可用于光伏预测，机器学习等领域。 来源于国能日新光伏功率预测大赛。 具体介绍可参考DC竞赛里的国能日新光伏功率预测大赛。 处理分析网络上有若干帖子。 训练集和测试集的描述如下： 训练集有train_1.csv（66859条数据）, train_2.csv（43755条数据）, train_3.csv（29792条数据）, train_4.csv（42687条数据）共4个文件，测试集有test_1.csv（11808条数据）,test_2.csv（14688条数据）,test_3.csv（6182条数据）,test_4.csv（13894条数据）共4个文件，分别为电场1，电场2，电场3，电场4的训练集数据和测试集数据。训练集字段包括时间、辐照度、风速、风向、温度、压强、湿度、实发辐照度、实际功率；测试集数据字段，除无字段实发幅照度和实际功率外，增加了id列为样本id，每条记录的样本id是唯一值，其它字段同训练集数据。 1. 实际功率中的负值是因为机组在发电不足时自身会消耗电能。 2. 实际辐照度的负值视为噪声数据。 3. 实测数据中有明显异常的数据可进行剔除处理。

训练集和测试集的描述如下： 训练集有train_1.csv（66859条数据）, train_2.csv（43755条数据）, train_3.csv（29792条数据）, train_4.csv（42687条数据）共4个文件，测试集有test_1.csv（11808条数据）,test_2.csv（14688条数据）,test_3.csv（6182条数据）,test_4.csv（13894条数据）共4个文件，分别为电场1，电场2，电场3，电场4的训练集数据和测试集数据。训练集字段包括时间、辐照度、风速、风向、温度、压强、湿度、实发辐照度、实际功率；测试集数据字段，除无字段实发幅照度和实际功率外，增加了id列为样本id，每条记录的样本id是唯一值，其它字段同训练集数据。 补充说明： 1. 实际功率中的负值是因为机组在发电不足时自身会消耗电能。 2. 实际辐照度的负值视为噪声数据。 3. 实测数据中有明显异常的数据可进行剔除处理。

为了提高光伏发电功率预测的精度，本文在结合灰色预测算法（GM）与神经络预测算法优点的基础上，提出一种基于灰色径向基函数（Radical Basis Function， RBF）和神经网络光伏发电功率预测模型。该预测模型综合了灰色预测算法所需历史数据少以及RBF神经网络预测算法自学习能力强的优点。最后，运用南昌地区夏季和冬季晴天、阴天、雨天光伏发电历史数据在MATLAB应用平台编程实现对GM-RBF神经网络预测模型的预测精度进行验证，得出基于GM-RBF神经网络光伏发电预测模型在夏季晴天预测误差为6.495%、夏季阴天预测误差为12.146%、夏季雨天预测误差为21.531%、冬季晴天预测误差为8.457%、冬季阴天预测误差14.379%、冬季雨天预测误差为18.495%，其预测精度均高于灰色预测算法和RBF神经网络预测算法。

如何使用 Matlab ANFIS 进行预测？

风电场端功率预测系统技术协借鉴.pdf

传统电导增量法是太阳能光伏系统最大功率点追踪(MPPT)问题中应用最普遍的方法之一，但其存在着振荡和误判的问题，对太阳能系统的效率和稳定性有很大的影响。提出了一种新的MPPT算法：将功率预测法和电导增量法有机结合，同时应用变步长的理论来达到既减小振荡同时又克服误判的目的。与传统定步长电导增量法与变步长电导增量法相对比，在MATLAB 7中仿真的实验结果证明了该方法的可行性。

提出一种基于功率预测模型的单相PWM整流器控制策略. 该控制策略通过构造与网侧电压、电流正交的 虚拟电压、电流分量来形成d-q 坐标系; 在采用瞬时功率理论及功率预测算法获得电路有、无功变化量的基础上, 推 导了整流器交流侧的电压控制矢量, 并采用单极性调制方法来保证整流器工作频率的恒定; 由于取消了电流调节内 环, 该控制策略具有控制系统设计简单、电路抗扰动能力强、系统动态过程短等特性. 仿真结果验证了所提出的控制 策略的有效性.

北京象心力科技有限公司是一家为电力、能源等气象敏感行业提供气象和大数据服务的科技公司。 我们旨在为客户提供精准稳定的数据产品、优质专业的咨询服务和完整高效的解决方案。始终将客户和行业的需求放在首位，深度挖掘行业数据，利用自主的气象预报系统、AI算法模型和智能云平台，为客户提供行业所需的专业数据服务。 象心力科技核心团队由资深气象学家、人工智能算法高级工程师和大数据专家组成。 团队硕博以上占比80%，在新能源气象领域深耕多年，拥有多家全球顶尖的数值天气预报资源和深厚的技术经验积淀。 运气象之力，铸行业之心。我们希望通过不断的努力，让智慧气象和智能算法帮助客户提高效能、降低风险、获得更大的商业价值，让电力更加智慧、能源更加清洁、天空更加蔚蓝！

受风速随机变化的影响,风电输出功率具有波动性。为了平抑风电输出功率的波动,在配置电池储能系统的基础上,文中基于风电短期平均功率预测技术,以风电时间周期T的平均功率为对象,采用时间序列法进行预测,实时滚动预测未来每个时间周期T的平均功率,结合平抑度要求和电池荷电状态限制条件,控制并网功率在每个时间周期T都保持在平均功率附近的可接受范围内,分段平抑功率波动。其中,根据电网对风电功率波动的可接受程度,设置平抑度,为防止电池过充放电,对电池SOC进行限制。最后以某风电场的实际历史数据为例,在Matlab中进行了仿真分析,验证了所述方法的有效性。

基于自适应神经网络的光伏输出功率预测.pdf