CN102495953A - 基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法 - Google Patents

基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法 Download PDF

Info

Publication number
CN102495953A
CN102495953A CN201110387166XA CN201110387166A CN102495953A CN 102495953 A CN102495953 A CN 102495953A CN 201110387166X A CN201110387166X A CN 201110387166XA CN 201110387166 A CN201110387166 A CN 201110387166A CN 102495953 A CN102495953 A CN 102495953A
Authority
CN
China
Prior art keywords
data
photovoltaic
training
value
neural network
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.)
Pending
Application number
CN201110387166XA
Other languages
English (en)
Inventor
周文
段晓波
潘瑾
郝晓光
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
Hebei Electric Power Construction Adjustment Test Institute
Original Assignee
Hebei Electric Power Construction Adjustment Test Institute
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 Hebei Electric Power Construction Adjustment Test Institute filed Critical Hebei Electric Power Construction Adjustment Test Institute
Priority to CN201110387166XA priority Critical patent/CN102495953A/zh
Publication of CN102495953A publication Critical patent/CN102495953A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Photovoltaic Devices (AREA)

Abstract

本发明涉及一种基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法,本发明的技术要点是首先对基于电能质量数据和环境参数进行解析,对数据按电压、电流、谐波、不平衡度、功率等进行分类,再对风速、辐照度、环境温度等环境参数进行解析,然后将电能质量数据和环境参数进行相关性对比分析,通过建立负荷预测模型,给出评估和预测分析结果。本发明的有益效果是利用此发明能够对分布式光伏发电系统的相关数据进行智能评估和分析,有效辨识了分布式光伏接入对电网尤其是配电网产生的影响。另外,本发明也可以为光伏发电负荷预测提供一种分析方法。

Description

基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法
技术领域
本发明涉及一种基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法。
背景技术
随着全球工业化的快速发展,以石油、煤炭和天然气为代表的常规能源日渐枯竭,能源危机和环保的压力令全世界都开始关注以光伏和风电为代表的可再生能源。目前光伏发电主要广泛应用于配电网中,目前我国的中低压配电网主要是单侧电源、辐射型供电网络,光伏发电接入配电网后,辐射式的网络将变为一种遍布电源和用户互联的网络。同时由于光伏发电系统输出具有随机变化的特性性,需要了解和掌握光伏发电系统的电能质量状况,以及光伏发电系统输出特性。
目前,光伏发电系统的电能质量状况和输出特性基本上都是通过便携式测量仪器进行现场获取,再通过专业软件得到光伏电能质量状况和输出特性,此方法工作效率低,较为单一,不能动态掌握光伏发电系统的电能质量状况和输出特性。
发明内容
本发明所要解决的技术问题是提供一种能够动态掌握光伏发电系统的电能质量状况和输出特征的基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法。
本发明解决其技术问题所采用的技术方案:
一种基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法,其特征在于具体步骤如下:
(1)将采集到的光伏发电系统的电能质量参数进行分类并提取各类电能质量参数的特征;将所述各类电能质量参数的特征转换成IEEE1159.3标准格式,然后按时间关系进行排序后存入到数据库中;再按GB/T14549-1993和GB/T19939-2005中规定的限值进行评估;
所述电能质量参数包括电压、电流、谐波电压、谐波电流和功率;
所述电能质量参数的特征包括最大值、最小值、平均值和时标值;
(2)将采集到得光伏发电系统的环境参数转换成标准的ACCESS数据库格式,然后按时间关系进行排序后存入到数据库中;所述环境参数包括风速、辐照度、环境温度和组件温度;
(3)将各电能质量参数分别与环境参数按时间关系进行相关性对比形成对序列,然后根据对序列绘制坐标图,所述坐标图的横坐标为时间坐标轴;
(4)通过BP神经网络建立光伏发电负荷预测模型并对其进行训练与评估:
A.所述预测模型的建立步骤如下:
a.确定光伏负荷预测模型的输入量和输出量:
所述输入量包括辐照度、环境温度、固定采样时间点的发电功率和日类型;
所述输出量选用预测日采样时间点的所述预测模型的发电量为输出量;
b.确定BP神经网络的结构及其各层的激励函数:
所述BP神经网络的结构为一个隐含层的三层BP神经网络;其输入层节点对应于所述预测模型的输入量;其输出层节点的个数等于一天采样时间点的个数;其隐含层节点数根据下述公式(1)确定:
Figure 201110387166X100002DEST_PATH_IMAGE002
   (1)
式中,为隐含层节点数,n为输入层节点数,m为输出层节点数,a为1-10之间的调节常数;
BP神经网络中间层的神经元激励函数采用S型正切函数tansig,其输出层神经元激励函数采用S型对数函数logsig;
c.利用MATLAB 神经网路工具箱建立BP神经网络;
B.对所述BP神经网络进行训练与评估:
a.在训练之前对样本数据按下述公式(2)进行归一化处理:
Figure 201110387166X100002DEST_PATH_IMAGE006
(2)
式中,Pi为原始目标和输入数据,Pmax、Pmin分别为P中的最大值和最小值,PI为归一化后的目标和输入数据;
b.确定训练参数,开始训练:
所述训练参数包括训练函数、训练次数、学习效率和训练目标;
c.训练完毕后,对待预测日进行预测并对所述预测模型进行评估:
评估方法选用平均绝对百分比误差MAPE,即按下式(3)进行评估;
Figure 201110387166X100002DEST_PATH_IMAGE008
  (3)
式中,
Figure 201110387166X100002DEST_PATH_IMAGE010
为数据总数;
Figure 201110387166X100002DEST_PATH_IMAGE012
为预测值;
Figure 201110387166X100002DEST_PATH_IMAGE014
为真实值;i为数据序号。
本发明的有益效果如下:
(1)能够动态掌握光伏发电系统的电能质量状况和输出特性。
(2)为光伏发电负荷预测提供一种分析方法和手段,也为大量分布式光伏发电系统接入配电网提出一种技术支持。
(3)本发明提出了基于有功功率与辐照度对序列的概念,通过对有功功率与环境参数中的相关信息进行相对性对比分析,形成二维或多维关系坐标图,以便于分析对比。
附图说明
图1为本发明所述方法的流程图。
图2为本发明的硬件配置图示意图。
图3为电压偏差分析结果图。
图4为负序电压不平衡度分析结果图。
图5为根据A相有功功率与辐照度对序列绘制的坐标图。
图6为按照C相有功功率与辐照度对序列绘制的坐标图。
图7为按照B相电压有效值与辐照度对序列绘制的坐标图。
具体实施方式
实施例:以某10kW小型光伏发电系统为例:
本实施例基于服务器和Windows Server 2008 R2操作系统,采用.net架构,控制部分和数据采集使用DSP处理器和ARM处理器,数据存储使用SQL Server2008(参见图2)。
本实施例的具体步骤如下:
首先,对通过电能质量监测终端PQ-6000采集到的光伏发电系统电能质量数据进行分析归类,包括:电压、电流、谐波电压、谐波电流、不平衡度和功率等,提取这些参数的特征如最大值、最小值、平均值和时标值,转换成IEEE1159.3标准格式,按时间关系进行排序存入到数据库中,结合GB/T14549-1993和GB/T 19939-2005对电能质量数据进行评估和分析:
以电压偏差为例,从数据库提取过去24小时采集的A、B、C三相电压有效值的最大、最小和平均值,每5分钟有一组基础数值。首先去除基础数据中的异常数据,然后所有值按大小进行排序计算,分别得到A、B、C三相电压有效值的最大、最小和平均值。横向比较A、B、C三相电压有效值的最大、最小和平均值,可以得到三相电压有效值的最大、最小和平均值。根据公式
Figure 201110387166X100002DEST_PATH_IMAGE016
(δU表示电压偏差,Ure表示实际电压,单位为kV,UN表示系统标称电压,单位为kV),最终得到光伏电源过去一天电压偏差的最大、最小和平均值。
基于上述的A、B、C三相电压有效值的平均值,由大到小次序排列,分别舍弃前面5%、1%的大值,取剩余值中的最大值,得到A、B、C三相的95%概率大值、99%概率大值,取A、B、C三相的95%概率大值、99%概率大值中的最大值,由此也可以得到电压偏差的95%概率大值、99%概率大值,将此95%概率大值与GB/T 19939-2005中规定的限值相比较,可以知道电压正负偏差是否超出限值要求,如图3所示,CP95、CP99为95%概率大值、99%概率大值,图中斜体字(或蓝色字)表示电压偏差未超标,反之粗黑体字(或红色字)表示电压偏差超标(本图中没有电压超标的)。
负序电压不平衡度分析结果见图4。
基于日的最大、最小、平均值分析得到周/月/季的最大、最小、平均值,周/月/季的95%概率大值、99%概率大值分析与日的95%概率大值、99%概率大值相同。
谐波电压、谐波电流、不平衡度等电能质量参数的分析与电压偏差相同。
(2)其次,对光伏发电系统配置的环境参数测量模块WEBBOX进行数据采集,将采集到的风速、辐照度、环境温度、组件温度转换成标准的ACCESS数据库格式,按时间关系进行排序存入到数据库中;
(3)然后,将电压有效值、功率与风速、辐照度、环境温度、组件温度按时间关系进行相关性对比分析,以有功功率P(单位kW)、辐照度(单位W/㎡)为例,可以得到有功功率(P1,P2,……,Pn)、辐照度(S1, S2, ……, Sn)形成的对序列(<P1, S1>,< P2,S2>,……,< Pn , Sn >)。根据的对序列绘制坐标图(见图5和图6),其中辐照度和有功功率为纵坐标,时间为横坐标。
图7为按照B相电压有效值与辐照度的对序列绘制的坐标图。
(4)最后,研究辐照度、日类型、大气温度、季节以及其他因素对光伏发电系统出力的影响及处理方法,通过BP神经网络进行光伏发电系统负荷预测模型的设计,确定输入层节点、输出层节点和隐含层节点数。再对预测模型的训练与评估,提高负荷预测的精度。
A.所述预测模型的建立步骤如下:
a.确定光伏负荷功率预测模型的输入/输出量;
在光伏阵列发电预测中,需要考虑的环境因素很多,因此在选择预测模型的输入变量时着重考虑一些与光伏发电关联性较强的确定性因素。
对于既定的光伏阵列来说,一个明显的特征就是光伏阵列发电量时间序列的本身高度自相关性,因为在阵列的历史发电量时间序列中,所有的发电量时间序列来自于同一发电系统,数据自身就包含了光伏阵列的系统信息,解决了光伏阵列的安装位置随机性和光伏阵列的使用时间等对转换效率的影响。因此在负荷预测模型中,要将前一段时间的相关发电量数据作为输入变量,预测模型采用预测日前一天的数据进行预测。
由于辐照度与光伏阵列发电量有直接关系,可以根据两者的相关性实现对光伏发电的预测。为了体现辐照度对历史发电数据的影响故让其直接作为预测输入量。同一季节相同日类型且最高最低气温相近天气的辐照度基本相似,而且日类型的变化对于光伏阵列发电的影响也相当显著,所以采用最近日期相同日类型的辐射量数据作为输入量建立预测模型,辐照度作为输入量可以提高了模型预测精度。
环境温度对光伏阵列发电量的影响不容小视。因此,预测模型的输入变量中需要考虑环境温度。转换效率和阵列面积等参数已经隐含在历史发电数据中,在输入变量的选择中须考虑辐照度和大气温度的变化。
所述模型输出量的选择是根据具体事例为准,光伏预测中是预测发电量,故选用预测日固定采样时间点的发电功率模型的输出量。
b. 确定BP神经网络的结构及其各层的激励函数;
因为任何一个三层的神经网络可以描述任何一个非线性系统,所以对于一个非线性网络可选用含有一个隐含层的三层BP网络。
输入层节点对应于所述模型的输入量,输入量选择的不同,决定了输入层节点个数。光伏预测模型中,输入量选择一天当中固定采样时间点的发电功率,同时辐射量、气温、日类型也作为输入量。例如时间点为(9:00、9:30、10:00、10:30······15:30、16:00)一共15个采样点;同时考虑气温的影响,可以选用前一天和预测日的最高气温、最低气温4个量;天气类型的影响也考虑在内,预测日的日类型(即晴天、多云、下雪三种天气类型 分别赋值为‘1’、‘0.5’、‘0’)1个量;以及最近日期同一日类型的辐射量在该时间段的最大值、最小值、平均值3个量。这种情况下输入层的节点为23个。 
该网络的输出层节点的确定,与所述模型的输出有关,因为输出是一天中固定采样时间点的发电功率,所以输出层节点的个数等于一天采样时间点的个数。假设时间点为(9:00、9:30、10:00、10:30······15:30、16:00)一共15个采样点,则输出层节点个数就为15。
隐含层节点对神经网络性能有一定的影响。隐含层节点数与求解问题的要求、输入输出节点数多少都有直接关系,隐含层节点数的选择是个十分复杂的问题。隐含层节点数过少,容差性差,识别未经学习的样本能力低;隐含层节点数过多会增加网络训练时间,并且将样本中非规律性内容(如干扰、噪声)存储进去,降低泛化能力,根据经验和大量的网络训练仿真来确定隐含层节点数。因此依据以下公式进行设计:
Figure 371685DEST_PATH_IMAGE002
式中,
Figure 288826DEST_PATH_IMAGE004
为隐含层节点数;n为输入层节点数;m为输出层节点数;a为1~10之间的调节常数。
因为发电功率为大于零的正值,并且光伏发电系统是非线性的,为了满足所述网络的输出要求,所述网络中间层的神经元激励函数采用S型正切函数tansig,输出层神经元激励函数采用S型对数函数logsig。
c.利用MATLAB建立BP神经网络;
利用MATLAB神经网络工具箱,其中有很多典型神经网络框架和相关的函数,可以根据自己的需要调用工具箱中有关神经网络的设计与训练的程序。
B.对所述BP神经网进行训练与评估:
所述网络设计完成后,要采用样本进行训练。训练时对所有样本正向运行一轮并反向修改权值一次称为一次训练。通常训练一个网络需要成千上万次。对于短期发电预测来说,问题的复杂程度虽然无法人为控制,但通过按季节因素对所述模型进行拆分,拆分后的子模型的复杂程度大大降低,而且经过前面的分析,已经确定了所述网络的结构,因此样本的数量与质量对于所述模型的训练至关重要。其所述网络训练步骤为:
a.所述网络训练之前对样本数据的归一化处理;
将所述神经网络应用于光伏阵列负荷预测问题时,训练所述网络的原始数据中,不同的变量通常以不同的单位变化,数量级的差异也比较大,光伏阵列发电量的数值变化范围,相对于该地区气温的数值变化范围更广。通过神经元激活函数的特性知道,神经元的输出通常被限制在一定的范围内,由于所述模型是非线性特性,激励函数选用S型函数,其输出被限定在[0,1]之间,原始数据,尤其是期望输出值通常在该区间之外,直接以原始数据对所述网络进行训练会引起神经元饱和,因此在对所述网络进行训练之前必须对原始数据进行归一化处理,以消除原始数据形式不同所带来的不利影响,将原始目标和输入数据转换到[0,1]区间内。归一化公式为:
Pi为原始目标和输入数据。Pmax、Pmin分别为P中的最大值和最小值,PI为归一化后的目标和输入数据。
b.确定训练参数,即训练函数、训练次数、学习速率和训练目标,开始训练;
训练函数的选择决定了一个网络运算的时间和收敛精度,对于不同的问题,很难比较算法的优劣;对于特定的问题,应当尝试采样多种不同类型的训练算法,以期获得满意的结果。MATLAB中有不少训练网络算法,可以灵活应用到实际问题中。
对于样本的训练必须有足够的训练次数,以使其训练结果为最后稳定到最小值时的结果,而不是得到一个正好摆动到较大的误差值时的网络权值。
训练参数的选择对训练结果的影响是相当大的。学习速率太大,将导致其误差值的来回振荡,太小将无法达到最小值点。只能采用不同的学习需速率进行对比尝试。一般情况选取较小的学习速率以保证系统的稳定性。选取范围为0.01~0.08,典型的取值为0.05。
训练目标的选取也应当通过对比训练后确定一个合适的值,可以同时对不同训练目标的网络进行训练,最后通过综合因素的考虑确定采用其中一个网络。
c.训练完毕后,对待预测日进行预测并利用评估方法对其结果进行评估:
对神经网络发电预测模型的评估有很多方法,如平均绝对偏差、均方差、平均绝对百分比误差。通过比较,选用平均绝对百分比误差MAPE。
Figure 526089DEST_PATH_IMAGE008
式中,
Figure 153511DEST_PATH_IMAGE010
为数据总数;
Figure 975973DEST_PATH_IMAGE012
为预测值;为真实值;i为数据序号。

Claims (1)

1.一种基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法,其特征在于具体步骤如下:
(1)将采集到的光伏发电系统的电能质量参数进行分类并提取各类电能质量参数的特征;将所述各类电能质量参数的特征转换成IEEE1159.3标准格式,然后按时间关系进行排序后存入到数据库中;再按GB/T14549-1993和GB/T19939-2005中规定的限值进行评估;
所述电能质量参数包括电压、电流、谐波电压、谐波电流和功率;
所述电能质量参数的特征包括最大值、最小值、平均值和时标值;
(2)将采集到得光伏发电系统的环境参数转换成标准的ACCESS数据库格式,然后按时间关系进行排序后存入到数据库中;所述环境参数包括风速、辐照度、环境温度和组件温度;
(3)将各电能质量参数分别与环境参数按时间关系进行相关性对比形成对序列,然后根据对序列绘制坐标图,所述坐标图的横坐标为时间坐标轴;
(4)通过BP神经网络建立光伏发电负荷预测模型并对其进行训练与评估:
A.所述预测模型的建立步骤如下:
a.确定光伏负荷预测模型的输入量和输出量:
所述输入量包括辐照度、环境温度、固定采样时间点的发电功率和日类型;
所述输出量选用预测日采样时间点的所述预测模型的发电量为输出量;
b.确定BP神经网络的结构及其各层的激励函数:
所述BP神经网络的结构为一个隐含层的三层BP神经网络;其输入层节点对应于所述预测模型的输入量;其输出层节点的个数等于一天采样时间点的个数;其隐含层节点数根据下述公式(1)确定:
   (1)
式中,
Figure 201110387166X100001DEST_PATH_IMAGE004
为隐含层节点数,n为输入层节点数,m为输出层节点数,a为1-10之间的调节常数;
BP神经网络中间层的神经元激励函数采用S型正切函数tansig,其输出层神经元激励函数采用S型对数函数logsig;
c.利用MATLAB 神经网路工具箱建立BP神经网络;
B.对所述BP神经网络进行训练与评估:
a.在训练之前对样本数据按下述公式(2)进行归一化处理:
Figure 201110387166X100001DEST_PATH_IMAGE006
(2)
式中,Pi为原始目标和输入数据,Pmax、Pmin分别为P中的最大值和最小值,PI为归一化后的目标和输入数据;
b.确定训练参数,开始训练:
所述训练参数包括训练函数、训练次数、学习效率和训练目标;
c.训练完毕后,对待预测日进行预测并对所述预测模型进行评估:
评估方法选用平均绝对百分比误差MAPE,即按下式(3)进行评估;
  (3)
式中,
Figure 201110387166X100001DEST_PATH_IMAGE010
为数据总数;
Figure 201110387166X100001DEST_PATH_IMAGE012
为预测值;
Figure 201110387166X100001DEST_PATH_IMAGE014
为真实值;i为数据序号。
CN201110387166XA 2011-11-29 2011-11-29 基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法 Pending CN102495953A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201110387166XA CN102495953A (zh) 2011-11-29 2011-11-29 基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110387166XA CN102495953A (zh) 2011-11-29 2011-11-29 基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法

Publications (1)

Publication Number Publication Date
CN102495953A true CN102495953A (zh) 2012-06-13

Family

ID=46187778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110387166XA Pending CN102495953A (zh) 2011-11-29 2011-11-29 基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法

Country Status (1)

Country Link
CN (1) CN102495953A (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102829886A (zh) * 2012-09-11 2012-12-19 哈尔滨工业大学 三相环网终端节点的有源温度场预测方法
CN103218674A (zh) * 2013-04-07 2013-07-24 国家电网公司 基于bp神经网络模型的光伏发电系统输出功率预测方法
CN103955757A (zh) * 2014-04-18 2014-07-30 国家电网公司 采用复合数据源基于多项式核函数支持向量机的光伏发电功率短期预测方法
CN104299031A (zh) * 2014-06-13 2015-01-21 国家电网公司 Bp神经网络超短期负荷预测方法
CN104408562A (zh) * 2014-11-25 2015-03-11 许继集团有限公司 一种基于bp神经网络的光伏系统发电效率综合评估方法
CN104573857A (zh) * 2014-12-26 2015-04-29 国家电网公司 一种基于智能算法优化组合的电网负荷率预测方法
CN104616085A (zh) * 2015-02-16 2015-05-13 河海大学常州校区 一种基于bp神经网络的光伏发电量预测方法
CN104852399A (zh) * 2015-05-18 2015-08-19 国家电网公司 光储微网系统的储能容量动态优化方法
CN106683222A (zh) * 2016-12-12 2017-05-17 中国人民解放军装甲兵技术学院 一种用于工程车辆技术性能检测装置及检测方法
CN108205599A (zh) * 2016-12-20 2018-06-26 阿特斯阳光电力集团有限公司 判断光伏电站所在地组件是否积雪的方法
CN108734329A (zh) * 2017-04-21 2018-11-02 北京微影时代科技有限公司 一种预测电影次日票房的方法及装置
CN109919370A (zh) * 2019-02-26 2019-06-21 国网冀北电力有限公司运营监测(控)中心 一种电力负荷预测方法及预测装置
CN111555357A (zh) * 2020-06-04 2020-08-18 西华大学 一种光伏发电优化控制的方法
CN113537575A (zh) * 2021-06-25 2021-10-22 中国农业大学 一种含分布式光伏和电动汽车并网的趋势负荷预测方法
CN113570246A (zh) * 2021-07-27 2021-10-29 广东电网有限责任公司 地区电网调度控制系统及控制方法
CN114280405A (zh) * 2021-12-24 2022-04-05 国网江苏省电力有限公司盐城供电分公司 一种多种电源组合的电能供应质量检测方法
CN114552582A (zh) * 2022-04-27 2022-05-27 广东电网有限责任公司佛山供电局 一种光伏发电用户实时发电负荷估算方法和系统
CN116050667A (zh) * 2023-03-22 2023-05-02 国网山东省电力公司烟台供电公司 面向分布式光伏的智能电网负荷预测管理系统及管理方法
CN116885775A (zh) * 2023-07-10 2023-10-13 郭栋 基于并网光伏发电系统对电网电能质量影响的分析方法
CN117092917A (zh) * 2023-09-26 2023-11-21 山东华科信息技术有限公司 一种电源效率自适应调节装置和调节方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101769788A (zh) * 2009-12-29 2010-07-07 青海国泰节能技术研究院 一种光伏电站光功率预测及发电量预测的方法
CN102147839A (zh) * 2011-05-10 2011-08-10 云南电力试验研究院(集团)有限公司 一种光伏发电量预测方法
CN102237691A (zh) * 2011-07-06 2011-11-09 东北大学 一种风能、太阳能并网发电系统及其控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101769788A (zh) * 2009-12-29 2010-07-07 青海国泰节能技术研究院 一种光伏电站光功率预测及发电量预测的方法
CN102147839A (zh) * 2011-05-10 2011-08-10 云南电力试验研究院(集团)有限公司 一种光伏发电量预测方法
CN102237691A (zh) * 2011-07-06 2011-11-09 东北大学 一种风能、太阳能并网发电系统及其控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孙毅等: "电能质量在线监测系统的设计和实现", 《继电器》 *
陈昌松: "光伏监控系统发电预测及能量管理的研究", 《中国优秀硕士学位论文全文数据库》 *
陈昌松: "基于神经网络的光伏阵列发电预测模型的设计", 《电工技术学报》 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102829886A (zh) * 2012-09-11 2012-12-19 哈尔滨工业大学 三相环网终端节点的有源温度场预测方法
CN102829886B (zh) * 2012-09-11 2015-10-28 哈尔滨工业大学 三相环网终端节点的有源温度场预测方法
CN103218674A (zh) * 2013-04-07 2013-07-24 国家电网公司 基于bp神经网络模型的光伏发电系统输出功率预测方法
CN103955757A (zh) * 2014-04-18 2014-07-30 国家电网公司 采用复合数据源基于多项式核函数支持向量机的光伏发电功率短期预测方法
CN104299031A (zh) * 2014-06-13 2015-01-21 国家电网公司 Bp神经网络超短期负荷预测方法
CN104408562A (zh) * 2014-11-25 2015-03-11 许继集团有限公司 一种基于bp神经网络的光伏系统发电效率综合评估方法
CN104408562B (zh) * 2014-11-25 2018-01-16 许继集团有限公司 一种基于bp神经网络的光伏系统发电效率综合评估方法
CN104573857A (zh) * 2014-12-26 2015-04-29 国家电网公司 一种基于智能算法优化组合的电网负荷率预测方法
CN104616085A (zh) * 2015-02-16 2015-05-13 河海大学常州校区 一种基于bp神经网络的光伏发电量预测方法
CN104852399A (zh) * 2015-05-18 2015-08-19 国家电网公司 光储微网系统的储能容量动态优化方法
CN106683222A (zh) * 2016-12-12 2017-05-17 中国人民解放军装甲兵技术学院 一种用于工程车辆技术性能检测装置及检测方法
CN108205599A (zh) * 2016-12-20 2018-06-26 阿特斯阳光电力集团有限公司 判断光伏电站所在地组件是否积雪的方法
CN108734329A (zh) * 2017-04-21 2018-11-02 北京微影时代科技有限公司 一种预测电影次日票房的方法及装置
CN109919370B (zh) * 2019-02-26 2021-06-11 国网冀北电力有限公司运营监测(控)中心 一种电力负荷预测方法及预测装置
CN109919370A (zh) * 2019-02-26 2019-06-21 国网冀北电力有限公司运营监测(控)中心 一种电力负荷预测方法及预测装置
CN111555357A (zh) * 2020-06-04 2020-08-18 西华大学 一种光伏发电优化控制的方法
CN113537575B (zh) * 2021-06-25 2023-11-21 中国农业大学 一种含分布式光伏和电动汽车并网的趋势负荷预测方法
CN113537575A (zh) * 2021-06-25 2021-10-22 中国农业大学 一种含分布式光伏和电动汽车并网的趋势负荷预测方法
CN113570246A (zh) * 2021-07-27 2021-10-29 广东电网有限责任公司 地区电网调度控制系统及控制方法
CN114280405A (zh) * 2021-12-24 2022-04-05 国网江苏省电力有限公司盐城供电分公司 一种多种电源组合的电能供应质量检测方法
CN114552582A (zh) * 2022-04-27 2022-05-27 广东电网有限责任公司佛山供电局 一种光伏发电用户实时发电负荷估算方法和系统
CN114552582B (zh) * 2022-04-27 2022-07-19 广东电网有限责任公司佛山供电局 一种光伏发电用户实时发电负荷估算方法和系统
CN116050667A (zh) * 2023-03-22 2023-05-02 国网山东省电力公司烟台供电公司 面向分布式光伏的智能电网负荷预测管理系统及管理方法
CN116885775A (zh) * 2023-07-10 2023-10-13 郭栋 基于并网光伏发电系统对电网电能质量影响的分析方法
CN116885775B (zh) * 2023-07-10 2024-02-27 郭栋 基于并网光伏发电系统对电网电能质量影响的分析方法
CN117092917A (zh) * 2023-09-26 2023-11-21 山东华科信息技术有限公司 一种电源效率自适应调节装置和调节方法

Similar Documents

Publication Publication Date Title
CN102495953A (zh) 基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法
Han et al. A PV power interval forecasting based on seasonal model and nonparametric estimation algorithm
Graditi et al. Comparison of Photovoltaic plant power production prediction methods using a large measured dataset
Fadare The application of artificial neural networks to mapping of wind speed profile for energy application in Nigeria
Wu et al. A novel hybrid model for short‐term forecasting in PV power generation
Rehman et al. Wind power cost assessment at twenty locations in the Kingdom of Saudi Arabia
Mandal et al. Forecasting power output of solar photovoltaic system using wavelet transform and artificial intelligence techniques
Chandra et al. A detailed literature review on wind forecasting
CN102930358B (zh) 一种光伏电站发电功率的神经网络预测方法
CN103390200A (zh) 基于相似日的光伏电站发电输出功率预测方法
CN104376371B (zh) 一种基于拓扑的配网分层负荷预测方法
Singh et al. Generalized neural network methodology for short term solar power forecasting
Lu et al. A hybrid approach for day-ahead forecast of PV power generation
CN201413997Y (zh) 风电功率预测系统
CN110009385B (zh) 一种基于多因素映射的光伏发电用户群划分方法
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
CN106355336A (zh) 一种光伏电站发电效率评价方法
Cococcioni et al. One day-ahead forecasting of energy production in solar photovoltaic installations: An empirical study
Yang et al. Sub-minute probabilistic solar forecasting for real-time stochastic simulations
Bracale et al. New advanced method and cost-based indices applied to probabilistic forecasting of photovoltaic generation
Buonanno et al. Comprehensive method for modeling uncertainties of solar irradiance for PV power generation in smart grids
Nomiyama et al. A study on global solar radiation forecasting using weather forecast data
CN111898812A (zh) 一种分布式光伏数据虚拟采集方法
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
Li et al. Short-term prediction of the output power of PV system based on improved grey prediction model

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
ASS Succession or assignment of patent right

Owner name: STATE ELECTRIC NET CROP. HEBEI ELECTRIC POWER CORP

Effective date: 20130105

C41 Transfer of patent application or patent right or utility model
COR Change of bibliographic data

Free format text: CORRECT: ADDRESS; FROM: 050021 SHIJIAZHUANG, HEBEI PROVINCE TO: 050091 SHIJIAZHUANG, HEBEI PROVINCE

TA01 Transfer of patent application right

Effective date of registration: 20130105

Address after: 050091 Hebei high tech District of Shijiazhuang City Xinshi North Road, No. 86

Applicant after: Hebei Electric Power Construction & Adjustment Research Institute

Applicant after: State Grid Corporation of China

Applicant after: Electric Power Research Institute of Hebei Electric Power Corporation

Address before: 050021 No. 238 South Sports street, Hebei, Shijiazhuang

Applicant before: Hebei Electric Power Construction & Adjustment Research Institute

C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20120613