基于matlab gui的光伏发电预测平台设计-李岩.pdf

《基于matlab gui的光伏发电预测平台设计-李岩.pdf》由会员分享，可在线阅读，更多相关《基于matlab gui的光伏发电预测平台设计-李岩.pdf（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、G21分布式电源及并网技术G21电器与能效管理技术G21 G21 G22 G23 G24 G25 G26 G27 G21 G28 G22李G2D岩G21 G21 G22 G2C G27 G22 G23 G24女G24工程师G24主要从事微电网及新能源并网技术G2A控制与保护策略和算法的设计与模型开发G25何G2D周G21 G21 G22 G2C G27 G22 G23 G24男G24工程师G24博士G24主要从事配电自动化及新能源技术研究与产品开发G25基于G4A G2C G48 G34 G2C G50 G56 G5D G2B的光伏发电预测平台设计李G21岩G21 G21何G21周G22广州白

2、云电器设备股份有限公司G21广东广州G21 G27 G23 G24 G25 G28 G24 G23摘G2D要G23针对目前人工智能神经网络在光伏发电预测上的应用缺少良好交互系统的问题G24在G2F G30 G2E G5D G30 G2B G62 G4B G41环境中设计开发了光伏发电预测平台G25所设计的平台是集数据导入G33导出G2A G2B G54神经网络训练与预测G2A训练效果综合评估等功能于一体的完善预测体系G25实践表明G24平台界面友好G2A使用方便G2A稳定性高G24具有一定的科学研究和商业推广价值G25关键词G23交互系统G24 G4A G2C G48 G34 G2C G50

3、G56 G5D G2B G24光伏发电预测G24 G50 G3D神经网络中图分类号G23 G2E G2F G23 G21 G25G56G32 G28 G2D文献标志码G23 G2B G2D文章编号G23 G28 G29 G22 G25 G31G2C G21 G2C G2C G21 G28 G29 G21 G23 G23 G28 G24 G31G29 G29 G24 G22 G31G29 G25G29 G2A G2B G23 G21 G29 G32 G21 G23 G23 G28 G2C G33 G34G32 G35 G36 G37 G38G32 G28 G29 G22 G25 G31G2C G

4、21 G2C G2C G32 G28 G29 G21 G23 G32 G28 G24 G32 G29 G21 G29G3D G2FG2E G37G33G26 G3B G3C G29 G39 G31 G32G35 G2D G26 G33 G3D G36 G26 G37G26 G46 G26 G2FG37G2E G32G3A G3D G26 G43 G39 G3B G3D G3B G39 G44 G32G3A G37G32G26 G2D G50 G2E G31 G39 G44 G26 G2DG4A G2C G48 G34 G2C G50 G56 G5D G2BG21 G22 G34 G25 G26

5、 G24 G2D G4E G3F G3C G29 G2A G36G21 G62 G46 G3B G36 G48 G5B G4F G39 G46 G2B G3B G38G4C G46 G36 G45 G3AG40 G35 G3EG3DG38G35 G45 G51 G46 G38G50 G4D G40 G36 G3E G2A G39 G32 G24 G5D G3EG44 G32 G24 G62 G46 G3B G36 G48 G5B G4F G39 G46 G25 G21 G29 G24 G23 G29 G24 G2A G4F G38G36 G3B G23G2C G41 G31 G37G3B G2

6、E G3A G37 G23 G41G36 G3F G38G40 G53 G39 G47 G3EG4F G40 G38G43 G43 G46 G40 G43 G47G39 G3D G3EG4F G40 G43 G4F G39 G3DG3E G39 G47 G36 G38G35 G40 G38G36 G3EG40 G3DG3B G35 G3EG38G3F G40 G43 G4C G43 G3EG40 G4D G43 G3B G50 G50 G3AG38G40 G44 G39 G36 G3EG4F G40 G50 G4F G39 G3EG39 G3F G39 G3AG3EG3B G38G35 G50

7、 G39 G53 G40 G3DG50 G3DG40 G44 G38G35 G3EG38G39 G36 G35 G46 G3DG3DG40 G36 G3EG3AG4C G24 G3B G47G39 G3DG40 G35 G3B G43 G3EG38G36 G48 G50 G3AG3B G3EG47G39 G3DG4D G53 G3B G43 G44 G40 G43 G38G48 G36 G40 G44 G3C G4C G2F G3B G3EG3AG3B G3C G62 G4B G41 G32 G2E G4F G40 G50 G3AG3B G3EG47G39 G3DG4D G38G43 G3B

8、G43 G4C G43 G3EG40 G4D G38G35 G47G39 G3DG40 G35 G3B G43 G3EG38G36 G48G43 G4C G43 G3EG40 G4D G53 G38G3EG4F G3EG4F G40 G47G46 G36 G35 G3EG38G39 G36 G43 G39 G47 G38G4D G50 G39 G3DG3EG38G36 G48 G3B G36 G44 G40 G52 G50 G39 G3DG3EG38G36 G48 G44 G3B G3EG3B G24 G3EG3DG3B G38G36 G38G36 G48 G2B G54 G36 G40 G4

9、6 G3DG3B G3A G36 G40 G3EG53 G39 G3DG37 G3B G36 G44 G47G39 G3DG40 G35 G3B G43 G3EG38G36 G48 G24 G3DG39 G46 G36 G44 G3AG4CG40 G43 G3EG38G4D G3B G3EG38G36 G48 G3EG3DG3B G38G36 G40 G44 G50 G40 G3DG47G39 G3DG4D G3B G36 G35 G40 G43 G24 G40 G3EG35 G32 G2E G4F G40 G50 G3DG3B G35 G3EG38G35 G40 G38G36 G44 G38

10、G35 G3B G3EG40 G43 G3EG4F G3B G3E G3EG4F G40 G50 G3AG3B G3EG47G39 G3DG4D G4F G3B G43 G47G3DG38G40 G36 G44 G3AG4C G38G36 G3EG40 G3DG47G3B G35 G40 G43 G24 G35 G39 G36 G3F G40 G36 G38G40 G36 G3EG39 G50 G40 G3DG3B G3EG38G39 G36 G3B G36 G44 G4F G38G48 G4F G43 G3EG3B G3C G38G3AG38G3EG4C G32 G30 G36 G44 G3

11、EG4F G40 G50 G3AG3B G3EG47G39 G3DG4D G38G43 G3F G3B G3AG46 G3B G3C G3AG40 G47G39 G3D G43 G35 G38G40 G36 G3EG38G47G38G35 G3DG40 G43 G40 G3B G3DG35 G4F G3B G36 G44 G35 G39 G4D G4D G40 G3DG35 G38G3B G3A G50 G39 G50 G46 G3AG3B G3DG38G5B G3B G3EG38G39 G36 G32G42 G39 G30 G43 G26 G3B G44 G31 G23 G32G2D G37

12、G39 G3B G2E G3A G37G32G46 G39 G31 G30 G31 G37G39 G3C G24 G4A G2C G48 G34 G2C G50 G56 G5D G2B G24 G45 G36 G26 G37G26 G46 G26 G2FG37G2E G32G3A G45 G26 G43 G39 G3B G45 G3B G39 G44 G32G3A G37G32G26 G2D G24 G50 G3D G2D G39 G3E G3B G2E G2F G2D G39 G37G43 G26 G3B G53G29 G2D引G2D言光伏发电系统受太阳辐射G2A气温等各种环境因素的影响G2

13、4输出功率具有较大的随机性和波动性G24直接并网将给电力系统的安全运行带来负面影响G25光伏发电预测技术对减轻这一负面影响起到重要作用G28 G21 G31G27 G29G25近年来G24人工智能神经网络的发展为光伏发电预测技术提供了多样的和有效的解决方法G28 G24 G31G23 G29G25目前G24有关人工智能神经网络在光伏发电预测上应用的研究多依靠具有强大数据处理和科学计算能力的G2F G30 G2E G5D G30 G2B软件G24但仍大多停留在研究层面G28 G26 G29G25科研人员需要面对繁琐的代码修改G2A反复的数据导入G33导出G2A不断地与G61 G38G36 G44

14、 G39 G53 G43系统交互以及较难的商业推广等问题G24如何从研究层面提升到应用层面G24从而避免上述问题并且给予科研人员和用户良好的体验G24就显得尤为重要G25 G2F G30 G2E G5D G30 G2B软件的图形用户界面G21 G62 G3DG3B G50 G4F G38G35 G3B G3A G4B G43 G40 G3D G41G36 G3EG40 G3DG47G3B G35 G40 G24 G62 G4B G41 G23可以方便地调用G2F G30 G2E G5D G30 G2B自身的功能G2A灵活地设计用户操作界面和快捷地交互G61 G38G36 G44 G39 G53

15、 G43系统G24是提升到应用层面最直接G2A有效和快捷的手段G25本文充分利用G2F G30 G2E G5D G30 G2B G62 G4B G41构建了光伏发电预测平台G24将G2B G54 G21 G2B G3B G35 G37 G54 G3DG39 G50 G3B G48 G3B G3EG38G39 G36 G23神经网络G2A模型训练效果综合评估G2A与G61 G38G36 G44 G39 G53 G43系统的交互等进行集成G24深入到神经网络算法内部G24把复杂的代码编写转变为简单的选择操作G24实现了G22G22G24G22万方数据电器与能效管理技术G21 G21 G22 G23

16、 G24 G25 G26 G27 G21 G28 G22 G21分布式电源及并网技术G21集训练数据导入G2A模型训练G2A性能评估G2A模型预测以及预测结果导出等功能于一体的光伏发电预测系统G24既能满足科学研究的需要G24也具有商业推广价值G25G21 G2D光伏发电预测原理太阳辐射量和温度是影响光伏发电功率的两种主要因素G28 G2C G29G25本文利用G2B G54神经网络G24建立太阳辐射量和温度与光伏发电功率之间的关系G25G23 G27 G23 G47 G50 G3D神经网络G2B G54神经网络是误差反向传播多层前馈神经网络的简称G24是目前研究最多G2A应用最广的一种人工智

17、能多层前馈网络G24理论上具有模拟任何复杂非线性映射的能力G28 G22 G29G25 G2B G54神经网络由输入层G2A隐含层和输出层组成G25 G2B G54神经网络的学习训练过程主要分为两个阶段G28 G21 G29 G29G26G21 G21 G23从输入层开始G24按照当前网络结构和各神经元的权值G2A阈值G24经隐含层向后计算神经元的输出G24在输出层得到总的神经网络输出G27G21 G28 G23根据神经网络的预设性能指标G24从输出层向前计算各权值和阈值对性能指标的误差梯度G24并进行修正G25本文采用的G2B G54神经网络预测光伏功率流程图如图G21所示G25进行归一化是

18、为了量纲匹配和避免输出饱和G24可归一化的区间有G28 G29 G24 G21 G29和G28 G57 G21 G24 G21 G29 G25可供选择的G2B G54神经网络学习训练算法包括G26 G5D G2F反向传播算法G3EG3DG3B G38G36 G3AG4D G2A拟牛顿反向传播算法G3EG3DG3B G38G36 G3C G47G48 G2A弹性反向传播算法G3EG3DG3B G38G36 G3DG50和梯度下降反向传播算法G3EG3DG3B G38G36 G48 G44G28 G21 G21 G29G25G23 G27 G21 G47预测模型本文采用的总体预测模型示意图如图G2

19、8所示G25太阳辐射量和温度作为预测模型的输入与G2B G54神经网络的输入层相连G24光伏发电功率作为预测模型的输出与G2B G54神经网络的输出层相连G25预测模型前期需要利用历史数据来训练G2B G54神经网络G24后期利用训练好的模型G24预测已知太阳辐射量和温度条件下对应的未知光伏发电功率G25具体操作过程G26把历史太阳辐射量数据和历史温度数据作为预测模型的输入G24把历史同期的光伏发电功率数据作为预测模型的输出G24一同导入到预先建立好的G2B G54神经网络预测模型G27利用导入的历史数据进行训练G24训练达到预期目标后作为训练好图G21 G2D G2B G54神经网络预测光伏

20、功率流程图图G28 G2D预测模型示意图的模型进行预测G27把未来太阳辐射量数据和未来温度数据作为预测模型的输入G24导入到训练好的G2B G54神经网络预测模型G24预测模型进行预测后G24即可输出未来同期的光伏发电功率预测值G25G28 G2D G2F G30 G2E G5D G30 G2B G62 G4B G41主要功能的实现G2F G30 G2E G5D G30 G2B G62 G4B G41的设计包含界面设计和程序实现两部分G28 G21 G28 G29G25在G62 G4B G41开发环境中G24组建用户界面可以通过直接创建按钮G2A文本编辑区等控件来实现G24各个控件的函数回调功

21、能需要通过设置控件的属性及编辑相应代码来实现G25本文使用G2F G30 G2E G5D G30 G2B G62 G4B G41设计的预测平台系统结构图如图G27所示G25G22G29G25G22万方数据G21分布式电源及并网技术G21电器与能效管理技术G21 G21 G22 G23 G24 G25 G26 G27 G21 G28 G22图G27 G2D预测平台系统结构图G21 G27 G23 G47数据导入G57导出数据的导入用在训练数据和预测数据的导入G24数据的导出用在预测结果的导出G25导入和导出数据的对象都是G45 G52 G35 G40 G3A表格G24选取G61 G38G36 G

22、44 G39 G53 G43系统表格的代码为G28 G47G38G3AG40 G24 G50 G3B G3EG4F G29 G55 G46 G38G48 G40 G3EG47G38G3AG40 G21 G2B G71G21 G32 G52 G3AG43 G52 G71G27G71G21 G32 G52 G3AG43 G71G2C G24 G71选择表格G71G24 G71G2F G46 G3AG3EG38G4E G40 G3AG40 G35 G3EG71G24 G71G39 G47G47G71G23 G25读取表格内容和写入表格分别用到G52 G3AG43 G3DG40 G3B G44和G52

23、 G3AG43 G53 G3DG38G3EG40函数G25G21 G27 G21 G47 G50 G3D神经网络G2B G54神经网络参数设置中G24输入隐含层函数G2A隐含输出层函数和训练算法以列表框形式实现G27归一化区间以单选按钮形式实现G24隐含层个数G2A学习速率G2A最小目标误差和最大训练次数以编辑框形式实现G25在G2B G54神经网络参数设置时G24直接用G48 G40 G3E函数读取列表框和编辑框内字符串和数值G24归一化区间代码用G38G47 G2A G43 G53 G38G3EG35 G4F和G35 G3B G43 G40语句来实现G25G21 G27 G4C G47训练

24、效果评估训练效果以数据和图形两种形式显示G24数据指标有最大百分误差G2A最小百分误差G2A平均百分误差和耗时G24图形形式有训练拟合图G2A样本误差图和样本百分误差图G25训练评估的结果用G43 G40 G3E函数显示在编辑框中G24图形用G50 G3AG39 G3E函数既可以显示在独立窗口中G24也可以显示在界面上的G3B G52 G40 G43坐标轴中G25百分误差计算式为G33G24G3BG23G42G24G40 G23G47G24G45 G23G47G24G5A G21 G29 G29 G21式中G26 G2D G24 G22 G22 G22第G24个样本G27G23G42G24G2

25、2 G22 G22第G24个样本对应的预测值G27G23G47G24G22 G22 G22第G24个样本对应的实际值G25最大百分误差G2A最小百分误差和平均百分误差分别是所有样本所对应的百分误差中的最大值G2A最小值和平均值G25耗时指图G21中从归一化处理到反归一化处理期间的用时G25G27 G2D平台设计根据以上光伏发电预测原理结合G2F G30 G2E G5D G30 G2B G62 G4B G41主要功能的实现G24设计开发了光伏发电预测平台G25G4C G27 G23 G47平台界面初始状态下的平台界面如图G24所示G25界面中的帮助和说明按键G24单击后会以G32 G50 G44

26、 G47文档显示具体内容G25 G2B G54神经网络参数设置中G24输入隐含层函数默认为双曲正切G4E型传输函数G3EG3B G36 G43 G38G48 G24隐含输出层函数默认为纯线性函数G50 G46 G3DG40 G3AG38G36 G24训练函数默认为G5D G2F反向传播算法G24归一化区间默认为G28 G57 G21 G24 G21 G29 G24隐含层个数默认为G21 G23 G24最大训练次数默认为G28 G29 G29 G24学习速率默认为G29 G32 G28 G24最小目标误差默认为G29 G32 G29 G29 G29 G21 G25图G24 G2D初始状态下的平台

27、界面G2D G2D网络训练后的平台界面如图G25所示G25训练效果会以数值和图形形式实时的显示在界面上G24数值形式显示在编辑框内G25图G25的训练用时为G26 G32 G25 G2C G25 G43 G24图形形式显示在界面右侧G24显示所有样本预测值和实际值的拟合曲线以及误差百分比G25G4C G27 G21 G47平台操作流程预测平台操作流程图如图G23所示G25G22G21G25G22万方数据电器与能效管理技术G21 G21 G22 G23 G24 G25 G26 G27 G21 G28 G22 G21分布式电源及并网技术G21图G25 G2D网络训练后的平台界面图G23 G2D平台

28、操作流程图G2D G2D打开平台软件后G24需要单击载入训练表格按钮G24填写表单名称和输入G33输出表格范围G24然后单击读取表格按钮G24由此导入训练数据G25单击选择输入隐含层函数G2A隐含输出层函数G2A训练函数和归一化区间G24填写隐含层个数G2A最大训练次数G2A学习速率以及最小目标误差G24由此完成G2B G54神经网络参数设置及归一化区间选取G25单击训练按钮G24完成模型训练G25反复训练后G24结合显示的数据和图形来分析训练效果G24选择其中训练效果满意的模型G24单击载入预测表格按钮G24填写表单名称和输入表格范围后G24单击读取表格按钮G24由此导入预测数据G25单击预

29、测按钮G24完成模型预测G25单击导出按钮导出预测结果G24也可以通过选取表格来导出到预定表格单元格中G25至此完成预测G24软件平台运行结束G25G4C G27 G4C G47应用实例按照光伏发电预测原理和平台操作流程G24对平台软件进行实例测试G25选取某一天某微电网实验室监控系统采集的光伏发电数据和气象数据来进行测试G24监控系统每间隔G21 G4D G38G36采集G21次光伏发电功率G2A太阳辐射量和温度G25具体选择当天G21 G21 G26 G29 G21到G21 G25 G26 G29 G29共G28 G24 G29组数据作为训练样本G24来预测G21 G25 G26 G29

30、G21到G21 G25 G26 G21 G29每G21 G4D G38G36的光伏发电功率G25训练样本作为输入的太阳辐射量和温度以及作为输出的光伏发电功率G25训练样本输入G33输出数据曲线如图G26所示G25本预测平台可以设置多种G2B G54神经网络的参数G24选取的训练函数G2A各层传递函数G2A归一化区间以及设置的隐含层个数不同G24最终的预测结果就不同G25表G21列出了针对不同G2B G54神经网络参数设置下预测模型的训练效果G24由于设置方式种类较多G24表中只列出在输入隐含层函数为G3EG3B G36 G43 G38G48 G2A隐含输出层函数为G50 G46 G3DG40

31、G3AG38G36 G2A归一化区间为G28 G57 G21 G24 G21 G29和隐含层个数为G21 G23的情况下G24不同训练函数的训练效果G24训练效果指标均精确到G27位有效数字G25图G26 G2D训练样本输入G33输出数据曲线表G23 G47不同参数设置下的预测模型训练效果设置组合训练函数用时G33 G43最大百分误差G33 G21最小百分误差G33 G21平均百分误差G33 G21G21 G3EG3DG3B G38G36 G3AG4D G28 G32 G27 G25 G27 G32 G21 G22 G29 G32 G29 G29 G29 G22 G28 G21 G29 G32

32、 G23 G2CG28 G3EG3DG3B G38G36 G3C G47G48 G28 G32 G27 G23 G24 G32 G22 G25 G29 G32 G29 G29 G27 G22 G2C G29 G29 G32 G22 G25G27 G3EG3DG3B G38G36 G3DG50 G28 G32 G28 G23 G25 G32 G26 G28 G29 G32 G29 G21 G23 G23 G29 G29 G21 G32 G21 G28G24 G3EG3DG3B G38G36 G48 G44 G27 G32 G25 G28 G21 G28 G32 G2C G29 G29 G32 G

33、29 G29 G29 G29 G21 G26 G27 G32 G29 G24G2D G2D分析表G21以及反复试验可知G24设置组合G21下训练效果最好也最稳定G24选取其中训练效果最好的预测模型进行预测G24预测值和实际值对比如图G2C和表G28所示G25预测值和百分误差精确到G23位有效数字G25G22G28G25G22万方数据G21分布式电源及并网技术G21电器与能效管理技术G21 G21 G22 G23 G24 G25 G26 G27 G21 G28 G22图G2C G2D预测值和实际值对比表G21 G47预测值和实际值对比时刻预测值G33 G37 G61实际值G33 G37 G61百

34、分误差G33 G21G21 G25 G26 G29 G21 G21 G28 G32 G22 G24 G2C G24 G21 G28 G32 G26 G25 G22 G21 G32 G24 G2C G24 G24 G24G21 G25 G26 G29 G28 G21 G28 G32 G2C G22 G21 G28 G21 G28 G32 G23 G21 G29 G28 G32 G28 G28 G22 G22 G2CG21 G25 G26 G29 G27 G21 G28 G32 G2C G26 G23 G2C G21 G28 G32 G24 G24 G24 G27 G32 G24 G26 G26

35、G22 G2CG21 G25 G26 G29 G24 G21 G28 G32 G2C G26 G24 G24 G21 G28 G32 G28 G2C G23 G24 G32 G26 G2C G22 G21 G22G21 G25 G26 G29 G25 G21 G28 G32 G2C G23 G27 G26 G21 G28 G32 G28 G23 G23 G24 G32 G2C G26 G28 G2C G28G21 G25 G26 G29 G23 G21 G28 G32 G24 G25 G2C G2C G21 G28 G32 G29 G24 G28 G27 G32 G24 G23 G21 G28

36、 G28G21 G25 G26 G29 G26 G21 G28 G32 G24 G23 G27 G27 G21 G28 G32 G29 G24 G24 G27 G32 G24 G2C G21 G24 G29G21 G25 G26 G29 G2C G21 G28 G32 G24 G25 G22 G24 G21 G21 G32 G26 G24 G28 G23 G32 G21 G29 G22 G23 G22G21 G25 G26 G29 G22 G21 G28 G32 G24 G23 G24 G2C G21 G21 G32 G21 G27 G27 G21 G21 G32 G22 G23 G28 G2

37、3 G29G21 G25 G26 G21 G29 G21 G28 G32 G27 G25 G23 G28 G21 G21 G32 G23 G23 G26 G25 G32 G22 G29 G26 G28 G23G24 G2D结G2D语本文在G2F G30 G2E G5D G30 G2B G62 G4B G41环境中G24利用G2B G54神经网络算法G24设计开发了用于预测光伏发电功率的平台软件G25该平台具有完整的预测流程和系统的预测功能G25应用实例表明了该平台的便捷性G2A实用性和准确性G24可为神经网络在光伏发电预测上的应用提供研究和推广途径G25随着人工智能算法应用的深入G24该平台可

38、以方便地拓展新功能G24以便实现与G2F G30 G2E G5D G30 G2B更好的融合和达到更高的预测精度G25G25参考文献G26G28 G21 G29 G2D陈昌松G24段善旭G24蔡涛G24等G32基于模糊识别的光伏发电短期预测系统G28 G5C G29 G32电工技术学报G24 G28 G29 G21 G21 G24 G28 G23 G21 G26 G23 G26G2C G27 G31G2C G22 G32G28 G28 G29 G2D孙丽娜G24孙大帅G32基于网络服务器的光伏发电短期功率预测研究与应用G28 G5C G29 G32电器与能效管理技术G24G28 G29 G21

39、G24 G21 G28 G29 G23 G26 G26 G29 G31G26 G24 G32G28 G27 G29 G2D王昕G24黄柯G24郑益慧G24等G32基于G54 G4A G4A G33 G54 G2A G30 G33 G4E G4E G31G4E G59 G5F的光伏发电功率短期预测方法G28 G5C G29 G32电力系统自动化G24 G28 G29 G21 G23 G24 G24 G29 G21 G21 G26 G23 G26 G21 G25 G23 G31G21 G23 G28 G32G28 G24 G29 G2D付青G24单英浩G24朱昌亚G32基于G4A G30 G5F

40、G66神经网络的光伏发电功率预测研究G28 G5C G29 G32电气传动G24 G28 G29 G21 G23 G24 G24 G23 G21 G24 G23 G26G24 G28 G31G24 G25 G32G28 G25 G29 G2D王守相G24张娜G32基于灰色神经网络组合模型的光伏短期出力预测G28 G5C G29 G32电力系统自动化G24 G28 G29 G21 G28 G24 G27 G23G21 G21 G22 G23 G26 G27 G26 G31G24 G21 G32G28 G23 G29 G2D于群G24朴在林G24胡博G32基于G45 G45 G2F G49和G2B

41、 G54神经网络的短期光伏功率预测模型G28 G5C G29 G32电网与清洁能源G24G28 G29 G21 G23 G24 G27 G28 G21 G26 G23 G26 G21 G27 G28 G31G21 G27 G26 G32G28 G26 G29 G2D陈湘如G32并网光伏电站运行特性分析及发电预测G28 G49 G29 G32南京G26东南大学G24 G28 G29 G21 G25 G32G28 G2C G29 G2D单英浩G24付青G24耿炫G24等G32基于改进G2B G54 G31G4E G59 G2F G31G45 G5D G2F与粒子化G4E G63 G2F G31G5

42、D G4E G42的微电网光伏发电组合预测方法G28 G5C G29 G32中国电机工程学报G24 G28 G29 G21 G23 G24 G27 G23 G21 G21 G28 G23 G26 G27 G27 G27 G24 G31G27 G27 G24 G27 G32G28 G22 G29 G2D许慧G24黄世泽G24郭其一G24等G32基于改进G2B G54神经网络的建筑用电量预测G28 G5C G29 G32电器与能效管理技术G24G28 G29 G21 G24 G21 G21 G2C G23 G26 G25 G24 G31G25 G2C G32G28 G21 G29 G29 G2D刘

43、宽G24董华G24王红利G24等G32基于G2B G54神经网络的G2B G46 G35 G37变换器设计G28 G5C G29 G32电器与能效管理技术G24 G28 G29 G21 G25 G21 G28 G27 G23 G26G25 G24 G31G25 G23 G24 G23 G28 G32G28 G21 G21 G29 G2D苏高利G24邓芳萍G32论基于G2F G30 G2E G5D G30 G2B语言的G2B G54神经网络的改进算法G28 G5C G29 G32科技通报G24 G28 G29 G29 G27 G24 G21 G22 G21 G28 G23 G26G21 G27

44、G29 G31G21 G27 G25 G32G28 G21 G28 G29 G2D王玉林G24葛蕾G24李艳斌G32新型界面开发工具G26G2F G30 G2E G5D G30 G2B G33 G62 G4B G41 G28 G5C G29 G32无线电通信技术G24 G28 G29 G29 G2C G24 G27 G24 G21 G23 G23 G26G25 G29 G31G25 G28 G32收稿日期G24G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26 G26G22 G24 G23 G28 G24 G2A G24 G27欢迎投稿G2D欢迎订阅G2D欢迎刊登广告G22G27G25G22万方数据