CN104346659A - 应用于高倍聚光光伏发电系统的短期发电量预测方法 - Google Patents
应用于高倍聚光光伏发电系统的短期发电量预测方法 Download PDFInfo
- Publication number
- CN104346659A CN104346659A CN201410689718.6A CN201410689718A CN104346659A CN 104346659 A CN104346659 A CN 104346659A CN 201410689718 A CN201410689718 A CN 201410689718A CN 104346659 A CN104346659 A CN 104346659A
- Authority
- CN
- China
- Prior art keywords
- input
- neural network
- historical data
- short
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000010248 power generation Methods 0.000 title abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000005611 electricity Effects 0.000 claims description 35
- 239000000203 mixture Substances 0.000 claims description 18
- 238000010219 correlation analysis Methods 0.000 claims description 15
- 238000006467 substitution reaction Methods 0.000 claims description 13
- 238000000513 principal component analysis Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 230000005855 radiation Effects 0.000 description 5
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种应用于高倍聚光光伏发电系统的短期发电量预测方法,包括:收集所述高倍聚光光伏发电系统的历史数据,根据相关系数分析法,确定用于所述短期发电量预测的BP神经网络的输入;根据各输入的历史数据,训练初始化后的所述BP神经网络;以及根据各输入的历史数据及训练后的所述BP神经网络,获得预测的短期发电量。本发明提供的应用于高倍聚光光伏发电系统的短期发电量预测方法,可以进行短时预测、日预测,并保证预测结果和实际结果的短时平均误差不超过10%,大大的提升了预测的精度。
Description
技术领域
本发明涉及电力系统技术领域,尤其涉及一种应用于高倍聚光光伏发电系统的短期发电量预测方法。
背景技术
光伏发电技术是根据光生伏特效应原理,利用太阳电池将太阳光能直接转化为电能。光伏发电技术可分为第一代采用晶硅电池的光伏发电技术、第二代采用薄膜电池的光伏发电技术与第三代采用高倍聚光的光伏发电技术。与第一代采用晶硅电池的光伏发电技术和第二代采用薄膜电池的光伏发电技术不同,高倍聚光指通过透镜或反射镜等光学元件将一定面积的太阳光汇聚在一个狭小的区域(焦斑),进而进行发电的技术,其优势在于发电效率高、占地面积小、输出功率稳定、易回收等。但是由于其受太阳辐射强度、电池组件温度、天气、云层和一些随机因素的影响,系统运行过程是一个非平衡的随机过程,其发电量和输出电功率随机性强、波动大、不可控制,例如在多云天气情况下,云层的遮挡使太阳光无法聚集,会造成发电功率的急剧下降。这种发电方式的波动特点会对国家电网造成一定冲击,进而制约其大规模的发展;同时发电量预测系统也是光伏发电站重要的配套技术,因此短期内的发电量预测,对于电站及时调整发电设备,稳定输出电量,避免资源浪费等方面具有非常好的实际应用价值。
目前对于发电量的主要预测方法可分为如下三类:一是基于太阳总辐射预报和光伏特性曲线仿真模型的仿真预报法;二是基于太阳总辐射预报和光电转换效率模型的原理预报法;三是基于历史气象资料(天气情况或太阳总辐射资料)和同期光伏发电量资料,采用统计学方法(如多元回归、神经网络、支持向量机等相关算法)进行分析建模的动力统计预报法。其中,第一种方法和第二种方法对转换模型的建立非常困难,所以很难取得理想的预测效果。采用基于统计学的预测方法主要有时间序列法为代表的传统统计方法和人工神经网络为代表的人工智能方法两大类。建立光伏发电量预测模型将主要考虑神经网络法、支持向量机方法等人工智能方法。但无论上述哪种预测方法,在应用于高倍聚光光伏发电系统中时,由于高倍聚光光伏发电系统受太阳辐射强度、电池组件温度、天气、云层和一些随机因素的影响,都存在预测精度低的缺点。
发明内容
有鉴于此,本发明提供了一种预测精度高的应用于高倍聚光光伏发电系统的短期发电量预测方法。
本发明的额外方面和优点将部分地在下面的描述中阐述,并且部分地将从描述中变得显然,或者可以通过本发明的实践而习得。
本发明提供了一种应用于高倍聚光光伏发电系统的短期发电量预测方法,其特征在于,包括:收集所述高倍聚光光伏发电系统的历史数据,根据相关系数分析法,确定用于所述短期发电量预测的BP神经网络的输入;根据各输入的历史数据,训练所述BP神经网络;以及根据各输入的历史数据及训练后的所述BP神经网络,获得预测的短期发电量。
于一实施例中,根据相关系数分析法,确定用于所述短期发电量预测的BP神经网络的输入包括:根据所述相关系数分析法,确定所述BP神经网络的所述输入为初始的输入;根据所述初始的输入,确定p个输入成分;采用主成分分析法,根据所述P个输入成分,获得m个主成分以作为所述BP神经网络最终的输入;其中p,m均为正整数,且p>m。
于另一实施例中,在根据各输入的历史数据,训练所述BP神经网络之前,还包括:初始化所述BP神经网络,并采用遗传算法优化所述BP神经网络的初始权值和阈值,并将获得的最优值作为所述BP神经网络的最终的初始权值和阈值。
于再一实施例中,所述历史数据包括:发电功率历史数据及其对应的天气因素历史数据;所述发电功率包括:每分钟发电功率或者日发电功率;所述天气因素包括:辐照量、温度、湿度、风速及气压。
于再一实施例中,收集所述高倍聚光光伏发电系统的历史数据之后,还包括:使用类似天气的发电功率替换所述发电功率历史数据中的噪音。
于再一实施例中,所述相关系数分析法包括:采用SPSS工具的双变量person算法,或者使用MATLAB程序中的corrcoef()函数直接计算。
于再一实施例中,根据各输入的历史数据,训练初始化后的所述BP神经网络包括:以各输入的历史数据作为样本训练初始化后的所述BP神经网络。
于再一实施例中,根据各输入的历史数据,训练初始化后的所述BP神经网络包括:根据各最终的输入的历史数据,通过下述公式,计算得到各最终的输入的替代值,并将各最终的输入的替代值作为样本训练初始化后的所述BP神经网络;
Zm=lm1x1+lm2x2+...+lmpxp
其中,Zm为第m个主成分的替代值,lmi为第m个主成分对应的特征向量中第i个值,xi为第i个输入成分的历史数据值。
于再一实施例中,根据各输入的历史数据及训练后的所述BP神经网络,获得预测的所述短期发电量包括:将各输入的历史数据作为训练后的所述BP神经网络的输入,获得预测的所述短期发电量。
于再一实施例中,根据各输入的历史数据及训练后的所述BP神经网络,获得预测的所述短期发电量包括:将各最终的输入的替代值作为训练后的所述BP神经网络的输入,获得预测的所述短期发电量。
本发明提供的应用于高倍聚光光伏发电系统的短期发电量预测方法,可以进行短时预测、日预测,并保证预测结果和实际结果的短时平均误差不超过10%,大大的提升了预测的精度,使国家电网调度可以根据预测合理安排一定周期内光伏电站和常规电站的开机方式和运行方式,并使国家电网能够稳定运行,为规模化、大容量的光伏电站的建立提供了技术依据和理论指导,同时确保光伏电站安全高效地运行,促进了国家新能源战略的顺利实施。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1为本发明实施例一的应用于高倍聚光光伏发电系统的短期发电量预测方法的流程图。
图2为本发明实施例二的应用于高倍聚光光伏发电系统的短期发电量预测方法的流程图。
图3为采用本发明实施例二的应用于高倍聚光光伏发电系统的短期发电量预测方法的预测结果与实际结果的误差示意图。
图4为本发明实施例三的应用于高倍聚光光伏发电系统的短期发电量预测方法的流程图。
图5为采用本发明实施例三的应用于高倍聚光光伏发电系统的短期发电量预测方法的预测结果与实际结果的误差示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构,因而将省略对它们的重复描述。
所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本发明的实施方式的充分理解。然而,本领域技术人员应意识到,没有所述特定细节中的一个或更多,或者采用其它的方法、组元等,也可以实践本发明的技术方案。在其它情况下,不详细示出或描述公知结构或者操作以避免模糊本发明。
实施例一
图1为本发明实施例一的应用于高倍聚光光伏发电系统的短期发电量预测方法的流程图。如图1所示,该方法包括:
步骤S101,收集高倍聚光光伏发电系统的历史数据,根据相关系数分析法,确定用于短期发电量预测的神经网络的输入;
步骤S102,根据各输入的历史数据,训练神经网络;
步骤S103,根据各输入的历史数据及该训练后的神经网络,获得预测的短期发电量。
实施例二
本发明实施例二提供了一种应用于高倍聚光光伏发电系统的5分钟后发电量的预测方法。图2为本发明实施例二的应用于高倍聚光光伏发电系统的短期发电量预测方法的流程图。如图2所示,该方法包括:
步骤S201,收集高倍聚光光伏发电系统的历史数据,根据相关系数分析法,确定用于短期发电量预测的神经网络的输入。
在本实施例中,该神经网络例如为BP神经网络,在本实施例的下述说明中也均基于BP神经网络进行说明,但本发明不以此为限。
例如,对某地的高倍聚光光伏发电系统在某月的3、4、5、6日四天的每分钟发电功率以及对应的天气因素(例如辐照量、温度、湿度、风速及气压)的历史数据进行采集,并基于相关系数分析法对采集到的数据进行分析,以确定该神经网络的输入。
在一些实施例中,采用相关系数分析法例如包括:使用SPSS工具的双变量person算法分别分析各天气因素与发电功率的相关性,但本发明不限于此,分析结果例如为表1所示。
表1
日期 | 辐照量 | 风速 | 气温 | 湿度 | 气压 |
3日 | 0.969 | 0.240 | -0.022 | -0.846 | 0.588 |
4日 | 0.952 | -0.280 | 0.183 | -0.406 | 0.327 |
5日 | 0.937 | 0.400 | 0.228 | 0.064 | 0.336 |
6日 | 0.933 | 0.041 | -0.126 | 0.154 | 0.398 |
分析上述的相关性分析结果可发现,其中辐照量、气压两个天气因素与发电功率相关性最强,因此确定辐照量、气压及发电功率作为神经网络的输入,该神经网络的输出则为5分钟后的发电功率。
步骤S202,初始化神经网络,并最优化神经网络的初始权值和阈值。
采用随机的方式,对该神经网络的权值和阈值进行初始化,以获得该神经网络的初始权值和阈值。之后,最优化该BP神经网络的初始权值和阈值,其方法包括:采用遗传算法优化BP神经网络的初始权值和阈值,并将获得的最优值作为BP神经网络最终的初始权值和阈值。
步骤S203,将所确定的各输入的历史数据作为样本对该初始化后的神经网络进行训练。
例如将前5分钟的每分钟辐照量、气压及发电功率作为样本训练该BP神经网络。
为了提高预测的精度,在一些实施例中,将上述替代值作为输入,在该BP神经网络中进行多次训练,使训练结果达到一预设的精度,例如为10%。
步骤S204,根据得到的训练后的神经网络,将所确定的各输入的历史数据作为其输入,获得预测的5分钟后的发电功率。
例如将前5分钟的每分钟辐照量、气压及发电功率作为神经网络的输入,以输出预测的5分钟后的发电功率。
应用本发明实施例的发电量预测方法,选择MSE(均方差)作为衡量预测结果(即5分钟后的发电功率)与实际发电功率的误差,如图3所示,其误差仅在10%以内。
实施例三
本发明实施例三提供了一种应用于高倍聚光光伏发电系统的日发电量(例如8点~20点的发电量)的预测方法。图4为本发明实施例三的应用于高倍聚光光伏发电系统的短期发电量预测方法的流程图。如图4所示,该方法包括:
步骤S301,收集高倍聚光光伏发电系统的历史数据,根据相关系数分析法及主成分分析法,确定用于短期发电量预测的神经网络的输入。
在本实施例中,该神经网络例如为BP神经网络,在本实施例的下述说明中也均基于BP神经网络进行说明,但本发明不以此为限。
例如,采集某地的高倍聚光光伏发电系统每日8点~20点的电站级的日发电功率及对应的天气因素(例如辐照量、温度、湿度、气压及风速)。
在收集到的日发电功率数据中,可能存在明显错误的发电量值,例如在相似环境条件下,发电功率为0或非常小的值,则可能是由于设备关闭等原因所造成的,而非受到天气因素的影响。对于这部分噪音数据,如果将其直接作为输入,则会影响预测的准确度,因此为了避免噪音数据对预测准确度的影响,在一些实施例中,还进一步对这部分噪音数据进行处理,例如可采用相似天气环境下的发电功率来替代这些噪音数据,但本发明不以此为限。
采用相关系数分析法,例如可直接使用MATLAB程序中的corrcoef()公式计算出各天气因素与日发电量之间的相关系数,以根据相关系数来确定发电量的主要影响因素。例如排除了天气因素中的风速和气压后,将主要影响因素(辐照量、温度及湿度)和日发电功率作为该BP神经网络的初始输入。
之后,采用主成分分析法,根据上述初始输入,确定该BP神经网络的最终的输入。具体地,选定预测日前一天8点~20点的13个整点的电站级发电功率、辐照量、最高气温和平均湿度,以及预测的预测日的最高气温和平均湿度等,共计三十个输入成分,通过主成分分析法对这三十个输入成分进行分析,将满足累计贡献率达到85%以上的五个主成分替代原来的三十个输入成分作为最终的输入,具体分析方法如下:
1)对上述的三十个输入成分的数据进行标准化;
例如,采用MATLAB程序中的zscore()函数对n*p的矩阵R进行标准化,其中,n为历史数据采集的天数,例如历史数据是从2014年5月2日到6月9日38天的数据,则n=38;p为输入成分的个数,例如p=30即上述提到的三十个输入成分。
2)根据标准化后的数据,计算生成相关系数矩阵;
例如,采用MATLAB程序中的corrcoef()函数计算矩阵R的相关系数矩阵,从而得出p*p的相关系数矩阵C。
3)计算该相关系数矩阵C矩阵的特征值和特征向量;
4)根据特征值r分别计算贡献率和累计贡献率;
其中主成分Zi的贡献率为:
其中,ri是第i个输入成分的特征值,p为输入成分的个数。
其累计贡献率为:
其中,当前m个输入成分的累计贡献率大于85%时,说明可以用这m个成分替代原来的p个成分,m例如为5,即选出5个主成分。
5)确定累计贡献率达到85%以上的五个主成分作为该BP神经网络最终的输入。
在确定了该BP神经网络的输入,即选定的五个主成分后,确定该BP神经网络的输出,如在本实施例中,该输出为预测的次日8点~22点的日发电功率。
在一些实施例中,进一步根据该BP神经网络的最终的输入及输出的层数,通过公式其中n为输入层节点数,例如为5,m为输出层节点数,例如为13,为即预测日8点~22点的13个整点的发电量值,a为1-10的随机数,以确定隐藏层的层数。
步骤S302,根据主成分分析法得到的各最终的输入的替代公式Zm=lm1x1+lm2x2+...+lmpxp,及各最终的输入的历史数据,计算得到各最终的输入的替代值,将各最终的输入的替代值作为样本对该初始化后的神经网络进行训练。
其中,lmi是第m个主成分对应的特征向量中第i个值,xi是原输入成分中第i个成分的数据值。
为了提高预测的精度,在一些实施例中,将上述替代值作为输入,在该BP神经网络中进行多次训练,使训练结果达到一预设的精度,例如为10%。
步骤S303,根据得到的训练后的神经网络,将所确定的各输入的替代值作为其输入,获得预测的次日的日发电功率。
应用本发明实施例的发电量预测方法,选择MSE(均方差)作为衡量预测结果(即次日的发电功率)与实际发电功率的误差,如图5所示,其误差值仅在10%以内。
本发明提供的应用于高倍聚光光伏发电系统的短期发电量预测方法,可以进行短时预测、日预测,并保证预测结果和实际结果的短时平均误差不超过10%,大大的提升了预测的精度,使国家电网调度可以根据预测合理安排一定周期内光伏电站和常规电站的开机方式和运行方式,并使国家电网能够稳定运行,为规模化、大容量的光伏电站的建立提供了技术依据和理论指导,同时确保光伏电站安全高效地运行,促进了国家新能源战略的顺利实施。
以上具体地示出和描述了本发明的示例性实施方式。应该理解,本发明不限于所公开的实施方式,相反,本发明意图涵盖包含在所附权利要求范围内的各种修改和等效置换。
Claims (10)
1.一种应用于高倍聚光光伏发电系统的短期发电量预测方法,其特征在于,包括:
收集所述高倍聚光光伏发电系统的历史数据,根据相关系数分析法,确定用于所述短期发电量预测的BP神经网络的输入;
根据各输入的历史数据,训练所述BP神经网络;以及
根据各输入的历史数据及训练后的所述BP神经网络,获得预测的短期发电量。
2.根据权利要求1所述的方法,其中根据相关系数分析法,确定用于所述短期发电量预测的BP神经网络的输入包括:根据所述相关系数分析法,确定所述BP神经网络的所述输入为初始的输入;根据所述初始的输入,确定p个输入成分;采用主成分分析法,根据所述P个输入成分,获得m个主成分以作为所述BP神经网络最终的输入;其中p,m均为正整数,且p>m。
3.根据权利要求1所述的方法,其中在根据各输入的历史数据,训练所述BP神经网络之前,还包括:初始化所述BP神经网络,并采用遗传算法优化所述BP神经网络的初始权值和阈值,并将获得的最优值作为所述BP神经网络的最终的初始权值和阈值。
4.根据权利要求1或2所述的方法,其中所述历史数据包括:发电功率历史数据及其对应的天气因素历史数据;所述发电功率包括:每分钟发电功率或者日发电功率;所述天气因素包括:辐照量、温度、湿度、风速及气压。
5.根据权利要求4所述的方法,其中收集所述高倍聚光光伏发电系统的历史数据之后,还包括:使用类似天气的发电功率替换所述发电功率历史数据中的噪音。
6.根据权利要求1或2所述的方法,其中所述相关系数分析法包括:采用SPSS工具的双变量person算法,或者使用MATLAB程序中的corrcoef()函数直接计算。
7.根据权利要求1所述的方法,其中根据各输入的历史数据,训练初始化后的所述BP神经网络包括:以各输入的历史数据作为样本训练初始化后的所述BP神经网络。
8.根据权利要求2所述的方法,其中根据各输入的历史数据,训练初始化后的所述BP神经网络包括:根据各最终的输入的历史数据,通过下述公式,计算得到各最终的输入的替代值,并将各最终的输入的替代值作为样本训练初始化后的所述BP神经网络;
Zm=lm1x1+lm2x2+...+lmpxp
其中,Zm为第m个主成分的替代值,lmi为第m个主成分对应的特征向量中第i个值,xi为第i个输入成分的历史数据值。
9.根据权利要求1所述的方法,其中根据各输入的历史数据及训练后的所述BP神经网络,获得预测的所述短期发电量包括:将各输入的历史数据作为训练后的所述BP神经网络的输入,获得预测的所述短期发电量。
10.根据权利要求8所述的方法,其中根据各输入的历史数据及训练后的所述BP神经网络,获得预测的所述短期发电量包括:将各最终的输入的替代值作为训练后的所述BP神经网络的输入,获得预测的所述短期发电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410689718.6A CN104346659A (zh) | 2014-11-26 | 2014-11-26 | 应用于高倍聚光光伏发电系统的短期发电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410689718.6A CN104346659A (zh) | 2014-11-26 | 2014-11-26 | 应用于高倍聚光光伏发电系统的短期发电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104346659A true CN104346659A (zh) | 2015-02-11 |
Family
ID=52502217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410689718.6A Pending CN104346659A (zh) | 2014-11-26 | 2014-11-26 | 应用于高倍聚光光伏发电系统的短期发电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104346659A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794538A (zh) * | 2015-04-20 | 2015-07-22 | 浙江大学 | 基于ieemd-bpnn的电力系统短期负荷预测方法 |
CN106762453A (zh) * | 2016-12-07 | 2017-05-31 | 湖北民族学院 | 具有发电量预测及跟踪控制的风力发电智能网及控制方法 |
CN106971310A (zh) * | 2017-03-16 | 2017-07-21 | 国家电网公司 | 一种客户投诉数量预测方法及装置 |
CN111707957A (zh) * | 2020-04-23 | 2020-09-25 | 北京邮电大学 | 电动汽车电池残值估算方法及装置 |
CN112327165A (zh) * | 2020-09-21 | 2021-02-05 | 电子科技大学 | 一种基于无监督迁移学习的电池soh预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722759A (zh) * | 2012-05-17 | 2012-10-10 | 河海大学 | 基于bp神经网络的电网供电可靠性预测方法 |
CN102930354A (zh) * | 2012-11-06 | 2013-02-13 | 北京国电通网络技术有限公司 | 一种小区用电预测方法及装置 |
CN103218674A (zh) * | 2013-04-07 | 2013-07-24 | 国家电网公司 | 基于bp神经网络模型的光伏发电系统输出功率预测方法 |
CN103218673A (zh) * | 2013-03-27 | 2013-07-24 | 河海大学 | 基于bp神经网络的光伏发电短期出力预测方法 |
CN103390200A (zh) * | 2013-07-18 | 2013-11-13 | 国家电网公司 | 基于相似日的光伏电站发电输出功率预测方法 |
-
2014
- 2014-11-26 CN CN201410689718.6A patent/CN104346659A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722759A (zh) * | 2012-05-17 | 2012-10-10 | 河海大学 | 基于bp神经网络的电网供电可靠性预测方法 |
CN102930354A (zh) * | 2012-11-06 | 2013-02-13 | 北京国电通网络技术有限公司 | 一种小区用电预测方法及装置 |
CN103218673A (zh) * | 2013-03-27 | 2013-07-24 | 河海大学 | 基于bp神经网络的光伏发电短期出力预测方法 |
CN103218674A (zh) * | 2013-04-07 | 2013-07-24 | 国家电网公司 | 基于bp神经网络模型的光伏发电系统输出功率预测方法 |
CN103390200A (zh) * | 2013-07-18 | 2013-11-13 | 国家电网公司 | 基于相似日的光伏电站发电输出功率预测方法 |
Non-Patent Citations (2)
Title |
---|
蒋浩等: "主成分分析结合神经网络的光伏发电量预测", 《电力系统及其自动化学报》 * |
赵杰: "光伏发电并网系统的相关技术研究", 《中国优秀博硕士学位论文全文数据库(博士)(信息科技辑)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794538A (zh) * | 2015-04-20 | 2015-07-22 | 浙江大学 | 基于ieemd-bpnn的电力系统短期负荷预测方法 |
CN104794538B (zh) * | 2015-04-20 | 2018-06-01 | 浙江大学 | 基于ieemd-bpnn的电力系统短期负荷预测方法 |
CN106762453A (zh) * | 2016-12-07 | 2017-05-31 | 湖北民族学院 | 具有发电量预测及跟踪控制的风力发电智能网及控制方法 |
CN106971310A (zh) * | 2017-03-16 | 2017-07-21 | 国家电网公司 | 一种客户投诉数量预测方法及装置 |
CN111707957A (zh) * | 2020-04-23 | 2020-09-25 | 北京邮电大学 | 电动汽车电池残值估算方法及装置 |
CN111707957B (zh) * | 2020-04-23 | 2021-04-13 | 北京邮电大学 | 电动汽车电池残值估算方法及装置 |
CN112327165A (zh) * | 2020-09-21 | 2021-02-05 | 电子科技大学 | 一种基于无监督迁移学习的电池soh预测方法 |
CN112327165B (zh) * | 2020-09-21 | 2021-07-13 | 电子科技大学 | 一种基于无监督迁移学习的电池soh预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sawle et al. | PV-wind hybrid system: A review with case study | |
Mellit et al. | Short-term forecasting of power production in a large-scale photovoltaic plant | |
Yona et al. | Determination method of insolation prediction with fuzzy and applying neural network for long-term ahead PV power output correction | |
Kardakos et al. | Application of time series and artificial neural network models in short-term forecasting of PV power generation | |
Mellit et al. | Performance prediction of 20 kWp grid-connected photovoltaic plant at Trieste (Italy) using artificial neural network | |
CN103390202B (zh) | 一种基于相似数据选取的光伏电站输出功率预测方法 | |
Michael et al. | Short-term solar irradiance forecasting based on a novel Bayesian optimized deep Long Short-Term Memory neural network | |
CN105426956A (zh) | 一种超短期光伏预测方法 | |
Yang et al. | A novel ARX-based multi-scale spatio-temporal solar power forecast model | |
CN103106544A (zh) | 一种基于t-s型模糊神经网络的光伏发电预测系统 | |
Guo et al. | An ensemble solar power output forecasting model through statistical learning of historical weather dataset | |
CN102938562B (zh) | 一种区域内风电总功率的预测方法 | |
CN104346659A (zh) | 应用于高倍聚光光伏发电系统的短期发电量预测方法 | |
Liu et al. | Solar forecasting by K-Nearest Neighbors method with weather classification and physical model | |
CN104701880A (zh) | 基于调峰约束的电网接纳光伏最大容量的计算方法 | |
Nadimi et al. | Analyzing of renewable and non-renewable energy consumption via bayesian inference | |
Okinda et al. | Modeling, simulation and optimal sizing of a hybrid wind, solar PV power system in Northern Kenya | |
Khemissi et al. | A novel optimal planning methodology of an autonomous photovoltaic/wind/battery hybrid power system by minimizing economic, energetic and environmental objectives | |
Varanasi et al. | A comparative study of wind power forecasting techniques—A review article | |
Leholo et al. | Solar energy potential forecasting and optimization using artificial neural network: South Africa case study | |
Serrano-Lujan et al. | Accurate thermal prediction model for building-integrated photovoltaics systems using guided artificial intelligence algorithms | |
Sahoo et al. | Energy forecasting for grid connected MW range solar PV system | |
Ehsan et al. | Artificial neural network predictor for grid-connected solar photovoltaic installations at atmospheric temperature | |
Alanazi et al. | Day-ahead solar forecasting based on multi-level solar measurements | |
Ehsan et al. | Day-ahead prediction of solar power output for grid-connected solar photovoltaic installations using artificial neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150211 |