CN103996087A - 一种新能源发电功率预测方法及系统 - Google Patents
一种新能源发电功率预测方法及系统 Download PDFInfo
- Publication number
- CN103996087A CN103996087A CN201410253038.XA CN201410253038A CN103996087A CN 103996087 A CN103996087 A CN 103996087A CN 201410253038 A CN201410253038 A CN 201410253038A CN 103996087 A CN103996087 A CN 103996087A
- Authority
- CN
- China
- Prior art keywords
- data
- electrical source
- source point
- distributed electrical
- described distributed
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种新能源发电功率预测方法及系统,所述方法包括:获取分布式电源点的天气预报数据;根据所述分布式电源点所在区域的环境信息和天气预报数据建立所述分布式电源点的功率预测模型;根据所述分布式电源点的天气预报数据和功率预测模型,获取所述分布式电源点的预测功率。本发明实施例提供的新能源发电功率预测方法及系统通过根据分布式电源点的环境信息和天气预报数据建立功率预测模型,并利用该功率预测模型预测分布式电源点的发电功率,与传统的功率预测相比,充分考虑了分布式新能源分布式特性的发电功率,从而提高了分布式新能源的预测精准度,保证了电网系统的平稳运行。
Description
技术领域
本发明涉及功率预测技术,尤其涉及一种新能源发电功率预测方法及系统。
背景技术
随着新能源发电行业的发展,新能源并网规模越来越大,但新能源发电具有随机性大、间歇性、反调峰等特点,大规模新能源发电的接入对电网的消纳、调峰调频需求、稳定性等问题会产生重大影响。
现在运行的电网调度管理系统只是针对常规能源的发电,而不考虑新能源的发电,因此,随着大规模新能源发电并网运行,对现有的电网调度管理系统提出了新的挑战。由于新能源发电具有随机性和波动性,与常规能源发电有着截然不同的并网运行方式,现有的常规能源调度系统无法实现对新能源的调度管理,因此,研究一种适应新能源发电特点的调度管理系统尤为紧迫。
发明内容
有鉴于此,本发明实施例提供了一种新能源发电功率预测方法及系统,以提高分布式新能源的预测精准度,保证电网系统平稳运行。
一方面,本发明实施例提供了一种新能源发电功率预测方法,所述方法包括:
获取分布式电源点的天气预报数据;
根据所述分布式电源点所在区域的环境信息和天气预报数据建立所述分布式电源点的功率预测模型;
根据所述分布式电源点的天气预报数据和功率预测模型,获取所述分布式电源点的预测功率。
进一步的,获取分布式电源点的天气预报数据,包括:
搜集全球的气象数据,所述气象数据包括全球预测气象数据和全球实测气象数据;
对搜集到的气象数据进行整合,获取全球天气预报数据;
从所述全球天气预报数据中提取所述分布式电源点所在区域的天气预报数据;
搜集所述分布式电源点所在区域的实测气象数据;
采用所述分布式电源点所在区域的实测气象数据对所述分布式电源点所在区域的天气预报数据进行修正,并将修正后的数据作为所述分布式电源点的天气预报数据。
进一步的,采用降尺度方法从所述全球天气预报数据中提取所述分布式电源点所在区域的天气预报数据。
进一步的,采用数据同化方法对所述分布式电源点所在区域的天气预报数据进行修正。
进一步的,根据所述分布式电源点所在区域的环境信息和天气预报数据建立所述分布式电源点的功率预测模型,包括:
根据所述分布式电源点所在区域的环境信息建立所述分布式电源点的功率预测物理模型;
根据所述分布式电源点的功率预测物理模型和所述分布式电源点所在区域的实测气象数据,建立所述分布式电源点的功率预测统计模型。
另一方面,本发明实施例提供了一种新能源发电功率预测系统,所述系统包括:
数据采集模块,用于获取分布式电源点的天气预报数据;
模型建立模块,用于根据所述分布式电源点所在区域的环境信息和所述数据采集模块获取到的天气预报数据建立所述分布式电源点的功率预测模型;
功率预测模块,用于根据所述分布式电源点的天气预报数据和功率预测模型,获取所述分布式电源点的预测功率。
进一步的,所述采集模块包括:
第一采集单元,用于搜集全球的气象数据,所述气象数据包括全球预测气象数据和全球实测气象数据;
整合单元,用于对搜集到的气象数据进行整合,获取全球天气预报数据;
提取单元,用于从所述全球天气预报数据中提取所述分布式电源点所在区域的天气预报数据;
第二采集单元,用于搜集所述分布式电源点所在区域的实测气象数据;
修正单元,用于采用所述分布式电源点所在区域的实测气象数据对所述分布式电源点所在区域的天气预报数据进行修正,并将修正后的数据作为所述分布式电源点的天气预报数据。
进一步的,所述提取单元采用降尺度方法从所述全球天气预报数据中提取所述分布式电源点所在区域的天气预报数据。
进一步的,所述修正单元采用数据同化方法对所述分布式电源点所在区域的天气预报数据进行修正。
进一步的,所述模型建立模块包括:
物理模型建立单元,用于根据所述分布式电源点所在区域的环境信息建立所述分布式电源点的功率预测物理模型;
统计模型建立单元,用于根据所述分布式电源点的功率预测物理模型和所述分布式电源点所在区域的实测气象数据,建立所述分布式电源点的功率预测统计模型。
本发明实施例提供的新能源发电功率预测方法及系统通过根据分布式电源点的环境信息和天气预报数据建立功率预测模型,并利用该功率预测模型预测分布式电源点的发电功率,与传统的功率预测相比,充分考虑了分布式新能源分布式特性的发电功率,从而提高了分布式新能源的预测精准度,保证了电网系统的平稳运行。
附图说明
图1是本发明实施例提供的新能源发电功率预测方法的流程图;
图2是本发明实施例提供的新能源发电功率预测方法中获取分布式电源点的天气预报数据的步骤图;
图3是本发明实施例提供的新能源发电功率预测方法中分布式电源点所在区域天气预报数据的提取过程的示意图;
图4是本发明实施例提供的新能源发电功率预测方法中建立功率预测模型的步骤图;
图5是本发明实施例提供的新能源发电功率预测方法中建立功率预测物理模型的示意图;
图6是本发明实施例提供的新能源发电功率预测方法中建立功率预测统计模型的示意图;
图7是本发明实施例提供的新能源发电功率预测方法中建立功率预测混合模型的示意图;
图8是本发明实施例提供的新能源发电功率预测方法中超短期建模方法的示意图;
图9是本发明实施例提供的新能源发电功率预测系统的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。
本发明实施例主要用于分布式电源点新能源的发电功率预测,本发明实施例提到的新能源可包括风力、太阳能等能源。
图1示出了本发明实施例提供的新能源发电功率预测方法的流程图,如图1所示,所述流程详述如下:
步骤101、获取分布式电源点的天气预报数据。
本发明实施例中,所述分布式电源点所在的区域可以是很大的区域,如整个北京地区,也可以是较小的区域,如某个居民小区,所述分布式电源点的容量通常比较低。所述分布式电源点的天气预报数据为所述分布式电源所在区域的天气预报数据,如某个居民小区的天气预报数据。
步骤102、根据所述分布式电源点所在区域的环境信息和天气预报数据建立所述分布式电源点的功率预测模型。
本步骤中,所述环境信息可包括分布式电源点所在区域的地形、地貌等信息。
步骤103、根据所述分布式电源点的天气预报数据和功率预测模型,获取所述分布式电源点的预测功率。
本实施例中,可以将步骤101获得的分布式电源点的天气预报数据作为输入数据,输入步骤102建立的功率预测模型,即可获得所述分布式电源点的预测功率。
本发明实施例提供的新能源发电功率预测方法,通过根据分布式电源点的环境信息和天气预报数据建立功率预测模型,并利用该功率预测模型预测分布式电源点的发电功率,与传统的功率预测相比,充分考虑了分布式新能源分布式特性的发电功率,从而提高了分布式新能源的预测精准度,保证了电网系统的平稳运行。
上述实施例中,获取分布式电源点的天气预报数据可包括图2所示的步骤:
步骤201、搜集全球的气象数据,所述气象数据包括全球预测气象数据和全球实测气象数据。
本步骤中,可从天气预报发布中心接收全球的气象数据,所述气象数据的时间分辨率一般为15分钟,失效长度一般为168小时。
步骤202、对搜集到的气象数据进行整合,获取全球天气预报数据。
本步骤中,所述搜集到的气象数据可包括辐照度、风速、风向、气温、气压、湿度等参数,通常采用大气运动原理,如能量守恒、质量守恒、动量守恒等原理计算并获取全球天气预报数据。
步骤203、从所述全球天气预报数据中提取所述分布式电源点所在区域的天气预报数据。
本实施例中,可采用降尺度方法从所述全球天气预报数据中提取所述分布式电源点所在区域的天气预报数据。
步骤204、搜集所述分布式电源点所在区域的实测气象数据。
本步骤的时序不受限制,只要在步骤205之前,即可实现本发明实施例提供的发电功率预测。
步骤205、采用所述分布式电源点所在区域的实测气象数据对所述分布式电源点所在区域的天气预报数据进行修正,并将修正后的数据作为所述分布式电源点的天气预报数据。
由于天气预报中心发布的气象数据是全球范围内的气象数据,数据比较粗略,所以采用步骤202获得的全球天气预报数据也较为粗略,并不能很好地反应每一个分布式电源点所在区域的气象情况。因此还需要对分布式电源点所在区域的天气预报数据进行进一步修正。本实施例中,可采用数据同化方法对所述分布式电源点所在区域的天气预报数据进行修正。从而使得分布式电源点的天气预报数据更加准确。
图3示出本发明实施例提供的分布式电源点所在区域天气预报数据的提取过程,如图3所示,发电功率预测系统首先接收天气预报中心发布的全球天气预报数据,作为初值场,然后采用常规的算法对接收到的数据进行参数化,输出全球天气预报数据,并绘制出全球天气预报场图,最后从所述全球天气预报场图中提取分布式电源点所在区域的天气预报场图,同时提取对应的天气预报数据以便进行后续的操作。
上述实施例中,所述根据所述分布式电源点所在区域的环境信息和天气预报数据建立所述分布式电源点的功率预测模型,可包括图4所示的步骤:
步骤401、根据所述分布式电源点所在区域的环境信息建立所述分布式电源点的功率预测物理模型。
物理建模通常应用大气边界层动力学与边界层气象的理论将天气预报数据精细化为电场实际地形、地貌条件下的电源点区域的风速、风向、辐照情况,例如,辐射到达地面后散射的散射值、直射值等,考虑当地环境因素影响后,研究可接收的辐射量和发电功率的关系,然后将预测气象应用于电源点的功率曲线,由此得出电源点的预测功率。物理过程建模需要对每个物理过程进行细致研究,方程组运算过程很容易放大误差,且对由错误的初始信息所引起的系统误差非常敏感,不需要历史数据,一般用于新建电站。
图5示出了本发明实施例中一种功率预测物理模型的建立过程,如图5所示,物理模型的建立需要考虑分布式电源点所在区域环境因素的影响,如分布式电源点所在区域的粗糙度变化影响、地形变化影响、尾流影响等。
步骤402、根据所述分布式电源点的功率预测物理模型和所述分布式电源点所在区域的实测气象数据,建立所述分布式电源点的功率预测统计模型。
统计建模也是一种机器学习过程,通过搜集某一区域的历史天气预报数据找到该区域的天气预报数据和分布式电源点发电功率的关系,类似一个黑箱子,中间过程是模糊的,很难写出运算的表达式,在数据完备的情况下,理论上可以使预测误差达到最小值,但需要大量历史数据的支持,且对历史数据变化规律的一致性有很高的要求。
图6示出了本发明实施例中一种功率预测统计模型的建立过程,如图6所示,该统计模型包括三层,输入层、中间层和输出层,输入层用于输入测量参数,即搜集到的历史数据,中间层用于采用统计方法,如时间序列分析、人工神经网络、支持向量机、模糊逻辑等算法对输入的历史数据进行综合分析,通过所述输出层输出结果。
本发明实施例采用混合预测的策略来进行发电功率预测,如图7所示,即新建电站采用物理建模,积累一定量的数据之后,使用统计建模,并且采用统计与物理互相修正的方式提高预测精度。
另外,本发明实施例还可以采用中短期建模方法和超短期建模方法,中短期建模方法用来预测未来2天内的发电功率,超短期建模方法用来预测未来4小时内的发电功率。图8示出了本发明实施例中超短期建模方法,超短期建模主要将实测的发电功率数据、当地实测气象数据、天气预报数据作为主要输入数据,通过多元时间序列算法进行未来4个小时以内的发电功率预测。
图9示出了本发明实施例提供的新能源发电功率预测系统,所述系统用于执行上述实施例提供的新能源发电功率预测方法,如图9所示,所述系统包括:数据采集模块91、模型建立模块92和功率预测模块93。其中,所述数据采集模块91用于获取分布式电源点的天气预报数据;所述模型建立模块92用于根据所述分布式电源点所在区域的环境信息和所述数据采集模块获取到的天气预报数据建立所述分布式电源点的功率预测模型;所述功率预测模块93用于根据所述分布式电源点的天气预报数据和功率预测模型,获取所述分布式电源点的预测功率。
上述实施例中,所述采集模块91可包括:第一采集单元911、整合单元912、提取单元913、第二采集单元914和修正单元915。其中,所述第一采集单元911用于搜集全球的气象数据,所述气象数据包括全球预测气象数据和全球实测气象数据;所述整合单元912用于对搜集到的气象数据进行整合,获取全球天气预报数据;所述提取单元913用于从所述全球天气预报数据中提取所述分布式电源点所在区域的天气预报数据;所述第二采集单元914用于搜集所述分布式电源点所在区域的实测气象数据;所述修正单元915用于采用所述分布式电源点所在区域的实测气象数据对所述分布式电源点所在区域的天气预报数据进行修正,并将修正后的数据作为所述分布式电源点的天气预报数据。
上述实施例中,所述提取单元913可采用降尺度方法从所述全球天气预报数据中提取所述分布式电源点所在区域的天气预报数据。所述修正单元915可采用数据同化方法对所述分布式电源点所在区域的天气预报数据进行修正。
上述实施例中,所述模型建立模块92可包括:物理模型建立单元921和统计模型建立单元922。其中,所述物理模型建立单元921用于根据所述分布式电源点所在区域的环境信息建立所述分布式电源点的功率预测物理模型;所述统计模型建立单元922用于根据所述分布式电源点的功率预测物理模型和所述分布式电源点所在区域的实测气象数据,建立所述分布式电源点的功率预测统计模型。
本发明实施例提供的新能源发电功率预测系统用于执行本发明任意实施例提供的新能源发电功率预测方法,具备相应的功能模块,可达到与所述方法相似的技术效果,此处不再赘述。
显然,本领域技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理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)
1.一种新能源发电功率预测方法,其特征在于,所述方法包括:
获取分布式电源点的天气预报数据;
根据所述分布式电源点所在区域的环境信息和天气预报数据建立所述分布式电源点的功率预测模型;
根据所述分布式电源点的天气预报数据和功率预测模型,获取所述分布式电源点的预测功率。
2.根据权利要求1所述的新能源发电功率预测方法,其特征在于,获取分布式电源点的天气预报数据,包括:
搜集全球的气象数据,所述气象数据包括全球预测气象数据和全球实测气象数据;
对搜集到的气象数据进行整合,获取全球天气预报数据;
从所述全球天气预报数据中提取所述分布式电源点所在区域的天气预报数据;
搜集所述分布式电源点所在区域的实测气象数据;
采用所述分布式电源点所在区域的实测气象数据对所述分布式电源点所在区域的天气预报数据进行修正,并将修正后的数据作为所述分布式电源点的天气预报数据。
3.根据权利要求2所述的新能源发电功率预测方法,其特征在于,采用降尺度方法从所述全球天气预报数据中提取所述分布式电源点所在区域的天气预报数据。
4.根据权利要求2所述的新能源发电功率预测方法,其特征在于,采用数据同化方法对所述分布式电源点所在区域的天气预报数据进行修正。
5.根据权利要求2所述的新能源发电功率预测方法,其特征在于,根据所述分布式电源点所在区域的环境信息和天气预报数据建立所述分布式电源点的功率预测模型,包括:
根据所述分布式电源点所在区域的环境信息建立所述分布式电源点的功率预测物理模型;
根据所述分布式电源点的功率预测物理模型和所述分布式电源点所在区域的实测气象数据,建立所述分布式电源点的功率预测统计模型。
6.一种新能源发电功率预测系统,其特征在于,所述系统包括:
数据采集模块,用于获取分布式电源点的天气预报数据;
模型建立模块,用于根据所述分布式电源点所在区域的环境信息和所述数据采集模块获取到的天气预报数据建立所述分布式电源点的功率预测模型;
功率预测模块,用于根据所述分布式电源点的天气预报数据和功率预测模型,获取所述分布式电源点的预测功率。
7.根据权利要求6所述的新能源发电功率预测系统,其特征在于,所述采集模块包括:
第一采集单元,用于搜集全球的气象数据,所述气象数据包括全球预测气象数据和全球实测气象数据;
整合单元,用于对搜集到的气象数据进行整合,获取全球天气预报数据;
提取单元,用于从所述全球天气预报数据中提取所述分布式电源点所在区域的天气预报数据;
第二采集单元,用于搜集所述分布式电源点所在区域的实测气象数据;
修正单元,用于采用所述分布式电源点所在区域的实测气象数据对所述分布式电源点所在区域的天气预报数据进行修正,并将修正后的数据作为所述分布式电源点的天气预报数据。
8.根据权利要求7所述的新能源发电功率预测系统,其特征在于,所述提取单元采用降尺度方法从所述全球天气预报数据中提取所述分布式电源点所在区域的天气预报数据。
9.根据权利要求7所述的新能源发电功率预测系统,其特征在于,所述修正单元采用数据同化方法对所述分布式电源点所在区域的天气预报数据进行修正。
10.根据权利要求7所述的新能源发电功率预测系统,其特征在于,所述模型建立模块包括:
物理模型建立单元,用于根据所述分布式电源点所在区域的环境信息建立所述分布式电源点的功率预测物理模型;
统计模型建立单元,用于根据所述分布式电源点的功率预测物理模型和所述分布式电源点所在区域的实测气象数据,建立所述分布式电源点的功率预测统计模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410253038.XA CN103996087A (zh) | 2014-06-09 | 2014-06-09 | 一种新能源发电功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410253038.XA CN103996087A (zh) | 2014-06-09 | 2014-06-09 | 一种新能源发电功率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103996087A true CN103996087A (zh) | 2014-08-20 |
Family
ID=51310247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410253038.XA Pending CN103996087A (zh) | 2014-06-09 | 2014-06-09 | 一种新能源发电功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103996087A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105100252A (zh) * | 2015-08-03 | 2015-11-25 | 国家电网公司 | 一种分布式电源监控系统的网络拓扑结构 |
CN107204615A (zh) * | 2017-06-12 | 2017-09-26 | 郑州云海信息技术有限公司 | 一种实现功率预测的方法及系统 |
CN109636076A (zh) * | 2019-02-14 | 2019-04-16 | 国能日新科技股份有限公司 | 一种分布式光伏功率预测主站系统 |
CN110598335A (zh) * | 2019-09-17 | 2019-12-20 | 阳光电源股份有限公司 | 一种超短期光伏功率预测的辐照修正方法 |
CN111190243A (zh) * | 2019-12-19 | 2020-05-22 | 成都星时代宇航科技有限公司 | 气象预测图的生成方法、计算机设备及其可读存储介质 |
CN113850445A (zh) * | 2021-10-15 | 2021-12-28 | 南方电网数字电网研究院有限公司 | 区域分布式电源发电功率预测方法及系统 |
CN115936924A (zh) * | 2022-12-14 | 2023-04-07 | 广西电网有限责任公司 | 一种风力发电场风能预测方法以及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102570453A (zh) * | 2012-01-06 | 2012-07-11 | 甘肃省电力公司风电技术中心 | 基于多套数值天气预报源的短期风电功率预测方法及系统 |
-
2014
- 2014-06-09 CN CN201410253038.XA patent/CN103996087A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102570453A (zh) * | 2012-01-06 | 2012-07-11 | 甘肃省电力公司风电技术中心 | 基于多套数值天气预报源的短期风电功率预测方法及系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105100252A (zh) * | 2015-08-03 | 2015-11-25 | 国家电网公司 | 一种分布式电源监控系统的网络拓扑结构 |
CN107204615A (zh) * | 2017-06-12 | 2017-09-26 | 郑州云海信息技术有限公司 | 一种实现功率预测的方法及系统 |
CN107204615B (zh) * | 2017-06-12 | 2020-02-28 | 郑州云海信息技术有限公司 | 一种实现功率预测的方法及系统 |
CN109636076A (zh) * | 2019-02-14 | 2019-04-16 | 国能日新科技股份有限公司 | 一种分布式光伏功率预测主站系统 |
CN110598335A (zh) * | 2019-09-17 | 2019-12-20 | 阳光电源股份有限公司 | 一种超短期光伏功率预测的辐照修正方法 |
CN110598335B (zh) * | 2019-09-17 | 2023-08-11 | 阳光慧碳科技有限公司 | 一种超短期光伏功率预测的辐照修正方法 |
CN111190243A (zh) * | 2019-12-19 | 2020-05-22 | 成都星时代宇航科技有限公司 | 气象预测图的生成方法、计算机设备及其可读存储介质 |
CN113850445A (zh) * | 2021-10-15 | 2021-12-28 | 南方电网数字电网研究院有限公司 | 区域分布式电源发电功率预测方法及系统 |
CN115936924A (zh) * | 2022-12-14 | 2023-04-07 | 广西电网有限责任公司 | 一种风力发电场风能预测方法以及系统 |
CN115936924B (zh) * | 2022-12-14 | 2023-08-25 | 广西电网有限责任公司 | 一种风力发电场风能预测方法以及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Random forest solar power forecast based on classification optimization | |
Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
CN103996087A (zh) | 一种新能源发电功率预测方法及系统 | |
Zhao et al. | Performance evaluation and accuracy enhancement of a day-ahead wind power forecasting system in China | |
Zhang et al. | Day-ahead power output forecasting for small-scale solar photovoltaic electricity generators | |
Wang et al. | Solar irradiance feature extraction and support vector machines based weather status pattern recognition model for short-term photovoltaic power forecasting | |
Cali et al. | Short-term wind power forecasting using long-short term memory based recurrent neural network model and variable selection | |
Chen et al. | Wind power forecasts using Gaussian processes and numerical weather prediction | |
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
Yang et al. | Day-ahead forecasting of photovoltaic output power with similar cloud space fusion based on incomplete historical data mining | |
CN103545832B (zh) | 一种基于发电预测误差的光伏系统储能容量配置方法 | |
CN103020462B (zh) | 计及复杂尾流效应模型的风电场概率输出功率计算方法 | |
CN106505631B (zh) | 智能风电风功率预测系统 | |
Alanazi et al. | Long-term solar generation forecasting | |
CN103117546A (zh) | 一种超短期风电功率滑动预测方法 | |
CN102938562B (zh) | 一种区域内风电总功率的预测方法 | |
CN102509027B (zh) | 一种基于交叉熵理论的风电功率组合预测方法 | |
Noman et al. | Comprehensive review of wind energy in Malaysia: Past, present, and future research trends | |
Teferra et al. | Fuzzy-based prediction of solar PV and wind power generation for microgrid modeling using particle swarm optimization | |
Fentis et al. | Short-term pv power forecasting using support vector regression and local monitoring data | |
CN115829126A (zh) | 基于多视角自适应特征融合的光伏发电功率预测方法 | |
CN102768738A (zh) | 风电场功率预测方法和预测装置 | |
Yan et al. | Operating power reserve quantification through PV generation uncertainty analysis of a microgrid | |
CN104598715A (zh) | 一种基于气候态风速预测的区域风电电量预测方法 | |
Sun et al. | Solar power prediction in smart grid based on NWP data and an improved boosting method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140820 |