CN107341569A - 结合光伏功率物理模型与数据驱动的光伏功率预测方法 - Google Patents
结合光伏功率物理模型与数据驱动的光伏功率预测方法 Download PDFInfo
- Publication number
- CN107341569A CN107341569A CN201710492720.8A CN201710492720A CN107341569A CN 107341569 A CN107341569 A CN 107341569A CN 201710492720 A CN201710492720 A CN 201710492720A CN 107341569 A CN107341569 A CN 107341569A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- mtd
- msub
- photovoltaic 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/12—Sunshine duration recorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic 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—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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
-
- 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
- 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
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/20—Climate change mitigation technologies for sector-wide applications using renewable energy
-
- 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
本发明提出结合光伏功率物理模型与数据驱动的光伏功率预测方法,属于电力系统新能源预测技术领域。该方法运用光伏功率物理模型,确定影响光伏功率的关键天气特征,建立历史时段和预测时段的关键天气特征矩阵;然后分别建立历史和预测时段的天气数据矩阵,获得历史和预测时段的输入矩阵;对输入矩阵进行特征提取,得到历史和预测时段的主成分特征矩阵;选取与任一预测时段主成分特征曼哈顿距离最近的K个历史时段,拟合得到K个历史时段的主成分特征与对应历史时段光伏功率的映射关系,将所选预测时段的主成分特征输入映射关系,得到该预测时段的光伏功率。本发明利用光伏功率物理模型,能够准确预测光伏功率,具有较强的工业应用价值。
Description
技术领域
本发明属于电力系统新能源预测技术领域,特别提供了一种结合光伏功率物理模型与数据驱动的光伏功率预测方法。
背景技术
光伏功率预测即根据历史和当前数据对未来一定时段的光伏功率进行预测。由于日照的昼夜周期性,光伏电站只能白天发电,是一种典型的间歇式电源;光伏功率受气象、环境条件影响,具有较大的波动性和随机性。这些特性使得大规模光伏发电并网对电网造成不良影响。若能及时、准确地预测光伏功率,将对电网调度及光伏电站运行具有重要意义。
目前,已有诸多关于光伏功率预测的方法。这些预测方法可按照不同方式分类。例如,根据预测时间尺度不同,可将光伏功率预测分为超短期(未来0-6小时)、短期(未来6-24小时)和中长期(未来多日至一年)。研究统计表明,晴空条件下,超短期光伏功率预测的方均根误差在8%以内;而非晴空条件下的方均根误差高于20%。可见,目前光伏功率预测误差较大,使得光伏功率预测技术难以实现工程应用。因此,改进光伏功率预测方法,提升光伏功率预测精度,具有重要应用前景和工程价值。现有光伏功率预测方法主要步骤如下:
1)采集历史时段数值天气数据,如大气压强、空气沉淀物、空气湿度、天空云量、风速、空气温度、地表热辐射等;
2)以历史时段数值天气数据直接作为输入,经过神经网络或支持向量机等数据驱动算法,统计学习历史时段数值天气数据与历史光伏功率的关系;
3)采集预测时段数值天气数据,以该数据直接作为输入,利用统计学习得到的历史数值天气数据与历史光伏功率的关系,得到预测时段光伏功率。
然而,现有预测方法强烈依赖神经网络、支持向量机等数据驱动算法的统计学习能力,忽略光伏功率物理模型对数据驱动方法的作用。光伏功率的物理模型表述光伏功率与诸如环境温度、风速、地表光强等天气特征的解析式,蕴含了光伏功率与天气特征的物理规律。例如,现有常用的光伏功率物理模型表达式如下:
式中,Ee为有效光强,Tc为光伏阵列温度,E0为参考光强,T0为参考温度,Pmp0为光伏额定功率,γ为光伏阵列的温度系数,Pmp为光伏功率。该模型表明,光伏功率与有效光强与光伏阵列温度相关。
发明内容
本发明的目的在于为克服已有技术的不足之处,提出一种结合光伏功率物理模型与数据驱动的光伏功率预测方法。本发明通过光伏功率物理模型发掘关键天气特征,有助于发挥数据挖掘方法的学习能力,提升光伏功率的预测精度。
本发明提出的一种结合光伏功率物理模型与数据驱动的光伏功率预测方法,包括以下步骤:
1)基于光伏功率物理模型,获取与光伏功率直接相关的天气特征为有效光强和光伏阵列温度,得到光伏功率关于有效光强和光伏阵列温度的线性表达式,确定影响光伏功率的关键天气特征;
光伏功率Pmp的物理模型表达式如式(1)所示:
式中,Ee为有效光强,Tc为光伏阵列温度,E0为参考光强,T0为参考温度,Pmp0为光伏额定功率,γ为光伏阵列的温度系数;由式(1)可知,与光伏功率直接相关的天气特征为有效光强Ee和光伏阵列温度Tc;
则光伏功率关于有效光强和光伏阵列温度的线性表达式如式(2)所示:
式(2)为光伏功率Pmp关于Ee和Ee·Tc的线性表达式;将Ee和Ee·Tc记为影响光伏功率的关键天气特征;
2)选取历史时段,建立历史时段的关键天气特征矩阵;每个历史时段为获得光伏功率数据和天气数据的一个单位采样时间;
对于任一历史时段t∈{1,2...Th},Th为历史时段数目,设为历史时段t的有效光强,Tc h[t]为历史时段t的光伏阵列温度;历史时段的关键天气特征矩阵表达式如下:
3)选取预测时段,建立预测时段的关键天气特征矩阵;每个预测时段的长度与历史时段相同;
对于任一预测时段t∈{1,2...Tf},Tf为预测时段数目,设为预测时段t的有效光强,为预测时段t的光伏阵列温度;预测时段的关键天气特征矩阵表达式如下:
4)从数值天气预报的历史数据库中获取历史时段天气数据,建立历史天气数据矩阵该矩阵每行表示一个历史时段,每列表示一类天气数据,共N类天气数据;
5)从数值天气预报的预测天气数据库中获取预测时段天气数据,建立预测天气数据矩阵该矩阵每行表示一个预测时段,每列表示一类天气数据,预测时段所选取的天气数据类别与历史时段相同,共N类天气数据;
6)分别构建历史时段输入矩阵和预测时段输入矩阵,表达式分别如式(8)和式(9)所示:
7)将历史时段输入矩阵和预测时段输入矩阵合并,运用主成分分析法,对历史时段输入矩阵和预测时段输入矩阵进行特征提取;
对历史时段和预测时段合并后的输入矩阵进行奇异值分解,提取得到主成分特征矩阵其中为历史时段的主成分特征矩阵,为预测时段的主成分特征矩阵,L为主成分特征数目;
8)对于任一预测时段t∈{1,2...Tf},计算该预测时段主成分特征与各历史时段主成分特征的曼哈顿距离,运用K邻近聚类方法,选取与该预测时段主成分特征曼哈顿距离最近的K个历史时段;
9)运用支持向量机方法,拟合步骤8)得到的K个历史时段的主成分特征与对应历史时段光伏功率的关系,得到该预测时段t的拟合映射关系记为gt:R1×L→R1×1;
10)将预测时段t的主成分特征输入到步骤9)得到的映射关系gt,计算得到预测时段t的光伏功率。
本发明的特点及有益效果在于:
本发明针对工业界和学术界对光伏功率预测方法的实际需求,考虑现有数据驱动方法的不足,提出一种结合光伏功率物理模型与数据驱动的光伏功率预测方法。该方法通过光伏功率物理模型确定影响光伏功率的关键天气特征,进一步通过数据驱动方法拟合关键特征与光伏功率的关系,并准确预测光伏功率。本发明在预测精度上对于现有的预测方法有显著改进。
附图说明
图1是本发明方法的流程框图。
图2是本发明方法与传统光伏功率预测方法的日预测曲线结果示意图。
图3是本发明方法与传统光伏功率预测方法的周预测曲线结果示意图。
具体实施方式
本发明提出的一种结合光伏功率物理模型与数据驱动的光伏功率预测方法,下面结合附图及具体实施例对本发明作进一步详细的说明。应当理解,此处所描述的具体实施方式可用以解释本发明,但并不限定本发明。
本发明提出的一种结合光伏功率物理模型与数据驱动的光伏功率预测方法,本实施例的数据来自2014年全球负荷预测大赛(GEFCom2014)开源数据,整体流程如图1所示,包括以下步骤:
1)基于光伏功率物理模型,获取与光伏功率直接相关的天气特征为有效光强和光伏阵列温度,得到光伏功率关于有效光强和光伏阵列温度的线性表达式,确定影响光伏功率的关键天气特征;
光伏功率Pmp的物理模型表达式如式(1)所示:
式中,Ee为有效光强,Tc为光伏阵列温度,E0为参考光强(E0为常数,取值为1000W/m2),T0为参考温度(T0为常数,取值25℃),Pmp0为光伏额定功率,γ为光伏阵列的温度系数,γ与光伏阵列材料等因素相关;由光伏功率物理模型可知,与光伏功率直接相关的天气特征为有效光强Ee和光伏阵列温度Tc。
则光伏功率关于有效光强和光伏阵列温度的线性表达式如式(2)所示:
式(2)为光伏功率Pmp为关于Ee和Ee·Tc的线性表达式;将以Ee和Ee·Tc记为影响光伏功率的关键天气特征。
有效光强和光伏阵列温度的具体计算方法如下:
1-1)有效光强Ee与光伏阵列光强EPOA、光伏阵列清洁程度SF∈[0,1]相关,表达式如下:
Ee=EPOA·SF (3)
式中,SF=1表示光伏阵列完全清洁,该数值可通过现场实验测量确定;
光伏阵列光强EPOA可表示为太阳直射分量Eb、地面反射分量Eg和天空散射分量Ed的总和,表达式如下:
EPOA=Eb+Eg+Ed (4)
太阳直射分量Eb、地面反射分量Eg和天空散射分量Ed可通过现场安装的光强测量仪测得或通过数值天气预报的数据库中获取。
1-2)光伏阵列温度Tc与光伏阵列光强EPOA、风速WS、环境温度Ta有关,表达式如下:
式中,ΔT为光伏阵列的温差系数,表示光伏阵列与光伏元件温度差异,与光伏阵列材料等因素相关,ΔT>0;U0为光伏阵列的热传导常数,本实施例中为25W/m2K;U1为光伏阵列的热对流常数,本实施例中为6.84W/m3sK。
2)选取历史时段,建立历史时段的关键特征矩阵;
本发明中,每个历史时段为一个采样单位时间,即可以获得光伏功率数据和天气数据的一个单位时间,长度不限,一般从15分钟至1小时,本实施例选取1小时。
对于任一历史时段t∈{1,2...Th},Th为历史时段数目,该数目取决于历史数据样本容量,本实施例的历史时段数目为一年8760个小时。设为历史时段t的有效光强,Tc h[t]为历史时段t的光伏阵列温度;历史时段的关键天气特征矩阵表达式如下:
3)选取预测时段,建立预测时段的关键天气特征矩阵;每个预测时段的长度与历史时段相同(本实施例为1小时);
对于任一预测时段t∈{1,2...Tf},Tf为预测时段数目,该数目取决于光伏功率的预测需求,本实施例中预测时段数目为一周168个小时。设为预测时段t的有效光强,为预测时段t的光伏阵列温度;预测时段的关键天气特征矩阵表达式如下:
4)从数值天气预报的历史数据库中获取历史时段天气数据,所述天气数据包括:大气压强、空气沉淀物、空气湿度、天空云量、风速、空气温度、地表热辐射等,建立历史天气数据矩阵该矩阵每行表示一个历史时段,每列表示一类天气数据,共N类天气数据,N的数值取决于数值天气预报数据库中与光伏功率相关的物理量数目,本实施例为7,分别为:大气压强、空气沉淀物、空气湿度、天空云量、风速、空气温度、地表热辐射。
5)从数值天气预报的预测数据库中获取预测时段天气数据,建立预测天气数据矩阵该矩阵每行表示一个预测时段,每列表示一类天气数据,预测时段所选取的天气数据类别与历史时段相同,共N类天气数据;
6)分别构建历史时段输入矩阵和预测时段输入矩阵,表达式分别如式(8)和式(9)所示:
7)将历史时段输入矩阵和预测时段输入矩阵合并,运用主成分分析法,对历史时段输入矩阵和预测时段输入矩阵进行特征提取。
主成分分析法,是通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,从而降低输入矩阵冗余,提取主成分特征。
对历史时段和预测时段合并后的输入矩阵进行奇异值分解,提取得到主成分特征矩阵其中为历史时段的主成分特征矩阵,为预测时段的主成分特征矩阵,L为主成分特征数目。
8)运用K邻近聚类方法,对于每个预测时段,选取与该预测时段最邻近的K个历史时段,即:对于任一预测时段t∈{1,2...Tf},计算该预测时段主成分特征与各历史时段主成分特征的曼哈顿距离,选取与该预测时段主成分特征曼哈顿距离最近的K个历史时段。其中,K值的选取将影响预测效果,可通过在交叉检验过程中参数灵敏度分析以确定最佳K值。本实施例采用K=300。
9)运用支持向量机方法,拟合步骤8)得到的与该预测时段最邻近的的K个历史时段的主成分特征与对应历史时段光伏功率的关系,得到该预测时段t的拟合映射关系记为gt:R1×L→R1×1,gt表示映射函数;
10)将预测时段t的主成分特征输入到步骤9)得到的映射关系gt,计算得到预测时段t的光伏功率。
至此,本发明所提方法实施完毕。以上实施步骤仅用以说明而非限制本发明的技术方案。不脱离本发明精神和范围的任何修改或局部替换,均应涵盖在本发明的权利要求范围当中。
本发明提出的光伏功率预测方法计算结果与传统不计及光伏功率物理模型预测方法计算结果对比如图2和图3所示;其中传统预测方法所采用的数据驱动方法与本发明提出的光伏功率预测方法保持一致,即均为主成分分析法、K邻近聚类及支持向量机方法。图2是本发明方法与传统光伏功率预测方法的日预测曲线结果示意图,图3是本发明方法与传统光伏功率预测方法的周预测曲线结果示意图。由图2和图3可知,与传统不计及物理模型预测方法相比,本方法方法在日预测和周预测中均能够获得更高的预测精度。
Claims (1)
1.一种结合光伏功率物理模型与数据驱动的光伏功率预测方法,其特征在于,包括以下步骤:
1)基于光伏功率物理模型,获取与光伏功率直接相关的天气特征为有效光强和光伏阵列温度,得到光伏功率关于有效光强和光伏阵列温度的线性表达式,确定影响光伏功率的关键天气特征;
光伏功率Pmp的物理模型表达式如式(1)所示:
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>p</mi>
<mn>0</mn>
</mrow>
</msub>
<mfrac>
<msub>
<mi>E</mi>
<mi>e</mi>
</msub>
<msub>
<mi>E</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>+</mo>
<mi>&gamma;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mi>c</mi>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,Ee为有效光强,Tc为光伏阵列温度,E0为参考光强,T0为参考温度,Pmp0为光伏额定功率,γ为光伏阵列的温度系数;由式(1)可知,与光伏功率直接相关的天气特征为有效光强Ee和光伏阵列温度Tc;
则光伏功率关于有效光强和光伏阵列温度的线性表达式如式(2)所示:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>p</mi>
<mn>0</mn>
</mrow>
</msub>
<mfrac>
<msub>
<mi>E</mi>
<mi>e</mi>
</msub>
<msub>
<mi>E</mi>
<mn>0</mn>
</msub>
</mfrac>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>+</mo>
<mi>&gamma;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mi>c</mi>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>&gamma;T</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mfrac>
<msub>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>p</mi>
<mn>0</mn>
</mrow>
</msub>
<msub>
<mi>E</mi>
<mn>0</mn>
</msub>
</mfrac>
<msub>
<mi>E</mi>
<mi>e</mi>
</msub>
<mo>+</mo>
<mi>&gamma;</mi>
<mfrac>
<msub>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>p</mi>
<mn>0</mn>
</mrow>
</msub>
<msub>
<mi>E</mi>
<mn>0</mn>
</msub>
</mfrac>
<msub>
<mi>E</mi>
<mi>e</mi>
</msub>
<msub>
<mi>T</mi>
<mi>c</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式(2)为光伏功率Pmp关于Ee和Ee·Tc的线性表达式;将Ee和Ee·Tc记为影响光伏功率的关键天气特征;
2)选取历史时段,建立历史时段的关键天气特征矩阵;每个历史时段为获得光伏功率数据和天气数据的一个单位采样时间;
对于任一历史时段t∈{1,2...Th},Th为历史时段数目,设为历史时段t的有效光强,为历史时段t的光伏阵列温度;历史时段的关键天气特征矩阵表达式如下:
<mrow>
<msubsup>
<mi>X</mi>
<mi>C</mi>
<mi>h</mi>
</msubsup>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>E</mi>
<mi>e</mi>
<mi>h</mi>
</msubsup>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>E</mi>
<mi>e</mi>
<mi>h</mi>
</msubsup>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
<mo>&CenterDot;</mo>
<msubsup>
<mi>T</mi>
<mi>c</mi>
<mi>h</mi>
</msubsup>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>E</mi>
<mi>e</mi>
<mi>h</mi>
</msubsup>
<mo>&lsqb;</mo>
<mn>2</mn>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>E</mi>
<mi>e</mi>
<mi>h</mi>
</msubsup>
<mo>&lsqb;</mo>
<mn>2</mn>
<mo>&rsqb;</mo>
<mo>&CenterDot;</mo>
<msubsup>
<mi>T</mi>
<mi>c</mi>
<mi>h</mi>
</msubsup>
<mo>&lsqb;</mo>
<mn>2</mn>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>E</mi>
<mi>e</mi>
<mi>h</mi>
</msubsup>
<mo>&lsqb;</mo>
<msup>
<mi>T</mi>
<mi>h</mi>
</msup>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>E</mi>
<mi>e</mi>
<mi>h</mi>
</msubsup>
<mo>&lsqb;</mo>
<msup>
<mi>T</mi>
<mi>h</mi>
</msup>
<mo>&rsqb;</mo>
<mo>&CenterDot;</mo>
<msubsup>
<mi>T</mi>
<mi>c</mi>
<mi>h</mi>
</msubsup>
<mo>&lsqb;</mo>
<msup>
<mi>T</mi>
<mi>h</mi>
</msup>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
3)选取预测时段,建立预测时段的关键天气特征矩阵;每个预测时段的长度与历史时段相同;
对于任一预测时段t∈{1,2...Tf},Tf为预测时段数目,设为预测时段t的有效光强,为预测时段t的光伏阵列温度;预测时段的关键天气特征矩阵表达式如下:
<mrow>
<msubsup>
<mi>X</mi>
<mi>C</mi>
<mi>f</mi>
</msubsup>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>E</mi>
<mi>e</mi>
<mi>f</mi>
</msubsup>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>E</mi>
<mi>e</mi>
<mi>f</mi>
</msubsup>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
<mo>&CenterDot;</mo>
<msubsup>
<mi>T</mi>
<mi>c</mi>
<mi>f</mi>
</msubsup>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>E</mi>
<mi>e</mi>
<mi>f</mi>
</msubsup>
<mo>&lsqb;</mo>
<mn>2</mn>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>E</mi>
<mi>e</mi>
<mi>f</mi>
</msubsup>
<mo>&lsqb;</mo>
<mn>2</mn>
<mo>&rsqb;</mo>
<mo>&CenterDot;</mo>
<msubsup>
<mi>T</mi>
<mi>c</mi>
<mi>f</mi>
</msubsup>
<mo>&lsqb;</mo>
<mn>2</mn>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>E</mi>
<mi>e</mi>
<mi>f</mi>
</msubsup>
<mo>&lsqb;</mo>
<msup>
<mi>T</mi>
<mi>f</mi>
</msup>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msubsup>
<mi>E</mi>
<mi>e</mi>
<mi>f</mi>
</msubsup>
<mo>&lsqb;</mo>
<msup>
<mi>T</mi>
<mi>f</mi>
</msup>
<mo>&rsqb;</mo>
<mo>&CenterDot;</mo>
<msubsup>
<mi>T</mi>
<mi>c</mi>
<mi>f</mi>
</msubsup>
<mo>&lsqb;</mo>
<msup>
<mi>T</mi>
<mi>f</mi>
</msup>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
4)从数值天气预报的历史数据库中获取历史时段天气数据,建立历史天气数据矩阵该矩阵每行表示一个历史时段,每列表示一类天气数据,共N类天气数据;
5)从数值天气预报的预测天气数据库中获取预测时段天气数据,建立预测天气数据矩阵该矩阵每行表示一个预测时段,每列表示一类天气数据,预测时段所选取的天气数据类别与历史时段相同,共N类天气数据;
6)分别构建历史时段输入矩阵和预测时段输入矩阵,表达式分别如式(8)和式(9)所示:
<mrow>
<msubsup>
<mi>X</mi>
<mi>I</mi>
<mi>h</mi>
</msubsup>
<mo>=</mo>
<mo>&lsqb;</mo>
<msubsup>
<mi>X</mi>
<mi>C</mi>
<mi>h</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>X</mi>
<mi>W</mi>
<mi>h</mi>
</msubsup>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>X</mi>
<mi>I</mi>
<mi>f</mi>
</msubsup>
<mo>=</mo>
<mo>&lsqb;</mo>
<msubsup>
<mi>X</mi>
<mi>C</mi>
<mi>f</mi>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>X</mi>
<mi>W</mi>
<mi>f</mi>
</msubsup>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
7)将历史时段输入矩阵和预测时段输入矩阵合并,运用主成分分析法,对历史时段输入矩阵和预测时段输入矩阵进行特征提取;
对历史时段和预测时段合并后的输入矩阵进行奇异值分解,提取得到主成分特征矩阵其中为历史时段的主成分特征矩阵,为预测时段的主成分特征矩阵,L为主成分特征数目;
8)对于任一预测时段t∈{1,2...Tf},计算该预测时段主成分特征与各历史时段主成分特征的曼哈顿距离,运用K邻近聚类方法,选取与该预测时段主成分特征曼哈顿距离最近的K个历史时段;
9)运用支持向量机方法,拟合步骤8)得到的K个历史时段的主成分特征与对应历史时段光伏功率的关系,得到该预测时段t的拟合映射关系记为gt:R1×L→R1×1;
10)将预测时段t的主成分特征输入到步骤9)得到的映射关系gt,计算得到预测时段t的光伏功率。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710492720.8A CN107341569B (zh) | 2017-06-26 | 2017-06-26 | 结合光伏功率物理模型与数据驱动的光伏功率预测方法 |
US15/992,244 US10910840B2 (en) | 2017-06-26 | 2018-05-30 | Method and apparatus for photovoltaic power forecast based on numerical weather prediction |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710492720.8A CN107341569B (zh) | 2017-06-26 | 2017-06-26 | 结合光伏功率物理模型与数据驱动的光伏功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107341569A true CN107341569A (zh) | 2017-11-10 |
CN107341569B CN107341569B (zh) | 2020-04-24 |
Family
ID=60220959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710492720.8A Active CN107341569B (zh) | 2017-06-26 | 2017-06-26 | 结合光伏功率物理模型与数据驱动的光伏功率预测方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10910840B2 (zh) |
CN (1) | CN107341569B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110994671A (zh) * | 2019-11-25 | 2020-04-10 | 国网四川省电力公司电力科学研究院 | 一种基于matlab的小型独立光伏发电仿真模型 |
CN112257953A (zh) * | 2020-11-03 | 2021-01-22 | 上海电力大学 | 一种基于极地新能源发电功率预测的数据处理方法 |
CN112861363A (zh) * | 2021-02-23 | 2021-05-28 | 国网冀北电力有限公司智能配电网中心 | 光伏发电状态估计方法、装置及终端设备 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902874A (zh) * | 2019-02-28 | 2019-06-18 | 武汉大学 | 一种基于深度学习的微电网光伏发电短期预测方法 |
CN111832335A (zh) * | 2019-04-15 | 2020-10-27 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置及电子设备 |
CN110737876B (zh) * | 2019-09-26 | 2023-08-08 | 国家电网公司华北分部 | 区域电网光伏功率预测优化方法和装置 |
CN111489028B (zh) * | 2020-04-09 | 2021-06-08 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
CN111695731B (zh) * | 2020-06-09 | 2023-05-02 | 中国电力科学研究院有限公司 | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 |
CN111861023B (zh) * | 2020-07-28 | 2024-02-09 | 南方电网科学研究院有限责任公司 | 基于统计学的混合风电功率预测方法、装置 |
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 |
CN111932007A (zh) * | 2020-08-04 | 2020-11-13 | 广州发展新能源股份有限公司 | 一种光伏电站的功率预测方法、装置及存储介质 |
CN112149901B (zh) * | 2020-09-23 | 2024-04-16 | 华北电力科学研究院有限责任公司 | 一种汽轮机低压末级压力场预测方法及装置 |
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 |
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 |
CN113779861B (zh) * | 2021-07-23 | 2023-08-22 | 国网河北省电力有限公司电力科学研究院 | 光伏功率的预测方法及终端设备 |
CN113591332B (zh) * | 2021-09-29 | 2022-04-05 | 中国电力科学研究院有限公司 | 一种短期风电功率预测方法、装置、存储介质及处理器 |
CN114048896B (zh) * | 2021-10-27 | 2023-02-03 | 国核自仪系统工程有限公司 | 光伏发电数据的预测方法、系统、设备及介质 |
CN115796932B (zh) * | 2022-11-10 | 2023-10-03 | 永道工程咨询有限公司 | 一种工程造价预测方法、装置、电子设备及存储介质 |
CN116776134B (zh) * | 2023-08-16 | 2023-10-24 | 国网浙江省电力有限公司金华供电公司 | 一种基于PCA-SFFS-BiGRU的光伏出力预测方法 |
CN117332898A (zh) * | 2023-10-17 | 2024-01-02 | 南方电网数字电网研究院有限公司 | 基于机器学习的新能源小时间尺度功率时序滚动预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419394A (zh) * | 2011-09-02 | 2012-04-18 | 电子科技大学 | 一种预测分辨率可变的风光功率预测方法 |
CN102913426A (zh) * | 2012-10-09 | 2013-02-06 | 江苏大学 | 一种高效全自动光伏水泵系统及其控制方法 |
CN103390199A (zh) * | 2013-07-18 | 2013-11-13 | 国家电网公司 | 光伏发电量/发电功率预测装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10607162B2 (en) * | 2014-10-09 | 2020-03-31 | FTC Solar, Inc. | Methods and systems for schedule-based and alert-based cleaning of PV systems |
EP3314751B1 (en) * | 2015-06-23 | 2020-09-02 | Qatar Foundation for Education, Science and Community Development | Method of forecasting for solar-based power systems |
CN105184404B (zh) * | 2015-08-31 | 2018-12-18 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
US10347365B2 (en) * | 2017-02-08 | 2019-07-09 | 10X Genomics, Inc. | Systems and methods for visualizing a pattern in a dataset |
-
2017
- 2017-06-26 CN CN201710492720.8A patent/CN107341569B/zh active Active
-
2018
- 2018-05-30 US US15/992,244 patent/US10910840B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102419394A (zh) * | 2011-09-02 | 2012-04-18 | 电子科技大学 | 一种预测分辨率可变的风光功率预测方法 |
CN102913426A (zh) * | 2012-10-09 | 2013-02-06 | 江苏大学 | 一种高效全自动光伏水泵系统及其控制方法 |
CN103390199A (zh) * | 2013-07-18 | 2013-11-13 | 国家电网公司 | 光伏发电量/发电功率预测装置 |
Non-Patent Citations (4)
Title |
---|
SHI J ET AL.: "Forecasting Power Output of Photovoltaic Systems Based on Weather Classification and Support Vector Machines", 《IEEE TRANSACTIONS ON INDUSTRY APPLICATIONS》 * |
张俊蔚: "基于物理模型的光伏电站输出功率预测", 《甘肃水利水电技术》 * |
赵唯嘉等: "光伏发电出力的条件预测误差概率分布估计方法", 《电力系统自动化》 * |
龚莺飞等: "光伏功率预测技术", 《电力系统自动化》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110994671A (zh) * | 2019-11-25 | 2020-04-10 | 国网四川省电力公司电力科学研究院 | 一种基于matlab的小型独立光伏发电仿真模型 |
CN110994671B (zh) * | 2019-11-25 | 2023-04-28 | 国网四川省电力公司电力科学研究院 | 一种基于matlab的小型独立光伏发电仿真模型 |
CN112257953A (zh) * | 2020-11-03 | 2021-01-22 | 上海电力大学 | 一种基于极地新能源发电功率预测的数据处理方法 |
CN112257953B (zh) * | 2020-11-03 | 2021-09-24 | 上海电力大学 | 一种基于极地新能源发电功率预测的数据处理方法 |
CN112861363A (zh) * | 2021-02-23 | 2021-05-28 | 国网冀北电力有限公司智能配电网中心 | 光伏发电状态估计方法、装置及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107341569B (zh) | 2020-04-24 |
US10910840B2 (en) | 2021-02-02 |
US20180375334A1 (en) | 2018-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341569A (zh) | 结合光伏功率物理模型与数据驱动的光伏功率预测方法 | |
Fadare | The application of artificial neural networks to mapping of wind speed profile for energy application in Nigeria | |
CN102945508B (zh) | 一种基于模型校正的风电功率预测预报方法 | |
Nor et al. | Feasibility assessment of wind energy resources in Malaysia based on NWP models | |
CN102663251B (zh) | 基于计算流体力学模型的风电场功率物理预测方法 | |
KR101035398B1 (ko) | 특정지점 기상예측 기반 신재생에너지 발전량 실시간 예측방법 및 그 시스템 | |
CN103514328B (zh) | 一种基于wrf的极端干旱地区风场模拟方法 | |
Olaofe et al. | Wind energy analysis based on turbine and developed site power curves: A case-study of Darling City | |
Di et al. | Improving WRF model turbine-height wind-speed forecasting using a surrogate-based automatic optimization method | |
CN104036121B (zh) | 基于概率分布转移的测风数据风速订正方法 | |
Al-Yahyai et al. | Assessment of large-scale wind energy potential in the emerging city of Duqm (Oman) | |
CN102419394B (zh) | 一种预测分辨率可变的风光功率预测方法 | |
Noman et al. | Comprehensive review of wind energy in Malaysia: Past, present, and future research trends | |
Goger et al. | Current challenges for numerical weather prediction in complex terrain: Topography representation and parameterizations | |
CN105373849A (zh) | 光伏电池组件温度的分步预测方法 | |
CN104504464A (zh) | 基于风区风带风速规律的风功率预测方法 | |
Rahmani et al. | Wind power assessment and site matching of wind turbines in Lootak of Zabol | |
CN105741192A (zh) | 一种风电场风电机机舱短期风速组合预报方法 | |
Cheggaga et al. | A neural network solution for extrapolation of wind speeds at heights ranging for improving the estimation of wind producible | |
CN104598982A (zh) | 年最大降温负荷的获取方法及系统 | |
CN102542162B (zh) | 一种基于有效风速的风能评估方法 | |
Murthy et al. | Longterm analysis of wind speed and wind power resource assessment for the site Vijayawada, Andhra Pradesh, India | |
Nemes | Statistical analysis of wind speed profile: a case study from Iasi Region, Romania | |
Li et al. | Wind velocity prediction at wind turbine hub height based on CFD model | |
Siagian | Wind Resource for Electrical Energy of Tourism and Micro Small and Medium Enterprises (MSMEs) in Coastal Areas After the COVID-19 Pandemic |
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 |