CN104361406B - 一种光伏电站可利用太阳能发电量预测方法 - Google Patents
一种光伏电站可利用太阳能发电量预测方法 Download PDFInfo
- Publication number
- CN104361406B CN104361406B CN201410603666.6A CN201410603666A CN104361406B CN 104361406 B CN104361406 B CN 104361406B CN 201410603666 A CN201410603666 A CN 201410603666A CN 104361406 B CN104361406 B CN 104361406B
- Authority
- CN
- China
- Prior art keywords
- mrow
- power generation
- generation amount
- photovoltaic
- solar power
- 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.)
- Expired - Fee Related
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000005855 radiation Effects 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000000205 computational method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 2
- 239000003245 coal Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种光伏电站可利用太阳能发电量预测方法,包括如下步骤:(1)计算该光伏电站所在地区近若干年的年平均峰值日照小时数和该光伏电站的可装机容量;(2)通过年平均峰值日照小时数、可装机容量和光伏组件衰减率计算该光伏电站第n年的可利用太阳能发电量Wn和设定年数的总的可利用太阳能发电量W总。本发明的预测方法能够适用于各种区域和气象条件下,生成的各月份的太阳能日平均辐照度、年平均辐照度、可装机容量以及N年中每年的可利用太阳能发电量及可利用太阳能总量,具有代表性,提高了距离当地太阳辐射观测站较远地区或无太阳辐射观测站地区太阳能辐照数据的精确度,预测及评估结果客观合理。
Description
技术领域
本发明属于光伏电站技术领域,具体涉及一种光伏电站可利用太阳能发电量预测方法。
背景技术
在当今石油、煤炭等能源短缺的国际背景下,各国都加紧了发展光伏的步伐。美国提出“太阳能先导计划”意在降低太阳能光伏发电的成本,使其2015年达到商业化竞争的水平;日本也提出了在2020年达到28GW的光伏发电总量;欧洲光伏协会提出了“setfor2020”规划,规划在2020年让光伏发电做到商业化竞争;我国光伏资源储备丰富,理论储量达每年17000亿吨标准煤,太阳能资源开发利用的潜力非常广阔,在石油、煤炭等能源短缺和日益突出的环境问题的双重压力下,不断加大光伏发电的支持力度,在政策的扶持下,预计到2030年光伏装机容量将达1亿千瓦,年发电量可达1300亿千瓦时,相当于少建30多个大型煤电厂,预计到2050年,我国的光伏发电装机将占全国电力装机的5%左右。
太阳辐射强度直接决定了光伏发电系统的发电量,因此太阳辐射数据是光伏电站前期评估及设计中最基础、最重要的参数。但是目前我国布设的太阳辐射观测站点远远少于地面气象观测站,通常情况下,在工程点附近缺乏太阳辐射观测资料,在光伏电站的前期评估及设计中,只能利用距离工程点最近的太阳辐射观测站点的太阳辐射数据,这样获得的太阳辐射数据与当地实际的太阳辐射数据误差很大,使得前期的评估工存在一定的缺憾和盲目性。目前国内外获取无太阳辐射观测点处太阳辐射数据的方法一般是根据工程点周边现有的太阳辐射数据进行插值分析,拟合出当地的太阳辐射数据,但是采用这种方法得到的数据过于理想,且只能反映出当地的太阳能资源丰富程度,无法得出可利用的太阳能发电量。
目前,在光伏电站设计时迫切需要提出一种能够广泛应用的客观预测某一工程点处若干年内每年的可利用太阳能发电量及可利用太阳能总量的预测方法,从而满足光伏电站前期客观评估及设计的需要。
发明内容
本发明的目的是提供一种光伏电站太阳能发电量预测方法,以解决现有方法无法得出可利用的太阳能发电量的问题。
为了实现以上目的,本发明所采用的技术方案是:一种光伏电站可利用太阳能发电量预测方法,包括如下步骤:
(1)计算该光伏电站所在地区近若干年的年平均峰值日照小时数和该光伏电站的可装机容量;
(2)通过年平均峰值日照小时数、可装机容量和光伏组件衰减率计算该光伏电站第n年的可利用太阳能发电量Wn和设定年数的总的可利用太阳能发电量W总。
年平均峰值日照小时数的计算采用BP神经网络LM算法,对不同太阳辐射观测站长期观测得到的太阳能辐射数据库进行学习训练,得出太阳辐照度与经纬度的运算关系,当输入设定地区的精度、维度时,计算出对应的近若干年的太阳能辐照平均值,包括年平均辐照度、年平均峰值日照小时数。
可装机容量的计算是根据该光伏电站的可利用面积、组件功率、组件规格计算出的,其计算公式如下:
其中,[ ]是取整符号;P是指该光伏电站的可装机容量;p1是单个光伏组件的峰值功率;c是每串光伏组件阵列包含的光伏组件个数;S是指可利用总面积;l是指光伏组件长度;b是指光伏组件宽度;Δl是两排光伏组件之间的间隔;D是指前后两排光伏支架之间的距离,其计算方法为:
式中,α是指组件安装倾角。
光伏组件衰减率ηn的计算公式如下:
第n年的可利用太阳能发电量为:
Wn=Wn-1(1-ηn)
Wn-1是指上一年的可利用太阳能发电量,且第一年的可利用太阳能发电量为:
式中,W1是指第一年可利用太阳能发电量,P是指项目可装机容量,t是指该光伏电站所在地年平均峰值日照小时数;η为光伏发电系统的综合发电效率。
该光伏电站N年可利用太阳能总量的计算公式为:
将通过BP神经网络LM算法计算出的年平均辐照度与设定的太阳能资源分级标准进行对比,得出该地区的太阳能资源丰富程度。
本发明的预测方法能够适用于各种区域和气象条件下,生成各月份的太阳能日平均辐照度、年平均辐照度、可装机容量以及N年中每年的可利用太阳能发电量及可利用太阳能总量,具有代表性,提高了距离当地太阳辐射观测站较远地区或无太阳辐射观测站地区太阳能辐照数据的精确度,预测及评估结果客观、合理,可以满足光伏发电相关领域的科学研究及工程应用的需求。
附图说明
图1是本发明光伏电站可利用太阳能发电量预测流程图;
图2是本发明光伏电站设计的太阳能资源综合智能评估原理框图。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
如图1所示为本发明光伏电站可利用太阳能发电量预测方法的流程图,该方法包括如下步骤:
(1)计算该光伏电站所在地区近若干年的年平均峰值日照小时数和该光伏电站的可装机容量。
采用BP神经网络LM算法计算该光伏电站所在地区近若干年的年平均峰值日照小时数,具体过程如下:对不同太阳辐射观测站长期观测得到的太阳能辐射数据库进行学习训练,输入层神经元为项目所在地的经度和维度,输出层神经元为项目所在地近10年的各月平均太阳能辐照度和年平均太阳能辐照度,隐含层神经元个数设计为127个,传递函数采用S型正切函数tansig,学习训练算法为LM算法,得出太阳辐照度与经纬度的运算关系,当输入某一地区的精度、维度时,智能运算出对应的近10年的太阳能辐照平均值,包括各个月份的日平均辐照度、年平均辐照度、年平均峰值日照小时数。
可装机容量运算模块:根据某一项目的可利用面积、组件功率、组件规格利用公式(1)、(2)计算出该项目的可装机容量;
装机容量的计算方法为:
式中,[ ]是指取整符号,例如[2.5]取2;P是指项目可装机容量;p1是指单个组件峰值功率,单位为Wp;c是指每串光伏阵列包含的光伏组件个数;S是指可利用总面积,单位为mm2;l是指光伏组件长度,单位为mm;b是指光伏组件宽度,单位为mm;Δl是指每排光伏支架上安装的两排光伏组件之间的间隔,一般取值为20,单位为mm;D是指前后两排光伏支架之间的距离,其计算方法为:
式中,α是指组件安装倾角。
(2)通过年平均峰值日照小时数、可装机容量和光伏组件衰减率计算该光伏电站第n年的可利用太阳能发电量Wn和N年的总的可利用太阳能发电量W总。
根据公式(3)-(6)计算出项目未来N年(一般为25年)内每年的可利用太阳能发电量和25年总的可利用太阳能发电量。
第n年(2≤n≤25,且n为整数)的可利用太阳能发电量(单位:kWh)为:
Wn=Wn-1(1-ηn) (3)
式中,ηn是指光伏组件第n年的衰减率,
Wn-1是指上一年的可利用太阳能发电量,单位为kWh,且第一年的可利用太阳能发电量为:
式中,W1是指第一年可利用太阳能发电量,单位为kWh;P是指项目可装机容量,单位为Wp;t是指该光伏电站所在地年平均峰值日照小时数,单位为h;η为光伏发电系统的综合发电效率。
N年总的可利用太阳能发电量的计算公式为:
另外,如图2所示,本发明还可以判断该光伏电站地区的太阳能资源丰富程度,建立如表1所示的太阳能资源分级体系,将BP神经网络智能运算模块得出某一地区的年平均太阳能辐照度与分级体系进行比对,得到该地区的太阳能资源丰富程度等级。
表1太阳能资源分级模块
年平均辐照度(kWh/m2·年) | 资源丰富等级 |
1855~2333 | I |
1625~1855 | II |
1393~1625 | Ⅲ |
1163~1393 | IV |
928~1163 | V |
结合该地区的可利用太阳能发电量计算值,将太阳能资源分级模块和可利用太阳能运算模块的结果经综合评估后输出如下内容:
经智能综合评估,项目所在地太阳能资源丰富等级为X级,项目可装机容量为XXXWp;
第1年可利用太阳能发电量为:XXXkWh;
第2年可利用太阳能发电量为:XXXkWh;
第N年可利用太阳能发电量为:XXXkWh;
N年共可利用太阳能发电量为:XXXkWh。
以上实施例仅用于帮助理解本发明的核心思想,不能以此限制本发明,对于本领域的技术人员,凡是依据本发明的思想,对本发明进行修改或者等同替换,在具体实施方式及应用范围上所做的任何改动,均应包含在本发明的保护范围之内。
Claims (5)
1.一种光伏电站可利用太阳能发电量预测方法,其特征在于,包括如下步骤:
(1)计算该光伏电站所在地区近若干年的年平均峰值日照小时数和该光伏电站的可装机容量;
(2)通过年平均峰值日照小时数、可装机容量和光伏组件衰减率计算该光伏电站第n年的可利用太阳能发电量Wn和设定年数的总的可利用太阳能发电量W总;
可装机容量的计算是根据该光伏电站的可利用面积、组件功率、组件规格计算出的,其计算公式如下:
<mrow>
<mi>P</mi>
<mo>=</mo>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mi>c</mi>
<mo>&CenterDot;</mo>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mn>2</mn>
<mi>S</mi>
</mrow>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<mn>2</mn>
<mi>l</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>l</mi>
</mrow>
<mo>)</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&alpha;</mi>
<mo>+</mo>
<mi>D</mi>
<mo>)</mo>
<mo>(</mo>
<mi>b</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>l</mi>
<mo>)</mo>
<mi>c</mi>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
其中,[]是取整符号;P是指该光伏电站的可装机容量;p1是单个光伏组件的峰值功率;c是每串光伏组件阵列包含的光伏组件个数;S是指可利用总面积;l是指光伏组件长度;b是指光伏组件宽度;Δl是两排光伏组件之间的间隔;D是指前后两排光伏支架之间的距离,其计算方法为:
<mrow>
<mi>D</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mn>0.707</mn>
<mi>t</mi>
<mi>a</mi>
<mi>n</mi>
<mi>&alpha;</mi>
<mo>+</mo>
<mn>0.4338</mn>
<mo>)</mo>
<mo>(</mo>
<mn>2</mn>
<mi>l</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mrow>
<mn>0.707</mn>
<mo>-</mo>
<mn>0.4338</mn>
<mi>tan</mi>
<mi>&alpha;</mi>
</mrow>
</mfrac>
</mrow>
式中,α是指组件安装倾角;
光伏组件衰减率ηn的计算公式如下:
<mrow>
<msub>
<mi>&eta;</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0.017</mn>
<mo>-</mo>
<mn>0.001</mn>
<mi>n</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>2</mn>
<mo>&le;</mo>
<mi>n</mi>
<mo>&le;</mo>
<mn>16</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0.002</mn>
<mi>n</mi>
<mo>-</mo>
<mn>0.033</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>17</mn>
<mo>&le;</mo>
<mi>n</mi>
<mo>&le;</mo>
<mi>N</mi>
<mo>,</mo>
<mi>N</mi>
<mo>&GreaterEqual;</mo>
<mn>17</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
2.根据权利要求1所述的光伏电站可利用太阳能发电量预测方法,其特征在于:年平均峰值日照小时数的计算采用BP神经网络LM算法,对不同太阳辐射观测站长期观测得到的太阳能辐射数据库进行学习训练,得出太阳辐照度与经纬度的运算关系,当输入设定地区的精度、维度时,计算出对应的近若干年的太阳能辐照平均值,包括年平均辐照度、年平均峰值日照小时数。
3.根据权利要求2所述的光伏电站可利用太阳能发电量预测方法,其特征在于:第n年的可利用太阳能发电量为:
Wn=Wn-1(1-ηn)
Wn-1是指上一年的可利用太阳能发电量,且第一年的可利用太阳能发电量为:
<mrow>
<msub>
<mi>W</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>P</mi>
<mi>t</mi>
<mi>&eta;</mi>
</mrow>
<mn>1000</mn>
</mfrac>
</mrow>
式中,W1是指第一年可利用太阳能发电量,P是指该光伏电站的可装机容量,t是指该光伏电站所在地年平均峰值日照小时数;η为光伏发电系统的综合发电效率。
4.根据权利要求3所述的光伏电站可利用太阳能发电量预测方法,其特征在于:该光伏电站N年可利用太阳能总量的计算公式为:
5.根据权利要求2所述的光伏电站可利用太阳能发电量预测方法,其特征在于:将通过BP神经网络LM算法计算出的年平均辐照度与设定的太阳能资源分级标准进行对比,得出该地区的太阳能资源丰富程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410603666.6A CN104361406B (zh) | 2014-10-31 | 2014-10-31 | 一种光伏电站可利用太阳能发电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410603666.6A CN104361406B (zh) | 2014-10-31 | 2014-10-31 | 一种光伏电站可利用太阳能发电量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104361406A CN104361406A (zh) | 2015-02-18 |
CN104361406B true CN104361406B (zh) | 2017-11-21 |
Family
ID=52528664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410603666.6A Expired - Fee Related CN104361406B (zh) | 2014-10-31 | 2014-10-31 | 一种光伏电站可利用太阳能发电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104361406B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326999A (zh) * | 2015-06-30 | 2017-01-11 | 天泰管理顾问股份有限公司 | 太阳能电厂的发电量推测方法 |
CN105305415A (zh) * | 2015-10-08 | 2016-02-03 | 许继集团有限公司 | 一种离网光伏电站负荷可用电量的预测方法 |
CN105956719B (zh) * | 2016-06-01 | 2019-12-24 | 北京驭能者能源科技有限公司 | 基于历史气象数据的光伏资源评估优化方法及系统 |
CN106682822B (zh) * | 2016-12-19 | 2020-06-23 | 武汉大学 | 基于实时伏安时间曲线特征参数的太阳能辐照资源定量评价方法 |
CN108736510B (zh) * | 2017-09-08 | 2020-05-12 | 中国南玻集团股份有限公司 | 光伏电站发电和厂区用电比例的预测方法 |
CN108376399A (zh) * | 2018-02-11 | 2018-08-07 | 甘肃省电力公司风电技术中心 | 基于光伏板实时监测的沙尘影响程度分析方法 |
CN108985625A (zh) * | 2018-07-16 | 2018-12-11 | 浙江电腾云光伏科技有限公司 | 一种光伏设备运行分析方法 |
CN111310954A (zh) * | 2018-12-11 | 2020-06-19 | 北京铂阳顶荣光伏科技有限公司 | 光伏发电量预测方法及装置、存储介质、电子设备 |
CN111310955A (zh) * | 2018-12-11 | 2020-06-19 | 北京铂阳顶荣光伏科技有限公司 | 光伏组件安装面积预测方法及装置、存储介质、电子设备 |
CN111178609A (zh) * | 2019-12-23 | 2020-05-19 | 国网河北省电力有限公司 | 一种基于归一化拟合的区域光伏月发电量预测方法 |
CN112182883B (zh) * | 2020-09-28 | 2022-06-24 | 上海交通大学 | 基于自适应lm的光伏组件参数估计方法 |
CN112949466B (zh) * | 2021-02-26 | 2022-11-22 | 重庆若上科技有限公司 | 视频ai烟尘污染源识别与定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004095328A1 (ja) * | 2003-04-22 | 2004-11-04 | Sharp Kabushiki Kaisha | 太陽電池発注システム |
CN102868323A (zh) * | 2012-08-28 | 2013-01-09 | 深圳蓝波幕墙及光伏工程有限公司 | 一种光伏电站发电预测控制方法 |
JP2013232147A (ja) * | 2012-05-01 | 2013-11-14 | Tokyo Electric Power Co Inc:The | 発電電力推定装置、発電電力推定方法、及び発電電力推定プログラム |
JP5450285B2 (ja) * | 2010-06-29 | 2014-03-26 | Jx日鉱日石エネルギー株式会社 | 予測発電量算出装置及び予測発電量算出方法 |
-
2014
- 2014-10-31 CN CN201410603666.6A patent/CN104361406B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004095328A1 (ja) * | 2003-04-22 | 2004-11-04 | Sharp Kabushiki Kaisha | 太陽電池発注システム |
JP5450285B2 (ja) * | 2010-06-29 | 2014-03-26 | Jx日鉱日石エネルギー株式会社 | 予測発電量算出装置及び予測発電量算出方法 |
JP2013232147A (ja) * | 2012-05-01 | 2013-11-14 | Tokyo Electric Power Co Inc:The | 発電電力推定装置、発電電力推定方法、及び発電電力推定プログラム |
CN102868323A (zh) * | 2012-08-28 | 2013-01-09 | 深圳蓝波幕墙及光伏工程有限公司 | 一种光伏电站发电预测控制方法 |
Non-Patent Citations (2)
Title |
---|
"Fuzzy logic based modeling and estimation of global solar energy using meteorological parameters";M.Rizwan等;《Energy》;20140510;第70卷;全文 * |
"光伏发电系统输出功率短期预测技术研究";王磊;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20130615(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104361406A (zh) | 2015-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104361406B (zh) | 一种光伏电站可利用太阳能发电量预测方法 | |
Li et al. | Long-term complementary operation of a large-scale hydro-photovoltaic hybrid power plant using explicit stochastic optimization | |
Fereidooni et al. | A comprehensive evaluation of hydrogen production from photovoltaic power station | |
GB2594034A (en) | Optimal control technology for distributed energy resources | |
Lawan et al. | A review of hybrid renewable energy systems based on wind and solar energy: modeling, design and optimization | |
Rafique et al. | Assessment of solar energy potential and its deployment for cleaner production in Pakistan | |
Tao et al. | Distributed PV power forecasting using genetic algorithm based neural network approach | |
CN104868505B (zh) | 大型太阳能光伏发电基地集群出力特性分析方法 | |
CN107256450B (zh) | 考虑长-短嵌套决策的水光电互补调度容量配置方法 | |
CN103218673A (zh) | 基于bp神经网络的光伏发电短期出力预测方法 | |
CN103729685A (zh) | 基于改进rbf神经网络的光伏电站群区域功率预测方法 | |
CN105335560A (zh) | 光伏发电功率波动性及其自动发电控制备用需求计算方法 | |
CN104268659A (zh) | 一种光伏电站发电功率超短期预测方法 | |
CN104200289A (zh) | 一种基于投资回报率的分布式光伏装机容量预测方法 | |
Okinda et al. | Modeling, simulation and optimal sizing of a hybrid wind, solar PV power system in Northern Kenya | |
CN108075471B (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
Gauché et al. | A concentrating solar power value proposition for South Africa | |
CN107229817B (zh) | 光伏电站灰尘遮挡损失分析方法 | |
CN104636824A (zh) | 一种确定最小渗透率的分布式光伏选址定容方法 | |
CN106447132A (zh) | 一种区域光伏电站群的中长期发电量预测方法 | |
CN112184016B (zh) | 复杂电网下判断水光互补一体化光伏规模的方法 | |
CN104239979A (zh) | 一种风电场发电功率超短期预测方法 | |
Sahoo et al. | Energy forecasting for grid connected MW range solar PV system | |
Kammen et al. | An assessment of the environmental impacts of concentrator photovoltaics and modeling of concentrator photovoltaic deployment using the switch model | |
Dimd et al. | Ultra-short-term photovoltaic output power forecasting using deep learning algorithms |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171121 |