CN108053048A - 一种单步渐进式光伏电站超短期功率预测方法及系统 - Google Patents
一种单步渐进式光伏电站超短期功率预测方法及系统 Download PDFInfo
- Publication number
- CN108053048A CN108053048A CN201711075481.2A CN201711075481A CN108053048A CN 108053048 A CN108053048 A CN 108053048A CN 201711075481 A CN201711075481 A CN 201711075481A CN 108053048 A CN108053048 A CN 108053048A
- Authority
- CN
- China
- Prior art keywords
- meteorological data
- output power
- historical
- data
- 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.)
- Pending
Links
- 238000013277 forecasting method Methods 0.000 title abstract description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000001419 dependent effect Effects 0.000 claims abstract description 7
- 230000000750 progressive effect Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 47
- 238000010586 diagram Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010248 power generation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种单步渐进式光伏电站超短期功率预测方法及系统,所述方法包括:利用预先建立的ARIMA时间序列模型获取预测日的气象数据;根据所述预测日的气象数据,利用预先建立的SVR回归模型预测所述预测日的光伏电站的输出功率;其中,所述ARIMA时间序列模型根据历史气象数据获取,所述SVR回归模型根据历史气象数据及其对应的光伏电站的输出功率获取;以初始化后的历史气象数据为自变量,以初始化后的历史气象数据对应的光伏电站输出功率为因变量训练用于预测光伏电站输出功率的SVR回归模型。本发明的技术方案利用与光伏电站输出功率相关度较大的气象数据通过SVR回归模型预测输出功率,获得高精确度的预测结果。
Description
技术领域
本发明涉及一种电力系统自动化技术领域的光伏电站功率预测领域,具体涉及一种单步渐进式光伏电站超短期功率预测方法及系统。
背景技术
以火电和石油等不可再生的传统能源消耗为主的能源供给方式逐渐难以满足日益增长的能源需求,发展新能源特别是太阳能替代化石能源是目前的一种有效解决途径;作为太阳能利用的重要形式的光伏发电,近年来得到了迅速发展。
现有的光伏功率预测算法基本上包括直接预测和间接预测。现有的直接预测包括茆美琴等人用集合经验模态分解(EEMD)将光伏出力曲线分解为多个平稳分量,据此建立了多个支持向量机(SVM)回归模型。BESSA RJ等人利用矢量自回归模型(VAR)和梯度下降法建立了微网分布式光伏出力概率预测模型。黄磊等人利用构造的不同时间尺度的光伏功率均值序列和支持向量回归(SVR)建立了光伏功率局部预测模型。陈昌松等人建立了RBF神经网络模型,以气象数据或气象指数作为模型输入进行功率预测。已有的间接预测包括,YangDZ等人去除辐照度时间序列的趋势来实现时间平稳,用前向克里金法建立了辐照度预测模型实现光伏出力的预测。Chen SX等学者提出了一种基于模糊逻辑和神经网络的太阳辐照强度预报方法。朱想等学者提出了先建立晴天条件下功率预测模型,再利用数值天气预报和地基云图进行辐照度校正的功率预测的方法。陈志宝等前人提出了RBF神经网络的辐照强度预测方法,来预测超短期光伏功率。
现有的预测模型的输入主要来源于气象部门的数值天气预报,关联度较大的数据如辐照强度等获取困难且数据周期较长。同时,气象部门的预报数据也不能完全反应光伏电站所在地的气象状况。这些问题阻碍了光伏功率预测向工程应用的转化,难以实现超短期功率预测;在实际应用中,受到的影响一是光伏预测过于依赖气象预报,而气象预报却难以实时提供辐照强度、气温等有效信息;二是光伏电站的气象监测数据未能得到充分挖掘;此外当前的光伏电站功率预测的周期过长,实时性不高,准确性不尽人意。基于上述问题,亟需提供一种合理的高精确度的伏电站超短期功率预测方法。
发明内容
本发明提供一种单步渐进式光伏电站超短期功率预测方法及系统,其目的是能够实现高精度高稳定性的光伏电站功率预测。
本发明的目的是采用下述技术方案实现的:
一种单步渐进式光伏电站超短期功率预测方法及系统,其改进之处在于,包括:
一种单步渐进式光伏电站超短期功率预测方法,其特征在于,所述方法包括以下步骤:
利用预先建立的ARIMA时间序列模型获取预测日的气象数据;
根据所述预测日的气象数据,利用预先建立的SVR回归模型预测所述预测日的光伏电站的输出功率;
其中,所述ARIMA时间序列模型根据历史气象数据获取,所述SVR回归模型根据历史气象数据及其对应的光伏电站的输出功率获取。
优选地,所述利用预先建立的ARIMA时间序列模型获取预测日的气象数据之前,包括:
根据气象数据与其对应的光伏电站输出功率的Pearson相关系数选取历史气象数据中的气象数据。
进一步地,所述根据气象数据与其对应的光伏电站输出功率的Pearson相关系数选取历史气象数据中的气象数据,包括:
按下式确定第j个气象数据与其对应的光伏电站输出功率的Pearson相关系数rj:
式中,n为历史时刻总数,Xij为第j个气象数据在第i个历史时刻的观测值,为第j个气象数据的观测值的平均值;Yi为第i个历史时刻光伏电站输出功率的观测值,为光伏电站输出功率的平均值。
优选地,根据历史气象数据获取所述ARIMA时间序列模型的过程包括:
以历史气象数据为输入参数建立用于预测预测日气象数据的ARIMA时间序列模型。
优选地,根据历史气象数据及其对应的光伏电站的输出功率获取所述SVR回归模型的过程包括:
初始化所述历史气象数据及其对应的光伏电站的输出功率;
以初始化后的历史气象数据为自变量,以初始化后的历史气象数据对应的光伏电站输出功率为因变量训练用于预测光伏电站输出功率的SVR回归模型。
进一步地,所述初始化所述历史气象数据及其对应的光伏电站的输出功率,包括:
删除所述历史气象数据及其对应的输出功率数据中残缺、异常的无效样本,消除历史气象数据及其对应的输出功率数据的野值点;
按下式通过Z-score标准化消除第i个历史时刻的气象数据或输出功率数据的数据量纲;
上式中,xi为第i个历史时刻的气象数据或输出功率数据,为历史气象数据均值或历史输出功率数据均值;σ为标准差,标准差为1,yi为第i个历史时刻的气象数据或输出功率数据的标准值。
优选地,所述根据所述预测日的气象数据,利用预先建立的SVR回归模型预测所述预测日的光伏电站的输出功率,包括:
以所述预测日的气象数据为所述SVR回归模型的输入参数,获取所述预测日的光伏电站的输出功率。
一种单步渐进式光伏电站超短期功率预测系统,其特征在于,所述系统包括:
气象数据预测模块,用于利用预先建立的ARIMA时间序列模型获取预测日的气象数据;
光伏电站输出功率预测模块,用于根据所述预测日的气象数据,利用预先建立的SVR回归模型预测所述预测日的光伏电站的输出功率。
优选地,所述气象数据预测模块包括:
历史气象数据选取子模块,用于在利用预先建立的ARIMA时间序列模型获取预测日的气象数据之前,根据气象数据与其对应的光伏电站输出功率的Pearson相关系数选取历史气象数据中的气象数据;
ARIMA时间序列模型构建子模块,用于以历史时刻及其对应的气象数据为输入参数建立用于预测预测日气象数据的ARIMA时间序列模型。
进一步地,所述历史气象数据选取子模块,具体用于按下式确定第j个气象数据与其对应的光伏电站输出功率的Pearson相关系数rj:
式中,n为历史时刻总数,Xij为第j个气象数据在第i个历史时刻的观测值,为第j个气象数据的观测值的平均值;Yi为第i个历史时刻光伏电站输出功率的观测值,为光伏电站输出功率的平均值。
优选地,所述光伏电站输出功率预测模块包括:
历史气象数据初始化子模块,用于初始化所述历史气象数据及其对应的光伏电站的输出功率;
SVR回归模型构建子模块,用于以初始化后的历史气象数据为自变量,以初始化后的历史气象数据对应的光伏电站输出功率为因变量训练用于预测光伏电站输出功率的SVR回归模型;
输出功率预测子模块,用于以所述预测日的气象数据为所述SVR回归模型的输入参数,获取所述预测日的光伏电站的输出功率。
进一步地,所述历史气象数据初始化子模块,具体用于删除所述历史气象数据及其对应的输出功率数据中残缺、异常的无效样本,消除历史气象数据及其对应的输出功率数据的野值点;
按下式通过Z-score标准化消除历史气象数据或其对应的输出功率数据的数据量纲;
上式中,xi为历史气象数据或其对应输出功率数据,为历史气象数据均值或输出功率数据均值;σ为标准差,标准差为1。
与现有技术相比,本发明具有如下有益效果:
本发明采用的技术方案利用预先建立的ARIMA时间序列模型获取预测日的气象数据,根据所述预测日的气象数据,利用预先建立的SVR回归模型预测所述预测日的光伏电站的输出功率,其中,所述ARIMA时间序列模型根据历史气象数据获取,所述SVR回归模型根据历史气象数据及其对应的光伏电站的输出功率获取;使用ARIMA模型进行预测日气象数据预测,实现了对变化趋势的准确跟踪;由于本发明的气象数据与光伏电站输出功率相关度大,根据预测日气象数据预测值利用SVR回归模型预测功率数据,预测结果准确度更高。
附图说明
图1所示为本发明方法流程示意图;
图2所示为本发明方法流程明细示意图;
图3光伏电站输出功率与辐照强度曲线;
图4光伏电站输出功率与温度曲线;
图5所示为本发明实施案例中SVR模型拟合预测结果;
图6所示为本发明实施案例中晴天的辐照强度和气温预测曲线;
图7所示为本发明实施案例中晴天光伏电站输出功率预测曲线;
图8所示为本发明实施案例中阴天辐照强度和气温预测曲线;
图9所示为本发明实施案例中阴天光伏电站输出功率预测曲线;
图10所示为本发明实施案例中雨雪天气辐照强度和气温预测曲线;
图11所示为本发明实施案例中雨雪天气光伏电站输出功率预测曲线;
图12所示为本发明实施案例中多云天气辐照强度和气温预测曲线;
图13所示为本发明实施案例中多云天气光伏电站输出功率预测曲线。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供了一种单步渐进式光伏电站超短期功率预测方法及系统,下面进行说明。
图1示出了本发明实施例中光伏电站超短期功率预测方法的流程图,如图1所示,所述方法可以包括:
利用预先建立的ARIMA时间序列模型获取预测日的气象数据;
根据所述预测日的气象数据,利用预先建立的SVR回归模型预测所述预测日的光伏电站的输出功率;
其中,所述ARIMA时间序列模型根据历史气象数据获取,所述SVR回归模型根据历史气象数据及其对应的光伏电站的输出功率获取。
具体地,图2示出了本发明方法流程明细示意图,如图2所示,所述利用预先建立的ARIMA时间序列模型获取预测日的气象数据之前,包括:
根据气象数据与其对应的光伏电站输出功率的Pearson相关系数选取历史气象数据中的气象数据。
一般来说,光伏电站的输出功率与光伏电站所在地的地理状况和气象条件有较为密切的关系。在光伏电站建成后,其地理条件和排列方式都已固化。因此,输出功率波动性的主要影响因素来自于变化的气象因素。为构建较为合理与精确的数学模型,必须首先确定输出功率与实际气象数据间的关联情况。本发明利用Pearson相关系数来考察功率与特征参数(辐照强度,气温,风速,风向)间的相关程度,以确定建模数据来源。
其中,所述根据气象数据与其对应的光伏电站输出功率的Pearson相关系数选取历史气象数据中的气象数据包括:
按下式确定第j个气象数据与其对应的光伏电站输出功率的Pearson相关系数rj:
式中,n为历史时刻总数,Xij为第j个气象数据在第i个历史时刻的观测值,为第j个气象数据的观测值的平均值;Yi为第i个历史时刻光伏电站输出功率的观测值,为光伏电站输出功率的平均值。rj的取值在-1与+1之间,若rj>0,表明两个变量是正相关,即一个变量的值越大,另一个变量的值也会越大;若rj<0,表明两个变量是负相关,即一个变量的值越大另一个变量的值反而会越小。rj的绝对值越大表明相关性越强,要注意的是这里并不存在因果关系。若rj=0,表明两个变量间不是线性相关,但有可能是其他方式的相关(比如曲线方式)本发明选取相关系数不小于+0.8的光照强度和气温。
理论上,辐照强度和光伏系统输出功率有着高度的关联性,辐照越强输出功率越高。而在相同条件下,温度的升高会导致光伏电池板的输出功率下降。基于上述技术方案,图3示出了苏州吴江市光伏电站1号并网点气象站在不同天气情况下的辐照强度和并网点输出功率间的关系曲线;图4示出了苏州吴江市光伏电站1号并网点气象站在不同天气情况下的气温和并网点输出功率间的关系曲线,采样周期为5min;
可以看出,辐照强度无论在任何天气状况下都和光伏电站发电功率的关联度较大,气温也会对光伏出力有直接的影响。同时,由于气温和辐照强度之间存在较强的耦合性,在建模过程中需要加以考虑。利用Pearson相关性分析考察并网点各气象因素对光伏出力的影响,结果如表1所示,其中风向数据取其正弦和余弦值。从显著性中可以看出,各类气象因素对光伏出力都有一定的影响。但是从相关性的角度,辐照强度和气温与光伏出力有存在着较强的关联性。因此,本发明中SVR模型主要以辐照强度和气温作为模型训练数据。
表1气象数据关联度检验表
具体地,根据历史气象数据获取所述ARIMA时间序列模型的过程包括:以历史时刻及其对应的气象数据为输入参数建立用于预测预测日气象数据的ARIMA时间序列模型;所述历史时刻及其对应的气象数据可以选取预测时刻前h小时至预测时刻间对应的的历史气象数据,本发明中所述h值选取8;
根据历史气象数据及其对应的光伏电站的输出功率获取所述SVR回归模型的过程包括:
初始化所述历史气象数据及其对应的光伏电站的输出功率;
以初始化后的历史气象数据为自变量,以初始化后的历史气象数据对应的光伏电站输出功率为因变量训练用于预测光伏电站输出功率的SVR回归模型。历史数据选取光伏电站监测系统所存储的全年历史气象数据及其对应的光伏电站输出功率数据样本。
其中,初始化所述历史气象数据及其对应的光伏电站的输出功率,包括:
删除所述历史气象数据及其对应的输出功率数据中残缺、异常的无效样本,消除历史气象数据及其对应的输出功率数据的野值点;
按下式通过Z-score标准化消除历史气象数据或其对应的输出功率数据的数据量纲;
上式中,xi为历史气象数据或其对应输出功率数据,为历史气象数据均值或输出功率数据均值;σ为标准差,标准差为1。
具体地,根据所述预测日的气象数据,利用预先建立的SVR回归模型预测所述预测日的光伏电站的输出功率可以包括:
所述根据所述预测日的气象数据,利用预先建立的SVR回归模型预测所述预测日的光伏电站的输出功率,包括:
以所述预测日的气象数据为所述SVR回归模型的输入参数,获取所述预测日的光伏电站的输出功率。
具体地,根据光伏电站预测时刻t1前的气象数据通过ARIMA时间序列模型预测获取预测时刻t1的气象数据;
将预测时刻t1的气象数据输入到SVR训练模型,获得光伏电站该预测时刻t1对应的光伏输出功率的单步预测值;
以m分钟为间隔时段,以间隔时段为单位获取辐照强度和气温数据,根据所述辐照强度和气温数据对ARIMA模型进行实时更新;本发明m值选取5,与光伏电站监控系统气象数据采样频率一致;
根据t1时刻的实际辐照强度和气温数据通过更新后的ARIMA时间序列预测下一时刻t2时刻的辐照强度和气温数据;
基于上述步骤实现光伏电站一个预测日的渐进式功率预测。
一种单步渐进式光伏电站超短期功率预测系统,该系统可以包括:
气象数据预测模块,用于利用预先建立的ARIMA时间序列模型获取预测日的气象数据;
光伏电站输出功率预测模块,用于根据所述预测日的气象数据,利用预先建立的SVR回归模型预测所述预测日的光伏电站的输出功率。
其中,所述气象数据预测模块可以包括:
历史气象数据选取子模块,用于在利用预先建立的ARIMA时间序列模型获取预测日的气象数据之前,根据气象数据与其对应的光伏电站输出功率的Pearson相关系数选取历史气象数据中的气象数据;
ARIMA时间序列模型构建子模块,用于以历史时刻及其对应的气象数据为输入参数建立用于预测预测日气象数据的ARIMA时间序列模型。
具体地,所述历史气象数据选取子模块,具体用于按下式确定第j个气象数据与其对应的光伏电站输出功率的Pearson相关系数rj:
式中,n为历史时刻总数,Xij为第j个气象数据在第i个历史时刻的观测值,为第j个气象数据的观测值的平均值;Yi为第i个历史时刻光伏电站输出功率的观测值,为光伏电站输出功率的平均值。
其中,所述光伏电站输出功率预测模块可以包括:
历史气象数据初始化子模块,用于初始化所述历史气象数据及其对应的光伏电站的输出功率;
SVR回归模型构建子模块,用于以初始化后的历史气象数据为自变量,以初始化后的历史气象数据对应的光伏电站输出功率为因变量训练用于预测光伏电站输出功率的SVR回归模型;
输出功率预测子模块,用于以所述预测日的气象数据为所述SVR回归模型的输入参数,获取所述预测日的光伏电站的输出功率。
所述历史气象数据初始化子模块,具体用于删除所述历史气象数据及其对应的输出功率数据中残缺、异常的无效样本,消除历史气象数据及其对应的输出功率数据的野值点;
按下式通过Z-score标准化消除历史气象数据或其对应的输出功率数据的数据量纲;
上式中,xi为历史气象数据或其对应输出功率数据,为历史气象数据均值或输出功率数据均值;σ为标准差,标准差为1。
基于上述技术方案,本发明对四种不同天气状况下(晴天,阴天,雨雪,多云)的光伏电站出力情况进行预测。实际数据来源是苏州吴江市光伏电站1号并网点输出功率和该光伏电站气象站的实时监测历史数据,采样周期为5min。数据跨度从2016年4月至2017年2月共9个月,295天。选取2016年中四种典型天气:晴天(7月21日)、阴天(5月19日)、雨雪(6月7日)、多云(8月22日)进行实际数据建模与测试。
从光伏电站气象监测历史数据库中提取辐照强度和气温的历史数据,剔除部分残缺数据后数据样本共31483个。本发明中的SVR模型训练集包含了样本库中除测试日数据(共586个样本)外剩余的30893个数据样本。为测试SVR的拟合与预测精度,将训练集中的数据再分为训练数据(30000个)和测试数据(893),采用交叉验证法优化SVR模型参数,得到惩罚参数c=194.02,核函数参数g=0.0098。图5示出了本发明实施案例中SVR模型拟合预测结果;同时,为评价光伏发电出力的预测效果,本发明采用平均绝对百分误差εMAPE和均方根误差εRMSE来衡量整体误差程度以及预测值与真实值之间的偏离程度。SVR模型的εMAPE=12.37%,εRMSE=36.80。可见,预测值和实际值之间的偏差不大;同时,预测曲线和实际监测的输出功率曲线在趋势上也基本保持一致,说明在准确的气温和辐照强度条件下SVR模型可以取得较好的预测效果。
(1)晴天发电功率预测
先建立ARIMA单步预测模型(t0时刻),以获取下一监测点(t1时刻)的辐照强度和气温的预测值,再输入所建立的SVR模型中得到功率预测值。在t1时刻光伏监测系统获取到实际的辐照强度和气温值后,在用其更新ARIMA模型以预测再下一时刻(t2时刻)相应的辐照强度和气温。以此循环,获得测试日一整天的功率预测曲线。图6(a)和(b)示出了晴天辐照强度和气温预测曲线,表明了晴天光伏电站辐照强度和气温的预测结果。图7所示为辐照强度和气温的预测结果输入SVR回归模型后所得功率预测曲线。可见,在晴天状态下,由于气温和辐照强度波动性不大,变化趋势较为明显,使用ARIMA模型可以取得较为理想的预测结果。图7示出了本发明实施案例中晴天光伏电站输出功率预测曲线,表明较为准确的辐照强度和气温预测结果用作SVR回归模型的输入能够取得较好的功率预测结果;晴天状况下辐照强度和温气温都较为稳定,其变化趋势较为明显且平缓
(2)阴天发电功率预测
阴天的辐照强度趋势相对一些突变天气来说较为平稳,但在局部时间区域内有一定的波动,图8示出了阴天辐照强度和气温预测曲线,图8(a)表明ARIMA模型对辐照强度变化的主要趋势具有较好的跟踪能力,也能够反映出一定的波动性;图8(b)示出了阴天的气温预测曲线,表明了阴天时本发明实施例的气温预测值与实测值的对比状况;图9示出了实施案例中阴天光伏电站输出功率预测曲线,表明了本发明实施例的光伏电站输出功率预测值与实测值的对比状况。
(3)雨雪天气发电功率预测
雨雪天气中辐照强度较低,平均波动性也较强,但局部区域的变化趋势还是较为明显。ARIMA模型也可以实现较为准确的预测。图10(a)示出了本发明实施案例雨雪天气下辐照强度预测曲线,表明了雨雪天气本发明技术方案的辐照强度的预测值曲线与实测值曲线的对比状况;图10(b)示出了实施案例中雨雪天气的气温预测曲线,表明了雨雪天气本发明技术方案的气温的预测值曲线与实测值曲线的对比状况;图11示出了雨雪天气光伏电站SVR模型输出功率预测曲线,表明了本技术方案雨雪天气光伏电站输出功率预测值与实测值的对比状况。
(4)多云天气发电功率预测
多云天气中辐照强度局部波动性较大,相对其他天气类型,ARIMA模型在对部分变化剧烈时段的预测会产生一定的误差。图12(a)示出了本发明实施案例多云天气下辐照强度预测曲线,表明了多云天气本发明技术方案的辐照强度的预测值曲线与实测值曲线的对比状况,图12(b)示出了本发明实施案例多云天气下气温预测曲线,表明了多云天气本发明技术方案的气温的预测值曲线与实测值曲线的对比状况。图13示出了多云天气光伏电站SVR模型输出功率预测曲线,表明了本技术方案多云天气光伏电站输出功率预测值与实测值的对比状况。
根据本发明的技术方案和上述附图中的数据和信息,采用平均绝对百分误差εMAPE和均方根误差εRMSE来衡量整体误差程度以及预测值与真实值之间的偏离程度,表2为上述四种气象条件下的输出功率的预测精度。
表2各气象条件下的输出功率的预测精度
从表中可以看出,本发明提供的技术方案在晴天和阴天辐照强度变化平缓的情况下误差相对较小;而在雨雪、多云条件下由于辐照强度变化相对剧烈,预测误差也会随之上升。同时,雨雪天气中由于辐照强度波动较为频繁,导致平均绝对百分误差相对较大,而在多云辐照强度幅值波动剧烈,导致均方根误差偏离相对较多。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (12)
1.一种单步渐进式光伏电站超短期功率预测方法,其特征在于,所述方法包括以下步骤:
利用预先建立的ARIMA时间序列模型获取预测日的气象数据;
根据所述预测日的气象数据,利用预先建立的SVR回归模型预测所述预测日的光伏电站的输出功率;
其中,所述ARIMA时间序列模型根据历史气象数据建立,所述SVR回归模型根据历史气象数据及其对应的光伏电站的输出功率建立。
2.如权利要求1所述的一种单步渐进式光伏电站超短期功率预测方法,其特征在于,所述利用预先建立的ARIMA时间序列模型获取预测日的气象数据之前,包括:
根据气象数据与其对应的光伏电站输出功率的Pearson相关系数选取历史气象数据中的气象数据。
3.如权利要求2所述的一种单步渐进式光伏电站超短期功率预测方法,其特征在于,所述根据气象数据与其对应的光伏电站输出功率的Pearson相关系数选取历史气象数据中的气象数据,包括:
按下式确定第j个气象数据与其对应的光伏电站输出功率的Pearson相关系数rj:
<mrow>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>Y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>Y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mrow>
式中,n为历史时刻总数,Xij为第j个气象数据在第i个历史时刻的观测值,为第j个气象数据的观测值的平均值;Yi为第i个历史时刻光伏电站输出功率的观测值,为光伏电站输出功率的平均值。
4.如权利要求1所述的一种单步渐进式光伏电站超短期功率预测方法,其特征在于,根据历史气象数据获取所述ARIMA时间序列模型的过程包括:
以历史气象数据为输入参数建立用于预测预测日气象数据的ARIMA时间序列模型。
5.如权利要求1所述的一种单步渐进式光伏电站超短期功率预测方法,其特征在于,根据历史气象数据及其对应的光伏电站的输出功率获取所述SVR回归模型的过程包括:
初始化所述历史气象数据及其对应的光伏电站的输出功率;
以初始化后的历史气象数据为自变量,以初始化后的历史气象数据对应的光伏电站输出功率为因变量训练用于预测光伏电站输出功率的SVR回归模型。
6.如权利要求5所述的一种单步渐进式光伏电站超短期功率预测方法,其特征在于,所述初始化所述历史气象数据及其对应的光伏电站的输出功率,包括:
删除所述历史气象数据及其对应的输出功率数据中残缺、异常的无效样本,消除历史气象数据及其对应的输出功率数据的野值点;
按下式通过Z-score标准化消除第i个历史时刻的气象数据或输出功率数据的数据量纲;
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mi>&sigma;</mi>
</mfrac>
</mrow>
上式中,xi为第i个历史时刻的气象数据或输出功率数据,为历史气象数据均值或历史输出功率数据均值;σ为标准差,标准差为1,yi为第i个历史时刻的气象数据或输出功率数据的标准值。
7.如权利要求1所述的一种单步渐进式光伏电站超短期功率预测方法,其特征在于,所述根据所述预测日的气象数据,利用预先建立的SVR回归模型预测所述预测日的光伏电站的输出功率,包括:
以所述预测日的气象数据为所述SVR回归模型的输入参数,获取所述预测日的光伏电站的输出功率。
8.一种单步渐进式光伏电站超短期功率预测系统,其特征在于,所述系统包括:
气象数据预测模块,用于利用预先建立的ARIMA时间序列模型获取预测日的气象数据;
光伏电站输出功率预测模块,用于根据所述预测日的气象数据,利用预先建立的SVR回归模型预测所述预测日的光伏电站的输出功率。
9.如权利要求8所述的一种单步渐进式光伏电站超短期功率预测系统,其特征在于,所述气象数据预测模块包括:
历史气象数据选取子模块,用于在利用预先建立的ARIMA时间序列模型获取预测日的气象数据之前,根据气象数据与其对应的光伏电站输出功率的Pearson相关系数选取历史气象数据中的气象数据;
ARIMA时间序列模型构建子模块,用于以历史时刻及其对应的气象数据为输入参数建立用于预测预测日气象数据的ARIMA时间序列模型。
10.如权利要求9所述的一种单步渐进式光伏电站超短期功率预测系统,其特征在于,所述历史气象数据选取子模块,具体用于按下式确定第j个气象数据与其对应的光伏电站输出功率的Pearson相关系数rj:
<mrow>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>Y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>Y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mrow>
式中,n为历史时刻总数,Xij为第j个气象数据在第i个历史时刻的观测值,为第j个气象数据的观测值的平均值;Yi为第i个历史时刻光伏电站输出功率的观测值,为光伏电站输出功率的平均值。
11.如权利要求8所述的一种单步渐进式光伏电站超短期功率预测系统,其特征在于,所述光伏电站输出功率预测模块包括:
历史气象数据初始化子模块,用于初始化所述历史气象数据及其对应的光伏电站的输出功率;
SVR回归模型构建子模块,用于以初始化后的历史气象数据为自变量,以初始化后的历史气象数据对应的光伏电站输出功率为因变量训练用于预测光伏电站输出功率的SVR回归模型;
输出功率预测子模块,用于以所述预测日的气象数据为所述SVR回归模型的输入参数,获取所述预测日的光伏电站的输出功率。
12.如权利要求11所述的一种单步渐进式光伏电站超短期功率预测系统,其特征在于,所述历史气象数据初始化子模块,具体用于删除所述历史气象数据及其对应的输出功率数据中残缺、异常的无效样本,消除历史气象数据及其对应的输出功率数据的野值点;
按下式通过Z-score标准化消除历史气象数据或其对应的输出功率数据的数据量纲;
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
<mi>&sigma;</mi>
</mfrac>
</mrow>
上式中,xi为历史气象数据或其对应输出功率数据,为历史气象数据均值或输出功率数据均值;σ为标准差,标准差为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711075481.2A CN108053048A (zh) | 2017-11-06 | 2017-11-06 | 一种单步渐进式光伏电站超短期功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711075481.2A CN108053048A (zh) | 2017-11-06 | 2017-11-06 | 一种单步渐进式光伏电站超短期功率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108053048A true CN108053048A (zh) | 2018-05-18 |
Family
ID=62118742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711075481.2A Pending CN108053048A (zh) | 2017-11-06 | 2017-11-06 | 一种单步渐进式光伏电站超短期功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108053048A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190793A (zh) * | 2018-07-27 | 2019-01-11 | 中国电力科学研究院有限公司 | 一种基于近似周期时间序列的光伏发电功率预测方法及系统 |
CN109388863A (zh) * | 2018-09-21 | 2019-02-26 | 国网天津市电力公司 | 一种基于arima模型的分布式光伏出力功率预测方法 |
CN109787237A (zh) * | 2019-01-30 | 2019-05-21 | 云南电网有限责任公司电力科学研究院 | 一种可再生能源高渗透地区电网断面潮流预测方法及装置 |
CN109918822A (zh) * | 2019-03-15 | 2019-06-21 | 中铁工程服务有限公司 | 基于随机森林回归的盾构掘进参数偏差计算方法及系统 |
CN109919353A (zh) * | 2019-01-11 | 2019-06-21 | 杭州电子科技大学 | 一种基于空间相关性的arima模型的分布式光伏预测方法 |
CN111079980A (zh) * | 2019-11-22 | 2020-04-28 | 天合云能源互联网技术(杭州)有限公司 | 基于自适应分类策略和混合优化svr的光功率预测方法 |
CN111325373A (zh) * | 2018-12-13 | 2020-06-23 | 汉能移动能源控股集团有限公司 | 一种发电量的预测方法及其系统 |
CN111967660A (zh) * | 2020-08-05 | 2020-11-20 | 河海大学 | 一种基于svr的超短期光伏预测残差修正方法 |
CN112183642A (zh) * | 2020-09-30 | 2021-01-05 | 燕山大学 | 一种基于随机森林模型的水泥烧成煤耗检测方法与系统 |
CN112446554A (zh) * | 2020-12-18 | 2021-03-05 | 阳光电源股份有限公司 | 功率预测模型建立方法、功率预测方法及装置 |
CN113487093A (zh) * | 2021-07-09 | 2021-10-08 | 国网浙江省电力有限公司电力科学研究院 | 基于邻域前向时序最优组合的超短期光伏功率预测方法 |
CN116109018A (zh) * | 2023-04-12 | 2023-05-12 | 深圳市峰和数智科技有限公司 | 一种光伏电站功率预测方法、装置及相关设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732296A (zh) * | 2015-04-01 | 2015-06-24 | 贵州电力试验研究院 | 一种分布式光伏输出功率短期预测模型建模方法 |
-
2017
- 2017-11-06 CN CN201711075481.2A patent/CN108053048A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732296A (zh) * | 2015-04-01 | 2015-06-24 | 贵州电力试验研究院 | 一种分布式光伏输出功率短期预测模型建模方法 |
Non-Patent Citations (1)
Title |
---|
赫卫国等: "基于ARIMA和SVR的光伏电站超短期功率预测", 《广东电力》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190793A (zh) * | 2018-07-27 | 2019-01-11 | 中国电力科学研究院有限公司 | 一种基于近似周期时间序列的光伏发电功率预测方法及系统 |
CN109388863A (zh) * | 2018-09-21 | 2019-02-26 | 国网天津市电力公司 | 一种基于arima模型的分布式光伏出力功率预测方法 |
CN109388863B (zh) * | 2018-09-21 | 2023-05-26 | 国网天津市电力公司 | 一种基于arima模型的分布式光伏出力功率预测方法 |
CN111325373A (zh) * | 2018-12-13 | 2020-06-23 | 汉能移动能源控股集团有限公司 | 一种发电量的预测方法及其系统 |
CN109919353B (zh) * | 2019-01-11 | 2022-07-05 | 杭州电子科技大学 | 一种基于空间相关性的arima模型的分布式光伏预测方法 |
CN109919353A (zh) * | 2019-01-11 | 2019-06-21 | 杭州电子科技大学 | 一种基于空间相关性的arima模型的分布式光伏预测方法 |
CN109787237B (zh) * | 2019-01-30 | 2022-06-07 | 云南电网有限责任公司电力科学研究院 | 一种可再生能源高渗透地区电网断面潮流预测方法及装置 |
CN109787237A (zh) * | 2019-01-30 | 2019-05-21 | 云南电网有限责任公司电力科学研究院 | 一种可再生能源高渗透地区电网断面潮流预测方法及装置 |
CN109918822A (zh) * | 2019-03-15 | 2019-06-21 | 中铁工程服务有限公司 | 基于随机森林回归的盾构掘进参数偏差计算方法及系统 |
CN109918822B (zh) * | 2019-03-15 | 2023-12-15 | 中铁高新工业股份有限公司 | 基于随机森林回归的盾构掘进参数偏差计算方法及系统 |
CN111079980B (zh) * | 2019-11-22 | 2021-06-29 | 天合云能源互联网技术(杭州)有限公司 | 基于自适应分类策略和混合优化svr的光功率预测方法 |
CN111079980A (zh) * | 2019-11-22 | 2020-04-28 | 天合云能源互联网技术(杭州)有限公司 | 基于自适应分类策略和混合优化svr的光功率预测方法 |
CN111967660A (zh) * | 2020-08-05 | 2020-11-20 | 河海大学 | 一种基于svr的超短期光伏预测残差修正方法 |
CN111967660B (zh) * | 2020-08-05 | 2022-09-23 | 河海大学 | 一种基于svr的超短期光伏预测残差修正方法 |
CN112183642A (zh) * | 2020-09-30 | 2021-01-05 | 燕山大学 | 一种基于随机森林模型的水泥烧成煤耗检测方法与系统 |
CN112446554A (zh) * | 2020-12-18 | 2021-03-05 | 阳光电源股份有限公司 | 功率预测模型建立方法、功率预测方法及装置 |
CN112446554B (zh) * | 2020-12-18 | 2024-05-14 | 阳光电源股份有限公司 | 功率预测模型建立方法、功率预测方法及装置 |
CN113487093A (zh) * | 2021-07-09 | 2021-10-08 | 国网浙江省电力有限公司电力科学研究院 | 基于邻域前向时序最优组合的超短期光伏功率预测方法 |
CN116109018A (zh) * | 2023-04-12 | 2023-05-12 | 深圳市峰和数智科技有限公司 | 一种光伏电站功率预测方法、装置及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108053048A (zh) | 一种单步渐进式光伏电站超短期功率预测方法及系统 | |
Huang et al. | Multiple-input deep convolutional neural network model for short-term photovoltaic power forecasting | |
De Benedetti et al. | Anomaly detection and predictive maintenance for photovoltaic systems | |
CN111008728B (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
CN110556820B (zh) | 用于确定能量系统操作场景的方法和设备 | |
CN109376951B (zh) | 一种光伏概率预测方法 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
Sogabe et al. | Optimization of decentralized renewable energy system by weather forecasting and deep machine learning techniques | |
Gao et al. | Optimal parameter selection for support vector machine based on artificial bee colony algorithm: a case study of grid‐connected PV system power prediction | |
Jiang et al. | Ultra-short-term prediction of photovoltaic output based on an LSTM-ARMA combined model driven by EEMD | |
CN115423143A (zh) | 一种基于回归分析和lssvm的源荷一体化预测方法 | |
Amer et al. | Solar power prediction based on Artificial Neural Network guided by feature selection for Large-scale Solar Photovoltaic Plant | |
Bandong et al. | Performance ratio estimation and prediction of solar power plants using machine learning to improve energy reliability | |
Sulaiman et al. | Long-term solar irradiance forecasting using multilinear predictors | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
Miroshnyk et al. | Short term renewable energy forecasting with deep learning neural networks | |
Dong et al. | An improved prediction approach on solar irradiance of photovoltaic Power Station | |
Kim et al. | Predicting 24-hours ahead photovoltaic power output using forecast information | |
TW201740296A (zh) | 再生能源發電量預測方法與系統 | |
CN112036672B (zh) | 一种基于迭代订正的新能源发电超短期功率预测方法及系统 | |
Yang et al. | An evaluation method of the photovoltaic power prediction quality | |
Liu et al. | A Self-Data-Driven Method for Lifetime Prediction of PV Arrays Considering the Uncertainty and Volatility | |
CN110705769B (zh) | 新能源发电功率预测优化方法和装置 | |
Castillo-Rojas et al. | Daily prediction model of photovoltaic power generation using a hybrid architecture of recurrent neural networks and shallow neural networks | |
Agoua et al. | Spatio-temporal models for photovoltaic power short-term forecasting |
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: 20180518 |