CN107045659A - 预测光伏发电功率的方法及装置 - Google Patents

预测光伏发电功率的方法及装置 Download PDF

Info

Publication number
CN107045659A
CN107045659A CN201710304539.XA CN201710304539A CN107045659A CN 107045659 A CN107045659 A CN 107045659A CN 201710304539 A CN201710304539 A CN 201710304539A CN 107045659 A CN107045659 A CN 107045659A
Authority
CN
China
Prior art keywords
period
prediction
input parameter
generation power
photovoltaic generation
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
Application number
CN201710304539.XA
Other languages
English (en)
Inventor
郑德化
所罗门·尼桑特·阿莱穆
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.)
Beijing Etechwin Electric Co Ltd
Original Assignee
Beijing Etechwin Electric Co Ltd
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 Beijing Etechwin Electric Co Ltd filed Critical Beijing Etechwin Electric Co Ltd
Priority to CN201710304539.XA priority Critical patent/CN107045659A/zh
Publication of CN107045659A publication Critical patent/CN107045659A/zh
Pending legal-status Critical Current

Links

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
    • 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)
  • 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)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

提供一种预测光伏发电功率的方法及装置。所述方法包括：(A)获取预测时段与输入参数对应的值，其中，所述输入参数包括：时段对应于一年中的第X天、时段对应于一天中的第Y小时、时段对应的数值天气预报；(B)将获取的与输入参数对应的值输入到基于训练集训练得到的发电功率预测模型，以获取预测时段的光伏发电功率值，其中，所述训练集包括：多个历史时段之中的每一历史时段与输入参数对应的值以及所述每一历史时段的实际光伏发电功率值。根据所述方法及装置，能够准确地预测光伏发电功率。

Description

预测光伏发电功率的方法及装置
技术领域
本发明总体说来涉及光伏发电领域，更具体地讲，涉及一种预测光伏发电功率的方法及装置。
背景技术
鉴于化石燃料消费对生态环境所造成的负面影响，近些年可再生能源备受关注，新型的清洁能源取代传统能源是大势所趋。随着光伏发电技术的快速发展，光伏发电已得到广泛应用。但由于光伏发电的输出功率具有随机性、间歇性和不可控性，因此存在无法对光电能源进行最有效的利用的问题。这使得对光伏发电功率的预测就显得尤为重要。
在现有技术中，预测光伏发电功率的方法通常将时间和天气参数作为输入参数，但这种方法存在的问题是：难以获得理想时间长度(例如，一整年内)的连续历史天气数据作为预测训练样本，而导致基于历史数据的预测不准确。
发明内容
本发明的示例性实施例在于提供一种预测光伏发电功率的方法及装置，其能够更准确地预测光伏发电功率。
根据本发明的示例性实施例，提供一种预测光伏发电功率的方法，包括：(A)获取预测时段与输入参数对应的值，其中，所述输入参数包括：时段对应于一年中的第X天、时段对应于一天中的第Y小时、时段对应的数值天气预报；(B)将获取的与输入参数对应的值输入到基于训练集训练得到的发电功率预测模型，以获取预测时段的光伏发电功率值，其中，所述训练集包括：多个历史时段之中的每一历史时段与输入参数对应的值以及所述每一历史时段的实际光伏发电功率值。
可选地，时段对应的数值天气预报包括以下项之中的至少一项：时段对应的气温、时段对应的短波辐射、时段对应的地面气压。
可选地，所述输入参数是通过相关性分析、灵敏度分析以及Garson算法三者联合从多个参数中确定的对光伏发电功率预测影响最大的参数。
可选地，步骤(B)包括：将获取的与输入参数对应的值分别输入到不同的发电功率预测模型，并基于不同的发电功率预测模型预测的结果来确定预测时段的光伏发电功率值，其中，不同的发电功率预测模型是分别利用不同类型的人工神经网络基于训练集建立的。
可选地，所述不同类型的人工神经网络包括：前向神经网络、模式识别神经网络、函数拟合神经网络、径向基神经网络。
可选地，步骤(B)包括：将获取的与输入参数对应的值分别输入到不同的发电功率预测模型，并基于不同的发电功率预测模型预测的结果来确定预测时段的光伏发电功率值，其中，不同的发电功率预测模型是分别使用不同的训练算法基于训练集来训练同一类型的人工神经网络分别得到的。
可选地，所述不同的训练算法包括：L-M算法、贝叶斯正则化算法、量化共轭梯度算法。
可选地，所述人工神经网络具有4层网络，且每个隐藏层具有10个神经元。
根据本发明的另一示例性实施例，提供一种预测光伏发电功率的装置，包括：参数值获取程序模块，获取预测时段与输入参数对应的值，其中，所述输入参数包括：时段对应于一年中的第X天、时段对应于一天中的第Y小时、时段对应的数值天气预报；预测程序模块，将获取的与输入参数对应的值输入到基于训练集训练得到的发电功率预测模型，以获取预测时段的光伏发电功率值，其中，所述训练集包括：多个历史时段之中的每一历史时段与输入参数对应的值以及所述每一历史时段的实际光伏发电功率值。
可选地，时段对应的数值天气预报包括以下项之中的至少一项：时段对应的气温、时段对应的短波辐射、时段对应的地面气压。
可选地，所述输入参数是通过相关性分析、灵敏度分析以及Garson算法三者联合从多个参数中确定的对光伏发电功率预测影响最大的参数。
可选地，预测程序模块将获取的与输入参数对应的值分别输入到不同的发电功率预测模型，并基于不同的发电功率预测模型预测的结果来确定预测时段的光伏发电功率值，其中，不同的发电功率预测模型是分别利用不同类型的人工神经网络基于训练集建立的。
可选地，所述不同类型的人工神经网络包括：前向神经网络、模式识别神经网络、函数拟合神经网络、径向基神经网络。
可选地，预测程序模块将获取的与输入参数对应的值分别输入到不同的发电功率预测模型，并基于不同的发电功率预测模型预测的结果来确定预测时段的光伏发电功率值，其中，不同的发电功率预测模型是分别使用不同的训练算法基于训练集来训练同一类型的人工神经网络分别得到的。
可选地，所述不同的训练算法包括：L-M算法、贝叶斯正则化算法、量化共轭梯度算法。
可选地，所述人工神经网络具有4层网络，且每个隐藏层具有10个神经元。
根据本发明的另一示例性实施例，提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被配置为使计算机的处理器执行上述预测光伏发电功率的方法。
根据本发明的另一示例性实施例，提供一种计算机，所述计算机包括上述计算机可读存储介质。
在根据本发明示例性实施例的预测光伏发电功率的方法及装置中，将时间参数替换为对应的一年中的哪一天以及一天中的哪一小时作为输入参数，此外，还可基于多个预测模型来预测光伏发电功率，多个预测模型可以是分别基于不同类型的人工神经网络训练得到的，或者是分别通过不同的训练算法训练得到的，从而提高光伏发电功率预测的准确性。
将在接下来的描述中部分阐述本发明总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本发明总体构思的实施而得知。
附图说明
通过下面结合示例性地示出实施例的附图进行的描述，本发明示例性实施例的上述和其他目的和特点将会变得更加清楚，其中：
图1示出根据本发明示例性实施例的预测光伏发电功率的方法的流程图；
图2示出根据本发明示例性实施例的使用不同输入参数的预测效果的示例；
图3示出根据本发明示例性实施例的各参数对光伏发电功率预测的重要性的示例；
图4示出根据本发明示例性实施例的不同的神经网络大小对光伏发电功率预测的影响的示例；
图5示出根据本发明示例性实施例的预测光伏发电功率的装置的框图。
具体实施方式
现将详细参照本发明的实施例，所述实施例的示例在附图中示出，其中，相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例，以便解释本发明。
图1示出根据本发明示例性实施例的预测光伏发电功率的方法的流程图。
参照图1，在步骤S10，获取预测时段与输入参数对应的值，其中，所述输入参数包括：时段对应于一年中的第X天(day of year，DOY)、时段对应于一天中的第Y小时(hour ofday，HOD)、时段对应的数值天气预报(NWP)。
作为示例，时段对应的数值天气预报可包括以下项之中的至少一项：时段对应的气温(Air Temperature，TEMP)、时段对应的短波辐射(Short-wavelength radiation，SWR)、时段对应的地面气压(Surface Pressure，SP)。
在步骤S20，将获取的与输入参数对应的值输入到基于训练集训练得到的发电功率预测模型，以获取预测时段的光伏发电功率值，其中，所述训练集包括：多个历史时段之中的每一历史时段与输入参数对应的值以及所述每一历史时段的实际光伏发电功率值。
这里，训练集使用的是每一历史时段与输入参数对应的值(即，预测的天气数据)，而非实际测量的历史天气数据，以保证训练的数据和用于预测的输入数据的来源相似，从而进一步提高预测的准确度。
作为示例，每一历史时段的实际光伏发电功率值可从微电网的SCADA系统获取。
作为示例，可使用人工神经网络来建立发电功率预测模型。
作为示例，上述输入参数可以是通过相关性分析、灵敏度分析以及Garson算法三者联合从多个参数中确定的对光伏发电功率预测影响最大的参数。换言之，从多个参数中确定用于光伏发电功率预测的最佳的输入参数的组合。
这里，所述多个参数可包括：时段对应于一年中的第X天、时段对应于一天中的第Y小时、时段对应的气温、时段对应的短波辐射、时段对应的地面气压、时段对应的风速(Windspeed，WS)、时段对应的湿度(Humidity，H)、时段对应的高云量(High cloud amount，HCC)、时段对应的中云量(Middle cloud amount，MCC)、时段对应的低云量(Low cloud amount，LCC)。
具体说来，作为示例，可利用相关性分析基于训练集来确定对光伏发电功率影响最大的输入参数。相关系数r可指示两个变量A和B之间的线性关系的强度和方向：
其中，是A的平均值，是B的平均值，m和n分别指示矩阵的第m行和第n列。
作为示例，可利用Garson算法对发电功率预测模型所使用的人工神经网络的输入层-隐藏层的连接权重和隐藏层-输出层的连接权重的乘积的绝对值求和，以确定输入参数对光伏发电功率预测影响的相对重要性。
其中，Rij指示与输入参数对应的输入变量xi相对于输出神经元j的相对重要性，H指示隐藏层中神经元的数量，Wik指示输入神经元i和隐藏神经元k之间的连接权重。
作为示例，关于灵敏度分析，可通过观察与每个输入参数对应的输入变量受到一些改变时对应的均方误差MSE的增大情况来对输入参数进行排序。例如，可对每个输入变量进行以下改变之中的至少一项：
(A)恒定行替换-每行被零方差行替换，或者所有的值被设置为原始行的平均值；
(B)置换-每行被该行的值的随机排列替换；
(C)扰动-向每个输入变量添加少量白噪声；
(D)曲线方法-将每个输入变量沿等间隔的最小值和最大值之间的比例进行演变。
考虑到多种因素(例如，可能难以使用一整年的连续历史天气数据进行训练、训练数据对应的时间与测试数据对应的时间不同等)，可将时间参数转换为以某个间隔重复的其他参数。因此，在根据本发明的示例性实施例中，选择DOY和HOD作为输入参数，而非选择时间参数作为输入参数。并且，根据基于上述分析方法的测试结果，也证明DOY和HOD作为输入参数对光伏发电功率预测的影响更大。
图2示出根据本发明示例性实施例的使用不同输入参数的预测效果的示例。如图2所示，横坐标指示预测时段，纵坐标指示光伏发电功率，可以看出，当以时间为输入参数时，预测的光伏发电功率在一天内变化较小；单独使用HOD作为输入参数时，预测效果相较于使用时间参数时的预测效果要好，但是针对不同日期预测的光伏发电功率几乎相同，无法反应不同日期之间的光伏发电功率的不同。而同时使用HOD和DOY作为输入参数时，预测效果最好，最接近于实际光伏发电功率。
考虑到光伏发电功率与不同天气参数和时间参数之间关系的复杂性，相关性分析不能作为确定用于光伏发电功率预测的输入参数的最佳方法。而通过不同敏感度分析方式分析光伏发电功率与不同天气参数和时间参数之间的关系时，分析结果缺乏一致性。因此，根据本发明的示例性实施例，结合相关性分析、灵敏度分析以及Garson算法三者来从多个参数中确定对光伏发电功率预测影响最大的参数。表1示出针对各个参数，分别通过相关性分析、灵敏度分析以及Garson算法分别计算的各参数对光伏发电功率的重要度。
表1
作为示例，可分别通过以上三种方法来分别计算各参数对光伏发电功率的重要度，并将通过每一方法计算的各重要度分别除以通过该方法计算得到的最大重要度，以得到转换值，然后针对每一参数，计算通过三种方法得到的该参数对光伏发电功率的重要度的转换值的平均值。如图3所示，可将通过上述方式计算得到的平均值高于预定阈值(例如，0.25)的参数(即，DOY、HOD、TEMP、SP、SWR)作为用于预测光伏发电功率的输入参数。
从表2可以看出，使用根据上述示例性实施例确定的参数相较于使用表1中的所有参数、和仅使用SWR作为输入参数，预测准确度更高。
表2
输入参数 R2 MAE MSE
所有参数 0.888 7.079 137.114
确定的参数 0.895 3.378 22.565
SWR 0.796 3.780 51.729
人工神经网络使用较多的神经元和/或隐藏层有助于提高人工神经网络的性能，但如果使用过多的神经元和/或隐藏层，可能会造成过度拟合，从而影响预测精度。作为示例，根据本发明示例性实施例的发电功率预测模型所使用的人工神经网络可具有4层网络，且每个隐藏层可具有10个神经元。从图4可以看出，当发电功率预测模型所使用的人工神经网络具有该结构时，预测效果最好。
作为示例，在步骤S20，可将获取的与输入参数对应的值分别输入到不同的发电功率预测模型，并基于不同的发电功率预测模型预测的结果来确定预测时段的光伏发电功率值，其中，不同的发电功率预测模型是分别利用不同类型的人工神经网络基于训练集建立的。例如，可对不同的发电功率预测模型的输出进行平均(加权等)，以将得到的结果作为预测时段的光伏发电功率值。
作为示例，所述不同类型的人工神经网络可包括：前向神经网络(Feed-forwardneural network)、模式识别神经网络(Pattern recognition neural network)、函数拟合神经网络(Function fitting neural network)、径向基神经网络(Radial basis neuralnetwork)。
作为另一示例，在步骤S20，可将获取的与输入参数对应的值分别输入到不同的发电功率预测模型，并基于不同的发电功率预测模型预测的结果来确定预测时段的光伏发电功率值，其中，不同的发电功率预测模型是分别使用不同的训练算法基于训练集来训练同一类型的人工神经网络分别得到的。例如，可对不同的发电功率预测模型的输出进行平均(加权等)，以将得到的结果作为预测时段的光伏发电功率值。
作为示例，所述不同的训练算法可包括：L-M(Levenberg-Marquardt)算法、贝叶斯正则化(Bayesian Regularization)算法、量化共轭梯度(Scaled Conjugate Gradient)算法。
图5示出根据本发明示例性实施例的预测光伏发电功率的装置的框图。如图5所示，根据本发明示例性实施例的预测光伏发电功率的装置包括：参数值获取程序模块10和预测程序模块20。
参数值获取程序模块10用于获取预测时段与输入参数对应的值，其中，所述输入参数包括：时段对应于一年中的第X天、时段对应于一天中的第Y小时、时段对应的数值天气预报。
作为示例，时段对应的数值天气预报可包括以下项之中的至少一项：时段对应的气温、时段对应的短波辐射、时段对应的地面气压。
作为示例，所述输入参数可以是通过相关性分析、灵敏度分析以及Garson算法三者联合从多个参数中确定的对光伏发电功率预测影响最大的参数。
预测程序模块20用于将获取的与输入参数对应的值输入到基于训练集训练得到的发电功率预测模型，以获取预测时段的光伏发电功率值，其中，所述训练集包括：多个历史时段之中的每一历史时段与输入参数对应的值以及所述每一历史时段的实际光伏发电功率值。
作为示例，预测程序模块20可将获取的与输入参数对应的值分别输入到不同的发电功率预测模型，并基于不同的发电功率预测模型预测的结果来确定预测时段的光伏发电功率值，其中，不同的发电功率预测模型是分别利用不同类型的人工神经网络基于训练集建立的。
作为优选示例，所述不同类型的人工神经网络可包括：前向神经网络、模式识别神经网络、函数拟合神经网络、径向基神经网络。
作为另一示例，预测程序模块20可将获取的与输入参数对应的值分别输入到不同的发电功率预测模型，并基于不同的发电功率预测模型预测的结果来确定预测时段的光伏发电功率值，其中，不同的发电功率预测模型是分别使用不同的训练算法基于训练集来训练同一类型的人工神经网络分别得到的。
作为优选示例，所述不同的训练算法可包括：L-M算法、贝叶斯正则化算法、量化共轭梯度算法。
作为示例，根据本发明示例性实施例的发电功率预测模型所使用的人工神经网络可具有4层网络，且每个隐藏层可具有10个神经元。
应该理解，根据本发明示例性实施例的预测光伏发电功率的装置的具体实现方式可参照结合图1描述的相关具体实现方式来实现，在此不再赘述。
作为示例，根据本发明示例性实施例的计算机可读存储介质存储有计算机程序，所述计算机程序可被配置为使计算机的处理器执行如结合图1描述的任一预测光伏发电功率的方法。
作为示例，根据本发明示例性实施例的计算机可包括上述计算机可读存储介质。
根据本发明示例性实施例的预测光伏发电功率的方法及装置，将时间参数替换为对应的一年中的哪一天以及一天中的哪一小时作为输入参数、基于多个预测模型来预测光伏发电功率，多个预测模型可以是分别基于不同类型的人工神经网络训练得到的，或者是分别通过不同的训练算法训练得到的，来有效提高光伏发电功率预测的准确性。
此外，应该理解，根据本发明示例性实施例的预测光伏发电功率的装置中的各个程序模块可被实现硬件组件和/或软件组件。本领域技术人员根据限定的各个程序模块所执行的处理，可以例如使用现场可编程门阵列(FPGA)或专用集成电路(ASIC)来实现各个程序模块。
此外，根据本发明示例性实施例的预测光伏发电功率的方法可以被实现为计算机可读记录介质中的计算机代码。本领域技术人员可以根据对上述方法的描述来实现所述计算机代码。当所述计算机代码在计算机中被执行时实现本发明的上述方法。
虽然已表示和描述了本发明的一些示例性实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本发明的原理和精神的情况下，可以对这些实施例进行修改。

Claims (14)

1.一种预测光伏发电功率的方法，其特征在于，所述方法包括：
(A)获取预测时段与输入参数对应的值，其中，所述输入参数包括：时段对应于一年中的第X天、时段对应于一天中的第Y小时、时段对应的数值天气预报；
(B)将获取的与输入参数对应的值输入到基于训练集训练得到的发电功率预测模型，以获取预测时段的光伏发电功率值，
其中，所述训练集包括：多个历史时段之中的每一历史时段与输入参数对应的值以及所述每一历史时段的实际光伏发电功率值。
2.根据权利要求1所述的方法，其特征在于，时段对应的数值天气预报包括以下项之中的至少一项：时段对应的气温、时段对应的短波辐射、时段对应的地面气压。
3.根据权利要求2所述的方法，其特征在于，所述输入参数是通过相关性分析、灵敏度分析以及Garson算法三者联合从多个参数中确定的对光伏发电功率预测影响最大的参数。
4.根据权利要求1所述的方法，其特征在于，步骤(B)包括：
将获取的与输入参数对应的值分别输入到不同的发电功率预测模型，并基于不同的发电功率预测模型预测的结果来确定预测时段的光伏发电功率值，
其中，不同的发电功率预测模型是分别利用不同类型的人工神经网络基于训练集建立的，或者，不同的发电功率预测模型是分别使用不同的训练算法基于训练集来训练同一类型的人工神经网络分别得到的。
5.根据权利要求4所述的方法，其特征在于，所述不同类型的人工神经网络包括：前向神经网络、模式识别神经网络、函数拟合神经网络、径向基神经网络。
6.根据权利要求4所述的方法，其特征在于，所述不同的训练算法包括：L-M算法、贝叶斯正则化算法、量化共轭梯度算法。
7.一种预测光伏发电功率的装置，其特征在于，所述装置包括：
参数值获取程序模块，获取预测时段与输入参数对应的值，其中，所述输入参数包括：时段对应于一年中的第X天、时段对应于一天中的第Y小时、时段对应的数值天气预报；
预测程序模块，将获取的与输入参数对应的值输入到基于训练集训练得到的发电功率预测模型，以获取预测时段的光伏发电功率值，
其中，所述训练集包括：多个历史时段之中的每一历史时段与输入参数对应的值以及所述每一历史时段的实际光伏发电功率值。
8.根据权利要求7所述的装置，其特征在于，时段对应的数值天气预报包括以下项之中的至少一项：时段对应的气温、时段对应的短波辐射、时段对应的地面气压。
9.根据权利要求8所述的装置，其特征在于，所述输入参数是通过相关性分析、灵敏度分析以及Garson算法三者联合从多个参数中确定的对光伏发电功率预测影响最大的参数。
10.根据权利要求7所述的装置，其特征在于，预测程序模块将获取的与输入参数对应的值分别输入到不同的发电功率预测模型，并基于不同的发电功率预测模型预测的结果来确定预测时段的光伏发电功率值，
其中，不同的发电功率预测模型是分别利用不同类型的人工神经网络基于训练集建立的，或者，不同的发电功率预测模型是分别使用不同的训练算法基于训练集来训练同一类型的人工神经网络分别得到的。
11.根据权利要求10所述的装置，其特征在于，所述不同类型的人工神经网络包括：前向神经网络、模式识别神经网络、函数拟合神经网络、径向基神经网络。
12.根据权利要求10所述的装置，其特征在于，所述不同的训练算法包括：L-M算法、贝叶斯正则化算法、量化共轭梯度算法。
13.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被配置为使计算机的处理器执行如权利要求1-6之中任意一项所述的预测光伏发电功率的方法。
14.一种计算机，其特征在于，所述计算机包括如权利要求13所述的计算机可读存储介质。
CN201710304539.XA 2017-05-03 2017-05-03 预测光伏发电功率的方法及装置 Pending CN107045659A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710304539.XA CN107045659A (zh) 2017-05-03 2017-05-03 预测光伏发电功率的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710304539.XA CN107045659A (zh) 2017-05-03 2017-05-03 预测光伏发电功率的方法及装置

Publications (1)

Publication Number Publication Date
CN107045659A true CN107045659A (zh) 2017-08-15

Family

ID=59546039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710304539.XA Pending CN107045659A (zh) 2017-05-03 2017-05-03 预测光伏发电功率的方法及装置

Country Status (1)

Country Link
CN (1) CN107045659A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108614612A (zh) * 2018-04-24 2018-10-02 青岛高校信息产业股份有限公司 太阳能光伏电池最大功率追踪方法和系统
CN108832663A (zh) * 2018-07-18 2018-11-16 北京天诚同创电气有限公司 微电网光伏发电系统的发电功率的预测方法及设备
CN110084438A (zh) * 2019-05-09 2019-08-02 上汽安吉物流股份有限公司 订单的预测方法及装置、物流系统以及计算机可读介质
CN110502770A (zh) * 2018-10-11 2019-11-26 起动科技有限公司 基于ann预测力学参数的方法、装置、设备及存储介质
CN111445010A (zh) * 2020-03-26 2020-07-24 南京工程学院 一种基于证据理论融合量子网络的配网电压趋势预警方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521670A (zh) * 2011-11-18 2012-06-27 中国电力科学研究院 基于气象要素的光伏电站发电输出功率预测方法
CN106447098A (zh) * 2016-09-22 2017-02-22 许昌许继软件技术有限公司 一种光伏超短期功率预测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521670A (zh) * 2011-11-18 2012-06-27 中国电力科学研究院 基于气象要素的光伏电站发电输出功率预测方法
CN106447098A (zh) * 2016-09-22 2017-02-22 许昌许继软件技术有限公司 一种光伏超短期功率预测方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108614612A (zh) * 2018-04-24 2018-10-02 青岛高校信息产业股份有限公司 太阳能光伏电池最大功率追踪方法和系统
CN108614612B (zh) * 2018-04-24 2021-02-19 青岛高校信息产业股份有限公司 太阳能光伏电池最大功率追踪方法和系统
CN108832663A (zh) * 2018-07-18 2018-11-16 北京天诚同创电气有限公司 微电网光伏发电系统的发电功率的预测方法及设备
CN110502770A (zh) * 2018-10-11 2019-11-26 起动科技有限公司 基于ann预测力学参数的方法、装置、设备及存储介质
CN110084438A (zh) * 2019-05-09 2019-08-02 上汽安吉物流股份有限公司 订单的预测方法及装置、物流系统以及计算机可读介质
CN111445010A (zh) * 2020-03-26 2020-07-24 南京工程学院 一种基于证据理论融合量子网络的配网电压趋势预警方法

Similar Documents

Publication Publication Date Title
CN107045659A (zh) 预测光伏发电功率的方法及装置
Feng et al. Operation rule derivation of hydropower reservoir by k-means clustering method and extreme learning machine based on particle swarm optimization
Premalatha et al. Prediction of solar radiation for solar systems by using ANN models with different back propagation algorithms
CN110427654B (zh) 一种基于敏感状态的滑坡预测模型构建方法及系统
CN115018021B (zh) 基于图结构与异常注意力机制的机房异常检测方法及装置
CN111178616B (zh) 基于负相关学习和正则化极限学习机集成的风速预测方法
CN113705877B (zh) 基于深度学习模型的实时月径流预报方法
Guo et al. A new fault diagnosis classifier for rolling bearing united multi-scale permutation entropy optimize VMD and cuckoo search SVM
CN111414977A (zh) 机床主轴热误差建模的加权集成温度敏感点组合选取方法
CN109726802B (zh) 一种铁路和风电场环境风速机器学习预测方法
CN112836604A (zh) 一种基于vmd-ssae的滚动轴承故障诊断分类方法、系统、设备及其存储介质
Liu et al. Fault diagnosis of rod pumping wells based on support vector machine optimized by improved chicken swarm optimization
Rao et al. Dropout and pruned neural networks for fault classification in photovoltaic arrays
CN109934422A (zh) 一种基于时间序列数据分析的神经网络风速预测方法
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN114119273A (zh) 一种园区综合能源系统非侵入式负荷分解方法及系统
Wang et al. Hybrid deep learning model for short-term wind speed forecasting based on time series decomposition and gated recurrent unit
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN115828755A (zh) 微网群参与电网服务的评估方法、装置及可读存储介质
Mohammad et al. Short term load forecasting using deep neural networks
CN114240687A (zh) 一种适用于综合能源系统的能源托管效率分析方法
CN107527093B (zh) 一种风电机组运行状态诊断方法及装置
Das et al. Improved dequantization and normalization methods for tabular data pre-processing in smart buildings
Fei et al. Chinese Grain Production Forecasting Method Based on Particle Swarm Optimization-based Support Vector Machine
Khan et al. Forecasting renewable energy for environmental resilience through computational intelligence

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170815