Nothing Special   »   [go: up one dir, main page]

CN108694475B - 基于混合模型的短时间尺度光伏电池发电量预测方法 - Google Patents

基于混合模型的短时间尺度光伏电池发电量预测方法 Download PDF

Info

Publication number
CN108694475B
CN108694475B CN201810671058.7A CN201810671058A CN108694475B CN 108694475 B CN108694475 B CN 108694475B CN 201810671058 A CN201810671058 A CN 201810671058A CN 108694475 B CN108694475 B CN 108694475B
Authority
CN
China
Prior art keywords
data
weather
power generation
linear regression
meteorological
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
Application number
CN201810671058.7A
Other languages
English (en)
Other versions
CN108694475A (zh
Inventor
王愈
沈寅星
陈新
徐放
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201810671058.7A priority Critical patent/CN108694475B/zh
Publication of CN108694475A publication Critical patent/CN108694475A/zh
Application granted granted Critical
Publication of CN108694475B publication Critical patent/CN108694475B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Photovoltaic Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于混合模型的短时间尺度光伏电池发电量预测方法，包括如下步骤：步骤1，根据数据特征，构建混合预测模型；步骤2，求解各天气类型下的线性回归系数和非线性函数；步骤3，根据气象站数据获得所需要预测的t0时刻的气象变量数据
Figure DDA0001708199010000011
和前一时刻的气象变量数据
Figure DDA0001708199010000012
及光伏电池发电量Y(t0‑δt)，根据其天气类型得到对应的线性回归系数和非线性函数，并代入混合模型中计算得到预测结果。此种方法能够明显提高预测精度，提升微电网能量管理效率。

Description

基于混合模型的短时间尺度光伏电池发电量预测方法
技术领域
本发明涉及一种光伏电池发电量的预测方法，特别涉及一种在微电网环境下基于混合模型的短时间尺度光伏电池发电量预测方法。
背景技术
可再生能源是取之不尽，用之不竭的能源，为了人类社会的可持续发展，世界各国纷纷把目光投向了可再生能源，而太阳能发电则是可再生能源的主要利用方式，是智能电网的主要组成部分。智能电网努力的一个关键目标是大幅提高环保可再生能源的利用率，而微电网技术又是实现该目标的关键技术，但可再生能源发电的不可控性给我们的微电网能量管理带来了困难，对微电网经济、安全、稳定的运行造成了严重的影响和威胁，因此找到合适的方法提升微电网可靠性和有效性是非常重要的。
当前在微电网能量管理的一些方面所获得的进步已经非常显著。要实现高效的能源管理，准确预测电网负荷用电量和可再生能源发电量是不可或缺的。而且在不同的时间尺度下能量管理的目标会有不同，因此会导致所需求的预测精度不一样。在日前的能量管理中，其主要目标在于制定次日发电机组的启停计划及出力计划，使得电力系统发电或者购电的总费用最低。而在小时和分钟级的能量管理中，其目标在于根据实时预测值更改计划，并得出具体的潮流，使得微电网安全可靠运行。要使得微电网能实现这些目标，预测得精准性是必须的，尤其是对于分钟级的预测结果。与此同时，短时间尺度下的预测与长时间尺度下的预测的数据特征也有很大的差别。而且由于在可再生能源中光伏电池发电量的大比重，段时间尺度下的高精度光伏电池发电量预测方法是被广泛需求的。现有的光伏电池发电量的预测方法，主要为统计学法和人工神经网络方法。但是现有的方法都没有注意到短时间尺度下光伏电池发电量的数据特征，因此预测效果都不是很理想，无法满足现有的能量管理的需要，大大限制了微电网能量管理的效率和可靠性。
发明内容
本发明的目的，在于提供一种基于混合模型的短时间尺度光伏电池发电量预测方法，其能够明显提高预测精度，提升微电网能量管理效率。
为了达成上述目的，本发明的解决方案是：
一种基于混合模型的短时间尺度光伏电池发电量预测方法，包括如下步骤：
步骤1，构建混合模型，公式为：
Figure BDA0001708194990000021
步骤2，求解各天气类型下的线性回归系数和非线性函数；
步骤3，根据气象站数据获得所需要预测的t0时刻的气象变量数据
Figure BDA0001708194990000022
和前一时刻的气象变量数据
Figure BDA0001708194990000023
及光伏电池发电量Y(t0-δt)，根据其天气类型得到对应的线性回归系数和非线性函数，并代入混合模型中计算得到预测结果。
采用上述方案后，与现有技术相比，本发明的有益效果是：
(1)首先根据其充分的时间特性构建了时序模型，然后利用其误差中的空间特性，使用空间模型使得预测误差更小。预测结果同时从时间和空间两个角度同时分析，充分利用了短时间尺度下光伏电池发电量的数据特征，使得预测结果非常精确；
(2)对于不同的天气类型进行了分类，而且使用了不同的线性回归系数和非线性学习函数，更加符合实际情况；
(3)本发明使用了最合适的方法去计算模型的系数：使用k-means++对天气进行分类，用LASSO去计算线性回归系数和用LSTM学习非线性函数。使得预测模型更加精确；
(4)本发明应用在微电网中，提高了短时间尺度光伏电池发电量的预测精度，使得短时间尺度下的微电网的能量管理能够更加安全可靠。
附图说明
图1是本发明的流程图；
图2是本发明的混合模型结构组成的示意图；
图3是本发明的混合模型系数求解流程图。
具体实施方式
如图1至图3所示，本发明提供一种基于混合模型的短时间尺度光伏电池发电量预测方法，以下将结合具体实施例对其技术方案进行详细说明。
首先，本发明方法是基于统计学方法和机器学习方法的，因此需要数量巨大的同一预测地点的不同时间的气象数据集
Figure BDA0001708194990000031
和与之对应的光伏发电量数据集[Y(t)]。我们把这些数据分成两部分，一部分为训练数据，另一部分为评估数据，两部分都要保证都含有大量的数据。
为了让数据符合我们的预测模型，首先将所有的数据进行预处理。气象数据预处理为
Figure BDA0001708194990000032
的形式，光伏发电量数据预处理为光伏发电量的变化量[ΔY(t)]，其中ΔY(t)＝Y(t)-Y(t-δt)。其中δt是选定的时间尺度。
通过k-means++聚类方法将训练数据中的气象数据
Figure BDA0001708194990000033
分成k类，k的数量由预测地的气候决定。k-means++具体的预测步骤为：在设定分类数目k之后，根据d2-sampling方法选取聚类中心点：其余点按照选择离自身欧氏距离最近的中心点的方式选择自己的分类。
d2-sampling方法包含以下两个步骤：
1)随意选取第一个中心点；
2)按照以下公式的概率选取下一个中心点，直到选完所有的中心点：
Figure BDA0001708194990000041
其中R表示所有聚类的点的集合，x表示集合R中一个点，x'表示集合R中除了x的一个点，C表示所有已经选取的中心点的集合。而且式子d(x,C)2表达为
Figure BDA0001708194990000042
其中c表示已经选取的中心点中的一个点。
在得到训练数据中的气象数据的分类结果之后，使用LSTM分类网络，将训练数据中的气象数据作为输入，分类结果作为输出，得到分类网络net。
将评估数据中的气象数据
Figure BDA0001708194990000043
作为输入，使用得到的分类网络net得到评估数据中的气象数据的分类结果。
将训练数据中被分为第一类的气象数据
Figure BDA0001708194990000044
和对应的光伏发电量变化量数据[ΔY(t)]T1取出，并将光伏发电量数据根据比例系数a分成线性部分数据[Δ1Y(t)]T1和非线性部分数据[Δ2Y(t)]T1。比例系数的取值范围为a∈A,A＝(0.1,0.2,0.3,...,9.9,10)。线性部分和非线性部分的分配公式为：
线性部分：[Δ1Y(t)]T1＝[ΔY(t)]T1/(1+a)
非线性部分：[Δ2Y(t)]T1＝a·[ΔY(t)]T1/(1+a)
取出其线性部分光伏发电量变化量数据[Δ1Y(t)]T1，使用LASSO方法求出该比例系数下第一类天气的线性回归系数
Figure BDA0001708194990000051
线性回归系数
Figure BDA0001708194990000052
求解公式如下：
Figure BDA0001708194990000053
其中yi为光伏发电量数据集Y＝[y1,y2,...,yN]T中第i天光伏发电量，xij为气象数据矩阵中
Figure BDA0001708194990000054
第j天第i个气象变量，N为该类天气下训练数据的数目，
Figure BDA0001708194990000055
为线性回归系数，p为线性回归系数的维度，
Figure BDA0001708194990000056
为线性回归系数
Figure BDA0001708194990000057
由LASSO方法的取得的估计值；λ为系统系数，由以下步骤求得其值：
1)选取一组可能的λ的值，并按升序排列；
2)对所有的步骤1中的λ进行一遍预测该天气类型下线性部分数据的算法，并记录它们的表现；
3)画出它们精度表现曲线；
4)在画得的曲线上选择一个精度最高的点作为λ的取值。
取出其非线性部分光伏发电量变化量数据[Δ2Y(t)]T1，将气象数据组
Figure BDA0001708194990000058
作为训练输入，[Δ2Y(t)]T1作为训练输出，使用LSTM回归网络学习。得到该比例系数下的回归学习网络net1,a。
取出评估数据中的第一类气象数据
Figure BDA0001708194990000059
依照上面方法得到的线性回归系数
Figure BDA00017081949900000510
和非线性学习函数E1,a(·)，并根据以下公式：
Figure BDA00017081949900000511
得到第一类天气下该比例系数的评估数据的预测结果数据集
Figure BDA00017081949900000512
然后可以得到该预测结果跟实际评估数据[Y(t)]E1的误差值之和eE1,a，其计算公式如下：
Figure BDA0001708194990000061
其中i表示第i类天气类别，a表示对应的比例系数值，T为第i类天气下该评估数据的数量。
在a的取值范围内遍历所有的值，并计算得到所有对应的误差值之和e E1,a，选出第一类天气中误差值之和之中最小的值，对应的线性回归系数
Figure BDA0001708194990000062
和非线性函数E1,a(·)即为第一类天气中预测所用的的线性回归系数
Figure BDA0001708194990000063
和非线性函数E1(·)。
改变天气类型后，重复以上步骤，并求得该类天气下的线性回归系数和非线性学习函数，直到求完所有天气类型。得到线性回归系数集合
Figure BDA0001708194990000064
和非线性学习函数集合E(·),E(·)＝(E1(·),E2(·),...,Ek(·))。
当预测开始时，根据气象站数据获得所需要预测的t时刻的气象变量数据
Figure BDA0001708194990000065
和前一时刻的气象变量数据
Figure BDA0001708194990000066
跟光伏电池发电量Y(t-1)；
将所需预测的气象数据预处理为
Figure BDA0001708194990000067
模式，输入分类网络net，确认其天气类型之后得到该天气类型下的线性回归系数和非线性函数。然后根据混合模型
Figure BDA0001708194990000068
得到最终的预测结果。
综合上述，本发明一种基于混合模型的短时间尺度光伏电池发电量预测方法，所述混合模型由时序模型和空间模型组成，其空间模型由线性部分和非线性部分组成，其线性部分系数由套索(LASSO)算法得到，非线性部分由长短时记忆(LSTM)学习获得，而且线性部分和非线性部分两者存在一个分配比例系数。所述短时间尺度为时间尺度不超过1小时。本发明首先通过光伏发电站得到过去的光伏发电量并且从气象站获得过去，当前和所预测时刻的气象变量数据。其次通过由时序模型和空间模型组成的混合模型得到最终的预测值。本发明主要应用在微电网的能量预测中，大幅度提升了短时间尺度下的光伏电池发电量的预测精度，使得微电网能量管理更加高效。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.一种基于混合模型的短时间尺度光伏电池发电量预测方法，其特征在于包括如下步骤：
步骤1，构建混合模型，公式为：
Figure FDA0003400916960000011
其中，
Figure FDA0003400916960000012
为t时刻光伏电池发电量的预测值，Y(t-δt)为t时刻前一时刻光伏发电量的实际值，δt是选定的时间尺度，
Figure FDA0003400916960000013
为t时刻气象变量组成的向量，
Figure FDA0003400916960000014
为t时刻与前一时刻气象变量的变化量组成的向量，上标T表示转置矩阵；
Figure FDA0003400916960000015
为第i类天气下的线性回归系数，Ei(·)为第i类天气下的非线性函数；
步骤2，求解各天气类型下的线性回归系数和非线性函数；
所述步骤2的具体过程是：
步骤21，获取同一预测地点的不同时间的气象数据集
Figure FDA0003400916960000016
和与之对应的光伏发电量数据集[Y(t)]，分别将两个数据集中的数据分成训练数据和评估数据两部分；
步骤22，将气象数据预处理为
Figure FDA0003400916960000017
的形式，光伏发电量数据预处理为光伏发电量的变化量[ΔY(t)]，其中ΔY(t)＝Y(t)-Y(t-δt)；
步骤23，通过k-means++聚类方法将训练数据中的气象数据
Figure FDA0003400916960000018
分成k类，k的数量由预测地的气候决定；
步骤24，得到训练数据中的气象数据的分类结果之后，使用LSTM分类网络，将训练数据中的气象数据作为输入，分类结果作为输出，得到分类网络net；将评估数据中的气象数据
Figure FDA0003400916960000019
作为输入，使用得到的分类网络net得到评估数据中的气象数据的分类结果；
步骤25，将训练数据中被分为第一类的气象数据
Figure FDA00034009169600000110
和对应的光伏发电量变化量数据[ΔY(t)]T1取出，并将光伏发电量数据根据比例系数a分成线性部分数据[Δ1Y(t)]T1和非线性部分数据[Δ2Y(t)]T1，比例系数的取值范围为a∈A,A＝(0.1,0.2,0.3,...,9.9,10)，线性部分和非线性部分的分配公式为：
线性部分：[Δ1Y(t)]T1＝[ΔY(t)]T1/(1+a)
非线性部分：[Δ2Y(t)]T1＝a·[ΔY(t)]T1/(1+a)
取出其线性部分光伏发电量变化量数据[Δ1Y(t)]T1，使用LASSO方法求出该比例系数下第一类天气的线性回归系数
Figure FDA0003400916960000021
取出其非线性部分光伏发电量变化量数据[Δ2Y(t)]T1，将气象数据组
Figure FDA0003400916960000022
作为训练输入，[Δ2Y(t)]T1作为训练输出，使用LSTM回归网络学习，得到该比例系数下的非线性函数E1,a(·)；
步骤26，取出评估数据中的第一类气象数据
Figure FDA0003400916960000023
依照步骤25的方法得到线性回归系数
Figure FDA0003400916960000024
和非线性函数E1,a(·)，并根据以下公式：
Figure FDA0003400916960000025
得到第一类天气下该比例系数的评估数据的预测结果数据集
Figure FDA0003400916960000026
进而得到该预测结果与实际评估数据[Y(t)]E1的误差值之和eE1,a，其计算公式如下：
Figure FDA0003400916960000027
其中i表示第i类天气类别，a表示对应的比例系数值，T为第i类天气下该评估数据的数量；
步骤27，在a的取值范围内遍历所有的值，并计算得到所有对应的误差值之和eE1,a，选出第一类天气中误差值之和之中最小的值，对应的线性回归系数
Figure FDA0003400916960000028
和非线性函数E1,a(·)即为第一类天气中预测所用的线性回归系数
Figure FDA0003400916960000029
和非线性函数E1(·)；
步骤28，改变天气类型后，重复步骤25-27，并求得该类天气下的线性回归系数和非线性函数，直到求完所有天气类型，得到线性回归系数集合
Figure FDA0003400916960000031
和非线性函数集合E(·),E(·)＝(E1(·),E2(·),...,Ek(·))；
步骤3，根据气象站数据获得所需要预测的t0时刻的气象变量数据
Figure FDA0003400916960000032
和前一时刻的气象变量数据
Figure FDA0003400916960000033
及光伏电池发电量Y(t0-δt)，根据其天气类型得到对应的线性回归系数和非线性函数，并代入混合模型中计算得到预测结果。
2.如权利要求1所述的基于混合模型的短时间尺度光伏电池发电量预测方法，其特征在于：所述步骤23中，k-means++具体的预测步骤为：在设定分类数目k之后，根据d2-sampling方法选取聚类中心点：其余点按照选择离自身欧氏距离最近的中心点的方式选择自己的分类。
3.如权利要求2所述的基于混合模型的短时间尺度光伏电池发电量预测方法，其特征在于：所述d2-sampling方法包含以下两个步骤：
步骤a，随意选取第一个中心点；
步骤b，按照以下公式的概率选取下一个中心点，直到选完所有的中心点：
Figure FDA0003400916960000034
其中R表示所有聚类的点的集合，x表示集合R中一个点，x'表示集合R中除了x的一个点，C表示所有已经选取的中心点的集合，d(x,C)2表达为
Figure FDA0003400916960000035
其中c表示已经选取的中心点中的一个点。
4.如权利要求1所述的基于混合模型的短时间尺度光伏电池发电量预测方法，其特征在于：所述步骤25中，线性回归系数
Figure FDA0003400916960000036
求解公式如下：
Figure FDA0003400916960000037
其中
Figure FDA0003400916960000038
为线性回归系数，p为线性回归系数的维度，
Figure FDA0003400916960000039
为线性回归系数
Figure FDA00034009169600000310
由LASSO方法取得的估计值，yi为光伏发电量数据集Y＝[y1,y2,...,yN]T中第i天光伏发电量，xij为气象数据矩阵中
Figure FDA00034009169600000311
第j天第i个气象变量，N为该类天气下训练数据的数目；
λ为系统系数，由以下步骤求得其值：
步骤25a，选取一组可能的λ的值，并按升序排列；
步骤25b，对所有的步骤25a中的λ进行一遍预测该天气类型下线性部分数据的算法，并记录它们的表现；
步骤25c，画出它们精度表现曲线；
步骤25d，在画得的曲线上选择一个精度最高的点作为λ的取值。
5.如权利要求1所述的基于混合模型的短时间尺度光伏电池发电量预测方法，其特征在于：所述步骤3中，首先将所需预测的气象数据预处理为
Figure FDA0003400916960000041
模式，输入分类网络net，从而确认其天气类型，并得到对应的线性回归系数和非线性函数。
CN201810671058.7A 2018-06-26 2018-06-26 基于混合模型的短时间尺度光伏电池发电量预测方法 Active CN108694475B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810671058.7A CN108694475B (zh) 2018-06-26 2018-06-26 基于混合模型的短时间尺度光伏电池发电量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810671058.7A CN108694475B (zh) 2018-06-26 2018-06-26 基于混合模型的短时间尺度光伏电池发电量预测方法

Publications (2)

Publication Number Publication Date
CN108694475A CN108694475A (zh) 2018-10-23
CN108694475B true CN108694475B (zh) 2022-04-01

Family

ID=63848197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810671058.7A Active CN108694475B (zh) 2018-06-26 2018-06-26 基于混合模型的短时间尺度光伏电池发电量预测方法

Country Status (1)

Country Link
CN (1) CN108694475B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070145B (zh) * 2019-04-30 2021-04-27 天津开发区精诺瀚海数据科技有限公司 基于增量聚类的lstm轮毂单品能耗预测
CN111949135B (zh) * 2020-08-31 2022-06-17 福州大学 一种基于混合预测的触感通信容错方法及系统
CN113836814B (zh) * 2021-09-29 2024-05-10 南京邮电大学 一种基于多流神经网络的太阳能能量预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017035629A1 (en) * 2015-08-31 2017-03-09 Green Power Labs Inc. Method and system for solar power forecasting
CN105184405A (zh) * 2015-09-02 2015-12-23 国网上海市电力公司 用于微电网系统的混合模型神经网络短期负荷预测方法
CN107563573B (zh) * 2017-09-29 2021-02-23 南京航空航天大学 一种基于自适应学习混合模型的太阳能发电量的预测方法

Also Published As

Publication number Publication date
CN108694475A (zh) 2018-10-23

Similar Documents

Publication Publication Date Title
Hu et al. A new clustering approach for scenario reduction in multi-stochastic variable programming
Liu et al. Random forest solar power forecast based on classification optimization
Guo et al. Study on short-term photovoltaic power prediction model based on the Stacking ensemble learning
Ye et al. Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning
CN103106544B (zh) 一种基于t-s型模糊神经网络的光伏发电预测系统
CN114792156B (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN105631558A (zh) 基于相似日的bp神经网络光伏发电系统功率预测方法
CN108306303A (zh) 一种考虑负荷增长和新能源出力随机的电压稳定评估方法
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
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN110837915B (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN105160423A (zh) 一种基于马尔科夫残差修正的光伏发电预测方法
Hu et al. Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model
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
CN111461921B (zh) 一种基于机器学习的负荷建模典型用户数据库更新方法
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
Wang et al. Short-term wind power probabilistic forecasting using a new neural computing approach: GMC-DeepNN-PF
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
CN113344283B (zh) 基于边缘智能的能源互联网新能源消纳能力评估方法
CN112508254B (zh) 变电站工程项目投资预测数据的确定方法
Wang et al. An ultra-short-term forecasting model for high-resolution solar irradiance based on SOM and deep learning algorithm
CN117748444A (zh) 一种配电系统的运行模拟方法
Wang et al. Gradient boosting dendritic network for ultra-short-term PV power prediction
CN112949938B (zh) 改善训练样本类别不均衡的风电爬坡事件直接预报方法
Ghiassi et al. On the use of AI as a requirement for improved insolation forecasting accuracy to achieve optimized PV utilization

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