دانلود ترجمه مقاله پیش بینی احتمالاتی بسیار کوتاه مدت PV

1. مقدمه 2. پیشینه نظری 3. مدل پیش بینی احتمالاتی با در نظر گرفتن توزیع خطای چند دوره ای 4. مطالعات موردی 5. نتیجه گیری

چکیده – با افزایش نرخ نفوذ فتوولتائیک (PV) در شبکه، چالش های هنگفتی برای فعالیت های مرکز دیسپاچ شبکه قدرت بوجود آمده است. پیش بینی دقیق و کارآمد توان PV، کلید اصلی حل این مسئله است. با ملاحظه توزیع خطای چند دوره ای (MPED)، یک رویکرد پیش بینی احتمالاتی نوین از طریق تجزیه مد تجربی دسته ای براساس حافظه کوتاه مدت طولانی و شبکه عصبی انتشار معکوس (EEMD-lSTM-BP) پیشنهاد شده است. برای مطالعه مشخصه رفتارهای موج در حوزه های فرکانسی مختلف از EEMD استفاده می شود. LSTM و BP بترتیب برای تعیین توابع مد ذاتی (IMF ها) و مولفه های باقیمانده، مورد استفاده قرار می گیرند. پس از آن، براساس خطاهای پیش بینی، نوسانات خروجی توان PV در دوره های مختلف ارزیابی می شود. نقاط تقطیع بوسیله رگرسیون کرنل ناداریا-واتسون (N-W)، تعیین می شوند. کران های بازه های پیش بینی (PI ها) براساس توزیع احتمال خطا، محاسبه می شوند. براساس مجموعه داده ایستگاه های PV در استان نینگشیا، مطالعات موردی، امکان پذیری این روش را تایید می کنند.

As the penetration rate of photovoltaic (PV) in the grid increases, enormous challenges have been brought into power grid dispatcher's operation. Efficient and accurate PV power prediction is the key to solve this problem. Considering multi-period error distribution (MPED), a novel probabilistic prediction approach via ensemble empirical mode decomposition based on long short-term memory and backpropagation neural network (EEMD-LSTM-BP) is proposed. EEMD is utilized to study the characteristic of wave behaviors in different frequency domains. LSTM and BP are used to determine intrinsic mode functions (IMFs) and remaining components, respectively. Afterward, based on the prediction errors, PV power output fluctuation in different periods is analysed. The segment points are determined by Nadaraya-Watson (N-W) kernel regression. The bounds of prediction intervals (PIs) are quantified based on the error probability distribution. Based on the dataset of PV stations in Ningxia Province, the case studies verify the method's feasibility.