CN108009686A - 一种光伏发电功率预测方法、装置及系统 - Google Patents
一种光伏发电功率预测方法、装置及系统 Download PDFInfo
- Publication number
- CN108009686A CN108009686A CN201711328990.1A CN201711328990A CN108009686A CN 108009686 A CN108009686 A CN 108009686A CN 201711328990 A CN201711328990 A CN 201711328990A CN 108009686 A CN108009686 A CN 108009686A
- Authority
- CN
- China
- Prior art keywords
- prediction
- precision
- grader
- fallout predictor
- combination
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 25
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 241000894007 species Species 0.000 description 33
- 241000196324 Embryophyta Species 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000009931 harmful effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (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
本发明提供一种光伏发电功率预测方法、装置及系统，首先对光伏电站的数据进行接收和预处理；然后将q种分类器和p种预测器进行两两组合；再根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度；最后输出最佳预测精度的预测结果。其中的分类器和预测器均包括多种种类，且对于分类器和预测器的各个组合下的不同分类器参数，均做了相应的预测结果和预测精度的计算，使其预测精度不再受限于单一分类器和单一预测器的固定配合方式，规避了现有技术中单一预测器和单一分类器带来的预测结果不理想的情况。
Description
技术领域
本发明涉及光伏发电控制技术领域，特别涉及一种光伏发电功率预测方法、装置及系统。
背景技术
随着全球能源危机、资源紧张和环境问题日益凸出，光伏发电产业正在飞速发展；但在光伏发电产业的自身发展中仍存在一些技术难点，不同于火力发电的可控、可调，光伏电站作为一种典型的间歇式电源，其发电功率受辐照、温度、湿度和风速等其它条件影响，具有较大的波动性和随机性，而这些特性使得大规模光伏在发电并网时易对电力系统的功率平衡带来不良影响；因此，需要进行光伏发电功率预测，以保证电力系统的功率平衡和安全稳定运行。
现有的光伏发电功率预测方案，按照是否对数据样本分类可以分为分类方案和非分类方案。目前很多的光伏发电功率预测方案基于非分类的方法，但是实验证明，非分类方案中训练样本质量不高，通常导致预测精度不高；因此，为了进一步提高预测结果精度，基于分类的光伏发电功率预测方案应成为主流研究方向。图1a为基于非分类的神经网络预测结果，图1b为基于分类的神经网络预测结果，显然，基于分类的预测结果要优于基于非分类的预测结果。
但是，现有技术中的分类方案，均采用单一分类器和单一预测器的固定配合方式，一旦单一分类器无法适应当前数据，则将影响预测效果，降低预测精度，难以满足实际应用的需求。
发明内容
本发明提供一种光伏发电功率预测方法、装置及系统，以解决现有技术中预测精度受限于单一分类器和单一预测器的固定配合方式的问题。
为实现上述目的，本申请提供的技术方案如下：
一种光伏发电功率预测方法，包括：
对光伏电站的数据进行接收和预处理；
将q种分类器和p种预测器进行两两组合；q和p均为大于1的正整数；
根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度；
输出最佳预测精度的预测结果。
优选的，所述将q种分类器和p种预测器进行两两组合包括：
将q种分类器和p种预测器按照各自预设的顺序进行排序；
设定分类器的选择种类i的取值范围为[1，q]，设定预测器的选择种类k的取值范围为[1，p]，得到分类器和预测器的各个组合(i，k)。
优选的，所述根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度，包括：
令i和k的初始值均为1；
在分类器参数的取值为j的情况下，选择第i种分类器分类得到的对应数据输入第k种预测器，求取预测结果；
计算对应的预测精度A(i，j，k)；
判断是否满足参数调节结束条件；
若不满足所述参数调节结束条件，则令分类器参数的取值j+1，再返回求取预测结果的步骤；
若满足所述参数调节结束条件，则以上一次计算得到的预测精度作为当前组合的最佳预测精度，令分类器的选择种类i+1、预测器的选择种类k+1，再返回求取预测结果的步骤。
优选的，所述分类器参数为分类个数；
所述参数调节结束条件为：预测精度A(i，j，k)满足精度要求且不优于上一次计算得到的预测精度。
优选的，在所述根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度之后，还包括：
记录所述最佳预测精度对应的分类器种类、预测器种类以及分类器参数。
一种光伏发电功率预测装置，包括：
处理单元，用于对光伏电站的数据进行接收和预处理；
组合设置单元，用于将q种分类器和p种预测器进行两两组合；
计算单元，用于根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度；
输出单元，用于输出最佳预测精度的预测结果。
优选的，所述组合设置单元用于将q种分类器和p种预测器进行两两组合，具体用于：
将q种分类器和p种预测器按照各自预设的顺序进行排序；
设定分类器的选择种类i的取值范围为[1，q]，设定预测器的选择种类k的取值范围为[1，p]，得到分类器和预测器的各个组合(i，k)。
优选的，所述计算单元用于根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度时，具体用于：
令i和k的初始值均为1；
在分类器参数的取值为j的情况下，选择第i种分类器分类得到的对应数据输入第k种预测器，求取预测结果；
计算对应的预测精度A(i，j，k)；
判断是否满足参数调节结束条件；
若不满足所述参数调节结束条件，则令分类器参数的取值j+1，再返回求取预测结果的步骤；
若满足所述参数调节结束条件，则以上一次计算得到的预测精度作为当前组合的最佳预测精度，令分类器的选择种类i+1、预测器的选择种类k+1，再返回求取预测结果的步骤。
优选的，所述分类器参数为分类个数；
所述参数调节结束条件为：预测精度A(i，j，k)满足精度要求且不优于上一次计算得到的预测精度。
优选的，还包括：
记录单元，用于在所述根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度之后，记录所述最佳预测精度对应的分类器种类、预测器种类以及分类器参数。
一种光伏发电功率预测系统，包括：q种分类器、p种预测器以及上述任一所述的光伏发电功率预测装置。
本发明提供的光伏发电功率预测方法，首先对光伏电站的数据进行接收和预处理；然后将q种分类器和p种预测器进行两两组合；再根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度；最后输出最佳预测精度的预测结果。其中的分类器和预测器均包括多种种类，且对于分类器和预测器的各个组合下的不同分类器参数，均做了相应的预测结果和预测精度的计算，使其预测精度不再受限于单一分类器和单一预测器的固定配合方式，规避了现有技术中单一预测器和单一分类器带来的预测结果不理想的情况。
附图说明
为了更清楚地说明本发明实施例或现有技术内的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述内的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1a是现有技术提供的基于非分类的神经网络预测结果的示意图；
图1b是现有技术提供的基于分类的神经网络预测结果的示意图；
图2是本发明实施例提供的光伏发电功率预测方法的流程图；
图3是本发明实施例提供的光伏发电功率预测方法的部分流程图；
图4是本发明另一实施例提供的光伏发电功率预测装置的结构示意图；
图5是本发明另一实施例提供的光伏发电功率预测装置的另一结构示意图；
图6是本发明另一实施例提供的光伏发电功率预测系统的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本发明提供一种光伏发电功率预测方法，以解决现有技术中预测精度受限于单一分类器和单一预测器的固定配合方式的问题。
具体的，参见图2，该光伏发电功率预测方法包括：
S101、对光伏电站的数据进行接收和预处理；
在对光伏发电进行功率预测时，首先需要从光伏电站的监控系统中接入数据，该数据主要包括：瞬时辐照、瞬时直流功率、日发电量、日辐射量、组件温度、风速、湿度、总发电量、总辐射量等。
然后对该数据进行预处理，该预处理包括：
清洗数据，比如，删除整条数据样本为0或为空的记录，对重复的数据样本剔重，并对缺失数据和异常数据处理；
处理故障数据；对于由于故障导致的数据异常或缺失，可以采用数据替换或插值补齐。
S102、将q种分类器和p种预测器进行两两组合；q和p均为大于1的正整数；
设置多种分类器可以提供多种分类方式进行选择，具体的，该q种分类器包括：Kmeans、SVM、随机森林等；且各种分类器的初始参数设定，可以采用现有方案的参数设定方式，或者，从分类器参数最小值开始设定，将训练样本进行分类，此处不做具体限定，可以视其具体应用环境而定，均在本申请的保护范围内。
设置多种预测器可以提供多种预测模型进行选择，具体的，该p种预测器包括：神经网络、SVM、灰色预测等；且各种预测器的参数可以采取现有方式进行设定，以根据训练样本分类，对测试样本预测功率值。
优选的，步骤S102包括：
将q种分类器和p种预测器按照各自预设的顺序进行排序；其各自预设的顺序可以视其具体应用环境而定，均在本申请的保护范围内；
设定分类器的选择种类i的取值范围为[1，q]，设定预测器的选择种类k的取值范围为[1，p]，得到分类器和预测器的各个组合(i，k)。
由于在不同的数据下各种分类器的分类结果不同，因此，在实际应用中需根据具体数据特性来选择合适的分类器。区别于现有技术中单一分类器和单一预测器以及两者之间的单一配合方式，本实施例经过步骤S102，不仅提供了多种分类器和多种预测器，而且提供了多种分类器和多种预测器之间的多种配合方式，可以适应不同的数据特性，提高了在实际应用中的适应性。
S103、根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度；
具体的，先根据当前选择的分类器对数据样本进行分类，并选择其中相匹配的一组输入当前选择的预测模型，得到预测结果；然后结合测试样本的实际值，计算预测精度。计算预测精度时，可以采用平均绝对百分误差MAPE和均方根误差RMSE作为精度指标，具体的计算公式为：
其中，observedt是当前的观察数据，predictedt是当前的预测结果，n是观察数据数。
优选的，参见图3，步骤S103包括：
S301、令i和k的初始值均为1；
S302、在分类器参数的取值为j的情况下，选择第i种分类器分类得到的对应数据输入第k种预测器，求取预测结果；
S303、计算对应的预测精度A(i，j，k)；
S304、判断是否满足参数调节结束条件；
若不满足参数调节结束条件，则执行步骤S305；若满足参数调节结束条件，则执行步骤S306；
S305、令分类器参数的取值j+1；再返回步骤S302；
S306、以上一次计算得到的预测精度作为当前组合的最佳预测精度，令分类器的选择种类i+1、预测器的选择种类k+1；再返回步骤S302。
由于不同的分类器分类原理不同，因此需调节的分类器参数应根据具体分类器而定。分类器以Kmeans为例，Kmeans采用的聚类原则是欧式距离，在实际应用中该参数是固定的，另一个影响分类结果的参数是分类个数，因此，可以取分类个数为调节Kmeans的参数。
优选的，分类器参数为分类个数；
参数调节结束条件为：预测精度A(i，j，k)满足精度要求且不优于上一次计算得到的预测精度。
优选的，在步骤S103之后，还包括：
记录最佳预测精度对应的分类器种类、预测器种类以及分类器参数。
实际应用过程中，在一个组合(i，k)下，根据分类器参数的不同取值j，分别进行预测结果和预测精度的计算，且每次计算后均可以记录此时预测精度对应的分类器及其参数和对应的预测器，并判断此时分类器分类是否满足参数调节结束条件，这里，参数调节结束条件是当前的分类器参数所对应的预测精度A(i，j，k)满足精度要求且比上一个分类器参数对应的预测精度值低，则把上一个分类器参数保存下来并结束此组合下的分类器参数调节，否则继续调节分类器参数，这样即可实现分类器与预测器的匹配，并自动筛选最优。最后，记录最佳预测精度及其对应的分类器分类和预测器。
同理，对于其他分类器也采取同样的方法，不断调节分类器参数寻找当前分类器对应的最佳预测精度的预测结果，并记录最佳预测精度及其对应的分类器分类和预测器。
根据前面不断调整分类器参数，最终可以获得全部组合下的最佳精度的预测预测结果，以及与之对应的分类器、分类器参数、预测器。
通过上述自动筛选最优的过程，能够根据预测结果调整分类器参数以达到最佳的预测精度，避免了现有技术中人为分类带来的预测精度不高问题或欠最优精度问题。
S104、输出最佳预测精度的预测结果。
在步骤S103之后，可以获得全部组合下的最佳精度的预测预测结果，可以选择将各个最佳预测精度的预测结果均输出，也可以选择仅输出预测精度最高的预测结果，此处不做具体限定，视其应用环境而定。
另外，在具体的实际应用中，可以同时执行最佳预测精度对应的分类器种类、预测器种类以及分类器参数的步骤以及步骤S104，也可以先后执行两者，此处不做具体限定，视其具体应用环境而定，均在本申请的保护范围内。
本实施例提供的该光伏发电功率预测方法，其中的分类器和预测器均包括多种种类，且对于分类器和预测器的各个组合下的不同分类器参数，均做了相应的预测结果和预测精度的计算，使其预测精度不再受限于单一分类器和单一预测器的固定配合方式，规避了现有技术中单一预测器和单一分类器带来的预测结果不理想的情况。
本发明另一实施例还提供了一种光伏发电功率预测装置，参见图4，包括：
处理单元101，用于对光伏电站的数据进行接收和预处理；
组合设置单元102，用于将q种分类器和p种预测器进行两两组合；
计算单元103，用于根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度；
输出单元104，用于输出最佳预测精度的预测结果。
优选的，组合设置单元102用于将q种分类器和p种预测器进行两两组合，具体用于：
将q种分类器和p种预测器按照各自预设的顺序进行排序；
设定分类器的选择种类i的取值范围为[1，q]，设定预测器的选择种类k的取值范围为[1，p]，得到分类器和预测器的各个组合(i，k)。
优选的，计算单元103用于根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度时，具体用于：
令i和k的初始值均为1；
在分类器参数的取值为j的情况下，选择第i种分类器分类得到的对应数据输入第k种预测器，求取预测结果；
计算对应的预测精度A(i，j，k)；
判断是否满足参数调节结束条件；
若不满足参数调节结束条件，则令分类器参数的取值j+1，再返回求取预测结果的步骤；
若满足参数调节结束条件，则以上一次计算得到的预测精度作为当前组合的最佳预测精度，令分类器的选择种类i+1、预测器的选择种类k+1，再返回求取预测结果的步骤。
优选的，分类器参数为分类个数；
参数调节结束条件为：预测精度A(i，j，k)满足精度要求且不优于上一次计算得到的预测精度。
优选的，参见图5，该光伏发电功率预测装置还包括：
记录单元105，用于在根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度之后，记录最佳预测精度所对应的分类器种类、预测器种类以及分类器参数。
具体的工作原理与上述实施例相同，此处不再一一赘述。
本发明另一实施例还提供了一种光伏发电功率预测系统，参见图6，包括：q种分类器、p种预测器以及光伏发电功率预测装置。
该光伏发电功率预测装置，参见图4，包括：
处理单元101，用于对光伏电站的数据进行接收和预处理；
组合设置单元102，用于将q种分类器和p种预测器进行两两组合；
计算单元103，用于根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度；
输出单元104，用于输出最佳预测精度的预测结果。
优选的，组合设置单元102用于将q种分类器和p种预测器进行两两组合，具体用于：
将q种分类器和p种预测器按照各自预设的顺序进行排序；
设定分类器的选择种类i的取值范围为[1，q]，设定预测器的选择种类k的取值范围为[1，p]，得到分类器和预测器的各个组合(i，k)。
优选的，计算单元103用于根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度时，具体用于：
令i和k的初始值均为1；
在分类器参数的取值为j的情况下，选择第i种分类器分类得到的对应数据输入第k种预测器，求取预测结果；
计算对应的预测精度A(i，j，k)；
判断是否满足参数调节结束条件；
若不满足参数调节结束条件，则令分类器参数的取值j+1，再返回求取预测结果的步骤；
若满足参数调节结束条件，则以上一次计算得到的预测精度作为当前组合的最佳预测精度，令分类器的选择种类i+1、预测器的选择种类k+1，再返回求取预测结果的步骤。
优选的，分类器参数为分类个数；
参数调节结束条件为：预测精度A(i，j，k)满足精度要求且不优于上一次计算得到的预测精度。
优选的，参见图5，该光伏发电功率预测装置还包括：
记录单元105，用于在根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度之后，记录最佳预测精度所对应的分类器种类、预测器种类以及分类器参数。
具体的工作原理与上述实施例相同，此处不再一一赘述。
本发明中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。
Claims (11)
1.一种光伏发电功率预测方法，其特征在于，包括：
对光伏电站的数据进行接收和预处理；
将q种分类器和p种预测器进行两两组合；q和p均为大于1的正整数；
根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度；
输出最佳预测精度的预测结果。
2.根据权利要求1所述的光伏发电功率预测方法，其特征在于，所述将q种分类器和p种预测器进行两两组合包括：
将q种分类器和p种预测器按照各自预设的顺序进行排序；
设定分类器的选择种类i的取值范围为[1，q]，设定预测器的选择种类k的取值范围为[1，p]，得到分类器和预测器的各个组合(i，k)。
3.根据权利要求2所述的光伏发电功率预测方法，其特征在于，所述根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度，包括：
令i和k的初始值均为1；
在分类器参数的取值为j的情况下，选择第i种分类器分类得到的对应数据输入第k种预测器，求取预测结果；
计算对应的预测精度A(i，j，k)；
判断是否满足参数调节结束条件；
若不满足所述参数调节结束条件，则令分类器参数的取值j+1，再返回求取预测结果的步骤；
若满足所述参数调节结束条件，则以上一次计算得到的预测精度作为当前组合的最佳预测精度，令分类器的选择种类i+1、预测器的选择种类k+1，再返回求取预测结果的步骤。
4.根据权利要求3所述的光伏发电功率预测方法，其特征在于，所述分类器参数为分类个数；
所述参数调节结束条件为：预测精度A(i，j，k)满足精度要求且不优于上一次计算得到的预测精度。
5.根据权利要求3所述的光伏发电功率预测方法，其特征在于，在所述根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度之后，还包括：
记录所述最佳预测精度对应的分类器种类、预测器种类以及分类器参数。
6.一种光伏发电功率预测装置，其特征在于，包括：
处理单元，用于对光伏电站的数据进行接收和预处理；
组合设置单元，用于将q种分类器和p种预测器进行两两组合；
计算单元，用于根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度；
输出单元，用于输出最佳预测精度的预测结果。
7.根据权利要求6所述的光伏发电功率预测装置，其特征在于，所述组合设置单元用于将q种分类器和p种预测器进行两两组合，具体用于：
将q种分类器和p种预测器按照各自预设的顺序进行排序；
设定分类器的选择种类i的取值范围为[1，q]，设定预测器的选择种类k的取值范围为[1，p]，得到分类器和预测器的各个组合(i，k)。
8.根据权利要求7所述的光伏发电功率预测装置，其特征在于，所述计算单元用于根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度时，具体用于：
令i和k的初始值均为1；
在分类器参数的取值为j的情况下，选择第i种分类器分类得到的对应数据输入第k种预测器，求取预测结果；
计算对应的预测精度A(i，j，k)；
判断是否满足参数调节结束条件；
若不满足所述参数调节结束条件，则令分类器参数的取值j+1，再返回求取预测结果的步骤；
若满足所述参数调节结束条件，则以上一次计算得到的预测精度作为当前组合的最佳预测精度，令分类器的选择种类i+1、预测器的选择种类k+1，再返回求取预测结果的步骤。
9.根据权利要求8所述的光伏发电功率预测装置，其特征在于，所述分类器参数为分类个数；
所述参数调节结束条件为：预测精度A(i，j，k)满足精度要求且不优于上一次计算得到的预测精度。
10.根据权利要求8所述的光伏发电功率预测装置，其特征在于，还包括：
记录单元，用于在所述根据处理后的数据，求取各个组合下不同分类器参数所对应的预测结果和预测精度之后，记录所述最佳预测精度对应的分类器种类、预测器种类以及分类器参数。
11.一种光伏发电功率预测系统，其特征在于，包括：q种分类器、p种预测器以及权利要求6-10任一所述的光伏发电功率预测装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711328990.1A CN108009686B (zh) | 2017-12-13 | 2017-12-13 | 一种光伏发电功率预测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711328990.1A CN108009686B (zh) | 2017-12-13 | 2017-12-13 | 一种光伏发电功率预测方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108009686A true CN108009686A (zh) | 2018-05-08 |
| CN108009686B CN108009686B (zh) | 2021-12-10 |
Family
ID=62058603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711328990.1A Active CN108009686B (zh) | 2017-12-13 | 2017-12-13 | 一种光伏发电功率预测方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108009686B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113632131A (zh) * | 2019-04-10 | 2021-11-09 | 三菱电机株式会社 | 电力管理装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101145225A (zh) * | 2007-10-16 | 2008-03-19 | 刘吉成 | 中长期电力负荷预测及预警系统 |
| CN101833671A (zh) * | 2010-03-30 | 2010-09-15 | 西安理工大学 | 一种基于支持向量机的表面肌电信号多类别模式识别方法 |
| CN103942618A (zh) * | 2014-04-18 | 2014-07-23 | 国家电网公司 | 采用复合数据源的基于自学习多项式核函数支持向量机的光伏发电功率短期预测方法 |
| US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
| CN105446988A (zh) * | 2014-06-30 | 2016-03-30 | 华为技术有限公司 | 预测类别的方法和装置 |
| CN107085572A (zh) * | 2016-02-14 | 2017-08-22 | 富士通株式会社 | 对在时间上逐一到达的输入数据进行分类的方法和系统 |
| CN107358323A (zh) * | 2017-07-13 | 2017-11-17 | 上海交通大学 | 一种短期光伏发电的功率预测方法 |
-
2017
- 2017-12-13 CN CN201711328990.1A patent/CN108009686B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101145225A (zh) * | 2007-10-16 | 2008-03-19 | 刘吉成 | 中长期电力负荷预测及预警系统 |
| CN101833671A (zh) * | 2010-03-30 | 2010-09-15 | 西安理工大学 | 一种基于支持向量机的表面肌电信号多类别模式识别方法 |
| CN103942618A (zh) * | 2014-04-18 | 2014-07-23 | 国家电网公司 | 采用复合数据源的基于自学习多项式核函数支持向量机的光伏发电功率短期预测方法 |
| US20150302313A1 (en) * | 2014-04-22 | 2015-10-22 | State Grid Corporation Of China | Method of predicating ultra-short-term wind power based on self-learning composite data source |
| CN105446988A (zh) * | 2014-06-30 | 2016-03-30 | 华为技术有限公司 | 预测类别的方法和装置 |
| CN107085572A (zh) * | 2016-02-14 | 2017-08-22 | 富士通株式会社 | 对在时间上逐一到达的输入数据进行分类的方法和系统 |
| CN107358323A (zh) * | 2017-07-13 | 2017-11-17 | 上海交通大学 | 一种短期光伏发电的功率预测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113632131A (zh) * | 2019-04-10 | 2021-11-09 | 三菱电机株式会社 | 电力管理装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108009686B (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111092429B (zh) | 一种柔性互联配电网的优化调度方法、存储介质及处理器 | |
| Pilo et al. | New electricity distribution network planning approaches for integrating renewable | |
| Wong et al. | Combined genetic algorithm/simulated annealing/fuzzy set approach to short-term generation scheduling with take-or-pay fuel contract | |
| Wang et al. | Decision tree based online stability assessment scheme for power systems with renewable generations | |
| CN107221945B (zh) | 一种特高压直流线路预想故障辅助决策方法和装置 | |
| CN108520269A (zh) | 一种风速预测方法及风速预测系统 | |
| CN101919134A (zh) | 用于风力涡轮发电机的基于事件的控制系统 | |
| CN108471353B (zh) | 一种基于深度神经网络算法的网元容量分析与预测的方法 | |
| CN110969306B (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
| CN111509728B (zh) | 一种基于多源异构虚拟负荷的优化调控方法及系统 | |
| CN110289631A (zh) | 一种风电场储能装置容量的计算方法及系统 | |
| CN110994589B (zh) | 电力电子接入电力系统调频能力在线评价方法及系统 | |
| CN110783913A (zh) | 基于群的计及预想事故集最佳电网拓扑在线优化方法 | |
| CN107609690B (zh) | 一种负荷主动管理决策优化的方法 | |
| CN108009686A (zh) | 一种光伏发电功率预测方法、装置及系统 | |
| CN112383072B (zh) | 一种基于5g通信的混合储能调控方法 | |
| CN109103902A (zh) | 一种储能平滑新能源出力波动的控制方法及装置 | |
| Merz et al. | A hierarchical supervisory wind power plant controller | |
| CN114552653B (zh) | 基于智能算法的并网逆变器系统控制参数多目标优化方法 | |
| CN116054270A (zh) | 电网调度优化方法、装置和非易失性存储介质 | |
| CN115864461A (zh) | 一种电力储能系统的控制方法 | |
| Shensi et al. | Grid code for wind power fluctuation in China and particle swarm optimization-based power dispatch solution | |
| CN108847664B (zh) | 一种微电网发电设备自动启停重组运行方法 | |
| CN111900765A (zh) | 一种风电接入系统的动态无功规划方法及相关装置 | |
| CN117439101B (zh) | 一种用于电网中新能源与柔性负荷互动的智能网络 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221226 Address after: Room 423, Sunshine Power R&D Center Building, No. 1699, Xiyou Road, High-tech Zone, Hefei City, Anhui Province, 230088 Patentee after: Sunshine Hui Carbon Technology Co.,Ltd. Address before: 230088 No. 1699 Xiyou Road, Hefei High-tech Zone, Anhui Province Patentee before: SUNGROW POWER SUPPLY Co.,Ltd. |