CN102999786A - 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法 - Google Patents

基于相似日特征分类与极端学习机的光伏发电功率短期预报方法 Download PDF

Info

Publication number
CN102999786A
CN102999786A CN2012104134631A CN201210413463A CN102999786A CN 102999786 A CN102999786 A CN 102999786A CN 2012104134631 A CN2012104134631 A CN 2012104134631A CN 201210413463 A CN201210413463 A CN 201210413463A CN 102999786 A CN102999786 A CN 102999786A
Authority
CN
China
Prior art keywords
day
prediction
similar
actual
learning machine
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.)
Granted
Application number
CN2012104134631A
Other languages
English (en)
Other versions
CN102999786B (zh
Inventor
刘士荣
张晓东
姜碧光
胡浙东
吴舜裕
李松峰
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.)
ZHEJIANG EIFESUN ENERGY TECHNOLOGY Co Ltd
Original Assignee
ZHEJIANG EIFESUN ENERGY TECHNOLOGY Co Ltd
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 ZHEJIANG EIFESUN ENERGY TECHNOLOGY Co Ltd filed Critical ZHEJIANG EIFESUN ENERGY TECHNOLOGY Co Ltd
Priority to CN201210413463.1A priority Critical patent/CN102999786B/zh
Publication of CN102999786A publication Critical patent/CN102999786A/zh
Application granted granted Critical
Publication of CN102999786B publication Critical patent/CN102999786B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

基于相似日特征分类与极端学习机的光伏发电功率短期预报方法,属于光伏电站发电技术领域,用于光伏发电系统的输出功率预报。本发明包括以下几个方面:(1)以公共气象预报网的气象数据为基础,根据季节、日类型等气象特征、光伏发电功率特征对气象数据、光伏发电系统发电量进行相似日特征分类;(2)以基于极端学习机算法的单隐层神经网络为预报模型,将选取的相似日数据作为训练样本,训练极端学习机算法中的单隐层神经网络(3)最后再将预测日最相近的相似日预测时段的已知发电量序列、最高气温、最低气温以及预测日预测时段的最高气温、最低气温作为神经网络输入,预测出光伏电站未来3小时的发电功率。本算法对设备需求较小,预测模型对区域的针对性强。且易于实现,精确度高。

Description

基于相似日特征分类与极端学习机的光伏发电功率短期预报方法
技术领域
本发明属于太阳能光伏发电技术领域,是一种光伏发电功率短期预报方法。
背景技术
太阳能光伏发电具有能量密度低、间歇性、不确定等特征,特别是输出功率与气象条件密切相关,使得其发电特性与常规电力具有很大区别。光伏发电并网接入是光伏发电实现大规模高效利用的重要形式。由于光伏发电的间歇性、不确定性和不可控性,当大规模、大容量的光伏发电系统接入电网,对公共电网的安全运行带来重大挑战。为此,若能较准确地预测光伏发电系统的发电功率,对于光伏发电系统并网接入运行的安全性和稳定性,以及电网经济调度具有重要意义,可促进电网对这类不稳定能源的接纳和消化,减轻光伏发电系统输出功率的不确定性对公共电网的影响具有重要意义。在此提出的光伏发电功率预报,是基于公共气象网提供的气象数据、光伏发电系统发电功率数据等,通过数据特征分类和基于极端学习机算法神经网络技术实现光伏发电功率短期预报。
通过光伏发电功率的数据分析发现,在同类型天气条件下,光伏发电功率在大部分天数中呈现相近的变化规律。以日预报气象数据、光伏发电系统的日发电功率数据,分别建立日气象特征相似度和日发电功率形状相似度,构建相似日综合判断函数,选取出来的相似日可以直接对预测日的发电功率从进行预测,也可以作为其它算法的输入变量来进行预测。
极端学习机(Extreme Learning Machine,简称ELM)算法对传统的单隐层前馈神经网络进行了很好的完善:通过对网络内权值与阈值的随机选取,将参数训练问题转换为不相容线性方程组的求解问题,然后利用摩尔-彭罗斯(Moore-Penrose)广义逆矩阵理论,解析求得该方程组的最小二乘解作为网络权值参数。这样可以很好地克服传统神经网络存在的训练时间长、过拟合等问题。
发明内容
本发明针对公共气象预报数据、光伏发电功率数据的特点,提出了一种光伏发电功率短期预测方法。
该光伏发电功率预测方法包括如下步骤:
步骤一:已有历史数据的初步筛选确定相似日:
步骤二:通过计算确定相似日;
步骤三:极端学习机神经网络参数确定;
步骤四:预测实际发电功率,并计算预测精度。
作为一种改进,所述的步骤一包括以下步骤:
①将历史发电功率根据季节、气候进行归类,同时将日类型分为:晴、雨、多云;
②依据气象台预报,获取预测日预测时段的气候类型、温度、大气压、湿度、风速;
③根据季节和天气类型的气象参数初步筛选相似日。
作为一种改进,所述的步骤二包括以下步骤:
①设预测日气象特征序列:温度、大气压、湿度、风速为xik,历史气象特征序列为xjk,通过公式(1)计算日特征差异度
D ij = Σ k = 1 n ( x ik - x jk ) 2 - - - ( 1 )
②计算预测日与历史日的日特征相似度Oij
Oij=1-Dij      (2)
①将实际预测日的最高、最低气温,天气类型参数以及与预测日日期最相近的一组相似日对应时段发功率数据作为输入变量放入神经网络中,得到实际预测日的预测发电功率值;③以h个小时为一个时段,每隔m分钟为一个采样点获取发电功率数据,共N=h×m个数据点,设(pi1,pi2,pi3,…,pin)为预测日发电量序列,(pj1,pj2,pj3,…,pjn)为历史发电量序列,计算预测日与历史日同一时刻发电量之差pijk,pijk=pik-pjk
④计算预测日与历史日同一时刻发电量之差的平均值rij
r ij = 1 n Σ k = 1 n p ijk - - - ( 3 )
⑤计算预测日与历史日发电量曲线之间的形相似度Sij
S ij = 1 n Σ k = 1 n | p ijk - r ij | - - - ( 4 )
⑥最小二乘法确定公式(5)中的α和β,计算预测日与历史日之间的综合相似度Tij
Tij=αOij+βSij    (5)
⑦比较各历史日与预测日之间综合相似度的值,得出相似度较高的多组相似日。
作为一种改进,所述的步骤三包括以下步骤:
将相似日数据组按日期排序,取相邻2组数据放入神经网络,日期较早的一组作为模拟输入量,日期较晚一组用于和神经网络输出对比的模拟实际值,输入变量为X(x1,x2,...,xn),其中x1,x2,...,xn-5为相似日对应时段内的N-5个发电功率,xn-4,xn-3,...,xn分(N>5)别为上一相似日中的最高气温和最低气温、模拟预测日的最高气温和最低气温以及模拟预测日天气类型指标,对应的输出O=(o1,o2,...,om)为预测日对应时段发电功率的预测值;极端学习机训练神经网络,得到最优网络权值β。
作为一种改进,所述的步骤四包括以下步骤:
②将实际发电功率值与预测值做比较,计算预测精度
rRMSE = 1 N Σ j = 1 N | | Y j - O j | | 2 1 N Σ j = 1 N | | Y j | | 2 - - - ( 9 )
式中,Yj为真实值所组成的向量,Oj为模型的预测值组成的向量。
有益效果:本发明首先通过数据分类法筛选相似日,再建立极端学习机神经网络模型。相似日判定考虑了季节、日类型、发电功率、温度、大气压、湿度、风速等因素。较好地解决了气象预报数据稀疏、光伏发电功率相似日数量少的缺点。本方法可在有限数据的情况下,取得了较好的短期预测精度。
附图说明
图1为算法流程图。
具体实施方式:
一种光伏发电功率短期预测方法,包括以下步骤:
步骤一:发电功率数据分类整理:从服务器中下载历史日期的温度、大气压、湿度、风速数据、发电量数据。根据历史日的季节和日类型对历史数据进行归类。季节:春夏秋冬;日类型:晴、多云、雨。
步骤二:下载气象数据:根据气象台预测数据获得预测日相关时段的气象类型、温度、大气压、湿度、风速。
步骤三:根据预测日季节和气象类型、气温初步筛选出各因素均较相近的相似日。
步骤四:计算日特征差异度:设预测日气象特征序列(温度、大气压、湿度、风速)为xik,历史气象特征序列为xjk。计算日特征差异度
D ij = Σ k = 1 n ( x ik - x jk ) 2 - - - ( 1 )
步骤五:计算预测日与历史日的日特征相似度
Oij=1-Dij    (2)
步骤六:计算预测日与历史日同一时刻发电量之差pijk,以3个小时为一个时段,每隔5分钟为一个采样点获取发电功率数据。设(pi1,pi2,pi3,…,pin)为预测日发电量序列,(pj1,pj2,pj3,…,pjn)为历史发电量序列。
pijk=pik-pjk
步骤七:计算预测日与历史日同一时刻发电量之差的平均值rij
r ij = 1 n Σ k = 1 n p ijk - - - ( 3 )
步骤八:计算预测日与历史日发电量曲线之间的形相似度Sij
S ij = 1 n Σ k = 1 n | p ijk - r ij | - - - ( 4 )
步骤九:最小二乘法确定公式(5)中的α和β,然后计算预测日与历史日之间的综合相似度Tij
Tij=αOij+βSij  (5)
步骤十:比较各历史日与预测日之间综合相似度的值,得出最相似的15组相似日数据。
步骤十一:选择神经网络训练数据:将15组相似日数据放入极端学习机神经网络。如图1所示,神经网络模型的输入变量X=[x1,x2,…,x41]/,其中x1,x2,…,x36为对应时间段的3个小时36个点的发电功率,x37,x38为上一相似日中的最高气温和最低气温,x39,x40为预测日(此处预测日使用某一历史相似日作为假定预测日)的最高气温和最低气温,x41为天气类型指标。输出变量O=[o1,o2,…,o36]/为对应预测时段3个小时36个点的预测发电量。
步骤十二:计算神经网络最优网络权值β。极端学习机神经网络结构图如图1所示。数学模型为公式为:
Σ i = 1 N ‾ β i G ( ω i X j + b i ) = O j , j = 1,2 , . . . , N - - - ( 6 )
输入输出模型可由以下方程组描述:
y j 1 = Σ i = 1 N β i 1 · G ( Σ K = 1 N ω k 1 x jk + b 1 ) y j 2 = Σ i = 1 N β i 2 · G ( Σ k = 1 n ω ki x jk + b 2 ) . . . y jm = Σ i = 1 N β im · G ( Σ K = 1 N ω ki x jk + b N ) - - - ( 7 )
极端学习机的训练目的就是找到最优网络权值β,这样才能使ELM网络的输出值和真实值之间的误差最小。通过最小绝对偏差函数来求取。
min E ( β , W ) = Σ j = 1 N | | Y j - O j | | - - - ( 8 )
其中,W=(ωi,i=1,2,...,N;bj=1,2,...N)显然,极端学习机神经网络的训练过程可以看成是一个求解方程最小值的最优化问题。极端学习机作为一个单隐层的前馈神经网络,其隐层神经参数是随机赋值的,训练过程中调整的只有输出的权重值。因此,矩阵H变成了一个常数矩阵,方程组变成了一组线性方程,由此得到方程组的最小二乘解β=H+Y。
步骤十三:发电功率预测:将15组相似日中与预测日时间最近一组数据的发电功率、最高气温、最低气温以及预测日的最高气温和最低气温、气象类型作为神经网络输入量,得到预测日的预测发电功率值。
步骤十四:通过公式(9)计算预测精度
rRMSE = 1 N Σ j = 1 N | | Y j - O j | | 2 1 N Σ j = 1 N | | Y j | | 2 - - - ( 9 )
式中,Yj为真实值所组成的向量,Oj为模型的预测值组成的向量。

Claims (10)

1.基于相似日特征分类与极端学习机的光伏发电功率短期预报方法,其特征是该方法包括以下步骤:
步骤一:已有历史数据的初步筛选确定相似日:
步骤二:通过计算确定相似日;
步骤三:极端学习机神经网络参数确定;
步骤四:预测实际发电功率,并计算预测精度。
2.根据权利要求1所述的基于相似日特征分类与极端学习机的光伏发电功率短期预报方法,其特征是所述的步骤一包括以下步骤:
①将历史发电功率根据季节、气候进行归类,同时将日类型分为:晴、雨、多云;
②依据气象台预报,获取预测日预测时段的气候类型、温度、大气压、湿度、风速;
③根据季节和天气类型的气象参数初步筛选相似日。
3.根据权利要求1或2所述的基于相似日特征分类与极端学习机的光伏发电功率短期预报方法,其特征是所述的步骤二包括以下步骤:
①设预测日气象特征序列:温度、大气压、湿度、风速为xik,历史气象特征序列为xjk,通过公式(1)计算日特征差异度
D ij = Σ k = 1 n ( x ik - x jk ) 2 - - - ( 1 )
②计算预测日与历史日的日特征相似度Oij
Oij=1-Dij    (2)
③以h个小时为一个时段,每隔m分钟为一个采样点获取发电功率数据,共N=h×m个数据点,设(pi1,pi2,pi3,…,pin)为预测日发电量序列,(pj1,pj2,pj3,…,pjn)为历史发电量序列,计算预测日与历史日同一时刻发电量之差pijk,pijk=pik-pjk
④计算预测日与历史日同一时刻发电量之差的平均值rij
r ij = 1 n Σ k = 1 n p ijk - - - ( 3 )
⑤计算预测日与历史日发电量曲线之间的形相似度Sij
S ij = 1 n Σ k = 1 n | p ijk - r ij | - - - ( 4 )
⑥最小二乘法确定公式(5)中的α和β,计算预测日与历史日之间的综合相似度Tij
Tij=αOij+βSij    (5)
⑦比较各历史日与预测日之间综合相似度的值,得出相似度较高的多组相似日。
4.根据权利要求1或2所述的基于相似日特征分类与极端学习机的光伏发电功率短期预报方法,其特征是所述的步骤三包括以下步骤:
将相似日数据组按日期排序,取相邻2组数据放入神经网络,日期较早的一组作为模拟输入量,日期较晚一组用于和神经网络输出对比的模拟实际值,输入变量为X(x1,x2,...,xn),其中x1,x2,...,xn-5为相似日对应时段内的N-5个发电功率,xn-4,xn-3,...,xn分(N>5)别为上一相似日中的最高气温和最低气温、模拟预测日的最高气温和最低气温以及模拟预测日天气类型指标,对应的输出O=(o1,o2,...,om)为预测日对应时段发电功率的预测值;极端学习机训练神经网络,得到最优网络权值β。
5.根据权利要求3所述的基于相似日特征分类与极端学习机的光伏发电功率短期预报方法,其特征是所述的步骤三包括以下步骤:
将相似日数据组按日期排序,取相邻2组数据放入神经网络,日期较早的一组作为模拟输入量,日期较晚一组用于和神经网络输出对比的模拟实际值,输入变量为X(x1,x2,...,xn),其中x1,x2,...,xn-5为相似日对应时段内的N-5个发电功率,xn-4,xn-3,...,xn分(N>5)别为上一相似日中的最高气温和最低气温、模拟预测日的最高气温和最低气温以及模拟预测日天气类型指标,对应的输出O=(o1,o2,...,om)为预测日对应时段发电功率的预测值;极端学习机训练神经网络,得到最优网络权值β。
6.根据权利要求1或2所述的基于相似日特征分类与极端学习机的光伏发电功率短期预报方法,其特征是所述的步骤四包括以下步骤:
①将实际预测日的最高、最低气温,天气类型参数以及与预测日日期最相近的一组相似日对应时段发功率数据作为输入变量放入神经网络中,得到实际预测日的预测发电功率值;
②将实际发电功率值与预测值做比较,计算预测精度
rRMSE = 1 N Σ j = 1 N | | Y j - O j | | 2 1 N Σ j = 1 N | | Y j | | 2 - - - ( 9 )
式中,Yj为真实值所组成的向量,Oj为模型的预测值组成的向量。
7.根据权利要求3所述的基于相似日特征分类与极端学习机的光伏发电功率短期预报方法,其特征是所述的步骤四包括以下步骤:
①将实际预测日的最高、最低气温,天气类型参数以及与预测日日期最相近的一组相似日对应时段发功率数据作为输入变量放入神经网络中,得到实际预测日的预测发电功率值;
②将实际发电功率值与预测值做比较,计算预测精度
rRMSE = 1 N Σ j = 1 N | | Y j - O j | | 2 1 N Σ j = 1 N | | Y j | | 2 - - - ( 9 )
式中,Yj为真实值所组成的向量,Oj为模型的预测值组成的向量。
8.根据权利要求3所述的基于相似日特征分类与极端学习机的光伏发电功率短期预报方法,其特征是所述的步骤四包括以下步骤:
①将实际预测日的最高、最低气温,天气类型参数以及与预测日日期最相近的一组相似日对应时段发功率数据作为输入变量放入神经网络中,得到实际预测日的预测发电功率值;
②将实际发电功率值与预测值做比较,计算预测精度
rRMSE = 1 N Σ j = 1 N | | Y j - O j | | 2 1 N Σ j = 1 N | | Y j | | 2 - - - ( 9 )
式中,Yj为真实值所组成的向量,Oj为模型的预测值组成的向量。
9.根据权利要求4所述的基于相似日特征分类与极端学习机的光伏发电功率短期预报方法,其特征是所述的步骤四包括以下步骤:
①将实际预测日的最高、最低气温,天气类型参数以及与预测日日期最相近的一组相似日对应时段发功率数据作为输入变量放入神经网络中,得到实际预测日的预测发电功率值;
②将实际发电功率值与预测值做比较,计算预测精度
rRMSE = 1 N Σ j = 1 N | | Y j - O j | | 2 1 N Σ j = 1 N | | Y j | | 2 - - - ( 9 )
式中,Yj为真实值所组成的向量,Oj为模型的预测值组成的向量。
10.根据权利要求5所述的基于相似日特征分类与极端学习机的光伏发电功率短期预报方法,其特征是所述的步骤四包括以下步骤:
①将实际预测日的最高、最低气温,天气类型参数以及与预测日日期最相近的一组相似日对应时段发功率数据作为输入变量放入神经网络中,得到实际预测日的预测发电功率值;
②将实际发电功率值与预测值做比较,计算预测精度
rRMSE = 1 N Σ j = 1 N | | Y j - O j | | 2 1 N Σ j = 1 N | | Y j | | 2 - - - ( 9 )
式中,Yj为真实值所组成的向量,Oj为模型的预测值组成的向量。
CN201210413463.1A 2012-10-17 2012-10-17 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法 Active CN102999786B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210413463.1A CN102999786B (zh) 2012-10-17 2012-10-17 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210413463.1A CN102999786B (zh) 2012-10-17 2012-10-17 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法

Publications (2)

Publication Number Publication Date
CN102999786A true CN102999786A (zh) 2013-03-27
CN102999786B CN102999786B (zh) 2016-08-31

Family

ID=47928333

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210413463.1A Active CN102999786B (zh) 2012-10-17 2012-10-17 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法

Country Status (1)

Country Link
CN (1) CN102999786B (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390902A (zh) * 2013-06-04 2013-11-13 国家电网公司 一种基于最小二乘法的光伏电站超短期功率预测方法
CN103390202A (zh) * 2013-07-18 2013-11-13 华北电力大学 一种基于相似数据选取的光伏电站输出功率预测方法
CN103473607A (zh) * 2013-08-29 2013-12-25 南京南瑞集团公司 一种按轨迹特征离线优化和实时匹配外推模型的风电超短期预测方法
CN103500365A (zh) * 2013-09-18 2014-01-08 广州供电局有限公司 光伏发电功率预测方法和系统
CN103823504A (zh) * 2014-03-20 2014-05-28 常州工学院 一种基于最小二乘支持向量机的最大功率跟踪控制方法
CN104050517A (zh) * 2014-06-27 2014-09-17 哈尔滨工业大学 基于grnn神经网络的光伏发电预测方法
CN104463349A (zh) * 2014-11-11 2015-03-25 河海大学 一种基于多时段综合相似日的光伏发电功率预测方法
CN104573879A (zh) * 2015-01-30 2015-04-29 河海大学 基于最优相似日集的光伏电站出力预测方法
CN105447509A (zh) * 2015-11-10 2016-03-30 天津大学 一种光伏发电系统的短期功率预测方法
CN105631558A (zh) * 2016-03-22 2016-06-01 国家电网公司 基于相似日的bp神经网络光伏发电系统功率预测方法
CN105894128A (zh) * 2016-04-26 2016-08-24 佛山电力设计院有限公司 一种区域太阳能预测及预测结果实时发布方法及系统
CN106022538A (zh) * 2016-05-31 2016-10-12 中国矿业大学 基于k均值聚类改进广义天气的光伏发电预测方法
CN107422180A (zh) * 2017-02-28 2017-12-01 张家口安智科为新能源有限公司 一种基于云监控的光伏电站的功率预测系统
CN108021977A (zh) * 2016-11-04 2018-05-11 南京南瑞继保电气有限公司 基于多数值天气预报源的权重调整方法及功率预测方法
CN109034464A (zh) * 2018-07-11 2018-12-18 南京联迪信息系统股份有限公司 一种短期光伏发电系统功率预测及结果校核的方法
CN109376863A (zh) * 2018-11-02 2019-02-22 国网浙江省电力有限公司宁波供电公司 基于miv-bp神经网络的光伏功率短期分类预测方法
CN109446697A (zh) * 2018-11-08 2019-03-08 辽宁工程技术大学 一种基于elm的矿井风速故障分支诊断方法
CN109829572A (zh) * 2019-01-14 2019-05-31 国网江苏省电力有限公司苏州供电分公司 雷电气候下的光伏发电功率预测方法
CN109961190A (zh) * 2019-03-29 2019-07-02 北京鑫泰绿能科技有限公司 一种基于学习日拟合度聚类的光伏电站日前功率预测方法
DE102015104016B4 (de) * 2015-03-18 2021-06-24 Vse Ag Verfahren zur Erstellung einer Leistungsprognose und Prognosevorrichtung
CN113988391A (zh) * 2021-10-19 2022-01-28 华北电力大学(保定) 一种基于相似日理论和神经网络的光伏发电功率预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070185823A1 (en) * 2005-07-28 2007-08-09 Dingguo Chen Load prediction based on-line and off-line training of neural networks
CN101414366B (zh) * 2008-10-22 2011-11-16 西安交通大学 基于改进极端学习机方法的电力系统短期负荷预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070185823A1 (en) * 2005-07-28 2007-08-09 Dingguo Chen Load prediction based on-line and off-line training of neural networks
CN101414366B (zh) * 2008-10-22 2011-11-16 西安交通大学 基于改进极端学习机方法的电力系统短期负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
傅美萍等: "基于相似日和最小二乘支持向量机的光伏发电短期预测", 《电力系统保护与控制》 *

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390902B (zh) * 2013-06-04 2015-04-29 国家电网公司 一种基于最小二乘法的光伏电站超短期功率预测方法
CN103390902A (zh) * 2013-06-04 2013-11-13 国家电网公司 一种基于最小二乘法的光伏电站超短期功率预测方法
CN103390202A (zh) * 2013-07-18 2013-11-13 华北电力大学 一种基于相似数据选取的光伏电站输出功率预测方法
CN103390202B (zh) * 2013-07-18 2016-01-20 华北电力大学 一种基于相似数据选取的光伏电站输出功率预测方法
CN103473607A (zh) * 2013-08-29 2013-12-25 南京南瑞集团公司 一种按轨迹特征离线优化和实时匹配外推模型的风电超短期预测方法
CN103473607B (zh) * 2013-08-29 2016-12-28 国网电力科学研究院 按轨迹特征优化和匹配外推模型的风电超短期预测方法
CN103500365B (zh) * 2013-09-18 2016-05-04 广州供电局有限公司 光伏发电功率预测方法和系统
CN103500365A (zh) * 2013-09-18 2014-01-08 广州供电局有限公司 光伏发电功率预测方法和系统
CN103823504B (zh) * 2014-03-20 2016-01-20 常州工学院 一种基于最小二乘支持向量机的最大功率跟踪控制方法
CN103823504A (zh) * 2014-03-20 2014-05-28 常州工学院 一种基于最小二乘支持向量机的最大功率跟踪控制方法
CN104050517A (zh) * 2014-06-27 2014-09-17 哈尔滨工业大学 基于grnn神经网络的光伏发电预测方法
CN104463349A (zh) * 2014-11-11 2015-03-25 河海大学 一种基于多时段综合相似日的光伏发电功率预测方法
CN104573879A (zh) * 2015-01-30 2015-04-29 河海大学 基于最优相似日集的光伏电站出力预测方法
CN104573879B (zh) * 2015-01-30 2017-07-25 河海大学 基于最优相似日集的光伏电站出力预测方法
DE102015104016B4 (de) * 2015-03-18 2021-06-24 Vse Ag Verfahren zur Erstellung einer Leistungsprognose und Prognosevorrichtung
CN105447509A (zh) * 2015-11-10 2016-03-30 天津大学 一种光伏发电系统的短期功率预测方法
CN105631558A (zh) * 2016-03-22 2016-06-01 国家电网公司 基于相似日的bp神经网络光伏发电系统功率预测方法
CN105894128A (zh) * 2016-04-26 2016-08-24 佛山电力设计院有限公司 一种区域太阳能预测及预测结果实时发布方法及系统
CN106022538A (zh) * 2016-05-31 2016-10-12 中国矿业大学 基于k均值聚类改进广义天气的光伏发电预测方法
CN108021977A (zh) * 2016-11-04 2018-05-11 南京南瑞继保电气有限公司 基于多数值天气预报源的权重调整方法及功率预测方法
CN107422180A (zh) * 2017-02-28 2017-12-01 张家口安智科为新能源有限公司 一种基于云监控的光伏电站的功率预测系统
CN109034464A (zh) * 2018-07-11 2018-12-18 南京联迪信息系统股份有限公司 一种短期光伏发电系统功率预测及结果校核的方法
CN109376863A (zh) * 2018-11-02 2019-02-22 国网浙江省电力有限公司宁波供电公司 基于miv-bp神经网络的光伏功率短期分类预测方法
CN109446697A (zh) * 2018-11-08 2019-03-08 辽宁工程技术大学 一种基于elm的矿井风速故障分支诊断方法
CN109829572A (zh) * 2019-01-14 2019-05-31 国网江苏省电力有限公司苏州供电分公司 雷电气候下的光伏发电功率预测方法
CN109829572B (zh) * 2019-01-14 2021-03-12 国网江苏省电力有限公司苏州供电分公司 雷电气候下的光伏发电功率预测方法
CN109961190A (zh) * 2019-03-29 2019-07-02 北京鑫泰绿能科技有限公司 一种基于学习日拟合度聚类的光伏电站日前功率预测方法
CN109961190B (zh) * 2019-03-29 2021-09-10 北京鑫泰绿能科技有限公司 一种基于学习日拟合度聚类的光伏电站日前功率预测方法
CN113988391A (zh) * 2021-10-19 2022-01-28 华北电力大学(保定) 一种基于相似日理论和神经网络的光伏发电功率预测方法
CN113988391B (zh) * 2021-10-19 2024-05-28 华北电力大学(保定) 一种基于相似日理论和神经网络的光伏发电功率预测方法

Also Published As

Publication number Publication date
CN102999786B (zh) 2016-08-31

Similar Documents

Publication Publication Date Title
CN102999786A (zh) 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法
Kardakos et al. Application of time series and artificial neural network models in short-term forecasting of PV power generation
Shi et al. Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features
Di et al. Improving WRF model turbine-height wind-speed forecasting using a surrogate-based automatic optimization method
CN105184678A (zh) 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法
CN108053061A (zh) 一种基于改进卷积神经网络的太阳能辐照度预测方法
CN103514328B (zh) 一种基于wrf的极端干旱地区风场模拟方法
CN105184391A (zh) 基于小波分解和支持向量机的风电场风速与功率预测方法
CN103400210A (zh) 一种短期风速组合预测方法
CN104463349A (zh) 一种基于多时段综合相似日的光伏发电功率预测方法
CN102270309A (zh) 一种基于集成学习的短期电力负荷预测方法
CN101793907A (zh) 一种风电场短期风速预测方法
CN104021427A (zh) 一种基于因子分析的并网光伏电站日发电量预测方法
CN104463357A (zh) 一种基于随机最优潮流的随机间歇性dg优化集成的评估方法
CN106446440A (zh) 基于在线贯序极限学习机的短期光伏发电功率预测方法
CN112070311A (zh) 基于相似日聚类和气象因子赋权的日前光功率预测方法
CN102749471B (zh) 一种短期风速、风电功率预测方法
CN103208037A (zh) 一种应用于新能源电站的基于在线校正的功率预测方法
CN106600060A (zh) 基于相似日晴朗系数修正的太阳辐照量预测方法
CN113516271A (zh) 一种基于时空神经网络的风电集群功率日前预测方法
CN104915727B (zh) 多维度同构异质bp神经网络光功率超短期预测方法
CN105279582B (zh) 基于动态相关性特征的超短期风电功率预测方法
CN105741192B (zh) 一种风电场风电机机舱短期风速组合预报方法
Meng et al. A new PV generation power prediction model based on GA-BP neural network with artificial classification of history day
CN115021331A (zh) 基于贡献系数法的清洁能源基地水风光一体化补偿方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C53 Correction of patent of invention or patent application
CB02 Change of applicant information

Address after: 325000, Zhejiang economic and Technological Development Zone, Wenzhou Binhai District, Pearl Road, CMC office, room 5108

Applicant after: Zhejiang Eifesun Energy Technology Co., Ltd.

Address before: 325000, No. 6, building three, No. 10, Wenzhou hi tech Industrial Park, Wenzhou, Zhejiang, China G

Applicant before: Zhejiang Eifesun Energy Technology Co., Ltd.

CB02 Change of applicant information

Address after: 325000, Wenzhou Zhejiang hi tech Industrial Development Zone entrepreneurship Service Center incubator G technology business building 6, Room 601

Applicant after: Zhejiang Eifesun Energy Technology Co., Ltd.

Address before: 325000, Zhejiang economic and Technological Development Zone, Wenzhou Binhai District, Pearl Road, CMC office, room 5108

Applicant before: Zhejiang Eifesun Energy Technology Co., Ltd.

COR Change of bibliographic data
C14 Grant of patent or utility model
GR01 Patent grant