CN108268963B - 一种自修正检验的光伏功率短期预测方法 - Google Patents
一种自修正检验的光伏功率短期预测方法 Download PDFInfo
- Publication number
- CN108268963B CN108268963B CN201611261697.3A CN201611261697A CN108268963B CN 108268963 B CN108268963 B CN 108268963B CN 201611261697 A CN201611261697 A CN 201611261697A CN 108268963 B CN108268963 B CN 108268963B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- short
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000007689 inspection Methods 0.000 title description 4
- 230000005855 radiation Effects 0.000 claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000012797 qualification Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 241000135164 Timea Species 0.000 claims 1
- 238000012937 correction Methods 0.000 abstract description 6
- 239000000428 dust Substances 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 8
- 238000010248 power generation Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008521 reorganization Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
-
- 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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种自修正检验的光伏功率短期预测方法,该方法包括:近地面短波辐射的预测、数据整编、辐射‑功率关系率定、模型再训练检验的判定和短期功率预测的输出。本发明提供的方法解决了光伏电站数据质量较差情况下的光伏短期功率预测的问题,如缺少实测气象监测数据,光伏电站气象条件突变,光伏组件附尘等情况。本发明提供的技术方案只需将高精度的数值天气预报WRF模式生产的近地面短波辐射和光伏电站的实测功率数据做为预测模型的输入,再通过一系列的矫正和预测评估,逐次优化,提高了光伏短期预测模型的精度。实验结果表明,该算法具有很好的普适性,能够很好的用于不同区域光伏电站的光伏短期功率的预测。
Description
技术领域
本发明属于光伏功率预测技术领域,具体为一种自修正检验的光伏功率短期预测方法。
背景技术
我国太阳能资源丰富,理论储量大,新能源和可再生能源的开发利用越来越成为焦点。太阳能光伏发电被认为是转换效率最高、使用期长、可提供大量电力的一种太阳能利用方式。随着近年来大规模光伏电站接入电网,由于光伏发电输出功率具有随机性和波动性,对电网安全稳定和经济运行造成影响。对光伏电站的输出功率进行准确预测,可以为电力调度提供重要的决策支持,统筹安排常规电源和光伏发电的协调配合,有效的降低电力系统运行成本,充分的利用光伏资源,从而获得更大的经济效益和社会效益。
一方面由于光伏功率数据、气象数据等数据质量的差次不齐,另一方面,随着光伏电站装机变化,以及光伏组件的老化。光伏电站的发电功率也会受到影响,最初安装光伏组件时所使用的辐射功率转换曲线也慢慢的不再适用;另外光伏组件还会受阴雨、云层、附尘、沙尘、雾霾等因素的影响,辐射功率曲线关系发生瞬时变化,导致光伏功率的预测模型的预测精度下降。从而造成其输出功率不稳定且难以预测,这一缺点不仅影响了电能质量,甚至会影响整个电力系统的稳定性,所以,需要提供一种光伏系统的发电预测技术来满足可再生能源的开发利用与发展低碳经济来适应新能源的发展步伐。
发明内容
为克服上述现有技术的不足,本发明提出一种自修正检验的光伏功率短期预测方法。
实现上述目的所采用的解决方案为:
一种自修正检验的光伏功率短期预测方法,其改进之处在于:所述方法包括:
步骤1近地面短波辐射的预测;
步骤2数据的整编;
步骤3辐射-功率关系率定;
步骤4模型再训练检验判定;
步骤5短期功率预测输出。
本发明提供的第一优选技术方案,其改进之处在于:步骤1即采用WRF(WeatherResearch Forecast)模式,利用NCEP(National Centers for EnvironmentalPrediction)预报场数据作为WRF模式初始场和边界条件,结合光伏电站本地化观测数据,分别在8:00和20:00生产输出时间间隔分别为5分钟或者15分钟,预测时长为72小时的近地面短波辐射预测数据。
本发明提供的第二优选技术方案,其改进之处在于:所述步骤2包括:
步骤2.1规整时间粒度;
步骤2.2修正辐射异常数据;
步骤2.3修正光伏功率实测数据;
步骤2.4修正漏采数据。
本发明提供的第三优选技术方案,其改进之处在于:
所述步骤2.2中,选取第i时刻数值天气预报产生的近地面短波辐射数据Ri,修正所述Ri如下式所示:
其中,R当地气象局为中国天气网发布的对应地区的辐射数据。
本发明提供的第四优选技术方案,其改进之处在于:
所述步骤2.3中,选取第i时刻实测光伏功率数据pi,修正所述pi如下式所示:
其中P装机容量为光伏电站的实际装机容量。
本发明提供的第五优选技术方案,其改进之处在于:
所述步骤2.4中,选择第i时刻漏采数据pi如下式所示:
pi=(pi-1+pi+1)/2 (3)。
本发明提供的第六优选技术方案,其改进之处在于:
所述步骤3包括:
所述近地面短波辐射为R时通过关于R的n次多项式计算得到的光伏功率预测值pn(R)如下式所示:
ak为所述光伏功率短期预测模型的k次系数,即所述光伏功率短期预测模型参数,Φ为所有次数不超过n的多项式构成函数式;
辐射-功率数据点为(Ri,pi),即i时刻所述近地面短波辐射为Ri,其对应实测光伏功率数据为pi,i=0,1…,m;n≤m;
需满足拟合差值I趋于最小,即
对函数关于I=I(a0,a1,…,an)取极值min,要求
解公式(7)展开的方程组,可得ak,其中k=0,1…,n;
计算曲线拟合的平方误差:
比较曲线拟合的平方误差与已有所述光伏功率短期预测模型的平方误差,如果曲线拟合的平方误差小于上次拟合曲线的平方误差,则将所述光伏功率短期预测模型的参数更新为ak,k=0,1…,n;否则所述光伏功率短期预测模型的参数不变。
本发明提供的第七优选技术方案,其改进之处在于:所述步骤4包括:
根据辐射-功率关系,预测对应光伏电站日前的发电功率;评估8:00训练的光伏功率短期预测模型的预测结果,合格标准包括预测光伏功率相对实测光伏功率的均方根误差小于0.15,合格率大于0.9,相关系数大于0.98;
反之,包括预测评估结果的所述均方根误差大于0.15,合格率小于0.9,相关系数小于0.98,则利用上午8:00WRF模式输出的近地面短波辐射数据和光伏实测功率数据再次进行运算,若曲线拟合的平方误差小于已有的光伏功率短期预测模型的平方误差,则更新光伏功率短期预测模型参数,从而逐步优化光伏功率短期预测模型。
与最接近的现有技术比,本发明提供的技术方案具有以下优异效果:
本发明提供的技术方案解决了光伏电站数据质量较差情况下的光伏短期功率的预测问题,如缺少实测气象监测数据,光伏电站气象条件突变,光伏组件附尘等情况。本发明提供的技术方案只需要将高精度的数值天气预报WRF模式生产的近地面短波辐射和光伏电站的实测功率数据做为预测模型的输入,通过一系列的矫正和预测评估,逐次优化,提高了光伏短期预测模型的精度。实验结果表明,该算法具有很好的普适性,能够很好的解决不同区域光伏电站的光伏短期功率的预测。
附图说明
图1为光伏功率短期预测流程框图;
图2为辐射-功率实测值与拟合曲线的一个实施例。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
如图1所示,图1为光伏功率短期预测流程框图。
一种自修正检验的光伏功率短期预测方法包括以下步骤:
步骤1近地面短波辐射预测
对于光伏电站近地面短波辐射的预测,该发明使用数据天气预报生产输出,即采用WRF(Weather Research Forecast)模式。结合先进的数值方法和资料同化技术,采用经过改进的物理过程方案,基于高度模块化、并行化和分层设计技术,利用NCEP(NationalCenters for Environmental Prediction)预报场数据作为WRF模式初始场和边界条件,结合光伏电站本地化观测数据,分别在8:00和20:00生产输出时间间隔分别为5分钟或者15分钟,预测时长为72小时的近地面短波辐射预测数据。
步骤2数据整编
数据整编主要是针对光伏电站的实测光伏功率数据和数值天气预报的近地面短波辐射预测数据进行数据处理。通常由监控系统所采集的光伏电站的实际出力功率的都会比较好,偶尔会由于电站或者电网的检修,导致监测系统所采集的实际出力数据质理不好,如丢数、漏数、误采、误报等数据。所以在使用光伏电站实测光伏功率之前需要对实测数据进行数据整编。
数据处理步骤包括:
步骤2.1规整时间粒度
选取过去临近一天实测光伏功率数据和对应时间段的近地面短波辐射预测数据,对数据进行数据粒度抽取,将实测光伏功率数据与数据天气预报的预测辐射数据时间粒度相对应。
步骤2.2修正辐射异常数据
将选取的第i时刻数值天气预报生产输出的近地面短波辐射数据Ri与中国天气网发布对应地区的辐射数据R当地气象局进行对比,要求其平均值和最大值的绝对差不大于0.05,因此要求Ri满足
步骤2.3修正光伏功率实测数据
将第i时刻实测光伏功率数据pi进行数据处理,要求pi满足
其中P装机容量为光伏电站的实际装机容量。
步骤2.4修正漏采数据
选择第i时刻漏采数据pi的前后数据,然后取其平均值,即
pi=(pi-1+pi+1)/2 (3)。
步骤3辐射-功率关系率定,即辐射-功率关系的确定
逼近辐射-功率离散数据的基本方法就是曲线拟合,通过多次实验,发现多次拟合的效果要优于二次拟合。具体方法如下:
建立光伏功率短期预测模型
其中,R为所述近地面短波辐射的数值,pn(R)为所述近地面短波辐射为R时通过关于R的n次多项式计算得到的光伏功率预测值,ak为所述光伏功率短期预测模型的k次系数,即所述光伏功率短期预测模型参数,Φ为所有次数不超过n的多项式构成函数式;
辐射-功率数据点为(Ri,pi),即i时刻所述近地面短波辐射为Ri,其对应实测光伏功率数据为pi,i=0,1…,m;n≤m;
需满足拟合差值I趋于最小,即
对函数关于I=I(a0,a1,…,an)取极值min,要求
解公式(7)展开的方程组,可得ak,其中k=0,1…,n;
计算曲线拟合的平方误差:
然后比较曲线拟合的平方误差与已有所述光伏功率短期预测模型的平方误差,如果曲线拟合的平方误差小于上次拟合曲线的平方误差,则将所述光伏功率短期预测模型的参数更新为ak,k=0,1…,n;否则所述光伏功率短期预测模型的参数不变。
步骤4模型再训练检验判定
依据步骤1到步骤3的计算过程,预测出对应光伏电站日前发电功率;在20:00时刻,WRF模式再次输出未来72小时近地面短波辐射数据,此时,对8:00训练的光伏功率短期预测模型的预测结果进行评估,合格标准为预测光伏功率相对实测光伏功率的均方根误差小于0.15,合格率大于0.9,相关系数大于0.98;
若预测评估结果的所述均方根误差大于0.15,合格率小于0.9,相关系数小于0.98,则利用上午8:00WRF模式输出的近地面短波辐射数据和光伏实测功率数据进行再次运算,若曲线拟合的平方误差小于已有的光伏功率短期预测模型的平方误差,则更新光伏功率短期预测模型参数,从而逐步优化预测模型。
步骤5短期功率预测输出
输出光伏功率短期预测模型预测的光伏功率预测结果。
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。
Claims (1)
1.一种自修正检验的光伏功率短期预测方法,其特征在于:所述方法包括:
步骤1 近地面短波辐射的预测;
步骤2 数据的整编;
步骤3 辐射-功率关系率定;
步骤4 模型再训练检验判定;
步骤5 短期功率预测输出;
步骤1即采用WRF模式,利用NCEP预报场数据作为WRF模式初始场和边界条件,结合光伏电站本地化观测数据,分别在8:00和20:00生产输出时间间隔分别为5分钟或者15分钟,预测时长为72小时的近地面短波辐射预测数据;
所述步骤2包括:
步骤2.1 规整时间粒度;
步骤2.2修正辐射异常数据;
步骤2.3修正光伏功率实测数据;
步骤2.4修正漏采数据;
所述步骤2.2中,选取第i时刻数值天气预报产生的近地面短波辐射数据R i ,修正所述R i 如下式所示:
其中,R 当地气象局 为中国天气网发布的对应地区的辐射数据;
所述步骤2.3中,选取第i时刻实测光伏功率数据p i ,修正所述p i 如下式所示:
其中P装机容量为光伏电站的实际装机容量;
所述步骤2.4中,选择第i时刻漏采数据p i 如下式所示:
所述步骤3包括:
所述近地面短波辐射为R时通过关于R的n次多项式计算得到的光伏功率预测值p n (R)如下式所示:
a k为所述光伏功率短期预测模型的k次系数,即所述光伏功率短期预测模型参数,Φ为所有次数不超过n的多项式构成函数式;
辐射-功率数据点为(R i , p i ),即i时刻所述近地面短波辐射为R i ,其对应实测光伏功率数据为p i ,i=0,1…,m;n≤m;
需满足拟合差值I趋于最小,即
对函数关于I=I(a 0,a 1,…,a n)取极值min,要求
解公式(7)展开的方程组,可得a k,其中k=0,1…,n;
计算曲线拟合的平方误差:
比较曲线拟合的平方误差与已有所述光伏功率短期预测模型的平方误差,如果曲线拟合的平方误差小于上次拟合曲线的平方误差,则将所述光伏功率短期预测模型的参数更新为a k,k=0,1…,n;否则所述光伏功率短期预测模型的参数不变;
所述步骤4包括:
根据辐射-功率关系,预测对应光伏电站日前的发电功率;评估8:00训练的光伏功率短期预测模型的预测结果,合格标准包括预测光伏功率相对实测光伏功率的均方根误差小于0.15,合格率大于0.9,相关系数大于0.98;
反之,包括预测评估结果的所述均方根误差大于0.15,合格率小于0.9,相关系数小于0.98,则利用上午8:00 WRF模式输出的近地面短波辐射数据和光伏实测功率数据再次进行运算,若曲线拟合的平方误差小于已有的光伏功率短期预测模型的平方误差,则更新光伏功率短期预测模型参数,从而逐步优化光伏功率短期预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611261697.3A CN108268963B (zh) | 2016-12-30 | 2016-12-30 | 一种自修正检验的光伏功率短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611261697.3A CN108268963B (zh) | 2016-12-30 | 2016-12-30 | 一种自修正检验的光伏功率短期预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108268963A CN108268963A (zh) | 2018-07-10 |
CN108268963B true CN108268963B (zh) | 2022-08-19 |
Family
ID=62753764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611261697.3A Active CN108268963B (zh) | 2016-12-30 | 2016-12-30 | 一种自修正检验的光伏功率短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108268963B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059441B (zh) * | 2019-04-29 | 2022-07-19 | 广东电网有限责任公司 | 一种光伏电站建模方法及光伏电站模型输出校正方法 |
CN111950811B (zh) * | 2020-08-27 | 2024-04-09 | 国网山东省电力公司聊城供电公司 | 基于双层人工神经网络的区域光伏功率预测方法及系统 |
CN113570126A (zh) * | 2021-07-15 | 2021-10-29 | 远景智能国际私人投资有限公司 | 光伏发电站的发电功率预测方法、装置及系统 |
CN116014818B (zh) * | 2023-03-29 | 2023-06-27 | 河北思悟新能源科技有限公司 | 一种用于气候多变区域的综合性供能管理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390902A (zh) * | 2013-06-04 | 2013-11-13 | 国家电网公司 | 一种基于最小二乘法的光伏电站超短期功率预测方法 |
CN103984988A (zh) * | 2014-05-06 | 2014-08-13 | 国家电网公司 | 测光网络实时校正arma模型光伏功率超短期预测方法 |
CN103996073A (zh) * | 2014-05-06 | 2014-08-20 | 国家电网公司 | 测光网络实时校正自学习arma模型光伏功率预测方法 |
CN104268659A (zh) * | 2014-10-09 | 2015-01-07 | 国电南瑞科技股份有限公司 | 一种光伏电站发电功率超短期预测方法 |
CN104601104A (zh) * | 2014-12-22 | 2015-05-06 | 国家电网公司 | 基于lssvm带arma修正的超短期光伏预测方法 |
-
2016
- 2016-12-30 CN CN201611261697.3A patent/CN108268963B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390902A (zh) * | 2013-06-04 | 2013-11-13 | 国家电网公司 | 一种基于最小二乘法的光伏电站超短期功率预测方法 |
CN103984988A (zh) * | 2014-05-06 | 2014-08-13 | 国家电网公司 | 测光网络实时校正arma模型光伏功率超短期预测方法 |
CN103996073A (zh) * | 2014-05-06 | 2014-08-20 | 国家电网公司 | 测光网络实时校正自学习arma模型光伏功率预测方法 |
CN104268659A (zh) * | 2014-10-09 | 2015-01-07 | 国电南瑞科技股份有限公司 | 一种光伏电站发电功率超短期预测方法 |
CN104601104A (zh) * | 2014-12-22 | 2015-05-06 | 国家电网公司 | 基于lssvm带arma修正的超短期光伏预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108268963A (zh) | 2018-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108268963B (zh) | 一种自修正检验的光伏功率短期预测方法 | |
CN107341569B (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 | |
CN110259646B (zh) | 一种基于历史数据的风力发电机组部件状态预警方法 | |
CN110880789B (zh) | 一种风电、光伏联合发电系统经济调度方法 | |
CN105701337A (zh) | 风电机组的疲劳寿命预测方法和装置 | |
CN110729764B (zh) | 一种含光伏发电系统的优化调度方法 | |
CN103296701B (zh) | 一种风电场有功功率控制方法 | |
CN107885968B (zh) | 基于周期叠加外推的风电场年平均风速预测方法及系统 | |
CN109167387A (zh) | 风场风电功率预测方法 | |
CN103984986B (zh) | 实时校正的自学习arma模型风电功率超短期预测方法 | |
CN111695736A (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
CN111784030B (zh) | 一种基于空间相关性的分布式光伏功率预测方法及装置 | |
CN115441447B (zh) | 一种新能源发电功率预测方法 | |
CN110807581A (zh) | 一种光伏电站对标评估方法 | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
CN111950764A (zh) | 一种极端天气条件电网风电功率预测修正方法 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
CN105046349A (zh) | 一种计及尾流效应的风电功率预测方法 | |
CN110991747A (zh) | 一种计及风电场功率的短期负荷预测方法 | |
CN117060407A (zh) | 一种基于相似日划分的风电集群功率预测方法及系统 | |
CN107909096A (zh) | 一种基于二分k‑均值聚类的逆变器故障预警判据实现方法 | |
CN117290666A (zh) | 一种光伏异常功率数据清洗方法 | |
CN116562459A (zh) | 结合气温湿度风速日照云量环境因素的碳排放分析算法 | |
CN105528735A (zh) | 基于量测风速与空间相关性的异常数据点的校正方法 |
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 |