CN103390197A - 一种基于时间段聚类的光伏电站功率预测系统 - Google Patents
一种基于时间段聚类的光伏电站功率预测系统 Download PDFInfo
- Publication number
- CN103390197A CN103390197A CN2013102794754A CN201310279475A CN103390197A CN 103390197 A CN103390197 A CN 103390197A CN 2013102794754 A CN2013102794754 A CN 2013102794754A CN 201310279475 A CN201310279475 A CN 201310279475A CN 103390197 A CN103390197 A CN 103390197A
- Authority
- CN
- China
- Prior art keywords
- radiation
- power
- model
- historical
- prediction
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于时间段聚类的光伏电站功率预测方法及系统,包括以下步骤:根据预测纬度计算预报时间段内的预测天文辐射量;计算与预报时间段相同日期相同时间段的历史天文辐射量;计算该历史时间段中的历史辐射比,并根据纬度计算与历史时间段临近的预定数量的临近辐射比;将与历史时间段临近的多个时间段分别记为多个时间向量,并根据纬度分别计算与预报时间段不同日期且相同时间段的多个历史辐射比;建立组合预测模型或者根据误差平方和最小的功率预测模型,得到太阳辐射预测功率;将太阳辐射预报数据转换为光伏电站的物理功率预测数据。本发明能够提高光伏电站发电功率的预测精度,提高预测的稳定性及适应性。
Description
技术领域
本发明涉及一种光伏电站功率预测系统,特别涉及一种基于时间段聚类的光伏电站功率预测系统。
背景技术
进入新世纪以来,化石能源短缺、环境污染严重和全球气候变化等问题日益突出,世界能源发展呈现出了清洁化、低碳化、高效化的新趋势。我国电力工业也面临着新的形势,能源发展格局、电力供需状况、电力发展方式正在发生着深刻的变化。未来将有大量的分布式清洁能源发电及其他形式发电接入电网,要求电网具有清洁能源接纳能力。
我国太阳能资源开发利用的潜力非常广阔。中国大多数地区年平均辐射量在每平方米4千瓦是以上,年日照时数大于2000小时,与同纬度的其他国家相比,与美国近似,比欧洲、日本优越得多,因而具有绝大的开发潜力。近年来,太阳能在我国进入了前所未有的高速发展时期,取得了举世瞩目的成就。过去10年,太阳能发电装机增长了21倍,成为新的增长点。从长远来看,太阳能的开发利用符合我国能源发展战略、实现电力可持续发展、电力结构调整和环境保护的需要。
随着光伏电站装机容量的不断增加,光伏电站的并网面临着新的问题。与风资源类似,光资源也具有波动性和间歇性的特点。开展光伏功率预测的研究对光伏发电优化调度、降低运行成本、提高光伏发电利用时数、提高电网安全水平具有重要的意义。因此,开展光伏发电功率预测方法研究,实现光伏发电功率的预测是十分必要的。
现有的光伏电站功率预测方法一般使用的方法有:物理法、统计法、物理-统计相结合的方法。其中统计法包括:神经网络、支持向量机、时间序列分析等。这些方法都是通用的预测算法和模型,也同样应用于其他行业的预测预报中。本专利考虑太阳辐射本身的间歇性和周期特性提出一种新的基于历史数据的时间段聚类的自相关方法。
发明内容
本发明所要解决的技术问题是提供一种结合时间段聚类及组合预测的的光伏电站功率预测方法及系统。
本发明解决上述技术问题的技术方案如下:一种基于时间段聚类的光伏电站功率预测方法,包括以下步骤:
步骤1:根据预测纬度计算预报时间段内的预测天文辐射量;
步骤2:根据与预报时间段相同日期相同时间段的历史时间段及预测纬度,计算该历史时间段的历史天文辐射量;
步骤3:获取历史实测辐射量,根据历史实测辐射量和历史天文辐射量,计算该历史时间段中的历史辐射比,并根据纬度计算与历史时间段临近的预定数量的临近辐射比;
步骤4:将与历史时间段临近的多个时间段分别记为多个时间向量,并根据纬度分别计算与预报时间段不同日期且相同时间段的多个历史辐射比;
步骤5:根据时间向量、历史辐射比、预订数量的临近辐射比和多个历史辐射比建立多个功率预测模型;
步骤6:将多个功率预测模型的误差平方和分别与预设的模型容许误差限比较,如果有至少两个的功率预测模型的误差平方和低于模型容许误差限,利用低于模型容许误差限的功率预测模型建立组合预测模型,将低于模型容许误差限的功率预测模型对应的历史辐射比作为预测辐射比,与预测天文辐射量一同代入组合预测模型,得到太阳辐射预测功率;如果有小于两个的功率预测模型的误差平方和低于模型容许误差限,将功率预测模型对应的历史辐射比作为预测辐射比代入误差平方和最小的功率预测模型,得到太阳辐射预测功率;
步骤7:将太阳辐射预报数据输入到光电转换模型中,得到光伏面板的发电功率,将光伏面板的发电功率输入到电能逆变模型,得到光伏电站的物理功率预测数据。
本发明的有益效果是:在考虑了太阳辐射本身的周期性,对其进行合理抽象和假设。仅需要输入历史辐射数据,对数据的要求不高;其次是提高了预测预报的速度并能够满足业界实时预报的准确度要求。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述历史辐射比为历史实测辐射量与历史天文辐射量的商,预测的太阳辐射量为预测天文辐射量乘以预测辐射比。
采用上述进一步方案的有益效果是将云层和其他气象条件对天文辐射的遮挡简化为辐射比,以此作为预测实际辐射量的主要依据。
进一步,步骤5进一步为,根据时间向量、预订数量的临近辐射比和多个历史辐射比,利用线性回归或者三次样条差值的方法建立功率预测模型。
采用上述进一步方案的有益效果是综合考虑了预测时间段太阳辐射比的波动性,以及这种波动的是有一定的周期性的基础上,建立预测模型。
进一步,所述步骤6中利用低于模型容许误差限的功率预测模型建立组合预测模型进一步为,根据低于模型容许误差限的功率预测模型采用熵值法建立组合预测模型。
采用上述进一步方案的有益效果是设置容许误差限,可以有效提高预测准度,以便达到用户对预测准度的要求。
进一步,所述采用熵值法建立组合预测模型进一步包括以下步骤:
所述采用熵值法建立组合预测模型进一步包括以下步骤:
步骤6a:利用低于模型容许误差限的功率预测模型,分别得到多组辐射预测数据;
步骤6b:根据低于模型容许误差限的功率预测模型,分别得到低于模型容许误差限的功率预测模型的误差值;
步骤6c:根据多组功率预测模型的误差值,分别确定多组功率预测数据的加权系数;
步骤6d:将多组辐射预测数据先分别乘以对应的加权系数,得到多组预测结果,再对多组预测结果求和,得到太阳辐射预测数据。
采用上述进一步方案的有益效果是采用多个低于容许误差限的模型的组合预测,可以进一步提高预测模型的稳定性,以防止单一模型随机误差对模型预测准度的影响。
进一步,一种基于时间段聚类的光伏电站功率预测系统,包括预测辐射模块,历史预测模块,计算临近辐射比模块,计算历史辐射比模块,获得功率预测模型模块,预测辐射功率模块和预测电站功率模块;
所述预测辐射模块,用于根据预测纬度计算预报时间段内的预测天文辐射量,将所述预测天文辐射量发送给预测辐射功率模块;
所述历史预测模块,用于根据与预报时间段相同日期相同时间段的历史时间段及预测纬度,计算该历史时间段的历史天文辐射量,将历史天文辐射量发送给计算临近辐射比模块;
所述计算临近辐射比模块,用于接收历史天文辐射量,获取历史实测辐射量,根据历史实测辐射量和历史天文辐射量,计算该历史时间段中的历史辐射比,根据纬度计算与历史时间段临近的预定数量的临近辐射比,将多个临近辐射比分别发送给获得功率预测模型模块;
所述计算历史辐射比模块,用于将与历史时间段临近的多个时间段分别记为多个时间向量,并分别根据纬度计算与预报时间段不同日期且相同时间段的多个历史辐射比,将多个时间向量和多个历史辐射比分别发送给获得功率预测模型模块;
所述获得功率预测模型模块,用于接收多个临近辐射比、多个时间向量和多个历史辐射比,根据时间向量、预订数量的临近辐射比和多个历史辐射比建立多个功率预测模型,将多个功率预测模型的信息发送给预测辐射功率模块;
所述预测辐射功率模块,用于接收至少一个功率预测模型的信息和预测天文辐射量,将多个功率预测模型的误差平方和分别与预设的模型容许误差限比较,如果有至少两个功率预测模型的误差平方和低于模型容许误差限,利用低于模型容许误差限的功率预测模型建立组合预测模型,将低于模型容许误差限的功率预测模型对应的历史辐射比作为预测辐射比,与预测天文辐射量一同代入组合预测模型,得到太阳辐射预测功率;如果有小于两个的功率预测模型的误差平方和低于模型容许误差限,将功率预测模型对应的历史辐射比作为预测辐射比代入误差平方和最小的功率预测模型,得到太阳辐射预测功率,将太阳辐射预测功率发送给预测电站功率模块;
所述预测电站功率模块,用于接收太阳辐射预测功率,将太阳辐射预报数据输入到光电转换模型中,得到光伏面板的发电功率,将光伏面板的发电功率输入到电能逆变模型,得到光伏电站的功率预测数据。
采用上述进一步方案的有益效果是将太阳辐射数据,根据光伏面板,和光伏电站本身的能量转化特性,计算得到最终光伏电站的预测功率。
进一步,所述辐射比为历史实测辐射量与历史天文辐射量的商。
采用上述进一步方案的有益效果是将云层和其他气象条件对天文辐射的遮挡简化为辐射比,以此作为预测实际辐射量的主要依据。
进一步,获得功率预测模型模块进一步为,根据时间向量、预订数量的临近辐射比和多个历史辐射比,利用线性回归或者三次样条差值的方法建立功率预测模型。
采用上述进一步方案的有益效果是综合考虑了预测时间段太阳辐射比的波动性,以及这种波动的是有一定的周期性的基础上,建立预测模型。
进一步,所述预测辐射功率模块中利用低于模型容许误差限的功率预测模型建立组合预测模型进一步为,根据低于模型容许误差限的功率预测模型采用熵值法建立组合预测模型。
采用上述进一步方案的有益效果是设置容许误差限,可以有效提高预测准度,以便达到用户对预测准度的要求。
进一步,所述预测辐射功率模块进一步包括辐射预测子模块,误差获取子模块,加权系数子模块和辐射预测子模块;
所述辐射预测子模块,用于利用低于模型容许误差限的功率预测模型,分别得到多组辐射预测数据,将多组辐射预测数据发送给辐射预测子模块;
所述误差获取子模块,用于根据低于模型容许误差限的功率预测模型,分别得到低于模型容许误差限的功率预测模型的误差值,将多组功率预测模型的误差值发送给所述加权系数子模块;
所述加权系数子模块,用于接收多组功率预测模型的误差值,根据多组功率预测模型的误差值,分别确定多组功率预测数据的加权系数;
所述辐射预测子模块,用于接收多组辐射预测数据和多组功率预测模型的误差值,将多组辐射预测数据先分别乘以对应的加权系数,得到多组预测结果,再对多组预测结果求和,得到太阳辐射预测数据。
采用上述进一步方案的有益效果是采用多个低于容许误差限的模型的组合预测,可以进一步提高预测模型的稳定性,以防止单一模型随机误差对模型预测准度的影响。
附图说明
图1为本发明方法步骤流程图;
图2为本发明装置结构图。
附图中,各标号所代表的部件列表如下:
1、预测辐射模块,2、历史预测模块,3、计算临近辐射比模块,4、计算历史辐射比模块,5、获得功率预测模型模块,6、预测辐射功率模块,7、预测电站功率模块。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,为本发明方法步骤流程图;图2为本发明装置结构图。
实施例1
一种基于时间段聚类的光伏电站功率预测方法,包括以下步骤:
步骤1:根据预测纬度计算预报时间段内的预测天文辐射量;
步骤2:根据与预报时间段相同日期相同时间段的历史时间段及预测纬度,计算该历史时间段的历史天文辐射量;
步骤3:获取历史实测辐射量,根据历史实测辐射量和历史天文辐射量,计算该历史时间段中的历史辐射比,并根据纬度计算与历史时间段临近的预定数量的临近辐射比;
步骤4:将与历史时间段临近的多个时间段分别记为多个时间向量,并根据纬度分别计算与预报时间段不同日期且相同时间段的多个历史辐射比;
步骤5:根据时间向量、历史辐射比、预订数量的临近辐射比和多个历史辐射比建立多个功率预测模型;
步骤6:将多个功率预测模型的误差平方和分别与预设的模型容许误差限比较,如果有至少两个的功率预测模型的误差平方和低于模型容许误差限,利用低于模型容许误差限的功率预测模型建立组合预测模型,将低于模型容许误差限的功率预测模型对应的历史辐射比作为预测辐射比,与预测天文辐射量一同代入组合预测模型,得到太阳辐射预测功率;如果有小于两个的功率预测模型的误差平方和低于模型容许误差限,将功率预测模型对应的历史辐射比作为预测辐射比代入误差平方和最小的功率预测模型,得到太阳辐射预测功率;
步骤7:将太阳辐射预报数据输入到光电转换模型中,得到光伏面板的发电功率,将光伏面板的发电功率输入到电能逆变模型,得到光伏电站的物理功率预测数据。
所述历史辐射比为历史实测辐射量与历史天文辐射量的商,光伏电站的预测功率为预测天文辐射量乘以预测辐射比。
步骤5进一步为,根据时间向量、预订数量的临近辐射比和多个历史辐射比,利用线性回归或者三次样条差值的方法建立功率预测模型。
所述步骤6中利用低于模型容许误差限的功率预测模型建立组合预测模型进一步为,根据低于模型容许误差限的功率预测模型采用熵值法建立组合预测模型。
所述采用熵值法建立组合预测模型进一步包括以下步骤:
步骤6a:利用低于模型容许误差限的功率预测模型,分别得到多组辐射预测数据;
步骤6b:根据低于模型容许误差限的功率预测模型,分别得到低于模型容许误差限的功率预测模型的误差值;
步骤6c:根据多组功率预测模型的误差值,分别确定多组功率预测数据的加权系数;
步骤6d:将多组辐射预测数据先分别乘以对应的加权系数,得到多组预测结果,再对多组预测结果求和,得到太阳辐射预测数据。
一种基于时间段聚类的光伏电站功率预测系统,包括预测辐射模块1,历史预测模块2,计算临近辐射比模块3,计算历史辐射比模块4,获得功率预测模型模块5,预测辐射功率模块6和预测电站功率模块7;
所述预测辐射模块1,用于根据预测纬度计算预报时间段内的预测天文辐射量,将所述预测天文辐射量发送给预测辐射功率模块6;
所述历史预测模块2,用于根据与预报时间段相同日期相同时间段的历史时间段及预测纬度,计算该历史时间段的历史天文辐射量,将历史天文辐射量发送给计算临近辐射比模块3;
所述计算临近辐射比模块3,用于接收历史天文辐射量,获取历史实测辐射量,根据历史实测辐射量和历史天文辐射量,计算该历史时间段中的历史辐射比,根据纬度计算与历史时间段临近的预定数量的临近辐射比,将多个临近辐射比分别发送给获得功率预测模型模块5;
所述计算历史辐射比模块4,用于将与历史时间段临近的多个时间段分别记为多个时间向量,并分别根据纬度计算与预报时间段不同日期且相同时间段的多个历史辐射比,将多个时间向量和多个历史辐射比分别发送给获得功率预测模型模块5;
所述获得功率预测模型模块5,用于接收多个临近辐射比、多个时间向量和多个历史辐射比,根据时间向量、预订数量的临近辐射比和多个历史辐射比建立多个功率预测模型,将多个功率预测模型的信息发送给预测辐射功率模块6;
所述预测辐射功率模块6,用于接收至少一个功率预测模型的信息和预测天文辐射量,将多个功率预测模型的误差平方和分别与预设的模型容许误差限比较,如果有至少两个功率预测模型的误差平方和低于模型容许误差限,利用低于模型容许误差限的功率预测模型建立组合预测模型,将低于模型容许误差限的功率预测模型对应的历史辐射比作为预测辐射比,与预测天文辐射量一同代入组合预测模型,得到太阳辐射预测功率;如果有小于两个的功率预测模型的误差平方和低于模型容许误差限,将功率预测模型对应的历史辐射比作为预测辐射比代入误差平方和最小的功率预测模型,得到太阳辐射预测功率,将太阳辐射预测功率发送给预测电站功率模块7;
所述预测电站功率模块7,用于接收太阳辐射预测功率,将太阳辐射预报数据输入到光电转换模型中,得到光伏面板的发电功率,将光伏面板的发电功率输入到电能逆变模型,得到光伏电站的功率预测数据。
所述辐射比为历史实测辐射量与历史天文辐射量的商。
获得功率预测模型模块5进一步为,根据时间向量、预订数量的临近辐射比和多个历史辐射比,利用线性回归或者三次样条差值的方法建立功率预测模型。
所述预测辐射功率模块6中利用低于模型容许误差限的功率预测模型建立组合预测模型进一步为,根据低于模型容许误差限的功率预测模型采用熵值法建立组合预测模型。
所述预测辐射功率模块6进一步包括辐射预测子模块,误差获取子模块,加权系数子模块和辐射预测子模块;
所述辐射预测子模块,用于利用低于模型容许误差限的功率预测模型,分别得到多组辐射预测数据,将多组辐射预测数据发送给辐射预测子模块;
所述误差获取子模块,用于根据低于模型容许误差限的功率预测模型,分别得到低于模型容许误差限的功率预测模型的误差值,将多组功率预测模型的误差值发送给所述加权系数子模块;
所述加权系数子模块,用于接收多组功率预测模型的误差值,根据多组功率预测模型的误差值,分别确定多组功率预测数据的加权系数;
所述辐射预测子模块,用于接收多组辐射预测数据和多组功率预测模型的误差值,将多组辐射预测数据先分别乘以对应的加权系数,得到多组预测结果,再对多组预测结果求和,得到太阳辐射预测数据。
在具体实施中,实测辐射量Ro和天文辐射量Re的关系为模型为
Ro=Re×ε
一定时间内,ε的变化规律是受大气条件影响的随机变量,这种误差为“乘性误差”,大气条件影响主要包含云量、空气悬浮颗粒和周边地类地物影响。本发明采用一种历史数据的时间段聚类的方法来计算ε的变化规律。
假设条件:1、在预测时间段内(4hours)ε的仅存在较小变化
2、历史事件段中存在某个εo和预测时段的εn变化有最大的相关性,并且这个εo可以近似替代εn
基于历史时间段聚类的ε预测算法:这个系数是实际辐射量和天文辐射量的比值记为ε
1、计算预报时间段tn-tn+k的理论天文辐射量
理论天文辐射量计算需要的参数为时间和纬度。不需要依靠历史实际辐射量
2、选择合适的历史数据Ro,并计算与其对应时间段的天文辐射量Re,对应时间段为t0-tn。
对应时间段是相同日期时间的天文辐射量和历史辐射量。如2013060513:00Re=700Ro=680。
预测模型训练的需要一定的历史数据,但不是全部历史数据,本发明默认时间段为最近1年的历史数据。主要好处是可以使预测计算时间缩短。
3、根据2的数据,计算历史数据中的ε,并选取近j个时间段的ε,记为εti,ti=(n-j+1,n-j+2,...,n)。
ε实际辐射量和天文辐射量的比值,可以简写为辐射比,εti为最近j个时间点的辐射比,实际上j作为一个模型参数出现。一般默认为48个点,
4、ti在每日的对应的本地时刻记为向量T,并在历史数据中寻找其他不同日期的相同时刻的ε,记为E1,E2,...,Em,其中任意一个E为和εti等长度的向量,T为每日的时刻,比如,现在是2013060513:00,则ti默认应为2013060509:00-2013060513:00,对应的辐射比为εti向量,因为在3中计算了所有历史辐射比ε,现在则在历史日中相同时刻寻找m个对应的向量记为E1,E2,...,Em,m和历史数据的日数是相同的。因为是一个时间段,而不是一个点,故而记为向量。
比如 20130604 09:00-20130604 13:00就是其中一个E,对应09:00-13:00这个时间段
5、默认时间段聚类采用回归或者是三次样条差值的方法建立预测模型。采用回归主要考虑到计算模型的线性相关性,采用3次样条差值的主要可以描述模型中的非线性相关关系。最终可以计算得到m个模型,再根据模型的残差平方和选择误差最小的a个模型。
mina(RSS1,RSS2,…,RSSm),RSS为各个模型的误差平方和
6、根据5优选的模型,和预设的模型容许误差限lim比较,若有1个以上的模型RSS低于预设容许误差限,则将所有低于容许误差限的模型,采用熵值法建立组合预测模型预测。若只有1个或无模型RSS低于预设容许误差限,则采用RSS最小的模型开展预测。
误差限lim是根据相关标准由个默认值,是一个预定的参数。
a个模型的误差平方和是相对最小的a个,这个其中能够满足低于误差限lim的模型个数为0-a个。
利用最优模型中对应的历史时间段的后续预测时间段的辐射比,按照线性模型或者样条差值模型预测未来时间段的辐射比,εf。
再用预测辐射比乘以理论天文辐射量就是预测辐射量。
如现在为20130605 13:00,我们要预测20130605 13:00-16:00的数据
经过上述步骤如果20130605 09:00-13:00的辐射比和历史中2013060109:05-13:05的辐射比为最佳模型,则采用20130601 13:05-20130601 16:05的辐射比带入最佳模型中作为预测的辐射比,然后再将其乘以理论天文辐射量,作为预测实际辐射量。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于时间段聚类的光伏电站功率预测方法,其特征在于,包括以下步骤:
步骤1:根据预测纬度计算预报时间段内的预测天文辐射量;
步骤2:根据与预报时间段相同日期相同时间段的历史时间段及预测纬度,计算该历史时间段的历史天文辐射量;
步骤3:获取历史实测辐射量,根据历史实测辐射量和历史天文辐射量,计算该历史时间段中的历史辐射比,并根据纬度计算与历史时间段临近的预定数量的临近辐射比;
步骤4:将与历史时间段临近的多个时间段分别记为多个时间向量,并根据纬度分别计算与预报时间段不同日期且相同时间段的多个历史辐射比;
步骤5:根据时间向量、历史辐射比、预订数量的临近辐射比和多个历史辐射比建立多个功率预测模型;
步骤6:将多个功率预测模型的误差平方和分别与预设的模型容许误差限比较,如果有至少两个的功率预测模型的误差平方和低于模型容许误差限,利用低于模型容许误差限的功率预测模型建立组合预测模型,将低于模型容许误差限的功率预测模型对应的历史辐射比作为预测辐射比,与预测天文辐射量一同代入组合预测模型,得到太阳辐射预测功率;如果有小于两个的功率预测模型的误差平方和低于模型容许误差限,将功率预测模型对应的历史辐射比作为预测辐射比代入误差平方和最小的功率预测模型,得到太阳辐射预测功率;
步骤7:将太阳辐射预测功率输入到光电转换模型中,得到光伏面板的发电功率,将光伏面板的发电功率输入到电能逆变模型,得到光伏电站的物理功率预测数据。
2.根据权利要求1所述的光伏电站功率预测方法,其特征在于:所述历史辐射比为历史实测辐射量与历史天文辐射量的商,太阳辐射预测功率为预测天文辐射量乘以预测辐射比。
3.根据权利要求1所述的光伏电站功率预测方法,其特征在于:步骤5进一步为,根据时间向量、预订数量的临近辐射比和多个历史辐射比,利用线性回归或者三次样条差值的方法建立功率预测模型。
4.根据权利要求1所述的光伏电站功率预测方法,其特征在于:所述步骤6中利用低于模型容许误差限的功率预测模型建立组合预测模型进一步为,根据低于模型容许误差限的功率预测模型采用熵值法建立组合预测模型。
5.根据权利要求4所述的光伏电站功率预测方法,其特征在于:所述采用熵值法建立组合预测模型进一步包括以下步骤:
步骤6a:利用低于模型容许误差限的功率预测模型,分别得到多组辐射预测数据;
步骤6b:根据低于模型容许误差限的功率预测模型,分别得到低于模型容许误差限的功率预测模型的误差值;
步骤6c:根据多组功率预测模型的误差值,分别确定多组功率预测数据的加权系数;
步骤6d:将多组辐射预测数据先分别乘以对应的加权系数,得到多组预测结果,再对多组预测结果求和,得到太阳辐射预测数据。
6.一种基于时间段聚类的光伏电站功率预测系统,其特征在于:包括预测辐射模块(1),历史预测模块(2),计算临近辐射比模块(3),计算历史辐射比模块(4),获得功率预测模型模块(5),预测辐射功率模块(6)和预测电站功率模块(7);
所述预测辐射模块(1),用于根据预测纬度计算预报时间段内的预测天文辐射量,将所述预测天文辐射量发送给预测辐射功率模块(6);
所述历史预测模块(2),用于根据与预报时间段相同日期相同时间段的历史时间段及预测纬度,计算该历史时间段的历史天文辐射量,将历史天文辐射量发送给计算临近辐射比模块(3);
所述计算临近辐射比模块(3),用于接收历史天文辐射量,获取历史实测辐射量,根据历史实测辐射量和历史天文辐射量,计算该历史时间段中的历史辐射比,根据纬度计算与历史时间段临近的预定数量的临近辐射比,将多个临近辐射比分别发送给获得功率预测模型模块(5);
所述计算历史辐射比模块(4),用于将与历史时间段临近的多个时间段分别记为多个时间向量,并分别根据纬度计算与预报时间段不同日期且相同时间段的多个历史辐射比,将多个时间向量和多个历史辐射比分别发送给获得功率预测模型模块(5);
所述获得功率预测模型模块(5),用于接收多个临近辐射比、多个时间向量和多个历史辐射比,根据时间向量、预订数量的临近辐射比和多个历史辐射比建立多个功率预测模型,将多个功率预测模型的信息发送给预测辐射功率模块(6);
所述预测辐射功率模块(6),用于接收至少一个功率预测模型的信息和预测天文辐射量,将多个功率预测模型的误差平方和分别与预设的模型容许误差限比较,如果有至少两个功率预测模型的误差平方和低于模型容许误差限,利用低于模型容许误差限的功率预测模型建立组合预测模型,将低于模型容许误差限的功率预测模型对应的历史辐射比作为预测辐射比,与预测天文辐射量一同代入组合预测模型,得到太阳辐射预测功率;如果有小于两个的功率预测模型的误差平方和低于模型容许误差限,将功率预测模型对应的历史辐射比作为预测辐射比代入误差平方和最小的功率预测模型,得到太阳辐射预测功率,将太阳辐射预测功率发送给预测电站功率模块(7);
所述预测电站功率模块(7),用于接收太阳辐射预测功率,将太阳辐射预报数据输入到光电转换模型中,得到光伏面板的发电功率,将光伏面板的发电功率输入到电能逆变模型,得到光伏电站的功率预测数据。
7.根据权利要求6所述的光伏电站功率预测系统,其特征在于:所述历史辐射比为历史实测辐射量与历史天文辐射量的商,太阳辐射预测功率为预测天文辐射量乘以预测辐射比。
8.根据权利要求6所述的光伏电站功率预测系统,其特征在于:获得功率预测模型模块(5)进一步为,根据时间向量、预订数量的临近辐射比和多个历史辐射比,利用线性回归或者三次样条差值的方法建立功率预测模型。
9.根据权利要求6所述的光伏电站功率预测系统,其特征在于:所述预测辐射功率模块(6)中利用低于模型容许误差限的功率预测模型建立组合预测模型进一步为,根据低于模型容许误差限的功率预测模型采用熵值法建立组合预测模型。
10.根据权利要求6所述的光伏电站功率预测系统,其特征在于:所述预测辐射功率模块(6)进一步包括辐射预测子模块,误差获取子模块,加权系数子模块和辐射预测子模块;
所述辐射预测子模块,用于利用低于模型容许误差限的功率预测模型,分别得到多组辐射预测数据,将多组辐射预测数据发送给辐射预测子模块;
所述误差获取子模块,用于根据低于模型容许误差限的功率预测模型,分别得到低于模型容许误差限的功率预测模型的误差值,将多组功率预测模型的误差值发送给所述加权系数子模块;
所述加权系数子模块,用于接收多组功率预测模型的误差值,根据多组功率预测模型的误差值,分别确定多组功率预测数据的加权系数;
所述辐射预测子模块,用于接收多组辐射预测数据和多组功率预测模型的误差值,将多组辐射预测数据先分别乘以对应的加权系数,得到多组预测结果,再对多组预测结果求和,得到太阳辐射预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102794754A CN103390197A (zh) | 2013-07-04 | 2013-07-04 | 一种基于时间段聚类的光伏电站功率预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102794754A CN103390197A (zh) | 2013-07-04 | 2013-07-04 | 一种基于时间段聚类的光伏电站功率预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103390197A true CN103390197A (zh) | 2013-11-13 |
Family
ID=49534462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013102794754A Pending CN103390197A (zh) | 2013-07-04 | 2013-07-04 | 一种基于时间段聚类的光伏电站功率预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103390197A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984988A (zh) * | 2014-05-06 | 2014-08-13 | 国家电网公司 | 测光网络实时校正arma模型光伏功率超短期预测方法 |
CN104850914A (zh) * | 2015-05-29 | 2015-08-19 | 东南大学 | 一种基于特征建模的新能源发电量预测方法 |
CN105184404A (zh) * | 2015-08-31 | 2015-12-23 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
CN107092994A (zh) * | 2017-06-21 | 2017-08-25 | 苏州协鑫新能源运营科技有限公司 | 一种预测供电量的方法 |
CN107506949A (zh) * | 2017-10-10 | 2017-12-22 | 甘肃省电力公司风电技术中心 | 光伏数据聚类方法、光伏功率预测方法、存储介质和设备 |
CN110348175A (zh) * | 2019-08-12 | 2019-10-18 | 阳光电源股份有限公司 | 一种光伏电站有效辐照计算方法和装置 |
CN112700033A (zh) * | 2020-12-16 | 2021-04-23 | 浙江中控技术股份有限公司 | 基于燃烧时序模型的瓦斯热值预估方法及装置 |
CN113176622A (zh) * | 2021-03-16 | 2021-07-27 | 北京玖天气象科技有限公司 | 针对累积曝辐量的逐小时太阳辐射时间降尺度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101728984A (zh) * | 2010-01-18 | 2010-06-09 | 华北电力大学(保定) | 并网型光伏电站发电功率预测方法 |
CN101969207A (zh) * | 2010-09-16 | 2011-02-09 | 国网电力科学研究院 | 结合卫星遥感与气象遥测技术的光伏超短期功率预测方法 |
CN102521670A (zh) * | 2011-11-18 | 2012-06-27 | 中国电力科学研究院 | 基于气象要素的光伏电站发电输出功率预测方法 |
-
2013
- 2013-07-04 CN CN2013102794754A patent/CN103390197A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101728984A (zh) * | 2010-01-18 | 2010-06-09 | 华北电力大学(保定) | 并网型光伏电站发电功率预测方法 |
CN101969207A (zh) * | 2010-09-16 | 2011-02-09 | 国网电力科学研究院 | 结合卫星遥感与气象遥测技术的光伏超短期功率预测方法 |
CN102521670A (zh) * | 2011-11-18 | 2012-06-27 | 中国电力科学研究院 | 基于气象要素的光伏电站发电输出功率预测方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984988B (zh) * | 2014-05-06 | 2018-03-02 | 国家电网公司 | 测光网络实时校正arma模型光伏功率超短期预测方法 |
CN103984988A (zh) * | 2014-05-06 | 2014-08-13 | 国家电网公司 | 测光网络实时校正arma模型光伏功率超短期预测方法 |
CN104850914A (zh) * | 2015-05-29 | 2015-08-19 | 东南大学 | 一种基于特征建模的新能源发电量预测方法 |
CN104850914B (zh) * | 2015-05-29 | 2018-07-17 | 东南大学 | 一种基于特征建模的新能源发电量预测方法 |
WO2017035884A1 (zh) * | 2015-08-31 | 2017-03-09 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
CN105184404A (zh) * | 2015-08-31 | 2015-12-23 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
CN105184404B (zh) * | 2015-08-31 | 2018-12-18 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
CN107092994A (zh) * | 2017-06-21 | 2017-08-25 | 苏州协鑫新能源运营科技有限公司 | 一种预测供电量的方法 |
CN107506949A (zh) * | 2017-10-10 | 2017-12-22 | 甘肃省电力公司风电技术中心 | 光伏数据聚类方法、光伏功率预测方法、存储介质和设备 |
CN110348175A (zh) * | 2019-08-12 | 2019-10-18 | 阳光电源股份有限公司 | 一种光伏电站有效辐照计算方法和装置 |
CN110348175B (zh) * | 2019-08-12 | 2023-01-06 | 阳光电源股份有限公司 | 一种光伏电站有效辐照计算方法和装置 |
CN112700033A (zh) * | 2020-12-16 | 2021-04-23 | 浙江中控技术股份有限公司 | 基于燃烧时序模型的瓦斯热值预估方法及装置 |
CN113176622A (zh) * | 2021-03-16 | 2021-07-27 | 北京玖天气象科技有限公司 | 针对累积曝辐量的逐小时太阳辐射时间降尺度方法 |
CN113176622B (zh) * | 2021-03-16 | 2024-08-23 | 北京玖天气象科技有限公司 | 针对累积曝辐量的逐小时太阳辐射时间降尺度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103390197A (zh) | 一种基于时间段聚类的光伏电站功率预测系统 | |
Xu et al. | Optimized sizing of a standalone PV-wind-hydropower station with pumped-storage installation hybrid energy system | |
Jurasz | Modeling and forecasting energy flow between national power grid and a solar–wind–pumped-hydroelectricity (PV–WT–PSH) energy source | |
CN102930358B (zh) | 一种光伏电站发电功率的神经网络预测方法 | |
Cheng et al. | Short‐Term Hydroscheduling with Discrepant Objectives Using Multi‐Step Progressive Optimality Algorithm 1 | |
CN109858673A (zh) | 一种光伏发电系统功率预测方法 | |
CN103390200A (zh) | 基于相似日的光伏电站发电输出功率预测方法 | |
CN103996082A (zh) | 一种基于双重随机理论的太阳辐射强度预测方法 | |
CN103218673A (zh) | 基于bp神经网络的光伏发电短期出力预测方法 | |
CN103390116A (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
CN103390199A (zh) | 光伏发电量/发电功率预测装置 | |
CN103810534A (zh) | 一种光伏出力预测方法 | |
Liu et al. | Research on short-term optimization for integrated hydro-PV power system based on genetic algorithm | |
CN104538992A (zh) | 一种大小水电及风电协调优化调度方法 | |
Shen et al. | Overview of China's hydropower absorption: evolution, problems, and suggested solutions | |
Liu | Short‐Term Prediction Method of Solar Photovoltaic Power Generation Based on Machine Learning in Smart Grid | |
Jiang et al. | Application of BP neural network to short-term-ahead generating power forecasting for PV system | |
CN116526469A (zh) | 一种水风光互补系统长期随机动态调度方法 | |
CN102769298A (zh) | 一种太阳能并网发电功率预测方法及预测系统 | |
Zamanidou et al. | Day‐ahead scheduling of a hybrid renewable energy system based on generation forecasting using a deep‐learning approach | |
Zhang et al. | Ultra-short-term wind power forecasting model based on time-section fusion and pattern classification | |
Simankov et al. | Review of models for estimating and predicting the amount of energy produced by solar energy systems | |
Bagherinezhad et al. | Indirect congestion management approach in distribution system with high PV penetration | |
CN109274124B (zh) | 基于场景马尔科夫法的风电就地消纳能力预测方法 | |
Doban | Building predictive models for dynamic line rating using data science techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20170301 |
|
AD01 | Patent right deemed abandoned |