CN106779154B - 基于卫星云图的区域分布式光伏出力预测方法 - Google Patents

基于卫星云图的区域分布式光伏出力预测方法 Download PDF

Info

Publication number
CN106779154B
CN106779154B CN201611026602.XA CN201611026602A CN106779154B CN 106779154 B CN106779154 B CN 106779154B CN 201611026602 A CN201611026602 A CN 201611026602A CN 106779154 B CN106779154 B CN 106779154B
Authority
CN
China
Prior art keywords
data
cloud
power
model
pixel
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
Application number
CN201611026602.XA
Other languages
English (en)
Other versions
CN106779154A (zh
Inventor
潘国兵
吴雄增
陈金鑫
毛涛涛
普帅帅
卢从成
叶颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201611026602.XA priority Critical patent/CN106779154B/zh
Publication of CN106779154A publication Critical patent/CN106779154A/zh
Application granted granted Critical
Publication of CN106779154B publication Critical patent/CN106779154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Processing (AREA)

Abstract

一种基于卫星云图的区域分布式光伏出力预测方法，包括如下步骤：步骤1：按照网格划分区域分布式光伏系统；步骤2：数据记录；步骤3：历史数据处理；步骤4：功率晴空模型的功率数据修正；步骤5：云指数计算；步骤6：对各网格输出功率不同时滞尺度数据、修正后的晴空模型功率、太阳时空模型数据、空气质量数据、气象预报信息和卫星云图云指数算子数据归一化处理，进而利用随机训练方法分别建立Elman神经网络模型；步骤7：将最新计算的输入变量参数输入至上述模型，将每个网格的预测数据叠加作为区域光伏出力预测数据。本发明预测精度较高、效率较高。

Description

基于卫星云图的区域分布式光伏出力预测方法
技术领域
本发明涉及一种基于卫星云图的区域分布式光伏出力预测方法，主要包括一种分布式光伏区域网格分割并分别建模的方法，数据差错处理方法以及充分利用卫星图像改善预测精度的策略和利用随机训练方法的Elman神经网络算法。
背景技术
随着光伏新能源发电行业的发展，分布式光伏并网规模越来越大。由于光伏出力具有随机性、间歇性和波动性，因此建立精度可靠的光伏发电功率预测系统尤为重要。现有的出力预测方法大多数只考虑单个光伏系统，无法适应实际情况中电网内存在多个分布式光伏系统的情况。其次已有模型无法在输出功率变化较大的情况下即时反映变化信息，导致电网的能量调度不及时，产生电压波动。另一方面部分预测系统采用昂贵的云图测量仪器，不能满足经济性要求。
发明内容
为了克服已有现有技术中无法实现区域分布式光伏出力预测的不足，本发明提供一种预测精度较高、效率较高的基于卫星云图的区域分布式光伏出力预测方法。
本发明解决其技术问题所采用的技术方案是：
一种基于卫星云图的区域分布式光伏出力预测方法，包括如下步骤：
步骤1：按照网格划分区域分布式光伏系统；
步骤2：记录区域光伏电站的近期实测功率数据和因特网气象服务器的相关信息和云高度计测量数据；
步骤3：对所述光伏电站的历史实测功率数据、因特网气象相关数据和云高度数据进行数据预处理；
步骤4：所述分布式光伏电站的空间地理信息和时间信息计算太阳时空模型相关理论数据，并以此修正功率晴空模型的功率数据；
步骤5：使用连续两张风云2号气象卫星索引图像，利用Heliosat方法提取云图信息，对得到云指数像素区域进行修正，进而利用平均云指数构造新的云指数算子；
步骤6：对各网格输出功率不同时滞尺度数据、修正后的晴空模型功率、太阳时空模型数据、空气质量数据、气象预报信息和卫星云图云指数算子数据归一化处理，进而利用随机训练方法分别建立Elman神经网络模型；
步骤7：将最新计算的输入变量参数输入至上述模型，将每个网格的预测数据累加作为区域光伏出力预测数据。
进一步，所述步骤4中，修正功率晴空模型的功率数据的过程如下：
计算太阳时角ω、太阳天顶角θ和太阳辐射度理论数据GCLR；
ω＝15×(ST-12)
其中ST为时间，以24小时计，
θ＝arccos(sinφsinδ+cosφcosδcosω)
其中φ为计算点的纬度，δ为赤纬角，
Figure BDA0001158458140000021
其中k是由经验确定的正常数，ai为拟合得到的经验系数，
进一步搜索各分布式光伏系统最临近晴空天气下的历史功率数据
Figure BDA0001158458140000022
进一步利用待测日和上述历史数据日期的理论辐射度数据比值修正功率数据，以此作为晴空模型下的功率数据，
Figure BDA0001158458140000023
式中Pi cl为待预测时间的晴空功率，G'CLR为待预测时间的模型计算辐射度，G'n为最临近晴空天气对应时间的模型计算辐射度。
更进一步，所述步骤5中，云指数算子的计算过程如下：
首先在原始卫星云图中截取合适大小区域的局部云图，
进一步利用PIV测速，每张图像的所有像素点都被分配一个单独的运动矢量，进而求其平均值
Figure BDA0001158458140000031
Figure BDA0001158458140000032
其中N为像素点数，ui和vi分别表示水平和竖直方向上的速度，ex和ey指代两个方向；
进一步，利用上述云运动平均矢量计算指定时间尺度内云运动经过的像素点数M，该像素点数目为取整值；
进一步，通过分析相关区域的每一个像素获得云指数，像素强度用E表示，
E(t)＝I0ρcos(θ(t))^((1+α))
ρ＝E(t)/(I0ρcos(θ(t))^((1+α)))
其中ρ为像素反射率，α为经验系数，I0为地外太阳辐射常数，
n＝(ρ-ρ_max)/(ρ_max-ρ_min)
其中ρ_max和ρ_min分别是从历史图片中计算得到的最大值和最小值；
进一步利用太阳时空模型修正与地面分布式光伏对应的像素区域，将Δy和Δx分别按照权利要求1步骤a所述比例换算成像素点数，利用Δx修正ex横向方向上的偏移，利用Δy修正ey纵向方向上的偏移；
Δx＝-h tanθsinω
Δy＝-h tanθcosω
其中h为测量的云高度，
进一步利用上述各像素点的云指数和像素点数目M，按照云运动方向的反方向选取像素点并求其云指数的平均值
Figure BDA0001158458140000033
进一步利用基础数学函数构造平均云指数的新算子：
Figure BDA0001158458140000041
所述步骤6中，归一化处理；
X′(i)＝(X(i)-Xmin(i))/(Xmax(i)-Xmin(i))
其中，X′(i)为归一化后的值，X(i)、Xmax(i)、Xmin(i)分别为样本实际值、样本最大值和样本最小值。
所述步骤6中，所用的Elman神经网络训练方法为随机训练验证方法，过程如下：
6.1)对要学习的数据分组70％用来训练，剩余的数据用来做测试；
6.2)训练部分的数据根据天气情况分组进一步分成各20个子集，将各子集中数据随机排序；
6.3)多个同类子集随机选择训练Elman神经网络；
6.4)训练好的Elman神经网络，通过准备好的测试数据进行测试；
6.5)测试结果满足实际需求后停止训练。
本发明基于卫星云图的区域分布式光伏出力预测方法，利用卫星云图、空气质量信息和天气预报这些互联网气象服务资源，地面光伏系统功率数据信息和云高度计数据。本发明实施例提供了一种区域短时间尺度功率预测方法，所述方法包括：网格划分区域分布式光伏出力预测方法；计及云运动的云层指数算法；引入晴空模型功率修正计算公式；利用随机训练方法的Elman神经网络算法。
本发明提供的区域分布式光伏发电功率预测方法，以指定区域太阳时空模型数据、修正的功率晴空模型数据、卫星云图数据、云高度数据、不同时滞尺度历史功率数据和天气预报数据作为输入变量。与传统的功率预测相比，充分考虑了利用开放的网络数据和理论数据提高了区域分布式光伏出力预测的精准度，降低了建设传感器的成本。预测数据可为电网系统的平稳运行提供数据支持。
本发明的有益效果主要表现在：
1.该预测方法充分利用了网络开放资源，提高区域分布式光伏电站发电功率短时间尺度预测精度，为智能控制区域电力，减少电力系统旋转备用容量，降低运行成本提供数据支撑。
2.采用基于卫星云图信息利用改进方法，修正像素区域并引入新的云指数算子，比传统云指数计算更高效的云层指数算法。
3.利用随机训练方法建立Elman神经网络模型，避免神经网络的局部过度拟合，提高建模效率。
附图说明
图1是本发明卫星云图应用的计算流程图。
图2是本发明Elman神经网络训练方法流程图。
图3是本发明区域分布式光伏预测流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图3，一种基于卫星云图的区域分布式光伏出力预测方法，包括以下步骤：
步骤1.按照网格划分的区域分布式光伏系统，对指定区域内的分布式光伏系统进行网格划分，使划分网格最小单元的距离符合卫星云图单个像素指代的距离，当实际光伏系统与网格线重合时，以分割部分占比大的作为其所在网格；
步骤2.记录所述区域内所有光伏电站的实测功率数据、因特网气象服务网站的卫星云图、空气质量、气象预报信息和云高度计测量数据；
步骤3.对各分布式光伏电站的实测功率数据、因特网气象预报相关数据进行数据差错处理，当在记录数据中出现缺测和异常数据时采用如下方法：
首先根据事先选定的样本大小，计算出各数据类型正常情况下的数据数目。检查各类型数据的数量是否与计算的数量相符。若数据数目不等则查找数据断点并标记。并检查各数据的起始时间与结束时间是否一致。
进一步以线性插补法或者前值代替法填补缺失或者异常的功率数据；以零代替小于零的功率数据；缺测或异常的气象数据可根据相关性原理由其它气象要素进行修正。
步骤4.利用所述分布式光伏电站的空间地理信息和时间信息计算太阳时空模型相关理论数据，计算太阳时角ω、太阳天顶角θ和太阳辐射度理论数据GCLR，过程如下：
ω＝15×(ST-12)
其中ST为时间，以24小时计。
θ＝arccos(sinφsinδ+cosφcosδcosω)
其中φ为计算点的纬度，δ赤纬角。
Figure BDA0001158458140000061
其中k是有经验确定的正常数，ai为拟合得到的经验系数；
进一步搜索各分布式光伏电站最临近晴空天气的历史功率数据
Figure BDA0001158458140000062
进一步利用待测日和上述历史数据日期的理论辐射度数据比值修正功率数据，以此作为晴空模型下的功率数据；
Figure BDA0001158458140000063
式中Pi cl为待预测时间的晴空功率，G'CLR为待预测时间的模型计算辐射度，G'n为最临近晴空天气对应时间的模型计算辐射度；
步骤5.首先在原始卫星云图中截取合适区域大小的局部云图；
利用PIV测速，每张图像的所有像素点都被分配一个单独的运动矢量，进而求其平均值；
Figure BDA0001158458140000064
其中N为像素点数，ui和vi分别表示水平和竖直方向上的速度，ex和ey指代两个方向；
进一步，利用上述云运动平均矢量计算指定时间尺度内云运动经过的像素点数M，该像素点数目为取整值；
进一步，通过分析相关区域的每一个像素获得云指数，像素强度用E表示：
E(t)＝I0ρcos(θ(t))^((1+α))
ρ＝E(t)/(I0ρcos(θ(t))^((1+α)))
其中ρ为像素反射率，α为经验系数，I0为地外太阳辐射常数，
n＝(ρ-ρ_max)/(ρ_max-ρ_min)
其中ρ_max和ρ_min分别是从历史图片中计算得到的最大值和最小值；
进一步利用太阳时空模型修正与地面分布式光伏对应的像素区域，将Δy和Δx分别按照步骤1的比例换算成像素点数，利用Δx修正横向方向ex上的偏移，利用Δy修正纵向方向ey上的偏移：
Δx＝-h tanθsinω
Δy＝-h tanθcosω
其中h为测量的云高度；
进一步利用上述计算各像素的云指数和像素点数M，按照云运动方向的反方向选取像素点并求其云指数的平均值
Figure BDA0001158458140000071
进一步利用基础数学函数构造平均云指数的新算子，以充分利用云指数；
Figure BDA0001158458140000072
步骤6.根据上述步骤处理后得到的输出功率不同时滞尺度数据、修正的晴空模型功率数据、太阳时空模型数据、空气质量数据、气象预报数据和卫星云图云指数算子数据归一化处理；
处理公式如下：
X′(i)＝(X(i)-Xmin(i))/(Xmax(i)-Xmin(i))
其中，X′(i)为归一化后的值，X(i)、Xmax(i)、Xmin(i)分别为样本实际值、样本最大值和样本最小值。
进一步训练Elman神经网络，所用的Elman神经网络训练方法为随机训练验证方法，过程如下：
6.1)对要学习的数据分组70％用来训练，剩余的数据用来做测试；
6.2)训练部分的数据根据天气情况晴天，多云和阴天分组进一步分成各20个子集，将各子集中数据随机排序；
6.3)多个同类子集随机选择训练Elman神经网络；
6.4)训练好的Elman神经网络，通过准备好的测试数据进行测试；
6.5)测试结果满足实际需求后停止训练。
步骤7.分布式光伏区域出力预测
将最新计算的输入变量参数输入至上述模型，得到预测结果，进一步，将每个网格的预测数据累加作为区域光伏出力预测数据。

Claims (4)

1.一种基于卫星云图的区域分布式光伏出力预测方法，其特征在于：包括如下步骤：
步骤1：按照网格划分区域分布式光伏系统；
步骤2：记录区域光伏电站的近期实测功率数据和因特网气象服务器的相关信息和云高度计测量数据；
步骤3：对所述光伏电站的历史实测功率数据、因特网气象相关数据和云高度数据进行数据预处理；
步骤4：所述光伏电站的空间地理信息和时间信息计算太阳时空模型相关理论数据，并以此修正功率晴空模型的功率数据；
步骤5：使用连续两张风云2号气象卫星索引图像，利用Heliosat方法提取云图信息，对得到云指数像素区域进行修正，进而利用平均云指数构造新的云指数算子；所述步骤5中，云指数算子的计算过程如下：
首先在原始卫星云图中截取合适大小区域的局部云图，
进一步利用PIV测速，每张图像的所有像素点都被分配一个单独的运动矢量，进而求其平均值
Figure FDA0002608951700000011
Figure FDA0002608951700000012
其中N为像素点数，ui和vi分别表示水平和竖直方向上的速度，ex和ey指代两个方向；
进一步，利用云运动平均矢量计算指定时间尺度内云运动经过的像素点数M，该像素点数M为取整值；
进一步，通过分析相关区域的每一个像素获得云指数，像素强度用E表示，
E(t)＝I0ρcos(θ(t))^((1+α))
ρ＝E(t)/(I0ρcos(θ(t))^((1+α)))
其中ρ为像素反射率，α为经验系数，I0为地外太阳辐射常数，
n＝(ρ-ρ_max)/(ρ_max-ρ_min)
其中ρ_max和ρ_min分别是从历史图片中计算得到的最大值和最小值；
进一步利用太阳时空模型修正与地面分布式光伏对应的像素区域，将Δy和Δx分别按照比例换算成像素点数，利用Δx修正ex横向方向上的偏移，利用Δy修正ey纵向方向上的偏移；
Δx＝-htanθsinω
Δy＝-htanθcosω
其中h为测量的云高度，
进一步利用上述各像素点的云指数和像素点数目M，按照云运动方向的反方向选取像素点并求其云指数的平均值
Figure FDA0002608951700000021
进一步利用基础数学函数构造平均云指数的新算子：
Figure FDA0002608951700000022
步骤6：对各网格输出功率不同时滞尺度数据、修正后的晴空模型功率、太阳时空模型数据、空气质量数据、气象预报信息和卫星云图云指数算子数据归一化处理，进而利用随机训练方法分别建立Elman神经网络模型；
步骤7：将最新计算的输入变量参数输入至上述模型，将每个网格的预测数据累加作为区域光伏出力预测数据。
2.如权利要求1所述的基于卫星云图的区域分布式光伏出力预测方法，其特征在于：所述步骤4中，修正功率晴空模型的功率数据的过程如下：
计算太阳时角ω、太阳天顶角θ和太阳辐射度理论数据GCLR；
ω＝15×(ST-12)
其中ST为时间，以24小时计，
θ＝arccos(sinφsinδ+cosφcosδcosω)
其中φ为计算点的纬度，δ为赤纬角，
Figure FDA0002608951700000031
其中k是由经验确定的正常数，ai为拟合得到的经验系数，
进一步搜索各分布式光伏系统最临近晴空天气下的历史功率数据
Figure FDA0002608951700000032
进一步利用待测日和历史数据日期的理论辐射度数据比值修正功率数据，以此作为晴空模型下的功率数据，
Figure FDA0002608951700000033
式中Pi cl为待预测时间的晴空功率，G'CLR为待预测时间的模型计算辐射度，G'n为最临近晴空天气对应时间的模型计算辐射度。
3.如权利要求1或2所述的基于卫星云图的区域分布式光伏出力预测方法，其特征在于：所述步骤6中，归一化处理；
X′(i)＝(X(i)-Xmin(i))/(Xmax(i)-Xmin(i))；
其中，X′(i)为归一化后的值，X(i)、Xmax(i)、Xmin(i)分别为样本实际值、样本最大值和样本最小值。
4.如权利要求3所述的基于卫星云图的区域分布式光伏出力预测方法，其特征在于：所述步骤6中，所用的Elman神经网络训练方法为随机训练验证方法，过程如下：
6.1)对要学习的数据分组70％用来训练，剩余的数据用来做测试；
6.2)训练部分的数据根据天气情况分组进一步分成各20个子集，将各子集中数据随机排序；
6.3)多个同类子集随机选择训练Elman神经网络；
6.4)训练好的Elman神经网络，通过准备好的测试数据进行测试；
6.5)测试结果满足实际需求后停止训练。
CN201611026602.XA 2016-11-22 2016-11-22 基于卫星云图的区域分布式光伏出力预测方法 Active CN106779154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611026602.XA CN106779154B (zh) 2016-11-22 2016-11-22 基于卫星云图的区域分布式光伏出力预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611026602.XA CN106779154B (zh) 2016-11-22 2016-11-22 基于卫星云图的区域分布式光伏出力预测方法

Publications (2)

Publication Number Publication Date
CN106779154A CN106779154A (zh) 2017-05-31
CN106779154B true CN106779154B (zh) 2020-12-01

Family

ID=58970588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611026602.XA Active CN106779154B (zh) 2016-11-22 2016-11-22 基于卫星云图的区域分布式光伏出力预测方法

Country Status (1)

Country Link
CN (1) CN106779154B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991710B (zh) * 2017-04-17 2020-06-23 中国人民解放军63796部队 静止气象卫星云图网格点自动纠错方法
CN108428015B (zh) * 2018-04-03 2022-06-24 上海电力学院 一种基于历史气象数据和随机模拟的风电功率预测方法
CN109299821A (zh) * 2018-09-21 2019-02-01 华北电力大学（保定） 一种分布式光伏发电预测平台及方法
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
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
CN110261547B (zh) * 2019-07-04 2020-12-15 北京思路创新科技有限公司 一种空气质量预报方法和设备
CN110633862A (zh) * 2019-09-20 2019-12-31 旻投(上海)数据科技有限公司 一种基于卫星云图的光功率预测算法
CN113031110B (zh) * 2019-12-25 2024-01-23 国创移动能源创新中心(江苏)有限公司 云层监测方法和装置、光伏功率预测方法和装置
CN111210095B (zh) * 2020-03-12 2022-02-18 深圳前海微众银行股份有限公司 发电量预测方法、装置、设备及计算机可读存储介质
CN111652126B (zh) * 2020-06-02 2023-09-01 绩元(上海)数据科技有限公司 一种基于卫星云图的反演辐射方法
CN111815038B (zh) * 2020-06-24 2022-05-13 山东大学 一种光伏超短期预测方法及系统
CN112067118B (zh) * 2020-09-09 2022-07-12 阳光电源股份有限公司 基于卫星云图的光照强度检测方法、装置、设备以及介质
CN112508255B (zh) * 2020-12-01 2021-09-07 北京科技大学 一种基于多源异构数据的光伏出力超短期预测方法及系统
CN112668613A (zh) * 2020-12-07 2021-04-16 中国西安卫星测控中心 基于气象预报和机器学习的卫星红外成像效果预测方法
CN112561181A (zh) * 2020-12-21 2021-03-26 国网甘肃省电力公司电力科学研究院 一种基于Unet网络和地基云图的光伏发电预测系统
CN112578478B (zh) * 2021-01-05 2021-07-06 中国科学院西北生态环境资源研究院 基于风云4号卫星云图的地表太阳总辐射超短期预报方法
CN114004405B (zh) * 2021-11-03 2024-09-20 国网山东省电力公司东营供电公司 基于Elman神经网络和卫星云图的光伏功率预测方法及系统
CN115099526A (zh) * 2022-07-28 2022-09-23 广东电网有限责任公司江门供电局 一种海量分布式可再生能源功率预测方法及相关装置
CN115049163B (zh) * 2022-08-15 2022-10-28 国能日新科技股份有限公司 基于禁忌搜索与深度稳定学习的光伏区域预测方法及装置
CN116706903B (zh) * 2023-08-07 2024-01-26 深圳航天科创泛在电气有限公司 光伏发电量预测方法、装置、设备及介质
CN117613909B (zh) * 2024-01-24 2024-04-12 国能日新科技股份有限公司 分布式光伏区域气象建模方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101969207A (zh) * 2010-09-16 2011-02-09 国网电力科学研究院 结合卫星遥感与气象遥测技术的光伏超短期功率预测方法
CN103106544A (zh) * 2013-02-01 2013-05-15 东南大学 一种基于t-s型模糊神经网络的光伏发电预测系统
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
CN103778331A (zh) * 2014-01-16 2014-05-07 河北省电力勘测设计研究院 一种建筑光伏系统中太阳能资源的计算方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101969207A (zh) * 2010-09-16 2011-02-09 国网电力科学研究院 结合卫星遥感与气象遥测技术的光伏超短期功率预测方法
CN103106544A (zh) * 2013-02-01 2013-05-15 东南大学 一种基于t-s型模糊神经网络的光伏发电预测系统
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
CN103778331A (zh) * 2014-01-16 2014-05-07 河北省电力勘测设计研究院 一种建筑光伏系统中太阳能资源的计算方法

Also Published As

Publication number Publication date
CN106779154A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
CN106779154B (zh) 基于卫星云图的区域分布式光伏出力预测方法
US11408399B2 (en) Forecasting output power of wind turbine in wind farm
Wang et al. A minutely solar irradiance forecasting method based on real-time sky image-irradiance mapping model
Kuhn et al. Validation of an all‐sky imager–based nowcasting system for industrial PV plants
CN109543721B (zh) 一种晴间多云天气情况下的太阳辐照度超短期预报方法
CN116542383A (zh) 一种基于小波动天气卫星云图的分布式光伏系统出力预测方法
CN114037918B (zh) 一种基于无人机巡检和图像处理的光伏热斑检测方法
CN107204615B (zh) 一种实现功率预测的方法及系统
CN110910440B (zh) 一种基于电力影像数据的输电线路长度确定方法和系统
CN110781458B (zh) 一种基于混合回归模型预测地表太阳辐照度的方法
CN115049163B (zh) 基于禁忌搜索与深度稳定学习的光伏区域预测方法及装置
CN103345585A (zh) 基于支持向量机的风功率预测校正方法及系统
CN114444757A (zh) 一种高原山地多模型多尺度新能源电站出力联合预测方法
Constantinescu et al. Unit commitment with wind power generation: integrating wind forecast uncertainty and stochastic programming.
CN114895380A (zh) 一种太阳辐射预测方法、装置、设备和介质
CN113984198A (zh) 一种基于卷积神经网络的短波辐射预测方法及系统
Li et al. A machine-learning approach for regional photovoltaic power forecasting
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
CN114004405B (zh) 基于Elman神经网络和卫星云图的光伏功率预测方法及系统
Ruan et al. On the use of sky images for intra-hour solar forecasting benchmarking: Comparison of indirect and direct approaches
CN111931972B (zh) 基于swi-rs分析法的风电场风能资源评估与预测方法及系统
CN114819257A (zh) 辐照计算方法、装置及设备
CN113673809A (zh) 面向共享储能系统的五级协调优化调度控制方法及系统
CN112215383A (zh) 一种分布式光伏发电功率预测方法和系统
Zhen et al. Surface Irradiance Distribution Mapping Model for Photovoltaic Power Station Based on Ground-based Sky Images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant