CN104021427A - 一种基于因子分析的并网光伏电站日发电量预测方法 - Google Patents
一种基于因子分析的并网光伏电站日发电量预测方法 Download PDFInfo
- Publication number
- CN104021427A CN104021427A CN201410256545.9A CN201410256545A CN104021427A CN 104021427 A CN104021427 A CN 104021427A CN 201410256545 A CN201410256545 A CN 201410256545A CN 104021427 A CN104021427 A CN 104021427A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- daily
- day
- data
- factor
- 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
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种基于因子分析的并网光伏电站日发电量预测方法,包括:步骤S1:获取历史气象观测值及气温日较差、清晰度指数和历史光伏发电量数据,并进行标准化处理;步骤S2:对标准化后数据进行因子分析,采用极大方差法进行因子轴旋转,提取旋转后的2个公因子;步骤S3:建立光伏电量预测模型,将所提取的2个公因子作为输入量,将标准化后的历史光伏发电量数据作为输出量,进行多元回归分析,获得模型中的回归系数;步骤S4:获取气象要素预测数据计算出的2个公因子新值;步骤S5:将2个公因子新值和回归系数代入预测模型,经逆标准化变换,得到日光伏发电量的预测值。与现有技术相比,本发明具有算法和建模简单、发电量预测准确率高等优点。
Description
技术领域
本发明涉及一种电站发电量预测方法,尤其是涉及一种基于因子分析的并网光伏电站日发电量预测方法。
背景技术
太阳能光伏发电是一种转换效率高、使用寿命长、可提供大量电力的一种太阳能利用方式,且太阳能的技术开发潜力是六种可再生能源中最高的,是目前全球能量需求的10000倍以上。而在实际的开发和利用中,近十年太阳能光伏(PV)技术发展迅速,截止2012年底全球累计光伏装机容量已达102吉瓦(GW),已成为全球可再生能源中继水电、风电之后最重要的来源。我国太阳能太阳能资源丰富,据测算,理论储量达每年17000亿吨标准煤,年平均日辐射量在4kWh/m2以上,与美国相近,比欧洲、日本优越,加上国内强劲的电力需求拉动了光伏的发展。然而,光伏发电系统的输出在很大程度上取决于天气和气候条件,存在间歇性和不稳定性,随着光伏产业的迅猛发展及入网规模的指数增长,对电力系统的经济、安全和可靠运行带来的压力与日俱增,因此,准确的光伏发电量(或功率)预测显得越来越重要,并网光伏发电量的准确预测对光伏电站和电力系统的运行和调度具有重要的意义。
目前关于并网光伏发电量预测的主要方法有:
1)统计方法,如图1所示,H为水平面上太阳总辐射,T为气温,R为相对湿度,P为气压,W为风速,Em为光伏发电量。统计方法基于历史气象资料和同期历史光伏发电量资料,采用统计学方法(如多元回归、神经网络等相关算法)进行分析建模,但并未考虑区分各种影响因子的性质以及众多因子间存在的多重共线性或耦合关系,从而影响方程的预测能力,且众多输入因子也不利于建模。
2)物理试验方法。物理试验方法要基于不同气象环境影响因素下光伏电池或模块性能的大量对比试验,提出了不同的光伏模块或组件电气物理模型或效率模型。然而以往的研究大多数集中在实验室条件下光伏电池入射的总辐射和电池板温,需要准确地测量如入射总辐射和电池板温,光伏电池输出的电流-电压(I/V)特性曲线等,获得这些数据的代价较大,甚至无法在实际中获得,并不能真正代表户外光伏电站实际运行条件;其次,需要引入一个额外的并网逆变器效率模型或并网逆变器输出模型,用来预测光伏并网发电系统最后的交流输出;同时根据这种方法会有很多中间环节,每一个转换阶段可能会引入系统误差。
鉴于以上原因,传统的光伏发电量预测方法难以满足光伏电站和电力系统实用、简单以及预测能力的要求。
中国专利201110119239.7公开了一种光伏发电量预测方法,该发明将光伏电站的历史发电量数据进行筛选分类,并对气象数据再加工得到光伏电站的总幅射量,然后将天气类型、温度、湿度、季节、总辐射量经归一化后作为预测模型的输入,经神经网络计算,预测出12小时或4小时光伏电站发电量,但该方法因未考虑区分各种影响因子的性质以及众多因子间存在的多重共线性或耦合关系而影响模型预测准确性,神经网络计算复杂,预测时间短。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种能够满足光伏电站和电力系统实用、简单以及预测能力要求的基于因子分析的并网光伏电站日发电量预测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于因子分析的并网光伏电站日发电量预测方法,包括以下步骤:
步骤S1:获取历史常规气象观测值、气温日较差Td、日清晰度指数Kt和光伏电站数据库中的历史光伏发电量数据Em,并进行变量相关分析和标准化处理;
步骤S2:对标准化后的历史常规气象观测值、气温日较差Td、日清晰度指数Kt进行因子分析,并采用极大方差法进行因子轴旋转,提取旋转后的2个公因子,并获得旋转后每个公因子的载荷矩阵;
步骤S3:建立光伏电量预测模型为:
其中,是光伏发电量标准化值,a、b是回归系数,f1、f2是旋转后的公因子,将所提取的2个公因子作为输入量f1、f2,将标准化后的历史光伏发电量数据Em*作为输出量进行多元回归分析,获得回归系数a、b;
步骤S4:获取气象要素预测数据,经标准化处理后,利用步骤S2中获得的公因子载荷矩阵,计算出公因子新值;
步骤S5:将气象要素预测数据的2个公因子新值和回归系数a、b代入光伏电量预测模型,得到后对其进行逆标准化变换,得到日光伏发电量的预测值。
所述的气温日较差Td的计算公式为:
Td=Tmax-Tmin
其中,Tmax为日最高气温,Tmin为日最低气温;
日清晰度指数Kt的计算公式为:
Kt=H/Ho
其中,H为日太阳总辐射,Ho为日天文辐射,通过如下公式计算
式中,Esc为太阳常数,n为一年中的日序号,ωs为水平面上的日落时角,为当地的地理纬度,δ为太阳赤纬角。
所述的标准化处理公式为:
其中,xi为原始数据,是相应的标准化数据,是原始数据的平均值,N是样本数,建立标准化的数据矩阵。
所述的因子分析方法为:
求标准化数据的相关矩阵,再求相关矩阵的特征值、每个公因子的解释方差以及累积贡献率,前两个公因子的特征值>1,累计方差贡献率>84.871%,故而提取两个公因子;采用极大方差法进行旋转,获得旋转后的2个公因子。
所述的历史常规气象观测值和气象要素预测数据均包括水平面上日太阳总辐射H、日天文辐射Ho、日照时数S、日最高气温Tmax、日最低气温Tmin、日平均气温T、日相对湿度R和日平均气压P。
与现有技术相比,本发明具有以下优点:
1)本发明考虑了多种影响光伏站发电量的因素,提高预测准确率。在传统考虑太阳辐射、气温、湿度等气象因子基础上,引入清晰度指数、气温日较差作为光伏日发电量预测模型的因子,清晰度指数反映出太阳辐射通过大气层的衰减情况(代表了气象环境因子的影响),在一定程度上滤除了天文辐射的影响,提高其与光伏发电量的相关性;而与日最高气温、日平均气温相比,气温日较差与日光伏发电量的正相关程度更高,这是因为气温日较差可以间接反应出日天气类型(晴天、阴天)。试验表明,引入清晰度指数、气温日较差作为预测模型的因子可以提高预测准确率;
2)本发明采用因子分析,消除了预测模型输入变量(气象因子)间多重共线性关系对预测能力的影响,在保留原有变量信息的基础上极大地减少了参与预测建模的变量个数(因子降维),获得了正交(独立)的变量(具有较清晰物理含义的公因子),从而进一步改善预测效果;
3)本发明采用的算法和建模简单,有利于预测模型在工程实际中的实现。采用多元回归方法建立的并网光伏电站日发电量预测模型、气象元素预测因子具有明确的物理意义,通过建立的模型和新的气象因子即可获得日发电量的预测值,算法简单且能够满足光伏电站发电量预测要求。
附图说明
图1为常规光伏发电量预测方法流程图;
图2为本发明光伏电站发电量预测方法流程图;
图3为旋转后每一个公因子的载荷分布图(代表公因子载荷矩阵系数);
图4a为武汉某并网光伏电站日光伏发电量的实测值与采用本发明方法的预估值散点图;图4b为武汉某并网光伏电站日光伏发电量的实测值与采用传统方法的预估值散点图;
图5a为一月日光伏发电量实测值和估计值的比较图;图5b为四月日光伏发电量实测值和估计值的比较图;图5c为七月日光伏发电量实测值和估计值的比较图;图5d为十月日光伏发电量实测值和估计值的比较图;
图6为日光伏发电量的独立校验实验(预测)数据图;
图7为代表月的拟合值和下月预测值MAPE和rRMSE分析图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
如图2所示,以武汉某并网光伏电站日光伏发电量为例,一种基于因子分析的并网光伏电站日发电量预测方法,包括以下步骤:
步骤S1:获取历史常规气象观测值、气温日较差Td、日清晰度指数Kt和光伏电站数据库中的历史光伏发电量数据Em,并进行变量相关分析(如表1所示,采用泊松相关分析)和标准化处理;气象数据包括水平面上日太阳总辐射H、日照时数S、日最高气温Tmax、日最低气温Tmin、日平均气温T、日相对湿度R和日平均气压P,由气象站获取。
气温日较差Td的计算公式为:
Td=Tmax-Tmin
其中,Tmax为日最高气温,Tmin为日最低气温。
日清晰度指数Kt的计算公式为:
Kt=H/Ho
其中,H为日太阳总辐射,Ho为日天文辐射,通过如下公式计算
式中,Esc为太阳常数,n为一年中的日序号(如1月1日,n=1),ωs为水平面上的日落时角,为当地的地理纬度,δ为太阳赤纬角。
标准化处理公式为:
其中,xi为原始数据,是相应的标准化数据,是原始数据的平均值,N是样本数,建立标准化的数据矩阵,所有标准化数据通过KMO度量和Bartlett检验,其中KMO值为0.716。
步骤S2:对标准化后的历史常规气象观测值及气温日较差Td、日清晰度指数Kt进行因子分析,提取2个公因子,并获得每个公因子的载荷矩阵。
因子分析方法为:求标准化数据的相关矩阵,再求相关矩阵的特征值、每个公因子的解释方差以及累积贡献率,如表2a所示(未经旋转的初始情况),前两个公因子的特征值>1,累计方差贡献率>84.871%,故而提取2个公因子,就能较好地解释原有变量所包含的信息。不过由于所得的因子载荷分布的实际意义不是很明显,如表2b所示(未经旋转成分),这时需将因子轴进行旋转,使得每个公因子上的载荷分配更加清晰。采用极大方差法旋转后因子载荷矩阵(表2b旋转后成分)及分布图如图3所示,变量Tmax、T、Tmin、P在第一个公因子f1轴上比其余变量有更高载荷,而第二个公因子f2则代表H、Kt、Td、S及R等变量。
步骤S3:建立光伏电量预测模型为:
其中,是光伏发电量标准化值,a、b是回归系数,f1、f2是旋转后的公因子,将因子分析结果所提取的2个公因子作为输入量f1、f2,将标准化后的历史光伏发电量数据Em*作为输出量进行多元回归分析,获得回归系数a、b;
表1日光伏发电量和气象环境因子的泊松相关分析(2010年3月~2011年2月)
变量 | Em | Kt | H | S | TA | R | Tmax | T | Tmin | P |
Em | 1 | 0.924* | 0.893* | 0.892* | 0.651* | -0.404* | 0.374* | 0.225* | 0.169* | -0.095 |
Kt | 0.924* | 1 | 0.880* | 0.911* | 0.719* | -0.474* | 0.267* | 0.102 | 0.040 | 0.039 |
H | 0.893* | 0.880* | 1 | 0.852* | 0.496* | -0.324* | 0.562* | 0.451* | 0.401* | -0.290* |
S | 0.892* | 0.911* | 0.852* | 1 | 0.653* | -0.376* | 0.329* | 0.179* | 0.122* | -0.057 |
Td | 0.650* | 0.719* | 0.496* | 0.653* | 1 | -0.336* | 0.048 | -0.187* | -0.234* | 0.176* |
R | -0.404* | -0.474* | -0.324* | -0.376* | -0.336* | 1 | 0.188* | 0.247* | 0.321* | -0.345* |
Tmax | 0.375* | 0.267* | 0.562* | 0.329* | 0.048 | 0.188* | 1 | 1 | 0.933* | -0.858* |
T | 0.225* | 0.102 | 0.451* | 0.179* | -0.187* | 0.247* | 0.970* | 0.970* | 0.975* | -0.887* |
Tmin | 0.169* | 0.040 | 0.401* | 0.122* | -0.234* | 0.321* | 0.933* | 0.975* | 1 | -0.881* |
P | -0.095 | 0.039 | -0.290* | -0.057 | 0.176* | -0.345* | -0.858* | -0.887* | -0.881* | 1 |
表2a旋转前后的公因子方差解释表
表2b旋转前后的公因子载荷矩阵
步骤S4:获取气象要素预测数据,标准化处理后,直接利用S2因子分析获得的载荷矩阵,输入气象要素预测数据标准化值,即可计算公因子新值。
步骤S5:将气象要素预测数据的公因子新值和回归系数a、b代入公式(3),得到后对其进行逆标准化变换,得到日光伏发电量的预测值。
武汉某并网光伏电站日光伏发电量的预测值与实测值相比较,分析结果如图4a、4b所示。
利用本发明方法还对四季代表月的情况进行比较,如图5a、5b、5c、5d所示,以及日光伏发电量的独立校验试验结果、代表月的代表月的拟合值和下月预测值MAPE和rRMSE分析结果分别如图6、7所示。
以上试验结果均表明:本发明可以有效的对并网光伏电站日发电量进行预测。
本发明专利受到国家自然科学基金青年项目“建筑光伏发电关键气象环境因子影响机理及综合评估体系研究”(编号51307105)资助。
Claims (5)
1.一种基于因子分析的并网光伏电站日发电量预测方法,其特征在于,包括以下步骤:
步骤S1:获取历史常规气象观测值、气温日较差Td、日清晰度指数Kt和光伏电站数据库中的历史光伏发电量数据Em,并进行标准化处理;
步骤S2:对标准化后的历史常规气象观测值、气温日较差Td、日清晰度指数Kt进行因子分析,并采用极大方差法进行因子轴旋转,提取旋转后的2个公因子,并获得旋转后每个公因子的载荷矩阵;
步骤S3:建立光伏电量预测模型为:
其中,是光伏发电量标准化值,a、b是回归系数,f1、f2是旋转后的公因子,将所提取的2个公因子作为输入量f1、f2,将标准化后的历史光伏发电量数据Em*作为输出量进行多元回归分析,获得回归系数a、b;
步骤S4:获取气象要素预测数据,经标准化处理后,利用步骤S2中获得的公因子载荷矩阵,计算出公因子新值;
步骤S5:将气象要素预测数据的2个公因子新值和回归系数a、b代入光伏电量预测模型,得到后对其进行逆标准化变换,得到日光伏发电量的预测值。
2.根据权利要求1所述的一种基于因子分析的并网光伏电站日发电量预测方法,其特征在于,所述的气温日较差Td的计算公式为:
Td=Tmax-Tmin
其中,Tmax为日最高气温,Tmin为日最低气温;
日清晰度指数Kt的计算公式为:
Kt=H/Ho
其中,H为日太阳总辐射,Ho为日天文辐射,通过如下公式计算
式中,Esc为太阳常数,n为一年中的日序号,ωs为水平面上的日落时角,为当地的地理纬度,δ为太阳赤纬角。
3.根据权利要求1所述的一种基于因子分析的并网光伏电站日发电量预测方法,其特征在于,所述的标准化处理公式为:
其中,xi为原始数据,是相应的标准化数据,是原始数据的平均值,N是样本数,建立标准化的数据矩阵。
4.根据权利要求1所述的一种基于因子分析的并网光伏电站日发电量预测方法,其特征在于,所述的因子分析方法为:
求标准化数据的相关矩阵,再求相关矩阵的特征值、每个公因子的解释方差以及累积贡献率,前两个公因子的特征值>1,累计方差贡献率>84.871%,故而提取两个公因子;采用极大方差法进行旋转,获得旋转后的2个公因子。
5.根据权利要求1所述的一种基于因子分析的并网光伏电站日发电量预测方法,其特征在于,所述的历史常规气象观测值和气象要素预测数据均包括水平面上日太阳总辐射H、日天文辐射Ho、日照时数S、日最高气温Tmax、日最低气温Tmin、日平均气温T、日相对湿度R和日平均气压P。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410256545.9A CN104021427A (zh) | 2014-06-10 | 2014-06-10 | 一种基于因子分析的并网光伏电站日发电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410256545.9A CN104021427A (zh) | 2014-06-10 | 2014-06-10 | 一种基于因子分析的并网光伏电站日发电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104021427A true CN104021427A (zh) | 2014-09-03 |
Family
ID=51438167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410256545.9A Pending CN104021427A (zh) | 2014-06-10 | 2014-06-10 | 一种基于因子分析的并网光伏电站日发电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104021427A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537436A (zh) * | 2014-12-18 | 2015-04-22 | 大连理工大学 | 一种地区小水电发电能力预测方法 |
CN105488592A (zh) * | 2015-12-02 | 2016-04-13 | 国家电网公司 | 一种光伏电站发电量预测的方法 |
CN105512763A (zh) * | 2015-12-07 | 2016-04-20 | 河海大学常州校区 | 一种光伏电站中短期发电量的预测方法及预测系统 |
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 |
CN107912067A (zh) * | 2015-08-07 | 2018-04-13 | 三菱电机株式会社 | 太阳能发电量预测装置以及太阳能发电量预测方法 |
CN107991721A (zh) * | 2017-11-21 | 2018-05-04 | 上海电力学院 | 一种基于天文和气象环境因子的逐时散射比预测方法 |
CN108038569A (zh) * | 2017-12-08 | 2018-05-15 | 北京汇通金财信息科技有限公司 | 一种分布式光伏并网电量预测方法及系统 |
CN108335042A (zh) * | 2018-02-06 | 2018-07-27 | 唐山英通科技有限公司 | 动态光伏电板清洗指数的计算方法 |
CN109636054A (zh) * | 2018-12-21 | 2019-04-16 | 电子科技大学 | 基于分类和误差组合预测的太阳能光伏发电量预测方法 |
CN109948281A (zh) * | 2019-03-29 | 2019-06-28 | 上海电力学院 | 基于天气类型有效识别和组合预测的直散分离建模方法 |
CN109978258A (zh) * | 2019-03-26 | 2019-07-05 | 北京博望华科科技有限公司 | 基于机器学习的多数据源光伏发电量预测方法及系统 |
CN110674471A (zh) * | 2019-10-30 | 2020-01-10 | 吉林大学 | 基于GIS与Logistic回归模型的泥石流易发性预测方法 |
CN113052386A (zh) * | 2021-03-29 | 2021-06-29 | 国网电子商务有限公司 | 基于随机森林算法的分布式光伏日发电量预测方法和装置 |
CN116365508A (zh) * | 2023-03-09 | 2023-06-30 | 北京东润环能科技股份有限公司 | 一种基于气候模式的光伏电站发电量预测方法及系统 |
CN116885703A (zh) * | 2023-06-27 | 2023-10-13 | 大连理工大学 | 一种高维多元气象数据融合的短期风光功率预测方法 |
-
2014
- 2014-06-10 CN CN201410256545.9A patent/CN104021427A/zh active Pending
Non-Patent Citations (3)
Title |
---|
刘希颖: "《中国电力需求预测与电力行业可持续发展》", 《中国优秀硕士论文电子期刊网 经济与管理科学辑》 * |
李芬等: "《太阳能光伏发电量预报方法》", 《气候变化研究进展》 * |
郭佳: "《并网型光伏电站发电功率与其主气象影响因子相关性分析》", 《中国优秀硕士论文电子期刊网 工程科技II辑》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537436B (zh) * | 2014-12-18 | 2017-11-10 | 大连理工大学 | 一种地区小水电发电能力预测方法 |
CN104537436A (zh) * | 2014-12-18 | 2015-04-22 | 大连理工大学 | 一种地区小水电发电能力预测方法 |
CN107912067A (zh) * | 2015-08-07 | 2018-04-13 | 三菱电机株式会社 | 太阳能发电量预测装置以及太阳能发电量预测方法 |
CN107912067B (zh) * | 2015-08-07 | 2023-05-23 | 三菱电机株式会社 | 太阳能发电量预测装置以及太阳能发电量预测方法 |
CN105488592A (zh) * | 2015-12-02 | 2016-04-13 | 国家电网公司 | 一种光伏电站发电量预测的方法 |
CN105512763A (zh) * | 2015-12-07 | 2016-04-20 | 河海大学常州校区 | 一种光伏电站中短期发电量的预测方法及预测系统 |
CN107092994B (zh) * | 2017-06-21 | 2020-11-10 | 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 |
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 |
CN107991721A (zh) * | 2017-11-21 | 2018-05-04 | 上海电力学院 | 一种基于天文和气象环境因子的逐时散射比预测方法 |
CN107991721B (zh) * | 2017-11-21 | 2020-05-08 | 上海电力学院 | 一种基于天文和气象环境因子的逐时散射比预测方法 |
CN108038569A (zh) * | 2017-12-08 | 2018-05-15 | 北京汇通金财信息科技有限公司 | 一种分布式光伏并网电量预测方法及系统 |
CN108335042A (zh) * | 2018-02-06 | 2018-07-27 | 唐山英通科技有限公司 | 动态光伏电板清洗指数的计算方法 |
CN108335042B (zh) * | 2018-02-06 | 2022-02-01 | 唐山英通科技有限公司 | 动态光伏电板清洗指数的计算方法 |
CN109636054A (zh) * | 2018-12-21 | 2019-04-16 | 电子科技大学 | 基于分类和误差组合预测的太阳能光伏发电量预测方法 |
CN109978258A (zh) * | 2019-03-26 | 2019-07-05 | 北京博望华科科技有限公司 | 基于机器学习的多数据源光伏发电量预测方法及系统 |
CN109948281B (zh) * | 2019-03-29 | 2023-05-05 | 上海电力学院 | 基于天气类型有效识别和组合预测的直散分离建模方法 |
CN109948281A (zh) * | 2019-03-29 | 2019-06-28 | 上海电力学院 | 基于天气类型有效识别和组合预测的直散分离建模方法 |
CN110674471A (zh) * | 2019-10-30 | 2020-01-10 | 吉林大学 | 基于GIS与Logistic回归模型的泥石流易发性预测方法 |
CN113052386A (zh) * | 2021-03-29 | 2021-06-29 | 国网电子商务有限公司 | 基于随机森林算法的分布式光伏日发电量预测方法和装置 |
CN113052386B (zh) * | 2021-03-29 | 2023-07-04 | 国网数字科技控股有限公司 | 基于随机森林算法的分布式光伏日发电量预测方法和装置 |
CN116365508A (zh) * | 2023-03-09 | 2023-06-30 | 北京东润环能科技股份有限公司 | 一种基于气候模式的光伏电站发电量预测方法及系统 |
CN116365508B (zh) * | 2023-03-09 | 2023-12-12 | 北京东润环能科技股份有限公司 | 一种基于气候模式的光伏电站发电量预测方法及系统 |
CN116885703A (zh) * | 2023-06-27 | 2023-10-13 | 大连理工大学 | 一种高维多元气象数据融合的短期风光功率预测方法 |
CN116885703B (zh) * | 2023-06-27 | 2024-02-06 | 大连理工大学 | 一种高维多元气象数据融合的短期风光功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN112257941B (zh) | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 | |
Kurokawa | Energy from the desert: practical proposals for very large scale photovoltaic systems | |
Adar et al. | Three PV plants performance analysis using the principal component analysis method | |
CN105354655B (zh) | 计及功率相关性的光伏电站群置信容量评估方法 | |
Meng et al. | Data-driven inference of unknown tilt and azimuth of distributed PV systems | |
CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
CN108021538B (zh) | 一种基于联合天气信息矩阵分解的电量数据恢复方法 | |
CN102479347A (zh) | 基于数据驱动的风电场短期风速预测方法和系统 | |
Kurokawa | Energy from the Desert: Feasibility of Very Large Scale Power Generation (VLS-PV) Systems | |
Polo et al. | Typical Meteorological Year methodologies applied to solar spectral irradiance for PV applications | |
Malvoni et al. | Improvements in the predictions for the photovoltaic system performance of the Mediterranean regions | |
CN112952818B (zh) | 一种基于出力互补性的风光水多能互补容量优化配置方法 | |
CN113837426A (zh) | 一种基于天气分型的光伏功率预测方法 | |
CN115441447B (zh) | 一种新能源发电功率预测方法 | |
Araki et al. | Analysis of fluctuation of atmospheric parameters and its impact on performance of CPV | |
Serrano-Lujan et al. | Accurate thermal prediction model for building-integrated photovoltaics systems using guided artificial intelligence algorithms | |
Kaur et al. | Solar power forecasting using ordinary least square based regression algorithms | |
Melhem et al. | Optimum tilt angle and solar radiation of photovoltaic modules for gulf collaboration council countries | |
Miao et al. | Harnessing climate variables for predicting PV power output: A backpropagation neural network analysis in a subtropical climate region | |
CN115765044A (zh) | 风光水电系统联合运行及风险分析方法和系统 | |
CN103455730A (zh) | 分布式光伏发电能力评估系统及生成太阳辐射数据的方法 | |
CN113437938A (zh) | 考虑因地域差异的现场特征的光伏阵列输出功率计算方法 | |
CN112561181A (zh) | 一种基于Unet网络和地基云图的光伏发电预测系统 | |
Epeni-Tombo et al. | Influence of ambient temperature in the city of Portoviejo, Ecuador on the energy performance of photovoltaic modules |
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 |
Application publication date: 20140903 |
|
RJ01 | Rejection of invention patent application after publication |