CN107832869A - 一种风力发电与光伏发电的发电功率预测方法 - Google Patents

一种风力发电与光伏发电的发电功率预测方法 Download PDF

Info

Publication number
CN107832869A
CN107832869A CN201710972368.8A CN201710972368A CN107832869A CN 107832869 A CN107832869 A CN 107832869A CN 201710972368 A CN201710972368 A CN 201710972368A CN 107832869 A CN107832869 A CN 107832869A
Authority
CN
China
Prior art keywords
mrow
power
msub
photovoltaic
wind
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
CN201710972368.8A
Other languages
English (en)
Inventor
陆旭峰
张义莲
周笛青
王霄峰
袁思远
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.)
State Grid Shanghai Electric Power Co Ltd
Original Assignee
State Grid Shanghai Electric Power 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 State Grid Shanghai Electric Power Co Ltd filed Critical State Grid Shanghai Electric Power Co Ltd
Priority to CN201710972368.8A priority Critical patent/CN107832869A/zh
Publication of CN107832869A publication Critical patent/CN107832869A/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

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)
  • Photovoltaic Devices (AREA)

Abstract

本发明涉及一种风力发电与光伏发电的发电功率预测方法，包括(1)建立风机功率模型和光伏电池功率模型；(2)预测功率模型所需的输入数据信息；(3)计算并输出风力发电功率预测曲线；(4)计算并输出光伏发电功率预测曲线；(5)根据步骤(3)和步骤(4)的风力发电功率预测曲线和光伏发电功率预测曲线，实现对风力发电与光伏发电的发电功率的实时预测。本发明可实现功率预测模型的快速建立，算法通用性强。

Description

一种风力发电与光伏发电的发电功率预测方法
技术领域
本发明涉及一种风力发电与光伏发电的发电功率预测方法。
背景技术
发电功率预测是根据装机容量、气象(温度、风速、光照强度)、发电量等历史数据，寻求发电功率与各种相关因素之间的关系，从而对发电功率曲线进行科学预测。在能量管理系统中可以提供两种短期发电功率预测：日前发电功率预测(预测1-7天)和实时发电功率预测(预测接下来两小时)。
发电功率预测包括对小区/园区接入的新能源，如风力发电、光伏发电等的发电功率的预测；燃气轮机发电功率和蓄电池充放电功率可实时调度，在楼宇EMS或社区EMS的优化中，可直接根据优化结果进行调度。
发电功率预测寻求发电功率与气象等相关因素之间的内在联系，研究发电功率变化规律。特别是风力发电功率与风速、日天气类型等因素之间的关系，光伏发电功率与光照强度、温度、日天气类型等因素之间的关系，从而实现预测未来风力发电功率曲线和光伏发电功率曲线。
发明内容
本发明的目的是提供一种风力发电与光伏发电的发电功率预测方法，本发明可实现功率预测模型的快速建立，算法通用性强，通过对发电功率的预测，可以及时调整调度计划，减少系统的旋转备用容量，降低了运行成本的同时，保证了系统运行的稳定与安全。
为实现上述目的，本发明的方案是：一种风力发电与光伏发电的发电功率预测方法，法步骤如下：
(1)根据算法精度和运算速度的要求，建立风机功率模型和光伏电池功率模型，
确定各功率模型的输入、输出量；
(2)根据步骤(1)建立的功率模型的输入数据的要求、相关的气象预测信息和历史气象数据信息，并根据相似日原则，得到预测所需的输入数据信息；
相似日原则是指气象条件相似时，发电功率也取相似的原理，建立天气情况历史数据库和发电功率曲线历史数据库，从数据库中取最相似日作为基准；
(3)输入包括风速的天气数据和风机型号、参数、装机容量信息，根据步骤(1)建立的风机功率模型，计算并输出风力发电功率预测曲线；
(4)输入温度、光照强度等天气数据和光伏电池光电转换效率、安装角度、装机容量信息，根据步骤(1)建立的光伏电池功率模型计算并输出光伏发电功率预测曲线；
(5)根据步骤(3)和步骤(4)的风力发电功率预测曲线和光伏发电功率预测曲线，实现对风力发电与光伏发电的发电功率的实时预测。
进一步地，根据本发明所述的风力发电与光伏发电的发电功率预测方法，所述的步骤(1)中，风机功率模型和光伏电池功率模型均包括对应的简化功率模型和经典工功率模型，当计算精度要求较高、运算速度要求较低时，选择经典功率模型；当计算精度要求较低、运算速度要求较高时，选择简化功率模型。
进一步地，根据本发明所述的风力发电与光伏发电的发电功率预测方法，所述的步骤(1)中，建立风机的经典功率模型为：
其中，P为风机的输出功率；
ρ为空气密度；
A为风机的风轮扫过的面积；
D为风轮半径；
v为风机轮毂高度处的风速；
Cp为风轮效率；
vi为切入风速；
vo为切出风速；
vN为额定风速；
PN为风机的额定输出功率。
进一步地，根据本发明所述的风力发电与光伏发电的发电功率预测方法，所述的步骤(1)中，建立风机的简化功率模型为：
进一步地，根据本发明所述的风力发电与光伏发电的发电功率预测方法，所述的步骤(1)中，建立光伏电池的经典功率模型：
P＝UIηa
其中，
式中：Uoc与Isc分别开路电压和短路电流；
Um与Im分别为最大功率点电压和电流；
α与β分别为参考辐射强度下电流和电压温度变化系数；
Rs为光伏组件的串联电阻；
Np与Ns分别为光伏阵列中光伏组件并联数和串联数；
G太阳辐射强度；
Tc光伏阵列的电池表面温度；
ηa为光伏阵列的组合因子；
Tref和Gref分别为环境温度和太阳辐射强度的参考值。
进一步地，根据本发明所述的风力发电与光伏发电的发电功率预测方法，光伏电池的简化功率模型如下：
P＝PL/θηN[1-0.005·ΔT]ηE
式中，P为单位面积光伏电池输出功率；
PL/θ为光伏电池单位面积光照辐射强度；
ηN为标准日照条件下的光电转换效率；
ΔT为环境温度与标准日照条件下的温度之差；
ηE为综合效率系数。
进一步地，根据本发明所述的风力发电与光伏发电的发电功率预测方法，采用人工神经网络算法进行发电功率预测。
进一步地，根据本发明所述的风力发电与光伏发电的发电功率预测方法，所述的步骤(1)中，获取天气历史数据与发电功率历史数据，利用所述的历史数据对算法进行训练、学习或寻优，更新数据库，对功率模型或相应的参数加以修正。
进一步地，根据本发明所述的风力发电与光伏发电的发电功率预测方法，输入最近60天/90天的历史数据进行训练/学习/寻优。
进一步地，根据本发明所述的风力发电与光伏发电的发电功率预测方法，所述的步骤(5)中，根据功率预测曲线，通过实际发电模型验证，更新历史数据，重新对算法进行训练、学习或寻优。
本发明达到的有益效果：本发明可实现功率预测模型的快速建立，算法通用性强，通过对发电功率的预测，可以及时调整调度计划，减少系统的旋转备用容量，降低了运行成本的同时，保证了系统运行的稳定与安全。
通过对功率模型不断修正，预测数据的精度更高。
附图说明
图1是本发明的方法流程图；
图2是本发明风电机组的输出功率曲线示意图。
具体实施方式
下面结合附图和具体的实施例对本发明作进一步详细的说明。
如图1所示，本发明方法步骤如下：
(1)根据算法精度和运算速度的要求，建立风机功率模型和光伏电池功率模型，确定各功率模型的输入、输出量。
本实施例中的风机功率模型和光伏电池功率模型均包括对应的简化功率模型和经典功率模型，当计算精度要求较高、运算速度要求较低时，选择经典功率模型；当计算精度要求较低、运算速度要求较高时，选择简化功率模型。
(2)获取/处理输入数据
根据步骤(1)建立的功率模型的输入数据的要求、相关预测信息(主要是气象数据)和历史数据(主要是气象数据)根据相似日原则，得到预测所需的输入数据信息。
相似日原则是指气象条件相似时发电功率也取相似的原理，建立天气情况历史数据库和发电功率曲线历史数据库，从库中取最相似日作为基准。
(3)输入风速等天气数据和风机型号、参数、装机容量信息，根据步骤(1)建立的风机功率模型，计算并输出风力发电功率预测曲线；
(4)输入温度、光照强度等天气数据和光伏电池光电转换效率、安装角度、装机容量等信息，根据步骤(1)建立的光伏电池功率模型计算并输出光伏发电功率预测曲线；
(5)根据步骤(3)和步骤(4)的风力发电功率预测曲线和光伏发电功率预测曲线，实现对风力发电与光伏发电的发电功率的实时预测。
下面分别介绍风力发电机和光伏电池的经典模型和简化模型。
1，风机功率模型：
①经典功率模型
式中，P为风机输出功率，W；
ρ为空气密度，kg/m3，若不考虑温度、海拔的影响，一般取标准大气压下20摄氏度时，取1.205kg/m3；
A为风轮扫过的面积，m2；
D为与风轮半径；
v为风速，m/s；
Cp为风轮效率，一般在45％～50％之间；
vi为切入风速，m/s；
vo为切出风速，m/s；
vN为额定风速，m/s；
PN为风机的额定输出功率。
②简化功率模型
风力发电机组的发电功率与风速间的关系曲线如图2所示，其中线性特性与风电机组的试验数据较接近。
其分段函数表示如下式所示。
式中，P为风力机组的输出功率；
v为风电机组轮毂高度处的风速，m/s；
vi为切入风速，m/s；
vo为切出风速，m/s；
vN为额定风速，m/s；
PN为风力机组的额定输出功率，W。
2，光伏发电模型
光伏电池的输出功率跟温度、气压、关照辐射强度、光线入射角度、光伏电池材料有关，其中光照辐射强度和环境温度是主要影响因素。
①经典功率模型
太阳能光伏组件通过PN结的光生伏特效应直接把太阳能直接转化为电能，可采用单二极管太阳能光伏组件模型模拟仿真。任意太阳辐射强度G和环境温度Ta条件下，光伏阵列的电池表面温度Tc为：
Tc＝Ta+tcG
式中，tc为光伏阵列的电池表面温度系数。
在参考条件下，考虑温度变化的光伏阵列U-I方程为：
其中，
式中：Uoc与Isc分别为组件厂家提供的开路电压和短路电流；Um与Im分别为最大功率点电压和电流；α与β分别为参考辐射强度下电流和电压温度变化系数；Rs为光伏组件的串联电阻；Np与Ns分别为光伏阵列中光伏组件并联数和串联数；Tref和Gref分别为环境温度和太阳辐射强度的参考值。
光伏阵列在任意太阳辐射强度及环境温度下的输出功率为：
P＝UIηa
其中ηa是光伏阵列的功率损失因子也可称为光伏阵列的组合因子。当有n个组件被组合成方阵时，其组合损失因子由下式计算。
式中，Pm为方阵的实际输出功率，Pmi为第i个组件的输出功率。
②简化功率模型
简化后光伏电池的模型如下：
P＝PL/θηN[1-0.005·ΔT]ηE
式中，P为单位面积光伏电池输出功率，W/m2；
PL/θ为(倾斜角为θ或水平)光伏电池单位面积光照辐射强度，W/m2；
ηN为标准日照条件下的光电转换效率，标准日照条件为AM＝1.5，光照辐射强度1000W/m2，温度25℃；
ΔT为环境温度T/℃与标准日照条件温度之差，即(T-25)℃。
ηE为综合效率系数，ηE是考虑了逆变器效率、灰尘及雨雪等遮挡损失、弱光损失的影响。
作为进一步的优化，可以采用神经网络算法，获取天气历史数据与发电功率历史数据，利用输入最近60天/90天的历史数据对算法进行训练、学习或寻优，更新数据库，对功率模型或相应的参数加以修正。通过不断的对功率模型进行修正，进一步使得预测数据精度提高。

Claims (10)

1.一种风力发电与光伏发电的发电功率预测方法，其特征在于，所述的发电功率预测方法步骤如下：
(1)根据算法精度和运算速度的要求，确定各功率模型的输入、输出量；
(2)根据步骤(1)建立的功率模型的输入数据的要求、相关的气象预测信息和历史气象数据信息，并根据相似日原则，得到预测所需的输入数据信息；
相似日原则是指气象条件相似时，发电功率也取相似的原理，建立天气情况历史数据库和发电功率曲线历史数据库，从数据库中取最相似日作为基准；
(3)输入包括风速的天气数据和风机型号、参数、装机容量信息，根据步骤(1)建立的风机功率模型，计算并输出风力发电功率预测曲线；
(4)输入温度、光照强度等天气数据和光伏电池光电转换效率、安装角度、装机容量信息，根据步骤(1)建立的光伏电池功率模型，计算并输出光伏发电功率预测曲线；
(5)根据步骤(3)和步骤(4)的风力发电功率预测曲线和光伏发电功率预测曲线，实现对风力发电与光伏发电的发电功率的实时预测。
2.根据权利要求1所述的风力发电与光伏发电的发电功率预测方法，其特征在于，所述的步骤(1)中，风机功率模型和光伏电池功率模型均包括对应的简化功率模型和经典工功率模型，当计算精度要求较高、运算速度要求较低时，选择经典功率模型；当计算精度要求较低、运算速度要求较高时，选择简化功率模型。
3.根据权利要求2所述的风力发电与光伏发电的发电功率预测方法，其特征在于，所述的步骤(1)中，建立风机的经典功率模型为：
<mrow> <mi>A</mi> <mo>=</mo> <mi>&amp;pi;</mi> <mo>&amp;CenterDot;</mo> <msup> <mrow> <mo>(</mo> <mfrac> <mi>D</mi> <mn>2</mn> </mfrac> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>
其中，P为风机的输出功率；
ρ为空气密度；
A为风机的风轮扫过的面积；
D为风轮半径；
v为风机轮毂高度处的风速；
Cp为风轮效率；
vi为切入风速；
vo为切出风速；
vN为额定风速；
PN为风机的额定输出功率。
4.根据权利要求3所述的风力发电与光伏发电的发电功率预测方法，其特征在于，所述的步骤(1)中，建立风机的简化功率模型为：
5.根据权利要求2所述的风力发电与光伏发电的发电功率预测方法，其特征在于，所述的步骤(1)中，建立光伏电池的经典功率模型：
P＝UIηa
<mrow> <mi>I</mi> <mo>=</mo> <msub> <mi>N</mi> <mi>p</mi> </msub> <msub> <mi>I</mi> <mrow> <mi>s</mi> <mi>c</mi> </mrow> </msub> <mo>{</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>C</mi> <mn>1</mn> </msub> <mo>&amp;lsqb;</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mfrac> <mrow> <mi>U</mi> <mo>-</mo> <mi>d</mi> <mi>U</mi> </mrow> <mrow> <msub> <mi>C</mi> <mn>2</mn> </msub> <msub> <mi>N</mi> <mi>s</mi> </msub> <msub> <mi>U</mi> <mrow> <mi>o</mi> <mi>c</mi> </mrow> </msub> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>-</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> <mo>}</mo> <mo>+</mo> <mi>d</mi> <mi>I</mi> </mrow>
其中，
<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>C</mi> <mn>1</mn> </msub> <mo>=</mo> <mrow> <mo>(</mo> <mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>I</mi> <mi>m</mi> </msub> <mo>/</mo> <msub> <mi>I</mi> <mrow> <mi>s</mi> <mi>c</mi> </mrow> </msub> </mrow> <mo>)</mo> </mrow> <mi>exp</mi> <mrow> <mo>(</mo> <mrow> <mo>-</mo> <msub> <mi>U</mi> <mi>m</mi> </msub> <mo>/</mo> <msub> <mi>C</mi> <mn>2</mn> </msub> <msub> <mi>U</mi> <mrow> <mi>o</mi> <mi>c</mi> </mrow> </msub> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>C</mi> <mn>2</mn> </msub> <mo>=</mo> <mrow> <mo>(</mo> <mrow> <msub> <mi>U</mi> <mi>m</mi> </msub> <mo>/</mo> <msub> <mi>U</mi> <mrow> <mi>o</mi> <mi>c</mi> </mrow> </msub> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <mo>/</mo> <mi>ln</mi> <mrow> <mo>(</mo> <mrow> <mn>1</mn> <mo>-</mo> <msub> <mi>I</mi> <mi>m</mi> </msub> <mo>/</mo> <msub> <mi>I</mi> <mrow> <mi>s</mi> <mi>c</mi> </mrow> </msub> </mrow> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>d</mi> <mi>I</mi> <mo>=</mo> <mo>-</mo> <mi>&amp;alpha;</mi> <mi>G</mi> <mo>/</mo> <msub> <mi>G</mi> <mrow> <mi>r</mi> <mi>e</mi> <mi>f</mi> </mrow> </msub> <mrow> <mo>(</mo> <mrow> <msub> <mi>T</mi> <mi>c</mi> </msub> <mo>-</mo> <msub> <mi>T</mi> <mrow> <mi>r</mi> <mi>e</mi> <mi>f</mi> </mrow> </msub> </mrow> <mo>)</mo> </mrow> <mo>+</mo> <mrow> <mo>(</mo> <mrow> <mi>G</mi> <mo>/</mo> <msub> <mi>G</mi> <mrow> <mi>r</mi> <mi>e</mi> <mi>f</mi> </mrow> </msub> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <msub> <mi>N</mi> <mi>p</mi> </msub> <msub> <mi>I</mi> <mrow> <mi>s</mi> <mi>c</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>d</mi> <mi>U</mi> <mo>=</mo> <mi>&amp;beta;</mi> <mi>d</mi> <mi>T</mi> <mo>-</mo> <msub> <mi>R</mi> <mi>s</mi> </msub> <mi>d</mi> <mi>I</mi> </mrow> </mtd> </mtr> </mtable> </mfenced>
式中：Uoc与Isc分别开路电压和短路电流；
Um与Im分别为最大功率点电压和电流；
α与β分别为参考辐射强度下电流和电压温度变化系数；
Rs为光伏组件的串联电阻；
Np与Ns分别为光伏阵列中光伏组件并联数和串联数；
G太阳辐射强度；
Tc光伏阵列的电池表面温度；
ηa为光伏阵列的组合因子；
Tref和Gref分别为环境温度和太阳辐射强度的参考值。
6.根据权利要求2所述的风力发电与光伏发电的发电功率预测方法，其特征在于，光伏电池的简化功率模型如下：
P＝PL/θηN[1-0.005·ΔT]ηE
式中，P为单位面积光伏电池输出功率；
PL/θ为光伏电池单位面积光照辐射强度；
ηN为标准日照条件下的光电转换效率；
ΔT为环境温度与标准日照条件下的温度之差；
ηE为综合效率系数。
7.根据权利要求1所述的风力发电与光伏发电的发电功率预测方法，其特征在于，采用人工神经网络算法进行发电功率预测。
8.根据权利要求7所述的风力发电与光伏发电的发电功率预测方法，其特征在于，所述的步骤(1)中，获取天气历史数据与发电功率历史数据，利用所述的历史数据对算法进行训练、学习或寻优，更新数据库，对功率模型或相应的参数加以修正。
9.根据权利要求8所述的风力发电与光伏发电的发电功率预测方法，其特征在于，输入最近60天/90天的历史数据进行训练/学习/寻优。
10.根据权利要求8所述的风力发电与光伏发电的发电功率预测方法，其特征在于，所述的步骤(5)中，根据功率预测曲线，通过实际发电模型验证，更新历史数据，重新对算法进行训练、学习或寻优。
CN201710972368.8A 2017-10-18 2017-10-18 一种风力发电与光伏发电的发电功率预测方法 Pending CN107832869A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710972368.8A CN107832869A (zh) 2017-10-18 2017-10-18 一种风力发电与光伏发电的发电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710972368.8A CN107832869A (zh) 2017-10-18 2017-10-18 一种风力发电与光伏发电的发电功率预测方法

Publications (1)

Publication Number Publication Date
CN107832869A true CN107832869A (zh) 2018-03-23

Family

ID=61648412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710972368.8A Pending CN107832869A (zh) 2017-10-18 2017-10-18 一种风力发电与光伏发电的发电功率预测方法

Country Status (1)

Country Link
CN (1) CN107832869A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109711055A (zh) * 2018-12-27 2019-05-03 国网电子商务有限公司 光伏电站发电功率的估算方法、装置及电子设备
CN110363383A (zh) * 2019-06-03 2019-10-22 华东电力试验研究院有限公司 一种基于数字化发展下的分布式发电监测技术
CN110595539A (zh) * 2019-09-10 2019-12-20 北京中集智冷科技有限公司 全寿命无人值守温湿度记录装置及温湿度记录仪
CN111078659A (zh) * 2019-12-20 2020-04-28 腾讯科技（深圳）有限公司 模型更新方法、装置、计算机可读存储介质和计算机设备
CN114201876A (zh) * 2021-12-08 2022-03-18 国家电投集团青海光伏产业创新中心有限公司 一种在已有风电场内建设光伏电站的阴影遮挡损失评估方法
US20230179144A1 (en) * 2020-01-09 2023-06-08 Envision Digital International Pte. Ltd. Method and apparatus for recognizing operating state of photovoltaic string and storage medium

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101882896A (zh) * 2010-07-12 2010-11-10 山东电力研究院 大规模光伏电站动态等值阻抗的建模方法
CN103390116A (zh) * 2013-08-07 2013-11-13 华北电力大学（保定） 采用分步方式的光伏电站发电功率预测方法
CN105117788A (zh) * 2015-07-22 2015-12-02 河南行知专利服务有限公司 一种风力发电功率预测方法
CN105631558A (zh) * 2016-03-22 2016-06-01 国家电网公司 基于相似日的bp神经网络光伏发电系统功率预测方法
CN105678396A (zh) * 2015-11-04 2016-06-15 衢州职业技术学院 光伏电站超短时功率预测装置
US20170117711A1 (en) * 2015-10-23 2017-04-27 Fujitsu Limited Operating a solar power generating system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101882896A (zh) * 2010-07-12 2010-11-10 山东电力研究院 大规模光伏电站动态等值阻抗的建模方法
CN103390116A (zh) * 2013-08-07 2013-11-13 华北电力大学（保定） 采用分步方式的光伏电站发电功率预测方法
CN105117788A (zh) * 2015-07-22 2015-12-02 河南行知专利服务有限公司 一种风力发电功率预测方法
US20170117711A1 (en) * 2015-10-23 2017-04-27 Fujitsu Limited Operating a solar power generating system
CN105678396A (zh) * 2015-11-04 2016-06-15 衢州职业技术学院 光伏电站超短时功率预测装置
CN105631558A (zh) * 2016-03-22 2016-06-01 国家电网公司 基于相似日的bp神经网络光伏发电系统功率预测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109711055A (zh) * 2018-12-27 2019-05-03 国网电子商务有限公司 光伏电站发电功率的估算方法、装置及电子设备
CN110363383A (zh) * 2019-06-03 2019-10-22 华东电力试验研究院有限公司 一种基于数字化发展下的分布式发电监测技术
CN110595539A (zh) * 2019-09-10 2019-12-20 北京中集智冷科技有限公司 全寿命无人值守温湿度记录装置及温湿度记录仪
CN111078659A (zh) * 2019-12-20 2020-04-28 腾讯科技（深圳）有限公司 模型更新方法、装置、计算机可读存储介质和计算机设备
CN111078659B (zh) * 2019-12-20 2023-04-21 腾讯科技（深圳）有限公司 模型更新方法、装置、计算机可读存储介质和计算机设备
US20230179144A1 (en) * 2020-01-09 2023-06-08 Envision Digital International Pte. Ltd. Method and apparatus for recognizing operating state of photovoltaic string and storage medium
CN114201876A (zh) * 2021-12-08 2022-03-18 国家电投集团青海光伏产业创新中心有限公司 一种在已有风电场内建设光伏电站的阴影遮挡损失评估方法

Similar Documents

Publication Publication Date Title
CN107832869A (zh) 一种风力发电与光伏发电的发电功率预测方法
CN105375479B (zh) 一种基于模型预测控制的分布式能源能量管理方法
Shahirinia et al. Optimal sizing of hybrid power system using genetic algorithm
CN102419394B (zh) 一种预测分辨率可变的风光功率预测方法
CN105337415A (zh) 一种基于预测控制的地区电网调度系统及其方法
CN107256450B (zh) 考虑长-短嵌套决策的水光电互补调度容量配置方法
An et al. Coordinative optimization of hydro-photovoltaic-wind-battery complementary power stations
CN109272134A (zh) 一种考虑系统损耗的区域光伏电站并网功率预测方法
Sawle et al. Techno-economic comparative assessment of an off-grid hybrid renewable energy system for electrification of remote area
CN110909310A (zh) 一种基于模型参数优化的光伏短期发电量预测方法及系统
CN104899465A (zh) 风光优化配比的计算方法
CN110994632A (zh) 一种基于机会约束规划考虑电压和环保指标的分布式电源布点定容优化的计算方法
Lachheb et al. Fostering Sustainability through the Integration of Renewable Energy in an Agricultural Hydroponic Greenhouse
CN117013522A (zh) 考虑分布式电源和气电协同的综合能源系统调度优化方法
CN117081144A (zh) 一种梯级水电对新能源连续多日极端波动的补偿调节方法
JP2017060375A (ja) 再生可能エネルギーによる発電電力の電力供給方法およびそのシステム
Wu et al. Control on green energy source and ecologic environment.
Saad et al. Minimizing the losses and cost of a radial network connected to DG, PV and batteries using firefly algorithm in Al-Bayda city, Libya
Chun Development of a Hybrid Solar Wind Turbine for Sustainable Energy Storage
Stanka et al. Impact of high temperature and other factors on PV module efficiency on small farms in Latvia
Rizwan et al. Prediction of wind energy using intelligent approach
Karemore et al. Optimal sizing of Autonomous Wind-PV hybrid system by Genetic Algorithm with LPSP technology
CN104035477B (zh) 一种基于膜计算的光伏发电最大功率跟踪方法及装置
Sahoo et al. Power quality control and comparison of a micro grid system using fuzzy MPPT Technique
CN117663503B (zh) 一种智能调节熔盐储热速率的方法及系统

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: 20180323