CN103996073A - 测光网络实时校正自学习arma模型光伏功率预测方法 - Google Patents
测光网络实时校正自学习arma模型光伏功率预测方法 Download PDFInfo
- Publication number
- CN103996073A CN103996073A CN201410187225.2A CN201410187225A CN103996073A CN 103996073 A CN103996073 A CN 103996073A CN 201410187225 A CN201410187225 A CN 201410187225A CN 103996073 A CN103996073 A CN 103996073A
- Authority
- CN
- China
- Prior art keywords
- model
- photovoltaic
- data
- real time
- time correction
- 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
Abstract
本发明公开了一种测光网络实时校正自学习ARMA模型光伏功率预测方法,包括输入数据得到自回归滑动平均模型参数即模型训练;输入光资源监测系统数据和运行监测系统数据,并根据运行监测数据实时校正开机容量;建立自回归滑动平均模型从而得到光伏功率超短期预测结果;引入实时测光站数据对光伏功率超短期预测结果进行实时校正;对实时校正后的预测结果进行后评估,分析预测值与实测值之间的误差,如预测误差大于允许的最大误差,则重新进行模型训练。通过引入实时测光站数据对光伏发电功率超短期预测结果进行实时校正,克服现有ARMA技术中光伏发电功率超短期预测精度低的缺陷,达到高精度的光伏发电功率超短期预测的目的。
Description
技术领域
本发明涉及新能源发电过程中光伏功率预测技术领域,具体地涉及一种测光网络实时校正的自学习ARMA模型光伏功率超短期预测方法。
背景技术
我国光伏发电进入规模化发展阶段以后所产生的大型新能源基地多数位于“三北地区”(西北、东北、华北),大型新能源基地一般远离负荷中心,其电力需要经过长距离、高电压输送到负荷中心进行消纳。由于风、光资源的间歇性、随机性和波动性,导致大规模新能源基地的风电、光伏发电出力会随之发生较大范围的波动,进一步导致输电网络充电功率的波动,给电网运行安全带来一系列问题。
截至2014年4月,光伏发电装机容量已达到435万千瓦,约占甘肃电网总装机容量的13%,同时甘肃成为我国光伏发电装机规模最大的省份。目前,甘肃电网风电、光伏发电装机超过甘肃电网总装机容量的1/3。随着新能源并网规模的不断提高,光伏发电不确定性和不可控性给电网的安全稳定经济运行带来诸多问题。准确预估可利用的发电光资源是对大规模光伏发电优化调度的基础。对光伏发电过程中的光伏发电功率进行预测,可为新能源发电实时调度、新能源发电日前计划、新能源发电月度计划、新能源发电能力评估和弃光电量估计提供关键信息。
ARMA(自回归滑动平均模型)作为一种成熟的机器学习方法广泛应用于光伏发电功率超短期预测。ARMA模型由自回归模型(AR)和滑动平均模型(MA)组成,采用对历史功率进行自回归运算及对白噪声序列进行滑动平均来预测未来0-4小时内的光伏发电出力。ARMA方法有很多优点,因此广泛用于光伏发电功率超短期预测,但ARMA最大的缺点就是其预测的滞后性——即当光伏发电出力发生改变时,ARMA预测的结果的变化速度普遍慢于实际光伏发电出力变化速度。因此,严重影响ARMA的预测精度。
发明内容
本发明的目的在于,针对上述问题,提出一种测光网络实时校正自学习ARMA模型光伏功率预测方法,以实现高精度光伏发电功率超短期预测的优点。
为实现上述目的,本发明采用的技术方案是:
一种测光网络实时校正自学习ARMA模型光伏功率预测方法,包括输入数据得到自回归滑动平均模型参数即模型训练;
输入光资源监测系统数据和运行监测系统数据,并根据运行监测数据实时校正开机容量;
建立自回归滑动平均模型从而得到光伏功率超短期预测结果;
引入实时测光站数据对光伏功率超短期预测结果进行实时校正;
对实时校正后的预测结果进行后评估,分析预测值与实测值之间的误差,如预测误差大于允许的最大误差,则重新进行模型训练。
根据本发明的优选实施例,所述输入数据得到自回归滑动平均模型参数包括,输入模型训练基础数据;
模型定阶;
采用矩估计方法对定阶的ARMA(p,q)模型参数进行估计。
根据本发明的优选实施例,所述输入模型训练基础数据,输入数据包括,历史辐射数据和历史功率数据。
根据本发明的优选实施例,所述模型定阶具体为:
采用残差方差图法进行模型定阶,具体为设xt为需要估计的项,xt-1,xt-2,...,xt-n为已知历史功率序列,对于ARMA(p,q)模型,模型定阶即确定模型中参数p和q的值;
用系列阶数逐渐递增的模型拟合原始序列,每次都计算残差平方和然后画出阶数和的图形,当阶数由小增大时,会显著下降,达到真实阶数后的值会逐渐趋于平缓,甚至反而增大,
=拟合误差的平方和/(实际观测值个数-模型参数个数),
实际观测值个数指拟合模型时实际使用的观察值项数,对于具有N个观察值的序列,拟合AR(p)模型,则实际使用的观察值最多为N-p,模型参数个数指所建立的模型中实际包含的参数个数,对于含有均值的模型,模型参数个数为模型阶数加1,对于N个观测值的序列,ARMA模型的残差估计式为:
其中,Q为拟合误差的平方和函数,和θj(1≤j≤q)是模型系数,N是观测序列长度,是模型参数中的常数项。
根据本发明的优选实施例,所述采用矩估计方法对定阶的ARMA(p,q)模型参数进行估计具体步骤为:
将光伏电站历史功率数据利用数据序列x1,x2,...,xt表示,其样本自协方差定义为
其中,k=0,1,2,...,n-1,xt和xt-k均为数据序列x1,x2,...,xt中的数值;
则
则历史功率数据样本自相关函数为:
其中,k=0,1,2,...,n-1;
AR部分的矩估计为,
令
则协方差函数为
用的估计代替γk,
可得参数
对MA(q)模型系数θ1,θ2,...,θq采用矩估计有
其中k=1,2,...,m,
以上m+1个方程非线性方程,采用迭代法进行求解即得到自回归滑动平均模型参数。
根据本发明的优选实施例,
所述光资源监测系统数据包括与待预测光伏电站相关的测光站所监测的实时测光数据及数值天气预报数据预测的光伏电站平均辐射,所述运行监测系统数据是待预测光伏电站光伏组件实时监测信息,包括光伏逆变器实时停开机状态信息。
根据本发明的优选实施例,还包括,
将预测结果输出至数据库中,并通过图表及曲线展示预测结果并展示预测与实测结果的对比。
根据本发明的优选实施例,所述自回归滑动平均模型为:
其中,和θj(1≤j≤q)是系数,αt是白噪声序列。
根据本发明的优选实施例,所述引入实时测光站数据对光伏功率超短期预测结果进行实时校正具体为:
设t1时刻,测光站监测得到的光伏电站平均辐照度为I1,天气预报数据预测的光伏电站平均辐照度为J1,光伏电站的实际出力为p1;下一个时间点t2时刻,天气预报数据预测的光伏电站平均辐照度为J2,则光伏电站实际辐照度I2为,
I2=I1+(J2-J1)
则光伏电站功率预测的参数修正量为
根据本发明的优选实施例,输出的最终预测结果为:
其中,Xt是t时刻光伏电站出力预测,和θj(1≤j≤q)是系数,αt是白噪声序列,λ是加权系数,It是t时刻光伏电站的平均辐照度。
本发明的技术方案具有以下有益效果:
本发明的技术方案通过对光伏发电过程中的光伏发电功率进行预测,并通过引入实时测光站数据对光伏发电功率超短期预测结果进行实时校正,克服现有ARMA技术中光伏发电功率超短期预测精度低的缺陷,达到高精度的光伏发电功率超短期预测的目的。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明实施例所述的测光网络实时校正自学习ARMA模型光伏功率预测方法原理框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
一种测光网络实时校正自学习ARMA模型光伏功率预测方法,包括输入数据得到自回归滑动平均模型参数即模型训练;
输入光资源监测系统数据和运行监测系统数据,并根据运行监测数据实时校正开机容量;
建立自回归滑动平均模型从而得到光伏功率超短期预测结果;
引入实时测光站数据对光伏功率超短期预测结果进行实时校正;
对实时校正后的预测结果进行后评估,分析预测值与实测值之间的误差,如预测误差大于允许的最大误差,则重新进行模型训练。
如图1所示,本发明技术方案提出的光伏发电功率超短期预测可分为两个阶段:模型训练阶段和功率预测阶段。
阶段1:模型训练
步骤1.1:模型训练基础数据输入
光伏发电功率预测系统模型训练所需输入数据包括历史辐射数据、历史功率数据等。将基础数据输入到预测模型中进行模型训练。
步骤1.2:模型定阶
由于事先无法确定需要使用多少已知时间序列的项来建立估计函数,所以需要对模型进行定阶判断。
设xt为需要估计的项,xt-1,xt-2,...,xt-n为已知历史功率序列,对于ARMA(p,q)模型,模型定阶就是确定模型中参数p和q的值。
采用残差方差图法进行模型定阶。假定模型是有限阶自回归模型,如果设置的阶数小于真实阶数,则是一种不足拟合,因而拟合残差平方和必定偏大,此时通过提高阶数可以显著降低残差平方和。反之,如果阶数已经达到真实值,那么再增加阶数,就是过度拟合,此时增加阶数不会令残差平方和显著减小,甚至会略有增加。
这样用一系列阶数逐渐递增的模型来拟合原始序列,每次都计算残差平方和然后画出阶数和的图形。当阶数由小增大时,会显著下降,达到真实阶数后的值会逐渐趋于平缓,有时甚至反而增大。残差方差的估计式为:
=拟合误差的平方和/(实际观测值个数-模型参数个数)
“实际观测值个数”是指拟合模型时实际使用的观察值项数,对于具有N个观察值的序列,拟合AR(p)模型,则实际使用的观察值最多为N-p。
“模型参数个数”是指所建立的模型中实际包含的参数个数,对于含有均值的模型,模型参数个数为模型阶数加1。对于N个观测值的序列,相应ARMA模型的残差估计式为:
(式1)
步骤1.3:模型参数估计
采用矩估计方法对ARMA(p,q)的模型参数进行估计。首先,将光伏电站历史功率数据利用数据序列x1,x2,...,xt表示,其样本自协方差定义为
其中,k=0,1,2,...,n-1,xt和xt-k均为数据序列x1,x2,...,xt中的数值。
特别的,
则历史功率数据样本自相关函数为:
AR部分的矩估计为
(式5)令
(式6)
则协方差函数为
(式7)用的估计代替γk,有
(式8)
可得参数
对MA(q)模型系数θ1,θ2,...,θq采用矩估计有
……
……
……
其中k=1,2,...,m。
以上共包含m+1个方程,对其参数而言,方程为非线性,采用迭代法进行求解。
具体步骤如下,将方程变形为:
给定θ1,θ2,...,θq和的一组初始值,如
代入以上两式右边,左边所得到的值为第一步迭代值,记为再将该值依次代入上两式的右侧,便得到第二步迭代值,依次类推,直到相邻两次迭代结果小于给定阈值时,取所得的结果作为参数的近似解。
通过上述求解过程发现,要求解时间序列模型的阶数,就要得到时间序列的预测值;要得到时间序列的预测值,必须先建立具体的预测函数;要建立具体的预测函数,必须知道模型的阶数。
根据实验,时间序列模型阶数一般不超过5阶。所以在该算法具体实现时,可以首先假设模型为1阶,利用步骤1.3中的参数估计方法得到一阶模型的参数,进而建立估计函数便可以求得一阶模型时间序列模型估计得到各个项的预测值,从而求得一阶模型的残差方差;之后,假设模型为二阶,用上述方法求得二阶模型的残差;以此类推,可以得到1到5阶模型的残差,选残差最小的模型的阶数作为最终模型的阶数。确定模型阶数后,便可计算得到参数θ1,θ2,...,θq的值。
阶段2:功率预测
步骤2.1:光资源监测系统数据输入
光资源监测系统数据主要包括与待预测光伏电站相关的测光站所监测的实时测光数据及NWP(数值天气预报数据)预测的光伏电站平均辐射。
步骤2.2:运行监测系统数据输入
运行监测系统数据是指待预测光伏电站光伏组件实时监测信息,主要包括光伏逆变器实时停开机情况等状态信息。
步骤2.3:运行监测数据实时校正开机容量
光伏电站运行过程中,由于各种原因会导致停机情况,比如典型的5万千瓦装机的光电站,平均开机容量通常不足5万千瓦,因此通过实时光伏运行监测数据可以知道光伏电站实际的开机容量,而非用光伏电站的装机容量进行光伏发电功率超短期预测,从而获得更高的预测精度。
步骤2.4:基于ARMA模型的光伏发电功率超短期预测
将模型参数估计出来之后,结合已估计的模型阶数,便可得到用于光伏发电功率超短期预测的时间序列方程。根据上述步骤得出的p和q值,以及θ1,θ2,...,θq的值建立自回归滑动平均模型;
自回归滑动平均模型如下:
(式14)
其中,和θj(1≤j≤q)是系数,αt是白噪声序列。
步骤2.5:资源监测数据实时校正光伏发电功率超短期预测结果
通过上述ARMA预测模型可以看出,对于光伏发电功率的实时变化,上述模型总是具有滞后性,本发明通过引入实时测光站数据对光伏发电功率超短期预测结果进行实时校正。
设t1时刻,测光站监测得到的光伏电站平均辐照度为I1,NWP预测的光伏电站平均辐照度为J1,光伏电站的实际出力为p1;下一个时间点t2时刻,NWP预测的光伏电站平均辐照度为J2,则光伏电站实际辐照度I2为,
I2=I1+(J2-J1)(式15)
则光伏电站功率预测的参数修正量为
步骤2.6:最终预测结果输出及展示
则测光网络实时校正的ARMA模型光伏发电功率超短期预测结果为
(式17)
其中,Xt是t时刻光伏电站出力预测,和θj(1≤j≤q)是系数,αt是白噪声序列,λ是加权系数,It是t时刻光伏电站的平均辐照度。
通过引入测光站实时监测数据修正后的预测辐照度,可以对ARMA模型下一步预测做出加权调整,从而解决ARMA模型预测的滞后性问题。
将预测结果输出至数据库中,并通过图表及曲线展示预测结果、展示预测与实测结果的对比。
步骤3:预测结果后评估及模型修正
首先对预测结果进行后评估,分析预测值与实测值之间的误差。如果预测误差大于允许的最大误差,则跳转到模型训练过程,重新进行模型训练。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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)
1.一种测光网络实时校正自学习ARMA模型光伏功率预测方法,其特征在于,包括输入数据得到自回归滑动平均模型参数即模型训练;
输入光资源监测系统数据和运行监测系统数据,并根据运行监测数据实时校正开机容量;
建立自回归滑动平均模型从而得到光伏功率超短期预测结果;
引入实时测光站数据对光伏功率超短期预测结果进行实时校正;
对实时校正后的预测结果进行后评估,分析预测值与实测值之间的误差,如预测误差大于允许的最大误差,则重新进行模型训练。
2.根据权利要求1所述的测光网络实时校正自学习ARMA模型光伏功率预测方法,其特征在于,所述输入数据得到自回归滑动平均模型参数包括,输入模型训练基础数据;
模型定阶;
采用矩估计方法对定阶的ARMA(p,q)模型参数进行估计。
3.根据权利要求2所述的测光网络实时校正自学习ARMA模型光伏功率预测方法,其特征在于,所述输入模型训练基础数据,输入数据包括,历史辐射数据和历史功率数据。
4.根据权利要求3所述的测光网络实时校正自学习ARMA模型光伏功率预测方法,其特征在于,所述模型定阶具体为:
采用残差方差图法进行模型定阶,具体为设xt为需要估计的项,xt-1,xt-2,...,xt-n为已知历史功率序列,对于ARMA(p,q)模型,模型定阶即确定模型中参数p和q的值;
用系列阶数逐渐递增的模型拟合原始序列,每次都计算残差平方和然后画出阶数和的图形,当阶数由小增大时,会显著下降,达到真实阶数后的值会逐渐趋于平缓,甚至反而增大,
=拟合误差的平方和/(实际观测值个数-模型参数个数),
实际观测值个数指拟合模型时实际使用的观察值项数,对于具有N个观察值的序列,拟合AR(p)模型,则实际使用的观察值最多为N-p,模型参数个数指所建立的模型中实际包含的参数个数,对于含有均值的模型,模型参数个数为模型阶数加1,对于N个观测值的序列,ARMA模型的残差估计式为:
其中,Q为拟合误差的平方和函数,和θj(1≤j≤q)是模型系数,N是观测序列长度,是模型参数中的常数项。
5.根据权利要求4所述的测光网络实时校正自学习ARMA模型光伏功率预测方法,其特征在于,所述采用矩估计方法对定阶的ARMA(p,q)模型参数进行估计具体步骤为:
将光伏电站历史功率数据利用数据序列x1,x2,...,xt表示,其样本自协方差定义为
其中,k=0,1,2,...,n-1,xt和xt-k均为数据序列x1,x2,...,xt中的数值;
则
则历史功率数据样本自相关函数为:
其中,k=0,1,2,...,n-1;
AR部分的矩估计为,
令
则协方差函数为
用的估计代替γk,
可得参数
对MA(q)模型系数θ1,θ2,...,θq采用矩估计有
其中k=1,2,...,m,
以上m+1个方程非线性方程,采用迭代法进行求解即得到自回归滑动平均模型参数。
6.根据权利要求5所述的测光网络实时校正自学习ARMA模型光伏功率预测方法,其特征在于,
所述光资源监测系统数据包括与待预测光伏电站相关的测光站所监测的实时测光数据及数值天气预报数据预测的光伏电站平均辐射,所述运行监测系统数据是待预测光伏电站光伏组件实时监测信息,包括光伏逆变器实时停开机状态信息。
7.根据权利要求6所述的测光网络实时校正自学习ARMA模型光伏功率预测方法,其特征在于,还包括,
将预测结果输出至数据库中,并通过图表及曲线展示预测结果并展示预测与实测结果的对比。
8.根据权利要求7所述的测光网络实时校正自学习ARMA模型光伏功率预测方法,其特征在于,所述自回归滑动平均模型为:
其中,和θj(1≤j≤q)是系数,αt是白噪声序列。
9.根据权利要求8所述的测光网络实时校正自学习ARMA模型光伏功率预测方法,其特征在于,所述引入实时测光站数据对光伏功率超短期预测结果进行实时校正具体为:
设t1时刻,测光站监测得到的光伏电站平均辐照度为I1,天气预报数据预测的光伏电站平均辐照度为J1,光伏电站的实际出力为p1;下一个时间点t2时刻,天气预报数据预测的光伏电站平均辐照度为J2,则光伏电站实际辐照度I2为,
I2=I1+(J2-J1)
则光伏电站功率预测的参数修正量为
10.根据权利要求9所述的测光网络实时校正自学习ARMA模型光伏功率预测方法,其特征在于,输出的最终预测结果为:
其中,Xt是t时刻光伏电站出力预测,和θj(1≤j≤q)是系数,αt是白噪声序列,λ是加权系数,It是t时刻光伏电站的平均辐照度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410187225.2A CN103996073B (zh) | 2014-05-06 | 2014-05-06 | 测光网络实时校正自学习arma模型光伏功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410187225.2A CN103996073B (zh) | 2014-05-06 | 2014-05-06 | 测光网络实时校正自学习arma模型光伏功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103996073A true CN103996073A (zh) | 2014-08-20 |
CN103996073B CN103996073B (zh) | 2017-11-24 |
Family
ID=51310233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410187225.2A Active CN103996073B (zh) | 2014-05-06 | 2014-05-06 | 测光网络实时校正自学习arma模型光伏功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103996073B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107191666A (zh) * | 2017-05-23 | 2017-09-22 | 浙江理工大学 | 面向天然气分输站的安全切断阀性能监测方法及系统 |
CN108268963A (zh) * | 2016-12-30 | 2018-07-10 | 中国电力科学研究院 | 一种自修正检验的光伏功率短期预测方法 |
CN108536652A (zh) * | 2018-03-15 | 2018-09-14 | 浙江大学 | 一种基于arma模型的短期车辆使用量预测方法 |
CN109800923A (zh) * | 2019-02-22 | 2019-05-24 | 南方电网科学研究院有限责任公司 | 一种分散式风力发电短期功率组合预测方法 |
CN111242371A (zh) * | 2020-01-10 | 2020-06-05 | 华北电力大学 | 一种基于非迭代多模型的光伏发电短期预测校正方法 |
CN111830350A (zh) * | 2020-07-23 | 2020-10-27 | 珠海格力电器股份有限公司 | 能耗计量方法、装置及电器 |
CN112200377A (zh) * | 2020-10-16 | 2021-01-08 | 国能日新科技股份有限公司 | 基于sarimax模型的光伏中长期发电量预报方法及装置 |
CN113204189A (zh) * | 2020-04-28 | 2021-08-03 | 大唐环境产业集团股份有限公司 | 脱硫系统控制模型、其建立方法和脱硫系统控制方法 |
CN115544895A (zh) * | 2022-10-31 | 2022-12-30 | 中国电建集团成都勘测设计研究院有限公司 | 光伏电站年出力保证率模型优化方法 |
CN116231624A (zh) * | 2022-12-07 | 2023-06-06 | 中国电建集团贵阳勘测设计研究院有限公司 | 用于评估光伏电站经济效益的光伏组件输出功率预测方法 |
CN117154724A (zh) * | 2023-10-31 | 2023-12-01 | 山东中瑞电气有限公司 | 光伏发电功率预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1887673A1 (en) * | 2006-08-11 | 2008-02-13 | Abb Research Ltd. | Parameter estimation of a thermal model of a power line |
JP2013009492A (ja) * | 2011-06-23 | 2013-01-10 | Hitachi Ltd | 供給電力制御システム、供給電力制御方法、および供給電力制御プログラム |
CN103208037A (zh) * | 2013-04-26 | 2013-07-17 | 国电南瑞南京控制系统有限公司 | 一种应用于新能源电站的基于在线校正的功率预测方法 |
CN103390199A (zh) * | 2013-07-18 | 2013-11-13 | 国家电网公司 | 光伏发电量/发电功率预测装置 |
CN103473322A (zh) * | 2013-09-13 | 2013-12-25 | 国家电网公司 | 基于时间序列模型的光伏发电功率超短期预测方法 |
-
2014
- 2014-05-06 CN CN201410187225.2A patent/CN103996073B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1887673A1 (en) * | 2006-08-11 | 2008-02-13 | Abb Research Ltd. | Parameter estimation of a thermal model of a power line |
JP2013009492A (ja) * | 2011-06-23 | 2013-01-10 | Hitachi Ltd | 供給電力制御システム、供給電力制御方法、および供給電力制御プログラム |
CN103208037A (zh) * | 2013-04-26 | 2013-07-17 | 国电南瑞南京控制系统有限公司 | 一种应用于新能源电站的基于在线校正的功率预测方法 |
CN103390199A (zh) * | 2013-07-18 | 2013-11-13 | 国家电网公司 | 光伏发电量/发电功率预测装置 |
CN103473322A (zh) * | 2013-09-13 | 2013-12-25 | 国家电网公司 | 基于时间序列模型的光伏发电功率超短期预测方法 |
Non-Patent Citations (2)
Title |
---|
刘立阳 等: ""短期风电功率预测误差分布研究"", 《电力系统保护与控制》 * |
赵龙 等: ""甘肃电网风电功率超短期预测预报系统建设"", 《甘肃省电机工程学会2012年学术年会》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268963B (zh) * | 2016-12-30 | 2022-08-19 | 中国电力科学研究院 | 一种自修正检验的光伏功率短期预测方法 |
CN108268963A (zh) * | 2016-12-30 | 2018-07-10 | 中国电力科学研究院 | 一种自修正检验的光伏功率短期预测方法 |
CN107191666A (zh) * | 2017-05-23 | 2017-09-22 | 浙江理工大学 | 面向天然气分输站的安全切断阀性能监测方法及系统 |
CN107191666B (zh) * | 2017-05-23 | 2019-09-17 | 浙江理工大学 | 面向天然气分输站的安全切断阀性能监测方法及系统 |
CN108536652A (zh) * | 2018-03-15 | 2018-09-14 | 浙江大学 | 一种基于arma模型的短期车辆使用量预测方法 |
CN109800923A (zh) * | 2019-02-22 | 2019-05-24 | 南方电网科学研究院有限责任公司 | 一种分散式风力发电短期功率组合预测方法 |
CN109800923B (zh) * | 2019-02-22 | 2023-05-23 | 南方电网科学研究院有限责任公司 | 一种分散式风力发电短期功率组合预测方法 |
CN111242371A (zh) * | 2020-01-10 | 2020-06-05 | 华北电力大学 | 一种基于非迭代多模型的光伏发电短期预测校正方法 |
CN113204189A (zh) * | 2020-04-28 | 2021-08-03 | 大唐环境产业集团股份有限公司 | 脱硫系统控制模型、其建立方法和脱硫系统控制方法 |
CN111830350A (zh) * | 2020-07-23 | 2020-10-27 | 珠海格力电器股份有限公司 | 能耗计量方法、装置及电器 |
CN112200377A (zh) * | 2020-10-16 | 2021-01-08 | 国能日新科技股份有限公司 | 基于sarimax模型的光伏中长期发电量预报方法及装置 |
CN115544895A (zh) * | 2022-10-31 | 2022-12-30 | 中国电建集团成都勘测设计研究院有限公司 | 光伏电站年出力保证率模型优化方法 |
CN116231624A (zh) * | 2022-12-07 | 2023-06-06 | 中国电建集团贵阳勘测设计研究院有限公司 | 用于评估光伏电站经济效益的光伏组件输出功率预测方法 |
CN117154724A (zh) * | 2023-10-31 | 2023-12-01 | 山东中瑞电气有限公司 | 光伏发电功率预测方法 |
CN117154724B (zh) * | 2023-10-31 | 2024-02-23 | 山东中瑞电气有限公司 | 光伏发电功率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103996073B (zh) | 2017-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103996073A (zh) | 测光网络实时校正自学习arma模型光伏功率预测方法 | |
CN103927695A (zh) | 基于自学习复合数据源的风电功率超短期预测方法 | |
Kim et al. | LSTM based short-term electricity consumption forecast with daily load profile sequences | |
JP5658881B2 (ja) | 太陽光発電装置の電気生産量を予測する方法 | |
WO2017054537A1 (zh) | 一种长时间尺度光伏出力时间序列建模方法及装置 | |
CN103984986A (zh) | 实时校正的自学习arma模型风电功率超短期预测方法 | |
CN103473322A (zh) | 基于时间序列模型的光伏发电功率超短期预测方法 | |
CN103679282B (zh) | 风电功率爬坡的预测方法 | |
CN103984988A (zh) | 测光网络实时校正arma模型光伏功率超短期预测方法 | |
Raptis et al. | Total power quality index for electrical networks using neural networks | |
CN103927597A (zh) | 基于自回归滑动平均模型的风电功率超短期预测方法 | |
CN103996079B (zh) | 一种基于条件概率的风电功率加权预测方法 | |
KR101635450B1 (ko) | 기상정보를 활용한 도시에너지관리시스템용 태양광발전량 예측시스템 | |
Kariniotakis et al. | Evaluation of advanced wind power and load forecasting methods for the optimal management of isolated power systems | |
CN103984987B (zh) | 一种测风网络实时校正的arma模型风电功率超短期预测方法 | |
Chen et al. | Distributional analysis for model predictive deferrable load control | |
CN104102832A (zh) | 一种基于混沌时间序列的风电功率超短期预测方法 | |
CN104091077A (zh) | 一种风电场光伏电站联合出力模拟方法 | |
Duan et al. | Long and medium term power load forecasting with multi-level recursive regression analysis | |
CN103927595A (zh) | 基于自学习复合数据源光伏发电功率超短期预测方法 | |
Alzubaidi et al. | Identification of Suitable Probability Density Function for Wind Speed Profiles in Power System Studies | |
Kariniotakis et al. | Assessment of the benefits from advanced load & wind power forecasting in autonomous power systems | |
CN103927594A (zh) | 基于自学习复合数据源自回归模型的风电功率预测方法 | |
CN104200067A (zh) | 风速概率分布确定方法、装置及风电系统功率评测方法 | |
CN103927601A (zh) | 基于自回归滑动平均模型的光伏发电功率超短期预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |