解決電力系統將面臨的新挑戰，因此再生能源發電預測為未來研究方向。
因此，本發明的一目的，即在提供一種能夠克服先前技術缺點的太陽能發電預測方法。
於是，該太陽能發電預測方法包含以下步驟：
步驟（A）：N個不同的機器學習演算法根據一訓練資料集進行訓練以建立N個不同的機器學習模型，N≧2，N是正整數，該訓練資料集是相關於多個歷史日的實際發電量與實際氣象資料，該實際氣象資料包括實際溫度、實際風速與實際濕度。
步驟（B）：該N個不同的機器學習模型根據一測試資料集進行預測，每一機器學習模型產生一初步預測資料，該初步預測資料包括多個預測日的每一預測發電量，該測試資料集是相關於每一預測日的預測氣象資料、每一預測日的前M天的實際發電量，M≧1，M是正整數。
步驟（C）：一集成學習演算法接收來自該N個不同的機器學習模型的每一的該初步預測資料的一部份，且據以進行訓練，以建立一集成學習模型。
步驟（D）：該集成學習模型接收來自該N個不同的機器學習模型的每一的該初步預測資料的另一部份，且根據該N個初步預測資料的另一部份進行集成預測，以產生一最後預測發電資料，該最後預測發電資料包括至少一日的最後預測發電量，該至少一日是對應該初步預測資料的另一部份的其中之一預測日。
較佳的，該N個不同的機器學習演算法包括一長短期記憶演算法、一前饋神經網路演算法、一卷積神經網路演算法、一支持向量回歸演算法與一串疊深度神經網路演算法。該集成學習演算法包括一隨機森林系集演算法。該太陽能發電預測方法，更包括一步驟（S），將一歷史實際資料與一歷史預報資料進行補值與分類，以得到多種天氣型態的每一的該訓練資料集與該測試資料集。該步驟（S）包括：子步驟（S1）利用三次樣條差值演算法將該歷史實際資料與該歷史預報資料進行補齊缺漏值以產生一修補資料。子步驟（S2）利用一模糊聚類演算法根據每日峰值發電功率、平均發電功率與發電功率標準偏差將該修補資料進行分類不同天氣型態，以產生每一天氣型態的該訓練資料集與該測試資料集。
本發明的功效在於：資料預處理使用三次樣條插值方法補齊缺漏值，再使用模糊聚類的方法對太陽能發電聚類分析，並使用長短期記憶法、前饋神經網路、卷積神經網路、支持向量回歸、串疊深度神經網路五種不同模型分別進行預測，再使用隨機森林系集方法結合五種不同模型的預測輸出結果，透過隨機森林系集學習法，有效降低模型錯誤率，並由反覆抽樣解決模型不平衡的問題，以提升預測準確度。經由實際數值之日前預測準確度的結果顯示，以上述五個類神經網路模型和隨機森林系集技術集成後，與五個單獨不同的模型預測結果比較，預測誤差明顯下降，預測準確度可以得到有效的提升。
在本發明被詳細描述前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。
本發明太陽能發電預測系統的一第一實施例，包含一資料庫與一運算處理器。該資料庫儲存一歷史實際資料與一歷史預報資。歷史實際資料的收集來自於友基工業區的太陽能發電場域資料，於過去幾年（如2019年）每小時一筆的資料，資料型態包括太陽能發電資料、溫度、降雨機率、風速、風向、相對溼度以及累積輻射量。而歷史預報資料是由氣象預報單位所提供的於過去幾年（如2019年）每小時一筆的溫度、風速、風向和累積輻射量。
如圖1所示，該太陽能發電預測系統的運算處理器執行一種太陽能發電預測方法，包括步驟（S）~步驟（E）。
步驟（S）：將一歷史實際資料與一歷史預報資料進行補值與分類，以得到多種天氣型態的每一的一訓練資料集與一測試資料集。該步驟（S）包括以下子步驟（S1）與（S2）。
子步驟（S1）利用三次樣條差值演算法(Cubic spline interpolation)將該歷史實際資料與該歷史預報資料進行補齊缺漏值以產生一修補資料。子步驟（S2）利用一模糊聚類演算法(Fuzzy c-means)根據每日峰值發電功率（peak PV power,）、平均發電功率（mean PV power）與發電功率標準偏差（standard deviation of PV power）將該修補資料進行分類不同天氣型態，以產生每一種天氣型態的該訓練資料集（training set，約佔該類天氣型態的總日數的80％）與該測試資料集（testing set，約佔20％）。在本實施例中，如五種天氣型態包含晴天（sunny day）、少雲天（light cloudy day）、陰天（cloudy day）、多雲天（heavy cloudy day）、雨天（ rainy day）。
步驟（A）：N個不同的機器學習演算法根據一訓練資料集進行訓練以建立N個不同的機器學習模型，N≧2，N是正整數，該訓練資料集是相關於多個歷史日的實際發電量與實際氣象資料，該實際氣象資料包括溫度、實際風速與實際濕度。該N個不同的機器學習演算法包括一長短期記憶演算法（Long Short Term Memory，簡稱LSTM）、一前饋神經網路演算法（Feedforward Neural Network，簡稱FFNN）、一卷積神經網路演算法（Convolutional Neural Network，簡稱CNN）、一支持向量回歸演算法（Support Vector Regression，簡稱SVR）與一串疊深度神經網路演算法（Cascade Deep Neural Network，簡稱Cascade DNN）。又本實施例不限於上述，該N個不同的機器學習演算法更包括一循環神經網路（recurrent neural network，簡稱RNN）、一學習式向量量化（learning vector quantization，簡稱LVQ）、一放射狀基底函數網路（radial basis network function，簡稱RBF）、一閘門遞迴單位（gated recurrent unit，簡稱GRU）、一決策樹 （decision tree，簡稱DT）、一深度信賴網路（deep belief networks，簡稱DBN）。
步驟（B）：該N個不同的機器學習模型根據一測試資料集進行預測，每一機器學習模型產生一初步預測資料，該初步預測資料包括多個預測日的每一的預測發電量，該測試資料集是相關於每一預測日的預測氣象資料、每一預測日的前M天的實際發電量與實際氣象資料，M≧1，M是正整數。
在此舉例說明步驟（A）、（B），例如，2019年的晴天（sunny day）有100天的歷史實際發電量、逐時實際氣象資料(溫度、風速、濕度)、逐時預測氣象資料，則將100天分成80天與20天，其中，80天的資料用來訓練五種不同機器學習演算法，另外20天的資料用來測試訓練後的機器學習模型。若M=3時且將100天的其中20天發電與氣象資料輸入到5個機器學習模型作測試，測試資料集是以過去三天實際資料與明日的預測溫度、預測風速、預測濕度來預測明日整天太陽光電發電量，明日的定義是預測日，是20天其中之一，而過去三天是20天的其中之三，由於20天的第一天沒有前三天，所以定義20天的第四天為明日，20天的第一至三天定義為前三天，而得到從第四天到第二十天（共17天）的預測發電量。或是將訓練資料與測試資料分別分成77天與23天，而得到共20天的預測發電量。
步驟（C）：一集成學習演算法接收來自該N個不同的機器學習模型的每一的該初步預測資料的一部份，且據以進行訓練，以建立一集成學習模型。該集成學習演算法包括一隨機森林系集演算法（Random Forest）。隨機森林系集演算法為一種集成學習法，將幾個建立好的模型結果進行整合，藉此提升準確度。隨機森林是由好幾棵決策樹組成，而不同的決策樹是由不同隨機抽取的變數形成。集成模型可以有效降低模型錯誤率，透過反覆抽樣來解決模型不平衡的問題。由於隨機森林系集法是要預測太陽光發電量，所以要使用回歸(regression)樹進行預測分析。回歸樹（Regression tree） 是利用均方誤差（Mean Square Error, MSE）來計算，均方誤差定義為:
，
是估測值（五個模型中被隨機選擇的其之一的預測發電量，如步驟（B）所預測的20天的其中19天的12小時中每一小時的預測發電量），
是實際值（20天的其中19天的12小時中每一小時的實際發電量），n為訓練樣本數（如19天的12小時，n=19×12）。隨機森林系集法可以設定兩種參數：1.葉子大小(Leaf size)參數與2.樹數參數（number of grown tree）。如圖2、3所示，分別是晴天、雨天且M=3時，均方誤差與葉子大小(Leaf size)參數、樹數參數（number of grown tree）的曲線示意圖。又本實施例不限於上述，該集成學習演算法更包括一平均方法、一投票方法（給予每個模型不同的權重）、一引導聚集算法（bagging）、一提升方法（boosting）、一自適應增強（Adaptive Boosting，adaboost）、一梯度提升樹（Gradient boost decision tree，GBDT）、一極限梯度提升（XGboost）。
一、當葉子大小(Leaf size)參數設定越大，樹枝的分支會越粗糙，分出來的類別會比較簡略，訓練時間會較短。當葉子大小(Leaf size)參數越小，樹枝的分支會越細緻，分出來的類別會更精細，訓練時間會較長。經由測試不同葉子大小(Leaf size)參數，來得出最佳的結果。二、樹數參數（number of grown tree），要產生多少棵隨機回歸樹，在不同的天氣形態下，每個不同天氣型態，可以看出產生越多棵樹，誤差會逐漸下降，直到收斂。但是每個天氣型態，樹的數量都會不同，經過測試不同樹數參數來得到達到誤差收斂的回歸樹所需的最佳樹數參數。也就是，該隨機森林演算法根據該多個初步預測資料的每一的一部份、多種葉片大小參數、多個樹數參數與該多個歷史日的實際發電量，得到每一種天氣型態所對應的一最佳的葉片大小參數與一最佳的樹數參數。該隨機森林演算法進行 均方誤差計算 該等初步預測資料的每一預測發電量與所對應的實際發電量進之間的誤差，並挑選最小的誤差，以作為決策樹的最佳的切割特徵點。如圖4所示，當樹數參數=1000時，5種機器學習模型（LSTN、SVR、DNN、CNN、FFNN）的輸出結果經由隨機樹集成後的分支示意圖。
步驟（D）：該集成學習模型接收來自該N個不同的機器學習模型的每一的該初步預測資料的另一部份，且根據該N個初步預測資料的另一部份、該最佳的葉片大小參數與該最佳的樹數參數進行集成預測，以產生一最後預測發電資料，該最後預測發電資料包括至少一日的最後預測發電量，該至少一日是對應該初步預測資料的另一部份的其中之一預測日。在此舉例說明步驟（C）~（D），將步驟（B）所預測的20天的預測發電量分成19天與1天，其中19天預測發電量輸入到隨機森林作訓練，且在訓練階段得到最佳化的葉片大小參數與樹數參數。而將20天的另外1天預測發電量、最佳化的葉片大小參數與樹數參數輸入到隨機森林作預測，得到1天的最後預測發電資料。
步驟（E），根據該最後預測發電量與所對應的一歷史日實際發電量比較，產生一預測誤差。預測誤差定義為:
為實際發電量（如20天的另外1天的12小時的每一小時），
為預測發電量（如20天的另外1天的12小時的每一小時最後預測發電量），
為太陽光電發電容量(本專利為200kWp)，N為預測樣本數（如N=12）。如圖5所示，在五種天氣狀況下，最後預測發電量與實際發電量隨時間變化曲線的示意圖。
如圖6~10，是晴天狀況下，最後透過隨機森林系集方法集成的預測發電量分別與五個獨立模型單獨的預測發電量及實際發電量的比較示意圖，明顯看出隨機森林集成後的預測值更接近實際值。
綜上所述，上述實施例首先需取得指定場域蒐集及匯入歷史實際及預報資料，接著需對資料進行前處理及分類、五種不同類神經網路建構以及使用隨機森林(Random Forest)系集方法，結合五種不同模型的預測進行輸出，最後透過隨機森林系集方法進行集成。也就是經過五個獨立模型和隨機森林的集成後的結果輸出準確度可以得到有效的提升，與五個不同的模型的預測結果各自比較，預測誤差明顯下降。如表1比較五個獨立模型和隨機森林集成後的預測誤差結果。
＜表1＞
| 模型 | LSTM | SVR | DNN | CNN | FFNN | Random Forest |
| 預測誤差 | 5.6137% | 5.7462% | 5.0412% | 5.7890% | 5.7256% | 4.2490% |
惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。
S:進行補值與分類的步驟
A:訓練N個不同的機器學習演算法的步驟
B:測試N個不同的機器學習模型的步驟
C:訓練集成學習演算法的步驟
D:測試集成學習模型的步驟
E:產生一預測誤差的步驟
S1:利用三次樣條差值演算法的子步驟
S2:模糊聚類演算法的子步驟
本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：
圖1是本發明太陽能發電預測系統的一第一實施例的一流程圖；
圖2是該第一實施例的隨機森林系集演算法執行於一晴天的一曲線示意圖；
圖3是該第一實施例的隨機森林系集演算法執行於一雨天的一曲線示意圖；
圖4是該第一實施例的樹數參數=1000時，五種機器學習模型的輸出結果經由隨機樹集成後的分支示意圖；
圖5是在五種天氣狀況下，最後預測發電量與實際發電量隨時間變化曲線的示意圖；
圖6是晴天狀況下，最後透過隨機森林系集方法集成的預測發電量與長短期記憶(LSTM)演算法的預測發電量及實際發電量的比較示意圖。
圖7是晴天狀況下，最後透過隨機森林系集方法集成的預測發電量與前饋神經網路(FFNN)演算法的預測發電量及實際發電量的比較示意圖。
圖8是晴天狀況下，最後透過隨機森林系集方法集成的預測發電量與卷積神經網路(CNN)演算法的預測發電量及實際發電量的比較示意圖。
圖9是晴天狀況下，最後透過隨機森林系集方法集成的預測發電量與支持向量回歸(SVR)演算法的預測發電量及實際發電量的比較示意圖。
圖10是晴天狀況下，最後透過隨機森林系集方法集成的預測發電量與串疊深度神經網路（Cascade DNN）演算法的預測發電量及實際發電量的比較示意圖。
S:進行補值與分類的步驟
A:訓練N個不同的機器學習演算法的步驟
B:測試N個不同的機器學習模型的步驟
C:訓練集成學習演算法的步驟
D:測試集成學習模型的步驟
E:產生一預測誤差的步驟
Claims (7)
- 一種太陽能發電預測方法，包含：(A)N個不同的機器學習演算法根據一訓練資料集進行訓練以建立N個不同的機器學習模型，N≧2，N是正整數，該訓練資料集是相關於多個歷史日的實際發電量與實際氣象資料，該實際氣象資料包括實際溫度、實際風速與實際濕度，該N個不同的機器學習演算法包括一長短期記憶演算法、一前饋神經網路演算法、卷積神經網路演算法、一支持向量回歸演算法與一串疊深度神經網路演算法；(B)該N個不同的機器學習模型根據一測試資料集進行預測，每一機器學習模型產生一初步預測資料，該初步預測資料包括多個預測日的每一的預測發電量，該測試資料集是相關於每一預測日的預測氣象資料、每一預測日的前M天的實際發電量，M≧1，M是正整數；(C)一集成學習演算法接收來自該N個不同的機器學習模型的每一的該初步預測資料的一部份，且據以進行訓練，以建立一集成學習模型，該集成學習演算法包括一隨機森林系集演算法；(D)該集成學習模型接收來自該N個不同的機器學習模型的每一的該初步預測資料的另一部份，且根據該N個初步預測資料的另一部份進行集成預測，以產生一最後預測發電資料，該最後預測發電資料包括至少一日的最後預測發電量，該至少一日是對應該初步預測資料的 另一部份的其中之一預測日。
- 如請求項1所述的太陽能發電預測方法，更包括一步驟(S)，將一歷史實際資料與一歷史預報資料進行補值與分類，以得到多種天氣型態的每一的該訓練資料集與該測試資料集。
- 如請求項2所述的太陽能發電預測方法，其中，該步驟(S)包括以下子步驟：(S1)利用三次樣條差值演算法將該歷史實際資料與該歷史預報資料進行補齊缺漏值以產生一修補資料；(S2)利用一模糊聚類演算法根據每日峰值發電功率、平均發電功率與發電功率標準偏差將該修補資料進行分類不同天氣型態，以產生每一天氣型態的該訓練資料集與該測試資料集。
- 如請求項1所述的太陽能發電預測方法，其中，步驟(C)的該隨機森林系集演算法根據該多個初步預測資料的每一的一部份、多種葉片大小參數、多個樹數參數與該多個歷史日的實際發電量，得到每一種天氣型態所對應的一最佳的葉片大小參數與一最佳的樹數參數。
- 如請求項4所述的太陽能發電預測方法，其中，步驟(D)的該隨機森林系集演算法更根據該最佳的葉片大小參數與該最佳的樹數參數，以產生該最後預測發電資料。
- 如請求項4所述的太陽能發電預測方法，其中，步驟(C)的該隨機森林系集演算法進行均方誤差計算該等初步預 測資料的每一預測發電量與所對應的實際發電量進之間的誤差，並挑選最小的誤差，以作為決策樹的最佳的切割特徵點。
- 如請求項1所述的太陽能發電預測方法，更包括一步驟(E)，根據該最後預測發電量與所對應的一歷史日實際發電量比較，產生一預測誤差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW109133382A TWI810487B (zh) | 2020-09-25 | 2020-09-25 | 太陽能發電預測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW109133382A TWI810487B (zh) | 2020-09-25 | 2020-09-25 | 太陽能發電預測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202213199A TW202213199A (zh) | 2022-04-01 |
| TWI810487B true TWI810487B (zh) | 2023-08-01 |
Family
ID=82197408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW109133382A TWI810487B (zh) | 2020-09-25 | 2020-09-25 | 太陽能發電預測方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI810487B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115409296B (zh) * | 2022-11-02 | 2023-03-24 | 国网江西省电力有限公司电力科学研究院 | 一种有源配电网净负荷概率预测方法 |
| CN116307269B (zh) * | 2023-05-16 | 2023-10-31 | 华能山东泰丰新能源有限公司 | 一种基于人工智能的光伏发电功率预测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886492A (zh) * | 2019-02-26 | 2019-06-14 | 浙江鑫升新能源科技有限公司 | 基于Attention LSTM的光伏发电功率预测模型及其构建方法 |
| TWI684927B (zh) * | 2018-08-24 | 2020-02-11 | 楊念哲 | 太陽光電發電預測系統及方法 |
| US20200051550A1 (en) * | 2017-04-18 | 2020-02-13 | D5Ai Llc | Multi-stage machine learning and recognition |
| TW202028898A (zh) * | 2018-07-19 | 2020-08-01 | 加州政府沙加緬度市公用事業部 | 用於估計和預測太陽能發電的技術 |
| CN111542843A (zh) * | 2017-09-28 | 2020-08-14 | D5Ai有限责任公司 | 利用协作生成器积极开发 |
-
2020
- 2020-09-25 TW TW109133382A patent/TWI810487B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200051550A1 (en) * | 2017-04-18 | 2020-02-13 | D5Ai Llc | Multi-stage machine learning and recognition |
| CN111542843A (zh) * | 2017-09-28 | 2020-08-14 | D5Ai有限责任公司 | 利用协作生成器积极开发 |
| TW202028898A (zh) * | 2018-07-19 | 2020-08-01 | 加州政府沙加緬度市公用事業部 | 用於估計和預測太陽能發電的技術 |
| TWI684927B (zh) * | 2018-08-24 | 2020-02-11 | 楊念哲 | 太陽光電發電預測系統及方法 |
| CN109886492A (zh) * | 2019-02-26 | 2019-06-14 | 浙江鑫升新能源科技有限公司 | 基于Attention LSTM的光伏发电功率预测模型及其构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202213199A (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109802430B (zh) | 一种基于LSTM-Attention网络的风电电网控制方法 | |
| CN109858673A (zh) | 一种光伏发电***功率预测方法 | |
| CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
| CN105631558A (zh) | 基于相似日的bp神经网络光伏发电***功率预测方法 | |
| CN110717610B (zh) | 一种基于数据挖掘的风电功率预测方法 | |
| CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
| TWI810487B (zh) | 太陽能發電預測方法 | |
| 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 | |
| CN110729764B (zh) | 一种含光伏发电***的优化调度方法 | |
| CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和*** | |
| Zhang et al. | Wavelet-based neural network with genetic algorithm optimization for generation prediction of PV plants | |
| CN115425680B (zh) | 一种多能源联合发电***的功率预测模型构建及预测方法 | |
| CN103473621A (zh) | 风电场短期功率预测方法 | |
| Xie et al. | Short-term power load forecasting model based on fuzzy neural network using improved decision tree | |
| CN116341613A (zh) | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 | |
| Eniola et al. | Hour-ahead forecasting of photovoltaic power output based on hidden Markov model and genetic algorithm | |
| CN109546648A (zh) | 一种考虑预防策略的大规模电力***自动发电控制方法 | |
| CN109242200A (zh) | 一种贝叶斯网络预测模型的风电功率区间预测方法 | |
| Liu et al. | A weight-varying ensemble method for short-term forecasting PV power output | |
| CN114444805A (zh) | 多光伏电站共享储能***平滑出力的控制方法 | |
| CN112633565B (zh) | 一种光伏功率集合区间预测方法 | |
| CN104915727A (zh) | 多维度同构异质bp神经网络光功率超短期预测方法 | |
| KR20190071174A (ko) | 기압 데이터를 이용한 단기 풍속 예측 방법 및 시스템 | |
| CN116432830A (zh) | 一种光伏功率预测方法及相关计算机设备、储存介质 | |
| Ahmed et al. | Comparison of memory-less and memory-based models for short-term solar irradiance forecasting |