CN107516145A - 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法 - Google Patents
一种基于加权欧氏距离模式分类的多通道光伏出力预测方法 Download PDFInfo
- Publication number
- CN107516145A CN107516145A CN201710622685.7A CN201710622685A CN107516145A CN 107516145 A CN107516145 A CN 107516145A CN 201710622685 A CN201710622685 A CN 201710622685A CN 107516145 A CN107516145 A CN 107516145A
- Authority
- CN
- China
- Prior art keywords
- mtd
- mrow
- msub
- data
- euclidean distance
- 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
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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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
Abstract
一种基于加权欧氏距离模式分类的多通道光伏出力预测方法,包括以下步骤:步骤1.数据预处理;步骤2.构造加权欧氏距离;步骤3.建立光伏出力预测模型:采用基于加权欧氏距离的K‑means聚类算法,将历史数据划分为K类,即K个天气类型;求取各天气类型下样本数据的聚类中心;将所属同一天气类型的样本数据作为一组训练样本,采用神经网络算法进行训练,建立K个光伏出力预测模型;步骤4.构建当前时刻天气矢量;步骤5.当前时刻天气类型模式识别;步骤6.将步骤4中当前时刻天气矢量作为输入量,输入所属天气类型的光伏出力预测模型中进行预测,进而得到光伏发电功率预测值。本发明提高多变天气状态下光伏发电功率的预测精度。
Description
技术领域
本发明属于分布式光伏出力预测领域,特别是涉及一种基于加权欧氏距离模式分类的多通道光伏出力预测方法。
背景技术
分布式光伏发电系统的出力受多元气象因素的影响,其输出功率具有较大的间歇性和随机性。对光伏发电系统输出功率的精确预测是保证分布式光伏电站安全稳定运行的有效手段。
目前,国内外在光伏出力预测领域做了大量研究。然而,常规的预测方法采用单一模型进行预测,主要着眼于通过改善预测模型来提高预测精度,未考虑不同天气状态下模型预测能力的差异。此外,单一模型预测方法不区分天气类型,采用集中建模,导致训练样本引入较大的噪声,预测精度较难提高。
因此,科学划分天气类型并根据不同天气类型建立相应的光伏出力预测模型,可降低建模难度、简化模型结构,能够有效地提高预测准确性。
发明内容
为了克服已有单一预测模型的预测准确性较低、预测精度较低的不足,本发明提供一种有效提高预测准确性和预测精度的基于加权欧氏距离模式分类的多通道光伏出力预测方法。
本发明解决其技术问题所采用的技术方案是:
一种基于加权欧氏距离模式分类的多通道光伏出力预测方法,所述方法包括以下步骤:
步骤1.数据预处理
将收集到的光伏电站历史功率数据和当地气象站历史气象数据汇总,对历史数据进行数据预处理,包括剔除异常数据和归一化处理;
步骤2.构造加权欧氏距离
采用积差相关法计算各气象变量与发电功率之间的相关系数,根据相关系数确定各气象变量的影响权重,结合各气象变量的影响权重构造样本数据点之间的加权欧氏距离;
步骤3.建立光伏出力预测模型,过程如下:
首先,采用基于加权欧氏距离的K-means聚类算法,将历史数据划分为K类,即K个天气类型;其次,求取各天气类型下样本数据的聚类中心;最后,将所属同一天气类型的样本数据作为一组训练样本,采用神经网络算法进行训练,建立K个光伏出力预测模型;
步骤4.构建当前时刻天气矢量
通过空间插值法,对当前时刻相邻样本点的历史气象数据进行扩展,构建当前时刻天气矢量;
步骤5.当前时刻天气类型模式识别
计算步骤4中当前时刻天气矢量与步骤3中K个聚类中心的加权欧氏距离,按照距离最小原则确定当前时刻所属的天气类型;
步骤6.选取通道进行预测
将步骤4中当前时刻天气矢量作为输入量,输入所属天气类型的光伏出力预测模型中进行预测,进而得到光伏发电功率预测值。
进一步,所述步骤1中,当地气象站的气象数据包括太阳辐照度、风速、风向、环境温度、环境湿度、大气压和组件温度,所述异常数据包括缺失数据和畸变数据,归一化为每项数据的归一化,数据预处理后的历史数据矩阵为,
其中,X为天气矢量,P为发电功率,xij(i=1,2,...,n;j=1,2,...,t)为气象样本点数据,i对应步骤2中所列气象变量的序号,j为样本测量点序号,n为气象变量个数,t为测量样本点数,pj(j=1,2,...,t)为发电功率样本点数据。
再进一步,所述步骤2中,各气象变量与发电功率之间的相关系数为,
其中,ri表示第i个气象变量和发电功率间的相关系数,表示第i个气象变量在t个测量样本点数据的平均值,表示发电功率在t个测量样本点数据的平均值。
更进一步,所述步骤2中,各气象变量的影响权重为,
其中,ωi表示第i个气象变量的影响权重。
所述步骤2中,样本数据点之间的加权欧氏距离为,
其中,da,b表示a、b两个样本数据点之间的加权欧氏距离,xia表示第i个气象变量在第a个样本点的测量数据,xib表示第i个气象变量在第b个样本点的测量数据。
所述步骤3中,基于加权欧氏距离的K-means聚类算法,根据样本数据到聚类中心的加权欧氏距离最小的原则进行聚类。
所述步骤3中,神经网络算法采用三层结构:
输入层为同一天气类型中的气象数据,包括太阳辐照度、风速、风向、环境温度、环境湿度、大气压、组件温度,输出层为光伏发电功率,隐含层的神经元个数采用经验值n2,其中,n2=2n1+1,n1为输入层气象变量个数。
所述步骤4中,空间插值法是将与当前时刻相邻的一组样本点的历史气象数据进行空间插值,外推出当前时刻的气象数据。
本发明的有益效果主要表现在:
1、本发明针对不同天气类型分别建立出力多模型,实现了光伏出力多通道预测,可有效降低建模难度,增强各子模型的泛化能力,从而提高多变天气状态下光伏发电功率的预测精度;
2、在天气类型划分过程中,该方法利用基于加权欧氏距离的K-means聚类算法,充分考虑了各气象因子对发电功率的影响程度的差异,有效地提高了聚类精度。
附图说明
图1为本发明的一种基于加权欧氏距离模式分类的多通道光伏出力预测方法流程图。
图2为本发明采用的基于加权欧氏距离的K-means聚类算法流程图。
具体实施方式
下面结合附图,详细叙述本发明的具体实施方案。
参照图1和图2,一种基于加权欧氏距离模式分类的多通道光伏出力预测方法,如图1所示,包括以下步骤:
步骤1.数据预处理
本实例选择位于美国俄勒冈州波特兰市的一个光伏发电系统(纬度:45.51°,经度:-122.69°,海拔70m)作为算法的研究对象,其总容量为1.755kW。预测的时间尺度是1小时,即预测分布式电站出力的小时平均功率。从光伏电站的电力参数监测装置记录的历史功率数据有:输出功率,从当地气象站的气象监测装置记录的历史气象数据有:太阳辐照度、风速、风向、环境温度、环境湿度、大气压、组件温度。对历史数据进行数据预处理,包括剔除异常数据和归一化处理。首先,将历史数据中的缺失数据和畸变数据作为异常数据进行剔除;其次,对历史数据通过归一化的方法将每项数据归一化到[0,1]区间。数据处理后的历史数据为矩阵为,
步骤2.构造加权欧氏距离,过程如下:
首先,采用积差相关法计算各气象变量与发电功率之间的相关系数,
其中,ri表示第i个气象变量和发电功率间的相关系数,xij表示第i个气象变量在第j个样本点的测量值,pi表示光伏发电功率在第j个样本点的测量值,i=1,2,...,7,表示第i个气象变量在t个测量样本点数据的平均值,表示发电功率在t个测量样本点数据的平均值。
计算得到各气象变量与发电功率之间的相关系数为
r=[0.918 0.237 0.307 0.434 0.231 0.031 0.723]。
其次,根据相关系数确定各气象变量的影响权重,各气象变量的影响权重为,
其中,ωi表示第i个气象变量的影响权重。
计算得到各气象变量的影响权重为
ω=[0.319 0.082 0.106 0.151 0.080 0.011 0.251]
再次,结合各气象变量的影响权重构造样本数据点之间的加权欧氏距离,样本数据点之间的加权欧氏距离为,
其中,da,b表示a、b两个样本数据点之间的加权欧氏距离,xia表示第i个气象变量在第a个样本点的测量数据,xib表示第i个气象变量在第b个样本点的测量数据。
步骤3.建立光伏出力预测模型,过程如下:
首先,采用基于加权欧氏距离的K-means聚类算法,将历史数据划分为K类,即K个天气类型。
其次,求取各天气类型下样本数据的聚类中心,样本数据的聚类中心为Ok=[x′1,x'2,...,x'n,p'],k=1,2,...,K,其中,x′1,x'2,...,x'n,p'表示各天气类型下样本数据中各变量的平均值。
再次,将所属同一天气类型的样本数据作为一组训练样本,采用神经网络算法进行训练,建立K个光伏出力预测模型,其中,神经网络算法采用三层结构:输入层为同一天气类型中的气象数据,包括太阳辐照度、风速、风向、环境温度、环境湿度、大气压、组件温度,输出层为光伏发电功率,隐含层的神经元个数为15。
步骤4.构建当前时刻天气矢量
通过空间插值法,对当前时刻相邻样本点的历史气象数据进行扩展,外推出当前时刻的气象数据,构造当前时刻天气矢量。
步骤5.当前时刻天气类型模式识别
计算步骤4中当前时刻天气矢量与步骤3中K个聚类中心的加权欧氏距离,按照距离最小原则确定当前时刻所属的天气类型;
步骤6.选取通道进行计算
将步骤4中当前时刻天气矢量作为输入量,输入所属天气类型的光伏出力预测模型中进行预测,进而得到光伏发电功率预测值。
通过对预测结果的误差分析可知,无论哪种天气类型,多通道预测的精度均优于单一预测模型。
最后,还需要注意的是,以上列举的仅是本发明的一个具体实施例。显然,本发明不限于以上实施例,还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形,均应认为是本发明的保护范围。
Claims (9)
1.一种基于加权欧氏距离模式分类的多通道光伏出力预测方法,其特征在于:所述方法包括以下步骤:
步骤1.数据预处理
将收集到的光伏电站历史功率数据和当地气象站历史气象数据汇总,对历史数据进行数据预处理,包括剔除异常数据和归一化处理;
步骤2.构造加权欧氏距离
采用积差相关法计算各气象变量与发电功率之间的相关系数,根据相关系数确定各气象变量的影响权重,结合各气象变量的影响权重构造样本数据点之间的加权欧氏距离;
步骤3.建立光伏出力预测模型,过程如下:
首先,采用基于加权欧氏距离的K-means聚类算法,将历史数据划分为K类,即K个天气类型;其次,求取各天气类型下样本数据的聚类中心;最后,将所属同一天气类型的样本数据作为一组训练样本,采用神经网络算法进行训练,建立K个光伏出力预测模型;
步骤4.构建当前时刻天气矢量
通过空间插值法,对当前时刻相邻样本点的历史气象数据进行扩展,构建当前时刻天气矢量;
步骤5.当前时刻天气类型模式识别
计算步骤4中当前时刻天气矢量与步骤3中K个聚类中心的加权欧氏距离,按照距离最小原则确定当前时刻所属的天气类型;
步骤6.选取通道进行预测
将步骤4中当前时刻天气矢量作为输入量,输入所属天气类型的光伏出力预测模型中进行预测,进而得到光伏发电功率预测值。
2.根据权利要求1所述的一种基于加权欧氏距离模式分类的多通道光伏出力预测方法,其特征在于:所述步骤1中,所述当地气象站的气象数据包括太阳辐照度、风速、风向、环境温度、环境湿度、大气压、组件温度这7个气象变量,所述异常数据包括缺失数据和畸变数据,归一化为每项数据的归一化,数据预处理后的历史数据矩阵为:
<mrow>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mi>X</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>P</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>j</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>t</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>j</mi>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>t</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>p</mi>
<mi>t</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,X为天气矢量,P为发电功率,xij(i=1,2,...,n;j=1,2,...,t)为气象样本点数据,i对应步骤2中所列气象变量的序号,j为样本测量点序号,n为气象变量个数,t为测量样本点数,pj(j=1,2,...,t)为发电功率样本点数据。
3.根据权利要求2所述的一种基于加权欧氏距离模式分类的多通道光伏出力预测方法,其特征在于:所述步骤2中,所述各气象变量与发电功率之间的相关系数为,
<mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>t</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mover>
<mi>p</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>t</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&CenterDot;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>t</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mover>
<mi>p</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mrow>
其中,ri表示第i个气象变量和发电功率间的相关系数,表示第i个气象变量在t个测量样本点数据的平均值,表示发电功率在t个测量样本点数据的平均值。
4.根据权利要求3所述的一种基于加权欧氏距离模式分类的多通道光伏出力预测方法,其特征在于:所述步骤2中,所述各气象变量的影响权重为,
<mrow>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中,ωi表示第i个气象变量的影响权重。
5.根据权利要求4所述的一种基于加权欧氏距离模式分类的多通道光伏出力预测方法,其特征在于:所述步骤2中,所述样本数据点之间的加权欧氏距离为,
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mi>a</mi>
<mo>,</mo>
<mi>b</mi>
</mrow>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>a</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>b</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中,da,b表示a、b两个样本数据点之间的加权欧氏距离,xia表示第i个气象变量在第a个样本点的测量数据,xib表示第i个气象变量在第b个样本点的测量数据。
6.根据权利要求1~5之一所述的一种基于加权欧氏距离模式分类的多通道光伏出力预测方法,其特征在于,所述步骤3中,所述基于加权欧氏距离的K-means聚类算法,根据样本数据到聚类中心的加权欧氏距离最小的原则进行聚类。
7.根据权利要求1~5之一所述的一种基于加权欧氏距离模式分类的多通道光伏出力预测方法,其特征在于:所述步骤3中,所述样本数据的聚类中心为Ok=[x′1,x′2,...,x′n,p'],k=1,2,...,K,其中,x′1,x′2,...,x′n,p'表示各天气类型下样本数据中各变量的平均值。
8.根据权利要求1~5之一所述的一种基于加权欧氏距离模式分类的多通道光伏出力预测方法,其特征在于:所述步骤3中,所述神经网络算法采用三层结构:
输入层为同一天气类型中的气象数据,包括太阳辐照度、风速、风向、环境温度、环境湿度、大气压和组件温度,输出层为光伏发电功率,隐含层的神经元个数采用经验值n2,其中,n2=2n1+1,n1为输入层气象变量个数。
9.根据权利要求1~5之一所述的一种基于加权欧氏距离模式分类的多通道光伏出力预测方法,其特征在于:所述步骤4中,所述空间插值法是将与当前时刻相邻的一组样本点的历史气象数据进行空间插值,外推出当前时刻的气象数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710622685.7A CN107516145A (zh) | 2017-07-27 | 2017-07-27 | 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710622685.7A CN107516145A (zh) | 2017-07-27 | 2017-07-27 | 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107516145A true CN107516145A (zh) | 2017-12-26 |
Family
ID=60721652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710622685.7A Pending CN107516145A (zh) | 2017-07-27 | 2017-07-27 | 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107516145A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038518A (zh) * | 2018-01-02 | 2018-05-15 | 华北电力大学(保定) | 一种基于气象数据的光伏发电功率确定方法及系统 |
CN108256690A (zh) * | 2018-02-07 | 2018-07-06 | 国网辽宁省电力有限公司电力科学研究院 | 基于形状参数置信区间的光伏发电预测方法 |
CN108764568A (zh) * | 2018-05-28 | 2018-11-06 | 哈尔滨工业大学 | 一种基于lstm网络的数据预测模型调优方法及装置 |
CN109086928A (zh) * | 2018-07-27 | 2018-12-25 | 福州大学 | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 |
CN110188964A (zh) * | 2019-06-06 | 2019-08-30 | 河北工业大学 | 一种基于相关性的光伏出力预测方法 |
CN110336534A (zh) * | 2019-07-15 | 2019-10-15 | 龙源(北京)太阳能技术有限公司 | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 |
CN110717623A (zh) * | 2019-09-20 | 2020-01-21 | 中国科学院自动化研究所 | 融合多种天气状况的光伏发电功率预测方法及装置、设备 |
CN111191812A (zh) * | 2018-11-15 | 2020-05-22 | 中国电力科学研究院有限公司 | 一种光伏出力预测方法及系统 |
CN111260126A (zh) * | 2020-01-13 | 2020-06-09 | 燕山大学 | 计及天气与气象因子关联度的短期光伏发电预测方法 |
CN111369070A (zh) * | 2020-03-13 | 2020-07-03 | 西安理工大学 | 一种基于包络线聚类的多模融合光伏功率预测方法 |
CN111399548A (zh) * | 2020-03-27 | 2020-07-10 | 上海电力大学 | 一种可识别天气类型的跟踪式光伏发电系统控制方法 |
CN111680820A (zh) * | 2020-05-08 | 2020-09-18 | 国网河南省电力公司电力科学研究院 | 分布式光伏电站故障诊断方法和装置 |
CN113688869A (zh) * | 2021-07-21 | 2021-11-23 | 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 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573879A (zh) * | 2015-01-30 | 2015-04-29 | 河海大学 | 基于最优相似日集的光伏电站出力预测方法 |
-
2017
- 2017-07-27 CN CN201710622685.7A patent/CN107516145A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573879A (zh) * | 2015-01-30 | 2015-04-29 | 河海大学 | 基于最优相似日集的光伏电站出力预测方法 |
Non-Patent Citations (1)
Title |
---|
金鑫 等: "天气类型聚类的支持向量机在光伏系统输出功率预测中的应用", 《现代电力》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038518A (zh) * | 2018-01-02 | 2018-05-15 | 华北电力大学(保定) | 一种基于气象数据的光伏发电功率确定方法及系统 |
CN108256690A (zh) * | 2018-02-07 | 2018-07-06 | 国网辽宁省电力有限公司电力科学研究院 | 基于形状参数置信区间的光伏发电预测方法 |
CN108256690B (zh) * | 2018-02-07 | 2021-10-08 | 国网辽宁省电力有限公司电力科学研究院 | 基于形状参数置信区间的光伏发电预测方法 |
CN108764568B (zh) * | 2018-05-28 | 2020-10-23 | 哈尔滨工业大学 | 一种基于lstm网络的数据预测模型调优方法及装置 |
CN108764568A (zh) * | 2018-05-28 | 2018-11-06 | 哈尔滨工业大学 | 一种基于lstm网络的数据预测模型调优方法及装置 |
CN109086928A (zh) * | 2018-07-27 | 2018-12-25 | 福州大学 | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 |
CN109086928B (zh) * | 2018-07-27 | 2021-11-30 | 福州大学 | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 |
CN111191812A (zh) * | 2018-11-15 | 2020-05-22 | 中国电力科学研究院有限公司 | 一种光伏出力预测方法及系统 |
CN110188964A (zh) * | 2019-06-06 | 2019-08-30 | 河北工业大学 | 一种基于相关性的光伏出力预测方法 |
CN110336534A (zh) * | 2019-07-15 | 2019-10-15 | 龙源(北京)太阳能技术有限公司 | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 |
CN110336534B (zh) * | 2019-07-15 | 2022-05-03 | 龙源(北京)太阳能技术有限公司 | 一种基于光伏阵列电气参数时间序列特征提取的故障诊断方法 |
CN110717623A (zh) * | 2019-09-20 | 2020-01-21 | 中国科学院自动化研究所 | 融合多种天气状况的光伏发电功率预测方法及装置、设备 |
CN110717623B (zh) * | 2019-09-20 | 2022-11-08 | 中国科学院自动化研究所 | 融合多种天气状况的光伏发电功率预测方法及装置、设备 |
CN111260126A (zh) * | 2020-01-13 | 2020-06-09 | 燕山大学 | 计及天气与气象因子关联度的短期光伏发电预测方法 |
CN111260126B (zh) * | 2020-01-13 | 2022-12-09 | 燕山大学 | 计及天气与气象因子关联度的短期光伏发电预测方法 |
CN111369070A (zh) * | 2020-03-13 | 2020-07-03 | 西安理工大学 | 一种基于包络线聚类的多模融合光伏功率预测方法 |
CN111369070B (zh) * | 2020-03-13 | 2023-06-27 | 西安理工大学 | 一种基于包络线聚类的多模融合光伏功率预测方法 |
CN111399548A (zh) * | 2020-03-27 | 2020-07-10 | 上海电力大学 | 一种可识别天气类型的跟踪式光伏发电系统控制方法 |
CN111680820A (zh) * | 2020-05-08 | 2020-09-18 | 国网河南省电力公司电力科学研究院 | 分布式光伏电站故障诊断方法和装置 |
CN113688869A (zh) * | 2021-07-21 | 2021-11-23 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107516145A (zh) | 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法 | |
Premalatha et al. | Analysis of different combinations of meteorological parameters in predicting the horizontal global solar radiation with ANN approach: A case study | |
CN107766990B (zh) | 一种光伏电站发电功率的预测方法 | |
Chen et al. | Online 24-h solar power forecasting based on weather type classification using artificial neural network | |
CN109492823B (zh) | 一种对输电线路覆冰厚度的预测方法 | |
Yang et al. | Day-ahead forecasting of photovoltaic output power with similar cloud space fusion based on incomplete historical data mining | |
CN105373857A (zh) | 一种光伏电站辐照度预测方法 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
CN107194495B (zh) | 一种基于历史数据挖掘的光伏功率纵向预测方法 | |
CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
CN111753893A (zh) | 一种基于聚类和深度学习的风电机组功率集群预测方法 | |
CN106875033A (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
CN102938562B (zh) | 一种区域内风电总功率的预测方法 | |
CN107169683A (zh) | 一种变权重系数的并网光伏电站短期功率组合预测方法 | |
CN106548270A (zh) | 一种光伏电站功率异常数据辨识方法及装置 | |
CN112215428B (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
Eseye et al. | Short-term wind power forecasting using a double-stage hierarchical hybrid GA-ANN approach | |
CN114169445A (zh) | 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 | |
CN110210670A (zh) | 一种基于电力系统短期负荷的预测方法 | |
CN109376863A (zh) | 基于miv-bp神经网络的光伏功率短期分类预测方法 | |
CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
CN105303268A (zh) | 基于相似度理论的风力发电输出功率预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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: 20171226 |