CN105184404B - 适用于光伏系统全生命周期的输出功率分类预测系统 - Google Patents
适用于光伏系统全生命周期的输出功率分类预测系统 Download PDFInfo
- Publication number
- CN105184404B CN105184404B CN201510552067.0A CN201510552067A CN105184404B CN 105184404 B CN105184404 B CN 105184404B CN 201510552067 A CN201510552067 A CN 201510552067A CN 105184404 B CN105184404 B CN 105184404B
- Authority
- CN
- China
- Prior art keywords
- prediction
- model
- data
- module
- photovoltaic
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/123—DNA computing
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
- H02J2300/26—The renewable source being solar energy of photovoltaic origin involving maximum power point tracking control for photovoltaic sources
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- 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
-
- 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
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security
Abstract
本发明公开了一种适用于光伏系统全生命周期的输出功率分类预测系统,包括基本信息存储模块、数据库模块、预测模块判断模块、预测数据预处理模块和预测建模模块。本系统根据获取的数据种类和光伏系统的投运时间选择不同的预测模型进行训练和预测,是一种模块化、多类型的光伏系统输出功率预测系统,能够适应当前大多数光伏系统输出功率预测要求,能够根据光伏系统规模、用户要求等进行定制,既能满足经济性要求,也满足可靠性要求,具有良好的适应性和可移植性。同时,本发明使用的预测方法能够自动更新,预测系统能够自动运行管理,具有较高的预测精度和稳定性。
Description
技术领域
本发明涉及光伏技术领域,具体涉及一种适用于光伏系统全生命周期的输出功率分类预测系统。
背景技术
进入21世纪以来,世界范围内能源供给持续紧张,开发利用清洁高效的可再生能源是解决未来能源问题的主要出路。目前,太阳能光伏发电是发展最快的可再生能源发电技术,据预测,太阳能光伏发电在21世纪将会占据世界能源消费的重要席位,不但要替代部分常规能源,而且将成为世界能源供应的主体。但是太阳能光伏发电与传统发电单元不同,光伏系统输出功率具有随机性、间歇性和不可控性的特点,因此有必要对光伏发电功率进行预测,以其作为光伏系统规划、能量管理和调度控制的重要依据,并保障光伏系统稳定、经济运行。
现有的光伏功率预测模型根据模型输入数据的不同分为统计模型、物理模型和两者的组合模型。通常,不同的预测模型需要不同的输入,而影响光伏系统输出功率最重要的因素是当地太阳辐射,因此太阳辐射是除了光伏功率外预测模型需要考虑的首要输入。其他可以用作光伏功率预测模型输入的数据类型包括NWPs(Numerical WeatherPredictions,数值气象预报)数据(太阳辐照、温度等)、历史和实时气象数据、光伏系统在线数据和物理环境数据(光伏电池数据、光伏方阵安装和布局、地理位置等)。
为提高光伏功率预测精度,应尽可能获取以上所提的模型输入数据类型,但受光伏系统的规模和所处地理位置的限制,通常不能获取完备的输入数据类型。传统的光伏功率预测系统通常只针对单一组合的输入数据类型,因此预测系统的适应性较差,另外,这些预测系统通常需要采用较多的输入数据类型,不考虑数据资料获取的难度,对于安装在偏远地区和海岛等光伏系统的功率预测很难应用多种输入数据类型作为输入的预测系统。此外,光伏系统在其整个生命周期所能获得的数据类型不是固定的,即从光伏系统规划阶段的功率预测到运行后期的功率预测方法应根据预测模型输入数据类型的变化而变化,而传统的光伏预测系统对于这一点的考虑常常欠缺。
发明内容
本发明的目的在于提供一种适用于光伏系统全生命周期、适用于多种输入数据组合类型、分辨率可变的光伏功率预测系统。所述光伏功率预测系统具有操作简单、输入数据类型扩展灵活、预测方法丰富、适用性强等优点,能够应用于多种光伏系统、为光伏系统的规划及其能量管理系统提供依据,提高光伏功率预测的准确性、降低由于系统变化需要重新设计光伏功率预测系统的开发成本。为了实现上述发明目的,本发明采用如下的技术方案。
一种适用于光伏系统全生命周期的输出功率分类预测系统,包括:
基本信息存储模块,用于存储光伏系统包括地理位置、历史气象信息、安装信息和逆变器信息在内的基本信息;
数据库模块,用于分类存储预测建模所需的各种数据,包括光伏系统运行数据、环境监测数据、天气预报数据和数值气象预报数据,还存储上述基本信息存储模块的基本信息;
预测模型判断模块,用于根据所述数据库模块所存储的数据的种类,及光伏系统的投运时间确定相应的预测模型;
预测数据预处理模块,用于对所述数据库模块中的数据进行均值化处理,形成输入输出模型训练样本及预测输入样本;
预测建模模块,用于根据所述预测模型判断模块确定的预测模型对所述预测数据预处理模块的样本进行模型训练和预测,得到光伏系统输出功率的预测值。
与现有技术相比,本发明具有以下优点:
1.本发明考虑光伏发电系统所获取的建模数据类型的多样性,针对常见数据类型组合采用相应的预测类型,适用于多种光伏系统,预测系统具有很好的适应性。
2.本发明可以灵活实现光伏发电系统全生命周期的预测。按照光伏系统运行时间采用不同的预测模型,有利于在不同的阶段根据建模数据类型选择合适的预测算法和模型,提高光伏预测系统的预测精度。
3.本发明采用模块化设计,各个模块功能分明、分界面清晰,可以根据用户需求定制预测系统,灵活增加或关闭某些模块功能,降低小型光伏系统预测成本,满足大型光伏系统用户需求。
附图说明
图1为本发明适用于光伏系统全生命周期的输出功率分类预测系统的结构示意图;
图2为本发明适用于光伏系统全生命周期的输出功率分类预测系统的预测过程示意图;
图3为本发明适用于光伏系统全生命周期的输出功率分类预测系统的坏数据识别与修正示意图;
图4为光伏组件等效电路图;
图5为本发明适用于光伏系统全生命周期的输出功率分类预测系统采用的预测类型1、2、3的示意图;
图6为本发明适用于光伏系统全生命周期的输出功率分类预测系统采用的预测类型4、5的示意图;
图7为本发明适用于光伏系统全生命周期的输出功率分类预测系统采用的预测类型6的示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。
本发明的适用于光伏系统全生命周期的输出功率分类预测系统,如图1所示,包括:
基本信息存储模块,用于存储光伏系统包括地理位置、历史气象信息、安装信息和逆变器信息在内的基本信息;
数据库模块,用于分类存储预测建模所需的各种数据,包括光伏系统运行数据、环境监测数据、天气预报数据和数值气象预报数据;
预测模型判断模块,用于根据所述数据库模块所存储的数据的种类,及光伏系统的投运时间确定相应的预测模型;
预测数据预处理模块,用于对所述数据库模块中的数据进行均值化处理,形成输入输出模型训练样本及预测输入样本;
预测建模模块,用于根据所述预测模型判断模块确定的预测模型对所述预测数据预处理模块的样本进行模型训练和预测,得到光伏系统输出功率的预测值。
数据库模块存储的数据包括多种类型,并可以是处于光伏系统各个时期的,因此本发明根据数据种类和系统运行时间采用不同的预测模型进行训练和预测,从而增加本预测系统的适用性、灵活性,以及预测精度。
作为一个优选的实施例,本预测系统包括:基本信息存储模块、数据输入模块、数据辨识及修正模块、数据库模块、预测模型判断模块、预测数据预处理模块、预测建模模块、模型误差分析模块、运行错误诊断模块、自动运行管理模块、人机界面模块等。其中,如图2所示,基本信息存储模块为光伏预测系统最初执行模块,基本信息存储模块执行后,光伏功率预测系统进入循环预测运行,循环过程执行顺序为数据输入模块、数据辨识及修正模块、数据库模块、预测模型判断模块、预测数据预处理模块、预测建模模块、模型误差分析模块、运行错误诊断模块,然后进行零点判断,若非零点,则将预测相关结果返回人机界面和预测数据库并重新进入循环,若为零点,则执行模型误差分析模块对误差进行统计,执行自动运行管理模块,再将相关统计结果返回人机界面和预测数据库并重新进入循环。
所述基本信息存储模块包括存储光伏系统地理位置、历史气象信息、安装、逆变器等基本信息。其中,地理位置信息包括经度、纬度、海拔、阴影遮挡情况;历史气象信息包括气象站、NASA、NOAA等网站获取的逐小时/月/日太阳辐射、环境温度信息;安装信息包括光伏组件的铭牌值、光伏组件串并联信息、方阵数量、安装角度、安装方式等,其中,铭牌值信息包括光伏组件短路电流、开路电压、最大功率点电压、最大功率点电流、电压温度系数、电流温度系数、组件效率衰减信息等,组件效率衰减信息默认为第一年衰减3%,第二年开始每年衰减0.7%,方阵数量以逆变器进行划分,安装角度包括倾角和方位角,安装方式包括安装型、构件型和建材型;逆变器信息包括额定功率、效率、最大功率跟踪范围。
所述数据输入模块包括逆变器运行数据输入模块、环境监测输入模块、NWPs输入模块、天气预报输入模块。其中,逆变器运行数据包括逆变器开关状态、输入电压、输入电流、输入功率、输出电压、输出电流、输出功率;环境监测数据包括水平面太阳总辐照、水平面太阳散射辐射、水平面太阳直射辐射、环境温度、组件温度;NWPs数据包括水平面太阳总辐射、环境温度;天气预报数据包括白天的天气晴雨情况、风力、气温和湿度。
所述数据辨识及修正模块包括坏数据辨识和历史数据处理,坏数据是指不可用于预测建模的数据,主要分为两类,第一类是不能修正的数据,包括为逆变器引起的明显的功率变化数据和通讯长时间故障产生的数据;第二类是通过修正和补全后可用于预测建模的数据,包括短时通讯故障产生的坏数据。如图3所示,逆变器引起的坏数据包括逆变器故障、调度控制光伏逆变器输出功率等引起的坏数据,此类坏数据不能进行修正,处理方式为直接存入坏数据库。通讯故障造成的坏数据有以下3种情况:1)数据重复,采样时间及数据重复;2)数据失真,超出边界条件或连续多个数据相同且不为0;3)数据缺失。针对以上3种坏数据类型采取对应处理方法:1)直接删除重复多余数据;2)超出边界条件的数据以及进行超短期预测时连续出现多个相同数据,则取失真数据的前5个数据移动平均值进行修正。若通讯故障出现连续相同的数据小于3个小时,则通过搜索历史相似时间段,将相似历史时段数据作为故障数据的修正,修正后的数据存入建模数据库;若故障时间大于3小时则判定为长时间通讯故障,则将该天数据直接存入坏数据库;3)采用和2)相同的修正方法。
所述数据库模块包括原始数据库、建模数据库、坏数据数、预测结果据库。每小时预测完成后及每日00:00将对原始数据库前一小时或一天的数据进行辨识和修正,然后存入坏数据库或建模数据库,以便后续用于建模预测。若前一小时或一天的数据不存在坏数据和缺失数据,则直接将该天的所有数据按时间顺序存入建模数据库;若存在不能修正的坏数据,则不将该天数据存入建模数据库,而将其标记后备份存入坏数据库以方便日后查阅;若存在可以修正的坏数据,则修正和补全后按时间顺序存入建模数据库。
所述预测模型判断模块根据建模数据库中的子数据库种类判断可采用的预测模型。进一步的,若为预测类型1使用预测模型11进行光伏发电功率/发电量预测。若为预测类型2,投运时间小于1个月则判断为采用预测模型21进行预测,投运时间大于1个月且小于6个月则判断为采用预测模型22进行预测,投运时间大于6个月则判断为采用预测模型23进行预测。若为预测类型3,此时预测模型31、32和21、22分别相同,投运时间大于6个月则判断为采用预测模型33进行预测。若为预测类型4,投运时间小于1个月则判断为采用预测模型41进行预测,投运时间大于1个月且小于6个月则判断为采用预测模型42进行预测,投运时间大于6个月则判断为采用预测模型43进行预测。若为预测类型5,此时预测模型51、52和41、42分别相同,投运时间大于6个月则判断为采用预测模型53进行预测。若为预测类型6,投运时间小于1个月则判断为采用预测模型61进行预测,投运时间大于1个月且小于6个月则判断为采用预测模型62进行预测,投运时间大于6个月则判断为采用预测模型63进行预测。
所述预测数据预处理模块包括均值化处理、模型训练样本和预测样本准备。均值化处理是根据预测分辨率将建模数据库和实时采集数据取平均值,默认预测分辨率包括15min、30min、1h。均值化处理后根据选定的模型准备模型训练需要的输入样本和输出样本,并同时准备预测输入样本。
如图5、6、7所示,所述预测建模模块包括6类预测,预测类型1包含1种预测模型,记为预测模型11,其余5种类型预测均分别包含3种预测模型。
进一步的,如图4所示,预测模型11采用光伏电池单二极管5参数(光生电流Iph、二极管反向饱和电流Is、二极管理想因子n、串联电阻Rs和并联电阻Rp)模型,根据光伏组件的铭牌信息、安装倾角、方阵朝向、历史水平面太阳逐小时/日/月辐照及其对应的平均温度等计算光伏系统的输出功率。求解步骤如下:(1)建立光伏组件的5参数模型,利用5个约束方程求解5参数模型,约束方程分别为短路方程、开路方程、最大功率点电路方程、最大功率点功率求导方程、电压温度系数方程;(2)根据安装倾角、朝向和历史水平面太阳辐照计算入射到光伏组件上的有效辐照,将环境温度转换成组件温度;(3)将有效辐照和组件温度代入步骤(1)求解出的模型得出光伏系统的输出功率。
进一步的,如图5所示,预测类型2包含预测模型21、22、23。预测模型21能实现提前2小时内的预测,针对数据库数据少于1个月的光伏系统预测。当数据库数据少于10天时,采用持续法进行预测。当数据库数据多于10天且少于1个月时,采用持续法、时间序列法和神经网络模型建立混合模型,建模方法如下:(1)利用预测日前10天的历史功率数据分别建立持续法预测模型和时间序列ARIMA预测模型;(2)将前两个模型的输出作为神经网络的输入,并将实际功率作为神经网络的输出对RBF神经网络进行训练,得到混合预测模型;(3)将持续法模型以及ARIMA模型输入代入,经过混合模型的预测即可得出光伏系统提前2小时以内的相应步长的预测值。预测模型22能实现提前2小时内的预测,针对数据库数据多于1个月少于6个月的光伏系统预测。采用时间序列法、神经网络和支持向量回归模型建立混合模型,建模方法如下:(1)利用预测日前15天历史功率数据建立时间序列ARIMA预测模型;(2)利用预测日前30天历史功率数据对RBF神经网络进行训练,建立预测模型;(3)将ARIMA预测模型和RBF神经网络模型的输出作为支持向量回归SVR模型输入,将实际功率作为SVR模型的输出,对SVR进行训练,得到混合预测模型;(4)将ARIMA模型和RBF神经网络模型的输入代入,经过混合模型的预测即可得出光伏系统提前2小时以内的相应步长的预测值。当预测数据库数据多于6个月时,采用预测模型23,该模型能实现提前2小时内的预测。预测模型23采用混沌预测方法,结合加权一阶预测法和SVR模型预测建立预测模型,可以有效提取与预测中心点相似的数据进行建模训练,提高预测精度,建模方法如下:(1)根据预测分辨率(提前M分钟预测)构造平均光伏功率序列,并构造M-1个辅助光伏功率序列构成多维时间序列;(2)将此多维时间序列进行相空间重构,利用C-C方法分别提取各个时间序列的时间延迟τ,并采用最小误差计算法选择各个时间的嵌入维数d,其中辅助光伏功率序列嵌入维数设定为1;(3)在重构的相空间中,计算预测中心点与其他历史相点的欧式距离,选择距离最小的K个相点作为近邻点;(4)将K个近邻点的下一时刻数值取平均值,得到预测值1;(5)将K个近邻点作为SVR输入,近邻点的下一时刻数值作为SVR输出,用K组训练样本对SVR参数进行网格寻优,利用寻优得到的C和γ以及K组训练样本训练SVR模型,将预测中心点输入SVR模型,得到预测值2;(6)将K个近邻点及其下一时刻的数值进行一阶局域线性拟合,得到加权一阶局域预测值,即为预测值3;(7)将3个预测值取平均值即得到模型最终预测值。
进一步的,如图5所示,预测类型3包含预测模型31、32、33。其中,模型31、32分别与模型21、22相同。当预测数据库数据多于6个月时,采用预测模型33,该模型能实现提前2小时内的预测和日前预测。其中,模型33进行提前2小时预测时,预测模型与模型23相同,进行日前预测时采用历史光伏发电功率、天气预报信息以及晴天太阳辐射强度结合进行预测,利用天气预报数据进行相似日搜索建立预测模型,建模方法如下:(1)根据经纬度、时间以及海拔等,利用HOTTEL模型计算晴天太阳辐射强度;(2)根据晴天太阳辐射强度、最高温度、最低温度、天气情况、预测日前一天历史功率选择相似日,选取相似日的具体步骤如下:a.天气类型分为晴、多云、阴、小雨、中雨、大雨、雷阵雨、雾等。根据预报天气情况选取出类型与预测日相似的历史日;b.根据计算出的预测日晴天太阳辐射,在天气相似的历史日中选取与预测日晴天太阳辐射(6:00-19:00)欧式距离最近的K1天,K1通过仿真试验设定;c.在b选出的K1天相似日中,再根据温度相似度进一步选取相似日。用Tn表示待预测日的温度,Tn=[Tn(1),Tn(2)],Tn(1)和Tn(2)分别表示待预测日的最高温度和最低温度。K1天中某一天的两个影响因素构成的向量为Ti=[Ti(1),Ti(2)],i=1,2,…,K1,计算Ti与Tn的欧式距离,选择Ti与Tn的欧式距离小于3的相似日;d.计算符合温度距离条件的相似日的前一天功率与预测日前一天功率的相似度,选取相似度最高的K2天作为最终相似日用于建立日前光伏功率预测模型;(3)将相似日对应时刻的发电功率值取平均值,作为预测结果1;(4)利用相似日采用分时间点建模的方法建立日前光伏发电SVR预测模型,作为预测结果2,即6:00-19:00共包括14个模型,具体为:a.将相似日和待预测日的太阳辐照、温度和湿度分别归一化到[0,1];b.将相似日同一时段归一化后的太阳辐照、温度(包括最高温度和最低温度)、湿度(包括最高湿度和最低湿度)作为SVR输入,小时平均光伏功率作为SVR输出,用相似日作为训练样本训练SVR模型,得到14个时刻对应的14个模型;c.将预测日归一化后的太阳辐照、温度和湿度分别代入14个SVR模型,即可得到待预测日6:00-19:00的光伏功率预测值。
进一步的,如图6所示,预测类型4包含预测模型41、42、43。预测模型41能实现提前2小时内的预测,针对数据库数据少于1个月的光伏系统预测。当数据库数据少于10天时,采用持续法对太阳辐照强度、环境温度、光伏功率分别进行预测得到太阳辐照强度预测值、环境温度预测值、光伏功率预测值1,将环境温度换算成组件温度,将太阳辐照强度换算成光伏组件倾斜面接收到的有效太阳辐照,再将有效太阳辐照强度预测值和组件温度预测值代入模型11所建的光伏组件模型得到光伏功率预测值2,将两个预测值取平均值得到光伏功率预测值。当数据库数据多于10天且少于1个月时,采用持续法、时间序列法和神经网络模型对太阳辐照强度、环境温度、光伏功率分别建立混合模型,建模方法与模型21相似,分别得到太阳辐照强度预测值、环境温度预测值、光伏功率预测值1,将环境温度换算成组件温度,再将太阳辐照强度预测值和环境温度预测值代入模型11所建的光伏组件模型得到光伏功率预测值2,将光伏功率预测值1和预测值2作为RBF神经网络的输入,实际光伏功率作为神经网络的输出,进行模型训练,将预测样本代入预测模型即得到光伏功率预测值。预测模型42能实现提前2小时内的预测,针对数据库数据多于1个月少于6个月的光伏系统预测。采用时间序列法、神经网络和支持向量回归模型针对太阳辐照强度、环境温度和光伏功率分别建立混合预测模型,建模方法与模型22相似,分别得到太阳辐照强度预测值、环境温度预测值、光伏功率预测值1,将环境温度换算成组件温度,再将太阳辐照强度预测值和环境温度预测值代入模型11所建的光伏组件模型得到光伏功率预测值2,将光伏功率预测值1和预测值2作为支持向量回归SVR模型的输入,实际光伏功率作为SVR模型的输出,进行模型训练,将预测样本代入预测模型即得到光伏功率预测值。当预测数据库数据多于6个月时,采用预测模型43,该模型能实现提前2小时内的预测。预测模型43采用混沌预测方法,利用2种多维时间序列重构相空间搜索与预测中心点相似的近邻点建立预测模型,建模方法如下:(1)采用和模型23相同的方法构造多维时间序列,并建立预测模型,得到光伏功率预测值1;(2)利用历史光伏功率、太阳辐照强度、环境温度构造3维时间序列,利用C-C方法和最小误差计算法重构相空间,在重构的相空间中搜索与预测中心点相似的近邻点,然后采用模型23步骤(4)~(7)对近邻点建立SVR预测模型,得到光伏功率预测值2;(3)将光伏功率预测值1和光伏功率预测值2作为SVR模型的输入,实际光伏功率作为SVR模型的输出,对SVR模型参数进行寻优并训练;(4)将预测输入样本代入模型,SVR预测模型的输出即为光伏功率预测值。
进一步的,如图6所示,预测类型5包含预测模型51、52、53。其中,模型51、52分别与模型41、42相同。当预测数据库数据多于6个月时,采用预测模型53,该模型能实现提前2小时内的预测和日前预测,建模方法如下:(1)与模型33步骤(1)相同;(2)与模型33步骤(2)a到c相同,d.计算符合温度距离条件的相似日的前一天功率与预测日前一天功率、辐照和温度的相似度,选取相似度最高的K2天作为最终相似日用于建立日前光伏功率预测模型;(3)与模型33步骤(3)相同;(4)与模型33步骤(4)相同。
进一步的,如图7所示,预测类型6包含预测模型61、62、63。预测模型61针对数据库数据少于1个月的光伏系统预测,能实现提前2小时内的预测和提前24~72小时的预测。其中,进行提前2小时内的预测方法与预测模型41相同,进行提前24~72小时的预测取决于NWPs的准确性预报建模方法如下:(1)将NWPs中的太阳辐照和环境温度分别转换为光伏组件倾斜面的有效太阳辐照和组件温度;(2)将有效太阳辐照和组件温度代入光伏组件模型得到提前24~72小时的功率预测序列1;(3)将环境监测数据库中的太阳辐照、环境温度作为RBF神经网络的输入,对应时刻的光伏功率作为模型输出,对RBF神经网络进行训练;(4)将NWPs的太阳辐照、环境温度代入RBF神经网络预测模型得到提前24~72小时的功率预测序列2;(5)将功率预测序列1和功率预测序列2取平均值作为提前24~72小时的功率预测值。预测模型62针对数据库数据多于1个月少于6个月的光伏系统预测,能实现提前2小时内的预测和提前24~72小时的预测。其中,进行提前2小时内的预测方法与预测模型42相同,进行提前24~72小时的预测建模方法如下:(1)将NWPs进行修正,具体为分时段建立14个NWPs数据修正模型,将预测日前30天的同一时段的NWPs太阳辐照强度、环境温度作为SVR模型的输入,环境监测数据库中的太阳辐照强度、环境温度作为SVR模型的输出,采用遗传算法或蚁群算法对SVR模型进行参数寻优并训练,得到NWPs修正模型;(2)利用修正后的NWPs数据采用模型61进行提前24~72小时的预测。预测模型63针对数据库数据多于6个月的光伏系统预测,能实现提前2小时内的预测和提前24~72小时的预测。其中,进行提前2小时内的预测方法与预测模型43相同,进行提前24~72小时的预测建模方法如下:(1)将NWPs进行修正,修正方法如下:a.根据NWPs历史数据中的太阳辐射强度、环境温度、风速,逐步选取与预测日6:00-19:00太阳辐射强度、环境温度、风速的欧式距离最近的K3天,K3通过仿真试验设定;b.分时段建立14个NWPs数据修正模型,将同一时段的NWPs太阳辐照强度、环境温度作为SVR模型的输入,环境监测数据库中的太阳辐照强度、环境温度作为SVR模型的输出,采用遗传算法或蚁群算法对SVR模型进行参数寻优并训练,得到NWPs修正模型;(2)利用修正后的NWPs数据采用模型61进行提前24~72小时的预测。
模型误差分析模块对预测模型的误差进行计算和统计,并根据统计结果判断非混沌预测模型是否需要更新。进一步的,该模块根据天气类型统计误差情况,给出不同天气下预测值的置信区间。同时将一天的预测分为3个时段,分别为6点到10、11点到14点、15点到19点,根据三个时段统计预测误差情况,给出各个时段预测值的置信区间。此外,对比NWPs与环境监测数据,分时段计算并统计NWPs误差。
所述运行错误诊断模块包括运行错误监测模块、运行错误日志制定模块和错误报警模块。运行错误监测模块将系统运行过程中监测到的错误信息输入运行错误日志制定模块中,主要有以下几种错误信息:1)光伏系统运行数据获取失败,无法从数据库中获取最新的历史功率数据;2)运行数据库中历史功率数据不全或存在严重坏数据;3)发电预测失败;4)与气象台连接的通信网络不通;5)气象信息服务器上没有所需的气象预报结果;6)环境监测数据库中历史气象数据不全。运行错误日志制定部分将接收到的错误信息分为两类:严重错误(错误1~3)和一般错误(错误4~6),然后按类别将错误的详细信息写入当日的运行错误日志中。错误报警部分在每小时的预测工作完成后自动检查该日的运行错误日志,若其中存在严重错误则弹出闪烁的红色报警窗口,表示情况严重,系统需要人工干预;若存在一般错误则弹出黄色报警窗口,提示运行人员多加注意;若没有错误则不弹出报警窗口,表示当前预测工作一切正常,不需运行人员干预。
所述自动运行管理模块包括日运行日志制定和月运行日志制定子模块。日运行日志制定子模块每日00:00自动运行,对前一日的运行情况进行统计分析,内容包括:①预测的基本信息:日类型、天气预报信息、NWPs信息、所采用的预测类型和预测模型等;②系统运行情况:该日系统运行是否正常、光伏系统运行数据获取是否成功、气象数据获取是否成功、历史功率数据是否完整、历史气象数据是否完整、历史环境监测数据是否完整等;③运行结果统计:该日发电功率预测误差统计结果、NWPs误差统计、数据修正情况等。月运行日志制定子模块每月第一日自动运行,对前一月的运行情况进行统计分析,内容包括:①基本情况:月份、该月天气情况、有无特殊气象状况出现等;②系统运行情况:系统运行率、运行错误诊断报告生成率、NWPs数据获取率、天气预报数据获取率、原始数据库数据合格率、建模数据库修正率等;③运行结果统计:发电功率预测误差统计、NWPs误差统计、该月预测精度上下限估计等。
所述人机界面模块用于查看在线和历史数据/工况/告警,并提供用户方便的预测系统参数设定及数据导入功能。进一步的,所述人机界面模块,将预测结果同时以实时数据、实时曲线、历史表格和历史曲线四种形式给出,以便进行查询和修正。同时给出预测时刻的其他相关数据,例如前一时刻数据、环境温度、太阳辐照等。同时提供运行日志查询功能、错误告警功能。其中,错误报警界面上提供相关信息提示,将与错误相关的发电功率、气象等数据以曲线或表格的形式显示,帮助运行人员快速判断、定位错误。
本发明关于一种适用于光伏系统全生命周期的输出功率分类预测系统,特别适合于多种类型的光伏系统全生命周期的输出功率预测。提供了一种模块化的光伏系统输出功率预测系统,能够根据光伏系统规模、地理位置、用户要求等进行定制,既能满足经济性要求,也满足可靠性要求,解决了光伏功率预测系统移植性差、运行稳定性可靠性差的问题。本发明考虑了常见的光伏功率预测数据类型,包括光伏系统基本信息、光伏发电功率、天气预报数据、环境监测数据和NWPs数据,根据这些数据类型对光伏功率预测类型进行了分类,并根据光伏系统全生命周期所获得数据量不同选择不同的预测方法,能够适应当前大多数光伏系统输出功率预测要求,因此,系统具有良好的适应性和可移植性。本发明考虑单一预测模型可能在某些情况下预测精度较差,因此在各种预测类型和光伏系统不同生命周期尽量采用组合模型,采用算法包括时间序列法、RBF神经网络、支持向量回归SVR、相空间重构混沌预测法等。同时,本发明采用的预测模型并非固定不变,即模型将根据误差统计结果判断是否需要更新预测模型或模型采用混沌预测法每次预测都采用更新的预测模型,这样能使预测系统具有较高的预测精度并实现稳定的自动运行。
上列详细说明是针对本发明可行实施例的具体说明,该实施例并非用以限制本发明的专利范围,凡未脱离本发明所为的等效实施或变更,均应包含于本案的专利范围中。
Claims (8)
1.一种适用于光伏系统全生命周期的输出功率分类预测系统,其特征在于,包括:
基本信息存储模块,用于存储光伏系统包括地理位置、历史气象信息、安装信息和逆变器信息在内的基本信息;
数据库模块,用于分类存储预测建模所需的各种数据,包括光伏系统运行数据、环境监测数据、天气预报数据和数值气象预报数据,还存储上述基本信息存储模块的基本信息;
预测模型判断模块,用于根据所述数据库模块所存储的数据的种类,及光伏系统的投运时间确定相应的预测模型;
若建模数据库不包含任何数据,判断为预测类型1,若建模数据库包括光伏系统运行数据库,判断为预测类型2,若建模数据库包括光伏系统运行数据库和天气预报数据库,则判断为预测类型3,若建模数据库包括光伏系统运行数据库和环境监测数据库,则判断为预测类型4,若建模数据库包括光伏系统运行数据库、环境监测数据库和天气预报数据库,则判断为预测类型5,若建模数据库包括光伏系统光伏系统运行数据库、环境监测数据库和数值气象预报数据库,则判断为预测类型6;
预测类型1包括预测模型11,预测类型2包括预测模型21、预测模型22和预测模型23,预测类型3包括预测模型31、预测模型32和预测模型33,预测类型4包括预测模型41、预测模型42和预测模型43,预测类型5包括预测模型51、预测模型52和预测模型53,预测类型6包括预测模型61、预测模型62和预测模型63;
预测数据预处理模块,用于对所述数据库模块中的数据进行均值化处理,形成输入输出模型训练样本及预测输入样本;
预测建模模块,用于根据所述预测模型判断模块确定的预测模型对所述预测数据预处理模块的样本进行模型训练和预测,得到光伏系统输出功率的预测值,
所述预测建模模块包括:
预测模型11,采用光伏组件5参数模型进行计算,得到光伏系统年发电量预测值;
预测模型21,采用持续法、时间序列法和RBF神经网络构成的组合预测模型,实现提前2小时以内的光伏功率预测;
预测模型22,采用时间序列法、RBF神经网络和SVR构成的组合预测模型,实现提前2小时以内的光伏功率预测;
预测模型23,采用多维时间相空间重构、加权一阶法和SVR构成的组合预测模型,实现提前2小时以内的光伏功率预测;
预测模型31,与预测模型21相同;
预测模型32,与预测模型22相同;
预测模型33,提前2小时的光伏功率预测方法与预测模型23相同,日前光伏功率预测采用基于相似日数据的SVR模型进行预测;
预测模型41,采用光伏组件5参数模型、持续法、时间序列和RBF神经网络构成的组合预测模型,实现提前2小时以内的光伏功率预测;
预测模型42,采用光伏组件5参数模型、时间序列、RBF神经网络和SVR构成的组合预测模型,实现提前2小时以内的光伏功率预测;
预测模型43,采用两种多维时间序列相空间重构方法、加权一阶法和SVR构成的组合预测模型,实现提前2小时以内的光伏功率预测;
预测模型51,与预测模型41相同;
预测模型52,与预测模型42相同;
预测模型53,提前2小时的光伏功率预测方法与预测模型43相同,日前光伏功率预测采用基于相似日数据的SVR模型进行预测;
预测模型61,提前2小时的光伏功率预测方法与预测模型41相同,日前光伏功率预测采用光伏组件5参数模型及RBF神经网络模型进行预测;
预测模型62,提前2小时的光伏功率预测方法与预测模型42相同,日前光伏功率预测采用NWPs的SVR修正模型、光伏组件五参数模型和RBF神经网络进行预测;
预测模型63,提前2小时的光伏功率预测方法与预测模型43相同,日前光伏功率预测采用NWPs的基于相似日数据的SVR修正模型、光伏组件五参数模型和RBF神经网络进行预测。
2.根据权利要求1所述的适用于光伏系统全生命周期的输出功率分类预测系统,其特征在于,还包括:
数据输入模块,用于获取预测建模所需的各种数据,并导入到数据库模块的原始数据库,包括4个子模块,分别是光伏系统运行数据输入模块、环境监测数据输入模块、数值气象预报数据输入模块和天气预报数据输入模块;
数据库模块,分为原始数据库、建模数据库、坏数据库和预测结果数据库;
数据辨识及修正模块,用于对所述数据输入模块导入的原始数据进行坏数据识别、修正和记录,正常数据及修正后的坏数据存在建模数据库,不可修正的坏数据存在坏数据库;
模型误差分析模块,用于对预测模型的误差进行计算和统计,并根据统计结果判断预测模型是否需要更新;
运行错误诊断模块,用于记录系统运行过程中监测到的错误信息,形成运行错误日志并给出告警;
自动运行管理模块,用于制定日运行日志和月运行日志,供运行人员查询备案;
人机界面模块,用于为用户提供在线和历史数据/工况/告警查询,并提供参数设定及数据导入功能。
3.根据权利要求1或2所述的适用于光伏系统全生命周期的输出功率分类预测系统,其特征在于,
所述基本信息存储模块,其中,
地理位置信息包括经度、纬度、海拔和阴影遮挡情况;
历史气象信息包括气象站、NASA网站和NOAA网站获取的逐小时/月/日太阳辐射,及环境温度信息;
安装信息包括光伏组件的铭牌值、光伏组件串并联信息、方阵数量、安装角度和安装方式;
逆变器信息包括额定功率、效率和最大功率跟踪范围。
4.根据权利要求2所述的适用于光伏系统全生命周期的输出功率分类预测系统,其特征在于,
所述数据辨识及修正模块还用于对原始数据进行判断,若判定为逆变器引起的坏数据则将数据存入坏数据库;若判定为通讯故障引起的坏数据,进一步判断故障时间是否小于3小时,若是则将数据按照相应的方法进行修正后存入建模数据库,若否则将数据存入坏数据库。
5.根据权利要求1或2所述的适用于光伏系统全生命周期的输出功率分类预测系统,其特征在于,
所述数据库模块的原始数据库、建模数据库、坏数据库又分别包括环境监测数据库、数值气象预报数据库、天气预报数据库和光伏系统运行数据库。
6.根据权利要求2所述的适用于光伏系统全生命周期的输出功率分类预测系统,其特征在于,所述运行错误诊断模块包括:
运行错误监测模块,用于检测预测系统运行过程中的错误并将错误信息输入运行错误日志制定模块中;
运行错误日志制定模块,用于存储预测系统运行错误信息;
错误报警模块,用于在每小时的预测工作完成后自动检查当日的运行错误日志并作出相应告警动作。
7.根据权利要求2或6所述的一种适用于光伏系统全生命周期的输出功率分类预测系统,其特征在于,所述自动运行管理模块包括:
日运行日志制定子模块,每日00:00自动运行,对前一日的运行情况进行统计分析,包括预测的基本信息、系统运行情况和运行结果统计;
月运行日志制定子模块,每月第一日自动运行,对前一月的运行情况进行统计分析,包括基本信息、系统运行情况和运行结果统计。
8.根据权利要求7所述的适用于光伏系统全生命周期的输出功率分类预测系统,其特征在于,
还包括循环预测控制模块,用于在基本信息存储模块存储完成后,控制系统进入循环预测运行;
单次预测循环过程执行顺序为数据输入模块、数据辨识及修正模块、数据库模块、预测模型判断模块、预测数据预处理模块、预测建模模块、模型误差分析模块、运行错误诊断模块;
单次预测循环执行后,进行时间00:00判断,若非00:00,则将预测结果返回人机界面和数据库模块并重新进入循环,若为00:00,则执行模型误差分析模块对误差进行统计,执行自动运行管理模块,再将相关统计结果返回人机界面和数据库模块并重新进入单次预测循环。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510552067.0A CN105184404B (zh) | 2015-08-31 | 2015-08-31 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
PCT/CN2015/090587 WO2017035884A1 (zh) | 2015-08-31 | 2015-09-24 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
US15/549,668 US20180046924A1 (en) | 2015-08-31 | 2015-09-24 | Whole-life-cycle power output classification prediction system for photovoltaic systems |
JP2017534728A JP6379299B2 (ja) | 2015-08-31 | 2015-09-24 | 太陽光発電システムの全ライフサイクルに適用される出力電力分類予測システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510552067.0A CN105184404B (zh) | 2015-08-31 | 2015-08-31 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184404A CN105184404A (zh) | 2015-12-23 |
CN105184404B true CN105184404B (zh) | 2018-12-18 |
Family
ID=54906467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510552067.0A Active CN105184404B (zh) | 2015-08-31 | 2015-08-31 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20180046924A1 (zh) |
JP (1) | JP6379299B2 (zh) |
CN (1) | CN105184404B (zh) |
WO (1) | WO2017035884A1 (zh) |
Families Citing this family (92)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105652658B (zh) * | 2015-12-29 | 2018-12-04 | 国能日新科技股份有限公司 | 基于光伏电场数据分析及实时环境监测的有功控制系统 |
CN105701572B (zh) * | 2016-01-13 | 2020-11-06 | 国网甘肃省电力公司电力科学研究院 | 一种基于改进高斯过程回归的光伏短期出力预测方法 |
US10985694B2 (en) * | 2016-07-15 | 2021-04-20 | Enphase Energy, Inc. | Method and apparatus for determining key performance photovoltaic characteristics using sensors from module-level power electronics |
CN106503828B (zh) * | 2016-09-22 | 2019-12-27 | 上海电力学院 | 一种光伏输出功率超短期混沌预测方法 |
EP3523702B1 (en) * | 2016-10-05 | 2020-07-01 | Telecom Italia S.p.A. | Method and system for estimating energy generation based on solar irradiance forecasting |
CN106685313B (zh) * | 2016-12-30 | 2018-06-22 | 珠海兆泓科技有限公司 | 用于光伏电站的发电控制方法、装置及光伏电站 |
CN106909985B (zh) * | 2017-01-11 | 2021-02-09 | 沃太能源南通有限公司 | 一种光伏发电预测系统的预测方法 |
CN107274021A (zh) * | 2017-06-16 | 2017-10-20 | 南京国电南自电网自动化有限公司 | 一种光伏功率预测系统干扰数据处理系统及方法 |
CN107341569B (zh) * | 2017-06-26 | 2020-04-24 | 清华大学 | 结合光伏功率物理模型与数据驱动的光伏功率预测方法 |
CN108564192B (zh) * | 2017-12-29 | 2021-06-08 | 河海大学 | 一种基于气象因子权重相似日的短期光伏功率预测方法 |
CN108509737B (zh) * | 2018-04-09 | 2022-05-10 | 中国计量大学 | 一种光伏组串内各失配组件的参数提取方法 |
WO2020010291A1 (en) * | 2018-07-05 | 2020-01-09 | Abb Schweiz Ag | Systems and methods for identifying anomalous events for electrical systems |
KR102093796B1 (ko) * | 2018-07-26 | 2020-03-26 | (주)에코브레인 | 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템 |
CN109325296A (zh) * | 2018-09-26 | 2019-02-12 | 国网电子商务有限公司 | 光伏电站建立方案的推荐方法、装置及电子设备 |
CN109255728B (zh) * | 2018-09-27 | 2021-09-07 | 上海电力学院 | 混沌相空间优化重构的光伏发电功率神经网络预测法 |
US11681929B2 (en) * | 2018-10-02 | 2023-06-20 | Honeywell International Inc. | Methods and systems for predicting a remaining useful life of a component using an accelerated failure time model |
CN111325368A (zh) * | 2018-12-13 | 2020-06-23 | 国网电动汽车服务有限公司 | 一种光储式电动汽车充电站光伏功率预测方法和装置 |
CN109711700A (zh) * | 2018-12-19 | 2019-05-03 | 维科诚(苏州)光伏科技有限公司 | 一种针对光伏电站的服务网络管理系统 |
CN109613372B (zh) * | 2018-12-26 | 2021-11-19 | 国网陕西省电力公司电力科学研究院 | 一种基于多元电网数据库的电网故障诊断方法 |
CN110059871B (zh) * | 2019-04-04 | 2021-09-24 | 广东工业大学 | 光伏发电功率预测方法 |
CN109978280A (zh) * | 2019-04-19 | 2019-07-05 | 上海交通大学 | 一种通用化光伏电池工作温度预测方法及装置 |
CN109934423B (zh) * | 2019-04-25 | 2020-04-21 | 山东大学 | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 |
CN110110912B (zh) * | 2019-04-26 | 2021-09-28 | 华北电力大学 | 一种光伏功率多模型区间预测方法 |
CN110059441B (zh) * | 2019-04-29 | 2022-07-19 | 广东电网有限责任公司 | 一种光伏电站建模方法及光伏电站模型输出校正方法 |
CN110263969B (zh) * | 2019-05-07 | 2023-06-02 | 西北农林科技大学 | 一种货架期苹果品质动态预测系统及预测方法 |
CN110503232A (zh) * | 2019-06-28 | 2019-11-26 | 国网浙江省电力有限公司湖州供电公司 | 一种分布式光伏负荷数据预测与修复方法 |
CN110581567B (zh) * | 2019-08-08 | 2021-07-30 | 国网山东省电力公司济南市历城区供电公司 | 实时跟踪内阻匹配的功率传输方法和系统 |
CN110472364B (zh) * | 2019-08-22 | 2022-04-19 | 电子科技大学 | 一种考虑可再生能源的离网式热电气联产系统的优化方法 |
CN110704406B (zh) * | 2019-08-30 | 2020-12-15 | 珠海格力电器股份有限公司 | 能源数据的处理方法及装置、设备 |
CN110570042B (zh) * | 2019-09-16 | 2022-10-25 | 燕山大学 | 一种短期电动汽车充电负荷预测方法及系统 |
CN110766198A (zh) * | 2019-09-18 | 2020-02-07 | 中国电建集团青海省电力设计院有限公司 | 一种基于光伏电站占地面积定量计算的光伏电站布置方法 |
CN110619479B (zh) * | 2019-09-23 | 2022-05-24 | 阳光电源股份有限公司 | 光伏组件的故障判别模型建模方法及故障判别方法 |
CN110598956B (zh) * | 2019-09-29 | 2022-02-18 | 国核电力规划设计研究院有限公司 | 一种光伏电站的发电功率预测方法及装置 |
CN111160603B (zh) * | 2019-11-21 | 2022-11-25 | 中国电力科学研究院有限公司 | 一种端到端电力通信业务可靠性保障方法及系统 |
CN110855241B (zh) * | 2019-12-04 | 2022-04-08 | 阳光新能源开发股份有限公司 | 一种光伏系统故障诊断方法及装置 |
CN110991083B (zh) * | 2019-12-19 | 2023-07-14 | 阳光电源(上海)有限公司 | 一种光伏电站模型确定方法、装置、设备及储存介质 |
CN111027786B (zh) * | 2019-12-30 | 2023-07-25 | 云南恒协科技有限公司 | 一种微电网运行优化和能效管理系统 |
CN111242371B (zh) * | 2020-01-10 | 2023-04-18 | 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 |
CN111401603A (zh) * | 2020-01-22 | 2020-07-10 | 国网江苏省电力有限公司南京供电分公司 | 一种多类型能源需求预测方法 |
CN111461201B (zh) * | 2020-03-30 | 2023-09-19 | 重庆大学 | 基于相空间重构的传感器数据分类方法 |
CN111669123B (zh) * | 2020-05-11 | 2021-12-17 | 国家能源集团新能源技术研究院有限公司 | 用于对光伏组串进行故障诊断的方法和装置 |
CN111695601B (zh) * | 2020-05-15 | 2023-06-20 | 特变电工西安电气科技有限公司 | 光伏功率预测方法、装置、设备及可读存储介质 |
CN111581868B (zh) * | 2020-05-18 | 2023-09-22 | 中国科学院国家天文台 | 适用于fast主动反射面的故障预测和健康管理方法和系统 |
CN111626506B (zh) * | 2020-05-27 | 2022-08-26 | 华北电力大学 | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 |
CN111768312B (zh) * | 2020-06-22 | 2023-06-30 | 上海申铁信息工程有限公司 | 一种基于铁路系统数据编码的建筑能耗监测方法及装置 |
CN111931981B (zh) * | 2020-07-06 | 2022-05-10 | 安徽天尚清洁能源科技有限公司 | 基于机器学习多模型组合的光伏发电超短期预测方法 |
CN111898812B (zh) * | 2020-07-17 | 2022-10-04 | 国网江苏省电力有限公司南京供电分公司 | 一种分布式光伏数据虚拟采集方法 |
CN111915084A (zh) * | 2020-08-03 | 2020-11-10 | 国网山东省电力公司电力科学研究院 | 一种基于神经网络的混合型光伏发电功率预测方法及系统 |
CN112052985B (zh) * | 2020-08-07 | 2023-11-03 | 南京易司拓电力科技股份有限公司 | 一种基于lightgbm的中短期低电压预测方法 |
CN112036634A (zh) * | 2020-08-26 | 2020-12-04 | 阳光电源股份有限公司 | 光伏发电功率的确定方法、预测系统及可读存储介质 |
CN111950811B (zh) * | 2020-08-27 | 2024-04-09 | 国网山东省电力公司聊城供电公司 | 基于双层人工神经网络的区域光伏功率预测方法及系统 |
CN112016250A (zh) * | 2020-08-31 | 2020-12-01 | 华北电力大学 | 一种烟气scr脱硝系统不良数据辨识方法 |
CN112070319B (zh) * | 2020-09-21 | 2023-09-19 | 西安交通大学 | 一种基于时序动态回归的超短期光伏发电功率预测方法 |
CN112163018A (zh) * | 2020-09-27 | 2021-01-01 | 国家电网有限公司 | 确定光伏组件的生命周期的方法、装置及系统 |
CN112215478A (zh) * | 2020-09-27 | 2021-01-12 | 珠海博威电气股份有限公司 | 光储电站的功率协调控制方法和装置、存储介质 |
US20220101219A1 (en) * | 2020-09-28 | 2022-03-31 | Solarlytics, Inc. | System and method for optimizing energy obtained from renewable sources |
CN112290885A (zh) * | 2020-09-30 | 2021-01-29 | 国网浙江安吉县供电有限公司 | 一种户用光伏系统直流侧故障诊断方法 |
CN112216181A (zh) * | 2020-10-30 | 2021-01-12 | 哈尔滨飞机工业集团有限责任公司 | 一种可实现双发直升机单发训练的系统和方法 |
CN112329344A (zh) * | 2020-11-03 | 2021-02-05 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种基于主成分分析法的风机风速软测量方法 |
CN112507613B (zh) * | 2020-12-01 | 2022-05-10 | 湖南工程学院 | 一种秒级超短期光伏功率预测方法 |
CN112418558B (zh) * | 2020-12-07 | 2022-03-11 | 天津大学 | 一种基于多源气象预报的总辐射修正方法 |
CN112418346B (zh) * | 2020-12-07 | 2022-10-25 | 天津大学 | 一种数值天气预报总辐射系统误差分类计算方法 |
CN112529191A (zh) * | 2020-12-29 | 2021-03-19 | 南水北调东线江苏水源有限责任公司 | 一种基于混沌算法的泵站故障树建立方法 |
CN112734125A (zh) * | 2021-01-15 | 2021-04-30 | 国网山西省电力公司晋城供电公司 | 一种光伏出力预测方法、装置和电子设备 |
CN112733462B (zh) * | 2021-01-21 | 2023-09-22 | 国网辽宁省电力有限公司阜新供电公司 | 一种结合气象因素的超短期风电场功率预测方法 |
CN112818592A (zh) * | 2021-01-22 | 2021-05-18 | 天津理工大学 | 基于数据挖掘的光伏电池参数及发电量预测方法及系统 |
CN112949918A (zh) * | 2021-02-25 | 2021-06-11 | 山东大学 | 基于dgm-rnn的日前光伏功率预测方法及系统 |
CN112884234A (zh) * | 2021-03-04 | 2021-06-01 | 电子科技大学 | 大功率毫米波回旋行波管功率模块最优工作参数搜索方法 |
CN112884238A (zh) * | 2021-03-12 | 2021-06-01 | 国网冀北电力有限公司电力科学研究院 | 光伏发电功率预测方法及装置 |
KR102444254B1 (ko) * | 2021-04-05 | 2022-09-19 | 주식회사 풍성인더스 | 태양광 발전량 예측 시스템 및 방법 |
CN113095596B (zh) * | 2021-05-07 | 2023-04-18 | 北京理工大学 | 基于多级Gate-SA-TCN的光伏功率预测方法 |
CN113191682B (zh) * | 2021-05-24 | 2022-07-29 | 温州大学 | 一种适用于电动汽车移动充电设备充电的多能源分配管理方法 |
CN113537575B (zh) * | 2021-06-25 | 2023-11-21 | 中国农业大学 | 一种含分布式光伏和电动汽车并网的趋势负荷预测方法 |
CN113688869B (zh) * | 2021-07-21 | 2022-05-27 | 广东工业大学 | 一种基于生成对抗网络的光伏数据缺失重构方法 |
CN113723670B (zh) * | 2021-08-12 | 2023-12-08 | 浙江大学 | 变时间窗口的光伏发电功率短期预测方法 |
KR102383012B1 (ko) * | 2021-09-30 | 2022-04-08 | 비케이엠 주식회사 | 시간별 추세 예측 및 계절별 추세 예측을 동시에 수행하여 신재생에너지 발전기의 발전량을 보다 정확히 예측하는 단말기 및 그것의 제어 방법 |
KR102382984B1 (ko) * | 2021-09-30 | 2022-04-08 | 비케이엠 주식회사 | 신재생에너지 발전기의 발전량을 예측하는 단말기 및 그것의 제어 방법 |
CN113919606B (zh) * | 2021-12-14 | 2022-03-15 | 山东建筑大学 | 一种分布式光伏电站智能选址方法及系统 |
CN114443605B (zh) * | 2022-04-02 | 2022-07-29 | 一道新能源科技(衢州)有限公司 | 针对水上光伏系统的信息分析方法及系统 |
CN115438839B (zh) * | 2022-08-11 | 2023-08-18 | 海宁云多科技有限公司 | 基于智能电表数据的光伏功率超短期预测系统及方法 |
CN115186939B (zh) * | 2022-09-09 | 2022-12-09 | 中科航迈数控软件(深圳)有限公司 | 一种加工设备的全生命周期碳排放量预测方法 |
CN115423200B (zh) * | 2022-09-16 | 2023-12-29 | 南通沃太新能源有限公司 | 离线状态下补全太阳辐照进行光伏功率预测的方法 |
CN115293468B (zh) * | 2022-10-10 | 2022-12-27 | 佰聆数据股份有限公司 | 电网区域分布式光伏消纳潜力长期预测方法、系统及介质 |
CN115764979B (zh) * | 2022-10-12 | 2023-12-08 | 东南大学溧阳研究院 | 一种计及通信延时的分布式光伏系统稳定性量化评估方法 |
CN116231644B (zh) * | 2023-03-22 | 2023-11-03 | 华能新能源股份有限公司河北分公司 | 一种集中式光伏发电量预测方法、系统、计算机及介质 |
CN116629791A (zh) * | 2023-05-24 | 2023-08-22 | 内蒙古正志网络科技有限公司 | 一种基于大数据的信息预测分析系统及方法 |
CN116722548B (zh) * | 2023-08-09 | 2023-12-29 | 深圳航天科创泛在电气有限公司 | 一种基于时间序列模型的光伏发电预测方法及相关设备 |
CN117200199B (zh) * | 2023-09-06 | 2024-04-02 | 国网上海市电力公司 | 一种基于天气分型的光伏功率预测方法和系统 |
CN116930669B (zh) * | 2023-09-15 | 2023-11-17 | 深圳戴普森新能源技术有限公司 | 一种光伏逆变器故障检测方法及检测系统 |
CN117239742B (zh) * | 2023-11-14 | 2024-01-26 | 成都量芯集成科技有限公司 | 一种基于改进蚁群算法的光伏阵列全局重构装置及其方法 |
CN117252729B (zh) * | 2023-11-17 | 2024-04-16 | 北京恒信启华信息技术股份有限公司 | 一种基于大数据的光伏电站管理方法及系统 |
CN117477563A (zh) * | 2023-12-27 | 2024-01-30 | 深圳力高新能技术有限公司 | 一种光伏发电功率预测用样本日搜索方法、系统及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101769788A (zh) * | 2009-12-29 | 2010-07-07 | 青海国泰节能技术研究院 | 一种光伏电站光功率预测及发电量预测的方法 |
CN102799948A (zh) * | 2012-06-21 | 2012-11-28 | 华北电力大学 | 一种并网型光伏电站发电系统输出功率预测方法 |
CN103390197A (zh) * | 2013-07-04 | 2013-11-13 | 云南电网公司北京能源新技术研究发展中心 | 一种基于时间段聚类的光伏电站功率预测系统 |
CN103699944A (zh) * | 2013-12-31 | 2014-04-02 | 国电南京自动化股份有限公司 | 一种多预测模式的风电光伏发电功率预测系统 |
CN104268659A (zh) * | 2014-10-09 | 2015-01-07 | 国电南瑞科技股份有限公司 | 一种光伏电站发电功率超短期预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3984604B2 (ja) * | 2004-07-12 | 2007-10-03 | 日本電信電話株式会社 | 太陽光発電システムの発電量予測方法、装置、およびプログラム |
JP2008077561A (ja) * | 2006-09-25 | 2008-04-03 | Nippon Telegr & Teleph Corp <Ntt> | エネルギー予測方法、エネルギー予測装置およびプログラム |
JP5393715B2 (ja) * | 2011-03-10 | 2014-01-22 | 三菱電機株式会社 | 診断装置、太陽光発電システム及び診断方法 |
JP5734936B2 (ja) * | 2012-09-21 | 2015-06-17 | 株式会社東芝 | 発電量予測装置およびその方法 |
JP2014157457A (ja) * | 2013-02-15 | 2014-08-28 | Nec Corp | 予測装置および予測方法 |
-
2015
- 2015-08-31 CN CN201510552067.0A patent/CN105184404B/zh active Active
- 2015-09-24 US US15/549,668 patent/US20180046924A1/en not_active Abandoned
- 2015-09-24 JP JP2017534728A patent/JP6379299B2/ja active Active
- 2015-09-24 WO PCT/CN2015/090587 patent/WO2017035884A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101769788A (zh) * | 2009-12-29 | 2010-07-07 | 青海国泰节能技术研究院 | 一种光伏电站光功率预测及发电量预测的方法 |
CN102799948A (zh) * | 2012-06-21 | 2012-11-28 | 华北电力大学 | 一种并网型光伏电站发电系统输出功率预测方法 |
CN103390197A (zh) * | 2013-07-04 | 2013-11-13 | 云南电网公司北京能源新技术研究发展中心 | 一种基于时间段聚类的光伏电站功率预测系统 |
CN103699944A (zh) * | 2013-12-31 | 2014-04-02 | 国电南京自动化股份有限公司 | 一种多预测模式的风电光伏发电功率预测系统 |
CN104268659A (zh) * | 2014-10-09 | 2015-01-07 | 国电南瑞科技股份有限公司 | 一种光伏电站发电功率超短期预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105184404A (zh) | 2015-12-23 |
US20180046924A1 (en) | 2018-02-15 |
JP2018501582A (ja) | 2018-01-18 |
JP6379299B2 (ja) | 2018-08-22 |
WO2017035884A1 (zh) | 2017-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184404B (zh) | 适用于光伏系统全生命周期的输出功率分类预测系统 | |
Kanase-Patil et al. | A review of artificial intelligence-based optimization techniques for the sizing of integrated renewable energy systems in smart cities | |
CN106228278A (zh) | 光伏功率预测系统 | |
CN103699944A (zh) | 一种多预测模式的风电光伏发电功率预测系统 | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
CN105335796A (zh) | 一种风电场输出功率爬坡事件预测的系统及方法 | |
CN115173550A (zh) | 一种分布式光伏发电实时监控方法和系统 | |
CN116865236A (zh) | 一种基于新能源发电的中长期发电量预测方法及系统 | |
CN106849157B (zh) | 基于风光互补的混合能源系统优化方法 | |
Sahoo et al. | Energy forecasting for grid connected MW range solar PV system | |
Deng et al. | A Survey of the Researches on Grid-Connected Solar Power Generation Systems and Power Forecasting Methods Based on Ground-Based Cloud Atlas | |
CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及系统 | |
CN113723670B (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
CN116029419A (zh) | 基于深度学习的长期新能源日均发电功率预测方法及系统 | |
Guanoluisa-Pineda et al. | Short-Term forecasting of photovoltaic power in an isolated area of Ecuador using deep learning techniques | |
KR102488668B1 (ko) | 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법 | |
Srinivasan et al. | Correlation analysis of solar power and electric demand | |
Heydari et al. | A new combined PV output power forecasting model based on optimized LSTM network | |
Cheng et al. | Temperature & humidity-weighted-modified GRNN based prediction model of photovoltaic power generation | |
Ghazanfari-Rad et al. | Wind Speed Forecasting and Probability Distribution Analysis Using Measured Data at Weather Stations in Iran | |
Okada et al. | Development of a wind power ramp forecast system by astatistical and meteorological approach | |
Onaolapo | Reliability study under the smart grid paradigm using computational intelligent techniques and renewable energy sources. | |
CN117220344B (zh) | 一种隔离型光伏并网控制方法和装置 | |
CN115438839B (zh) | 基于智能电表数据的光伏功率超短期预测系统及方法 | |
Saad et al. | The Impact of Forecasting Horizon and Resolution on PV Power Prediction 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |