CN103116711A - 基于辐照度特征参数的天气类型辨识方法 - Google Patents
基于辐照度特征参数的天气类型辨识方法 Download PDFInfo
- Publication number
- CN103116711A CN103116711A CN2013100762157A CN201310076215A CN103116711A CN 103116711 A CN103116711 A CN 103116711A CN 2013100762157 A CN2013100762157 A CN 2013100762157A CN 201310076215 A CN201310076215 A CN 201310076215A CN 103116711 A CN103116711 A CN 103116711A
- Authority
- CN
- China
- Prior art keywords
- irradiance
- weather type
- weather
- type identification
- day
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012706 support-vector machine Methods 0.000 claims abstract description 38
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 12
- 239000006185 dispersion Substances 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000002411 adverse Effects 0.000 abstract description 3
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 230000002354 daily effect Effects 0.000 description 15
- 238000010248 power generation Methods 0.000 description 8
- 230000005855 radiation Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
Images
Landscapes
- Photovoltaic Devices (AREA)
Abstract
一种基于辐照度特征参数的天气类型辨识方法，用于对光伏电站逐日历史数据中缺失的天气类型进行识别。其技术方案是，所述方法基于辐照度逐日变化规律和不同天气类型之间的内在关联关系，以辐照度特征参数作为输入，以天气类型作为输出，通过支持向量机方法建立天气类型辨识模型，利用天气类型信息完整的历史数据对其进行训练，拟合输入输出之间的非线性映射关系，进而通过该模型识别得到逐日数据记录中缺失的天气类型。本发明通过支持向量机模型实现了对缺失天气类型的有效辨识，消除了光伏电站逐日数据记录中天气类型信息缺失对分类预测算法实施的不利影响，为提高光伏电站辐照度和发电功率分类预测的准确性创造了有利条件。
Description
技术领域
本发明涉及一种基于辐照度特征参数的支持向量机天气类型辨识方法，属于数据处理技术领域。
背景技术
光伏发电功率受各种气象因素（包括：太阳辐射、温度、风速、风向、相对湿度、气压、降水量、云量等）的影响，呈现出复杂的变化规律。其中又以太阳辐射的作用最为显著，辐照度正是衡量其强度的指标。太阳辐射经过大气层的衰减作用到达地球表面，大气层外的辐照度（地外辐照度）与大气物理状态无关，而地表的辐照度与大气物理状态密切相关，地外辐照度理论值与地表辐照度实测值之间的差别反映了大气物理状态。 天气类型是大气物理状态的一种标签，综合了各气象因素在时间和空间上的分布，表征了天气状态的演变情况，不同天气状态下地表辐照度相对于地外辐照度的衰减程度不同。对于任意一天而言，总有一确定的标签反映其大气物理状态，即该日的天气类型是客观存在的，这些天气类型将直接影响光伏电站的发电效率。当前，光伏电站的天气类型信息由气象部门提供。根据不同天气类型对光伏电站逐日历史数据进行划分，可建立更高效、准确的辐照度和发电功率分类预测模型，改善预测效果，有利于光伏发电并网后的电力系统优化调度。然而，在光伏电站实际运行过程中，由于通讯干扰、信道受阻、传输中断、存储故障等问题，导致有些日期数据记录对应的天气类型标签缺失。这些缺失天气类型信息的数据无法作为分类预测模型的训练、验证数据使用，破坏了历史数据序列在时间上的连续性，降低了历史数据的可用性。因此，如何利用已有信息对缺失的天气类型进行识别，提高历史数据的可用性，是光伏电站辐照度和发电功率分类预测中亟待解决的问题。
发明内容
本发明的目的在于针对现有技术之弊端、提供一种基于辐照度特征参数的天气类型辨识方法，利用已有信息对缺失的天气类型进行识别，提高历史数据的可用性。
本发明所述问题是以下述技术方案实现的：
一种基于辐照度特征参数的天气类型辨识方法，所述方法基于辐照度逐日变化规律和不同天气类型之间的内在关联关系，以辐照度特征参数作为输入，以天气类型作为输出，通过支持向量机方法建立天气类型辨识模型，利用天气类型信息完整的历史数据对其进行训练，拟合输入输出之间的非线性映射关系，进而通过该模型识别得到逐日数据记录中缺失的天气类型；
所述方法包括以下步骤：
①确定天气类型辨识参数指标集
所述天气类型辨识参数包括常规特征参数和自定义特征参数：
a.常规特征参数
描述辐照度逐日变化规律的常规特征参数包括：地外和地表辐照度的最大值、平均值、方差和累计值；
b.自定义特征参数
描述辐照度逐日变化规律的自定义特征参数包括：k阶导数差和离散差，
k阶导数差D kd 定义为：
其中，E g (i)为第i个时间点的地外辐照度理论值，E m (i)为第i个时间点的地表辐照度实测值，n为当日辐照度数据记录的个数；
离散差LS定义为：
,
根据光伏电站辐照度数据的实际情况选择上述特征参数的组合，确定天气类型辨识参数指标集；
②建立支持向量机天气类型辨识模型
将步骤①确定的天气类型辨识参数指标集中的变量作为支持向量机模型的输入，光伏电站逐日天气类型信息作为支持向量机模型的理想输出，建立基于支持向量机的天气类型辨识模型；
③训练和验证支持向量机天气类型辨识模型
针对天气类型信息完整的光伏电站逐日历史数据，分别计算天气类型辨识参数指标集中的各辐照度特征参数，然后选择其中的一部分作为辨识模型的训练样本，训练该模型，其余部分作为验证数据，对模型的辨识效果进行校验；
④辨识缺失的光伏电站逐日天气类型
针对天气类型信息缺失的光伏电站逐日历史数据，分别计算天气类型辨识参数指标集中的各辐照度特征参数，然后将上述特征参数序列输入步骤③生成的支持向量机辨识模型，得到对应日期的天气类型。
上述基于辐照度特征参数的天气类型辨识方法，在支持向量机天气类型辨识模型的训练和验证过程以及缺失的光伏电站逐日天气类型辨识过程中，应根据计算得到的天气类型辨识参数指标集中的各辐照度特征参数的数值大小对其进行归一化处理。
上述基于辐照度特征参数的天气类型辨识方法，所述k阶导数差D kd 中k的取值范围为1～5。
本发明通过支持向量机模型实现对缺失天气类型的有效辨识，消除了光伏电站逐日数据记录中天气类型信息缺失对分类预测算法实施的不利影响，为提高光伏电站辐照度和发电功率分类预测的准确性创造了有利条件。
附图说明
下面结合附图对本发明作进一步说明。
图1是基于辐照度特征参数的天气类型辨识方法流程图。
文中所用符号清单为： D kd —k阶导数差，LS—离散差，E g (i)—第i个时间点的地外辐照度理论值，E m (i)—第i个时间点的地表辐照度实测值，n—当日辐照度数据记录的个数。
具体实施方式
对于特定的光伏电站，其电池组件的规格型号、物理特性和安装方式已经确定，其发电功率主要取决于外部运行条件，即气象参数。大气物理状态每一天都不尽相同，不同天气类型条件下各气象参数表现出不同的变化规律。对于光伏发电功率最主要的影响因子—地表辐照度而言，其受天气类型的影响很大。地外太阳辐射经过大气层后到达地面，由于大气中的尘埃、水蒸气和气溶胶的散射和反射作用，以及水蒸气、臭氧和二氧化碳的吸收作用，使到达地面的太阳辐射较地外辐射有一定程度的衰减。在平稳的天气状态下，衰减相对固定，地表辐照度曲线的平滑性较好、波动性较小；在非平稳的天气状态下，衰减不断变化，地表辐照度曲线的平滑性较差、波动性较大。可见，由于不同天气状态的影响，光伏电站大量运行数据间的映射是复杂多变的，采用同一模型很难拟合出各气象因子与地表辐照度和发电功率的对应关系，势必会影响预测精度。分类模型细化了输入样本的范围，可以更好地挖掘出历史数据间的内在关联规律。目前，采用分类模型预测光伏电站地表辐照和发电功率较采用同一模型均取得了更好的效果。因此，要想准确预测光伏电站的地表辐照度和发电功率，按天气类型进行分类，针对不同的天气状态建立与之对应的不同模型，是合理且必要的。显然，作为预测模型分类的依据，天气类型信息对于光伏电站逐日数据而言是不可缺少的。
本发明根据不同天气类型条件下辐照度的变化规律，提出了一种基于支持向量机的天气类型辨识方法。所述方法包括以下步骤：
(1)确定天气类型辨识参数指标集
光伏发电功率相关气象参数的种类很多，对应数据采集设备各异，在指定区域和指定时间范围内能够采集、记录的气象参数种类和个数受到实际条件的限制。然而，对于任一光伏电站，按照重要性和量测难度来看，辐照度都是必定采集的气象参数。同时，不同天气类型下大气的物理状态不同，太阳辐射穿过大气层后的衰减程度也不相同。因此，利用辐照度作为辨识天气类型的气象参数是合适的，适用于各种不同特点的天气状况和不同地点、规模、组件类型的光伏电站。
地外辐照度理论值与地表辐照度实测值在不同天气类型条件下的变化存在差异，能够衡量其规律的特征参数就可以作为对不同天气类型进行辨识的依据。它们包括常规特征参数和自定义特征参数。
a.常规特征参数
描述辐照度逐日变化规律的常规特征参数包括：地外和地表辐照度的最大值、平均值、方差、累计值和它们的四则运算组合。
b.自定义特征参数
描述辐照度逐日变化规律的自定义特征参数包括：3阶导数差和离散差。
计及地外和地表辐照度逐日数据曲线各阶导数与天气类型的对应关系，定义3阶导数差D 3d ：
其中，E g (i)为第i个时间点的地外辐照度理论值，E m (i)为第i个时间点的地表辐照度实测值，n为当日辐照度数据记录的个数。
由于光伏电站辐照度数据为离散采样数据，故上述3阶导数实为3阶差分。
为描述地表辐照度实测值相对于地外辐照度理论值的畸变程度，定义离散差LS：
,
离散差量化表示了不同天气类型条件下地外辐照度理论值与地表辐照度实测值在数值差异上的大小。在平稳的天气条件（如：晴天）下，地外辐照度理论值和地表辐照度实测值的变化规律相当接近，二者之间的离散差也较小。在非平稳的天气条件（如：阵雨）下，大气物理状态可能发生一次或多次较大突变，地外辐照度理论值和地表辐照度实测值的变化规律存在明显差异，二者之间的离散差也显著增大。
根据不同光伏电站辐照度数据的实际情况选择上述特征参数的组合，确定天气类型辨识参数指标集。
(2)建立支持向量机天气类型辨识模型
将步骤(1)确定的天气类型辨识参数指标集中的变量作为支持向量机模型的输入，光伏电站逐日天气类型信息作为支持向量机模型的理想输出，建立基于支持向量机的天气类型辨识模型。
(3)训练和验证支持向量机天气类型辨识模型
在天气类型信息完整的光伏电站逐日历史数据中，按适当比列选择其中一部分作为支持向量机辨识模型的训练样本，训练该模型，其余部分作为验证数据，对模型的辨识效果进行校验。
针对天气类型信息完整的光伏电站逐日历史数据，分别计算天气类型辨识参数指标集中的各辐照度特征参数，根据计算结果的数值大小利用合理的规则对其进行归一化处理，用于支持向量机模型的训练和验证。
支持向量机辨识模型对应核函数和相关参数的选择可根据不同光伏电站历史数据的训练效果进行调整，光伏电站的地理位置和数据采样频率等情况不同时，对应的辨识模型存在差异。
(4)辨识缺失的光伏电站逐日天气类型
天气类型信息缺失的光伏电站逐日历史数据缺少了必要的标签，使得其在某些时间尺度下作为模型输入时无法使用，导致分类预测算法难以继续执行，出现间断，从而影响整体的预测效果。可见，天气类型信息缺失破坏了光伏电站逐日历史数据的顺序性和可用性。
针对天气类型信息缺失的光伏电站逐日历史数据，分别计算天气类型辨识参数指标集中的各辐照度特征参数，根据计算结果的数值大小利用合理的规则对其进行归一化处理，然后将上述特征参数序列输入步骤(3)生成的支持向量机辨识模型，得到对应日期的天气类型。
图1为本发明实施例提供的基于辐照度特征参数的天气类型辨识方法流程图。下面结合图1对本发明实施例的技术方案进行详细、准确地描述。
以某光伏电站2010-2011两年的逐日历史数据记录为例，两年累计730天，实际保存有687天的天气类型信息，缺失43天。缺失的天气类型辨识步骤如下：
步骤1：根据该光伏电站的实际情况选择合适的辐照度特征参数，确定天气类型辨识参数指标集。这里，选择{地外辐照度最大值，地外辐照度平均值，地表辐照度最大值，地表辐照度平均值，地外、地表辐照度最大值之差，地外、地表辐照度平均值之差，3阶导数差，离散差}，共8维变量，作为天气类型辨识参数指标集。
步骤2：将天气类型辨识参数指标集中的变量作为支持向量机模型的输入，逐日天气类型信息作为模型的理想输出，建立支持向量机天气类型辨识模型。这里，该光伏电站记录的天气类型有Ⅰ、Ⅱ、Ⅲ三种，是将气象领域使用的天气类型按平稳程度进行了归纳合并，作为辨识模型输出使用时，分别用整数1、2、3代表它们 。
步骤3：选择适当比例天气类型信息完整的逐日历史数据数作为支持向量机辨识模型的训练样本，训练该模型，其余部分用来验证模型的辨识效果。分别计算天气类型信息完整的逐日历史数据对应天气类型辨识参数指标集的各辐照度特征参数，并对其进行归一化处理，用于支持向量机辨识模型的训练和验证。这里，按4：1的比例选择该光伏电站天气类型信息完整的687天中前550天的逐日数据，用来训练支持向量机辨识模型。达到一定的训练次数和合理的误差后，用余下137天的数据对模型辨识效果进行验证，其中天气类型识别正确的天数有125天，准确率达91.2%。
步骤4：分别计算天气类型信息缺失的逐日历史数据对应天气类型辨识参数指标集的各辐照度特征参数，进行归一化处理后将其输入支持向量机辨识模型，得到对应日期的天气类型。这里，例如：将该光伏电站2011年4月17日的辐照度特征参数序列输入支持向量机天气类型辨识模型，模型输出整数2。按照对应关系，“2”代表天气类型Ⅱ，补充数据记录中该光伏电站2011年4月17日缺失的天气类型为Ⅱ类。
本发明实施例所述方法利用辐照度特征参数与不同天气类型间的对应关系，实现了光伏电站缺失天气类型的辨识，减小了数据顺序性破坏对分类预测算法实施的不利影响，为光伏电站辐照度和发电功率分类预测等相关应用提供了支撑，可作为这些应用的必要补充功能。
Claims (3)
1.一种基于辐照度特征参数的天气类型辨识方法，其特征是，所述方法基于辐照度逐日变化规律和不同天气类型之间的内在关联关系，通过支持向量机方法，建立天气类型辨识模型，拟合描述辐照度逐日变化规律的特征参数与天气类型之间的非线性映射关系，然后根据特征参数识别得到逐日数据记录中缺失的天气类型；
所述方法包括以下步骤：
①确定天气类型辨识参数指标集
所述天气类型辨识参数包括常规特征参数和自定义特征参数：
a.常规特征参数
描述辐照度逐日变化规律的常规特征参数包括：地外和地表辐照度的最大值、平均值、方差和累计值；
b.自定义特征参数
描述辐照度逐日变化规律的自定义特征参数包括：k阶导数差和离散差，
k阶导数差D kd 定义为：
,
其中，E g (i)为第i个时间点的地外辐照度理论值，E m (i)为第i个时间点的地表辐照度实测值，n为当日辐照度数据记录的个数；
离散差LS定义为：
根据光伏电站辐照度数据的实际情况选择上述特征参数的组合，确定天气类型辨识参数指标集；
②建立支持向量机天气类型辨识模型
将步骤①确定的天气类型辨识参数指标集中的变量作为支持向量机模型的输入，光伏电站逐日天气类型信息作为支持向量机模型的理想输出，建立基于支持向量机的天气类型辨识模型；
③训练和验证支持向量机天气类型辨识模型
针对天气类型信息完整的光伏电站逐日历史数据，分别计算天气类型辨识参数指标集中的各辐照度特征参数，然后选择其中的一部分作为支持向量机辨识模型的训练样本，训练该模型，其余部分作为验证数据，对模型的辨识效果进行校验；
④辨识缺失的光伏电站逐日天气类型
针对天气类型信息缺失的光伏电站逐日历史数据，分别计算天气类型辨识参数指标集中的各辐照度特征参数，然后将上述特征参数序列输入步骤③生成的支持向量机辨识模型，得到对应日期的天气类型。
2.根据权利要求1所述的基于辐照度特征参数的天气类型辨识方法，其特征是，所述k阶导数差D kd 中k的取值范围为1～5。
3.根据权利要求2所述的基于辐照度特征参数的天气类型辨识方法，其特征是，所述天气类型辨识模型的建模方法采用的是支持向量机方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310076215.7A CN103116711B (zh) | 2013-03-11 | 2013-03-11 | 基于辐照度特征参数的天气类型辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310076215.7A CN103116711B (zh) | 2013-03-11 | 2013-03-11 | 基于辐照度特征参数的天气类型辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103116711A true CN103116711A (zh) | 2013-05-22 |
| CN103116711B CN103116711B (zh) | 2016-08-10 |
Family
ID=48415084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310076215.7A Active CN103116711B (zh) | 2013-03-11 | 2013-03-11 | 基于辐照度特征参数的天气类型辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103116711B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103390116A (zh) * | 2013-08-07 | 2013-11-13 | 华北电力大学（保定） | 采用分步方式的光伏电站发电功率预测方法 |
| CN103957268A (zh) * | 2014-05-08 | 2014-07-30 | 中国人民解放军总参谋部气象水文空间天气总站 | 一种规则驱动的数据传输方法 |
| CN104899467A (zh) * | 2015-06-25 | 2015-09-09 | 北京无线电计量测试研究所 | 一种基于频率驾驭的频率偏移校正方法及系统 |
| CN105308853A (zh) * | 2013-06-21 | 2016-02-03 | 株式会社东芝 | 预测系统、预测装置以及预测方法 |
| CN106875185A (zh) * | 2017-02-03 | 2017-06-20 | 咪咕互动娱乐有限公司 | 一种风控模型训练方法及装置 |
| CN107766298A (zh) * | 2017-10-10 | 2018-03-06 | 河海大学 | 一种生成全年逐日太阳辐射和风速数据的方法 |
| 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 |
| US10133245B2 (en) | 2013-11-11 | 2018-11-20 | Tmeic Corporation | Method for predicting and mitigating power fluctuations at a photovoltaic power plant due to cloud cover |
| CN108985965A (zh) * | 2018-06-22 | 2018-12-11 | 华北电力大学 | 一种结合神经网络和参数估计的光伏功率区间预测方法 |
| CN116960983A (zh) * | 2023-08-11 | 2023-10-27 | 三峡新能源(左云)发电有限公司 | 光伏电站日前功率预测方法 |
| CN117272120A (zh) * | 2023-11-21 | 2023-12-22 | 国能日新科技股份有限公司 | 基于数据分类的多因素延续性实时数据预测方法及装置 |
-
2013
- 2013-03-11 CN CN201310076215.7A patent/CN103116711B/zh active Active
Non-Patent Citations (6)
| Title |
|---|
| 代倩 等: "基于天气类型聚类识别的光伏系统短期无辐照度发电预测模型研究", 《中国电机工程学报》 * |
| 栗然 等: "基于支持向量机回归的光伏发电出力预测", 《中国电力》 * |
| 王飞 等: "基于天气状态模式识别的光伏电站发电功率分类预测方法", 《中国电机工程学报》 * |
| 王飞 等: "基于神经网络与关联数据的光伏电站发电功率预测方法", 《太阳能学报》 * |
| 王飞: "并网型光伏电站发电功率预测方法与系统", 《中国博士学位论文全文数据库》 * |
| 米增强 等: "光伏电站辐照度ANN预测及其两维尺度修正方法", 《太阳能学报》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105308853A (zh) * | 2013-06-21 | 2016-02-03 | 株式会社东芝 | 预测系统、预测装置以及预测方法 |
| 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 |
| CN103390116A (zh) * | 2013-08-07 | 2013-11-13 | 华北电力大学（保定） | 采用分步方式的光伏电站发电功率预测方法 |
| CN103390116B (zh) * | 2013-08-07 | 2016-12-28 | 华北电力大学（保定） | 采用分步方式的光伏电站发电功率预测方法 |
| US10133245B2 (en) | 2013-11-11 | 2018-11-20 | Tmeic Corporation | Method for predicting and mitigating power fluctuations at a photovoltaic power plant due to cloud cover |
| CN103957268B (zh) * | 2014-05-08 | 2017-04-12 | 中国人民解放军61741部队 | 一种规则驱动的数据传输方法 |
| CN103957268A (zh) * | 2014-05-08 | 2014-07-30 | 中国人民解放军总参谋部气象水文空间天气总站 | 一种规则驱动的数据传输方法 |
| CN104899467A (zh) * | 2015-06-25 | 2015-09-09 | 北京无线电计量测试研究所 | 一种基于频率驾驭的频率偏移校正方法及系统 |
| CN104899467B (zh) * | 2015-06-25 | 2017-10-31 | 北京无线电计量测试研究所 | 一种基于频率驾驭的频率偏移校正方法及系统 |
| 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 |
| CN106875185A (zh) * | 2017-02-03 | 2017-06-20 | 咪咕互动娱乐有限公司 | 一种风控模型训练方法及装置 |
| CN107766298A (zh) * | 2017-10-10 | 2018-03-06 | 河海大学 | 一种生成全年逐日太阳辐射和风速数据的方法 |
| CN108985965A (zh) * | 2018-06-22 | 2018-12-11 | 华北电力大学 | 一种结合神经网络和参数估计的光伏功率区间预测方法 |
| CN116960983A (zh) * | 2023-08-11 | 2023-10-27 | 三峡新能源(左云)发电有限公司 | 光伏电站日前功率预测方法 |
| CN117272120A (zh) * | 2023-11-21 | 2023-12-22 | 国能日新科技股份有限公司 | 基于数据分类的多因素延续性实时数据预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103116711B (zh) | 2016-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103116711A (zh) | 基于辐照度特征参数的天气类型辨识方法 | |
| Mathew et al. | Analysis of wind regimes for energy estimation | |
| CN102945508B (zh) | 一种基于模型校正的风电功率预测预报方法 | |
| CN104021424B (zh) | 用于预测风场中的风机的输出功率的方法和装置 | |
| Schmidt et al. | The effect of windpower on long-term variability of combined hydro-wind resources: The case of Brazil | |
| CN112285807B (zh) | 一种气象信息预测方法及装置 | |
| CN106600060B (zh) | 基于相似日晴朗系数修正的太阳辐照量预测方法 | |
| CN103514328A (zh) | 一种基于wrf的极端干旱地区风场模拟方法 | |
| US20180101147A1 (en) | Forecasting solar power generation using weather forecasts | |
| Joshi et al. | Evaluation of solar irradiance forecasting skills of the Australian Bureau of Meteorology’s ACCESS models | |
| De Araujo | WRF wind speed simulation and SAM wind energy estimation: A case study in Dili Timor Leste | |
| Célestin et al. | Spatio-temporal analysis of climate change impact on future wind power potential in Burundi (East Africa) | |
| Wimalaratne et al. | Unisolar: An open dataset of photovoltaic solar energy generation in a large multi-campus university setting | |
| CN104598743A (zh) | 一种无量测地区太阳辐射数据的生成方法 | |
| Millstein et al. | A database of hourly wind speed and modeled generation for US wind plants based on three meteorological models | |
| Sperati et al. | A new Wind Atlas to support the expansion of the Italian wind power fleet | |
| Pérez et al. | The influence of meteorological variables on CO2 and CH4 trends recorded at a semi-natural station | |
| CN106934094B (zh) | 一种基于二十四节气的风电功率预测方法 | |
| Mdee | Performance evaluation of Weibull analytical methods using several empirical methods for predicting wind speed distribution | |
| Abaa et al. | AgriSmart: IoT System-Based Weather Monitoring System for Smart Agriculture in Puerto Princesa, Palawan | |
| Oulimar et al. | Statistical study of global solar radiation in the Algerian desert: a case study of Adrar town | |
| Erol et al. | Improvement and evaluation of daily global solar radiation decomposition models using meteorological parameters: A case study for Turkey | |
| Meenal et al. | Temperature based model for predicting global solar radiation using genetic algorithm [GA] | |
| Agabus et al. | ESTIMATION OF WIND POWER PRODUCTION THROUGH SHORT-TERM FORECAST. | |
| CN118114809A (zh) | 一种风力发电功率预测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |