CN109034464A - 一种短期光伏发电系统功率预测及结果校核的方法 - Google Patents
一种短期光伏发电系统功率预测及结果校核的方法 Download PDFInfo
- Publication number
- CN109034464A CN109034464A CN201810758882.6A CN201810758882A CN109034464A CN 109034464 A CN109034464 A CN 109034464A CN 201810758882 A CN201810758882 A CN 201810758882A CN 109034464 A CN109034464 A CN 109034464A
- Authority
- CN
- China
- Prior art keywords
- day
- prediction
- data
- result
- hidden layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000010410 layer Substances 0.000 claims description 53
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 5
- 239000002356 single layer Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 230000005654 stationary process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000714 time series forecasting 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
- 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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种短期光伏发电系统功率预测及结果校核的方法，该方法首先利用ELM计算模型考虑温度、太阳辐照度的影响，进行太阳辐照度预测；然后利用物理模型法对光伏输出功率进行预测；最终通过选取合适的相似日，将预测结果和相似日实际光伏发电功率进行对比验证，计算和相似日的偏差率，保证预测结果的可信度。
Description
技术领域
本发明涉及光伏发电系统的功率预测领域，是涉及一种用于光伏发电系统的功率预测及校核的方法。
背景技术
在现有技术中，公知的技术是随着社会经济的迅猛发展，能源需求日益增加，化石能源日趋衰竭，环境污染现象与日俱增。面临能源危机与环境问题的双重挑战，我们需要制定科学的能源可持续发展策略，致力于新能源的开发与研究，提高新能源的利用率。太阳能作为可再生能源的一种，可不受地域限制的辐照地球的各个表面，它取之不尽、用之不竭、无需运输、清洁环保、可再生。而且相对于地热、生物质等其它可再生能源具有资源丰富、可靠性高和开发利用方便等优势，是当今可再生能源领域开发潜力最大、应用前景最广的新能源之一。
光伏发电是借助太阳能电池板直接将光能转化成电能的利用方式，具有结构简单、占地面积小，维护简单、清洁环保，安全可靠、应用广泛等优点，在太阳能应用领域中起着举足轻重的作用。由于受到光伏阵列安装位置、安装角度等地理因素及辐照强度、温度等气象因素的影响，光伏系统的发电过程是一个具有随机性的非平稳过程。
对于电网而言太阳能发电系统类似于不可控电源，其大规模并网运行会给电网造成巨大冲击，无法保证供电的安全可靠性和稳定性。精确预测太阳能发电功率是减轻光伏大规模并网不利影响的有效手段，对太阳能发电功率进行预测有助于电网的调度运行。保证电力系统的功率平衡和电能质量，又能减少电力系统的旋转备用容量、降低运行成本，保证太阳能资源利用的充分性和有效性，提高太阳能的利用效率，寻求巨大的经济效益和社会效益。
早先对太阳能发电系统的研究主要集中在太阳能电池材料技术、最大功率点跟踪控制、并网逆变器拓扑结构、孤岛效应检测及并网谐波抑制等方面。近期对于太阳能辐照强度或光伏发电系统功率预测技术的研究也出现了很多方法，常用的光伏发电系统功率预测方法主要有回归模型预测法、时间序列预测法、灰色预测法、支持向量机预测法、人工神经网络预测法等。常规的基于数学模型的预测方法，适应于线性的整体相对比较稳定，波动不大的场景，难以反映实际系统的复杂运行条件及功率波动；人工神经网络预测法虽然考虑了太阳辐照强度、大气温度、湿度等影响因素，但是算法的收敛性一直是需要面临的问题，另外参数的训练成果对最终预测结果影响很大。同时对于最终预测结果也没有校核手段，因此对于太阳能辐照强度或光伏发电系统功率预测在此方面现行的技术都没有好的应对思路。
发明内容
本发明的目的就是针对现有技术所存在的不足，而提供一种短期光伏发电系统功率预测及结果校核的方法的技术方案，该方案的方法根据太阳辐照度预测结果，利用物理模型法对光伏输出功率进行预测，最终将预测结果和历史相似日进行对比，对预测结果进行验证，保证预测结果的准确性。
本方案是通过如下技术措施来实现的：一种短期光伏发电系统功率预测及结果校核的方法，包括如下步骤：
1)采集预测日前一天的太阳辐照度数据，形成太阳辐照强度的输入参数I′1……I′24；
2)采集预测日前一天某时段内的每个小时的温度数据T′1……T′n，和天气预测的预测日的每个小时的温度数据T1……Tn，计算对应时间段温度的比值Tr1……Trn；
3)采集预测日前一天对应时段内的每个小时的大气相对湿度数据H′1……H′n，和天气预测的预测日的每个小时的大气相对湿度数据H1……Hn，计算对应时间段大气相对湿度数据的比值Hr1……Hrn；
4)采用极限学习机Extreme learning machine ELM计算模型，将上述1、2、3步骤中的数据作为输入参数，设定输入层与隐含层之间的连接权值矩阵ω以及隐含层的阈值向量b，并跟据ELM算法训练得到输出权值矩阵ω′，激活函数g(x)采用sigmoid 函数，计算输出I1……In，得到预测日对应时段的太阳辐照度序列；
5)然后利用公式η(I，T)＝(a1+a2I+a3lnI)[1-β(T-25℃)]ηSTC，计算得出对应时刻的光伏阵列的光电转换效率，式中a1、a2、a3为经验参数，I为太阳辐照度，T为温度，β为参数(一般取值为0.005℃-1)，ηSTC为光伏出厂参数；
6)利用公式PS＝ηSI，计算得出光伏对应时刻的发电功率，S为光伏阵列面积；I 为太阳辐照度；
7)选取预测日和历史近似日相关特征参数进行对比，上述相关特征参数包括：太阳辐照度值的最大值、最小值和平均值Imax、Imin和Iave；太阳辐照度最大和最小值出现时刻的温度Ta、Tb；温度的最大值和最小值Tmax、Tmin；
8)利用相似度计算公式，选取历史近似日，计算与历史近似日的近似程度；
9)将预测发电功率数据Ps和历史近似日实际发电功率Ps′进行对比，计算偏差值。
在步骤4)中，ELM计算模型是具有快速训练训练集的单层前馈网络，在网络中只有三个层：输入层，隐含层和输出层，其具体结构如附图1所示。
输入层输入节点3n个，输入层输入参数包括：预测日前一天的太阳辐照度数据I′1……I′n
预测日前一天和天气预测的预测日的每个小时的温度比值Tr1……Trn
预测日前一天和天气预测的预测日的每个小时的湿度比值Hr1……Hrn
隐含层激活函数g(x)采用sigmoid函数
输入层与隐含层之间的连接权值矩阵ω以及隐含层的阈值向量b通过经验设定，输出权值矩阵ω′由初始化计算训练获取。
计算输出
其中ωi＝[ω1i，ω2i，......，ω3ni]为输入与第i个隐含层的节点的权值向量；
ω′i＝[ω′i1，ω′i2，......，ω′in]为第i个隐含层的节点与输出层的权值向量；
xi＝[x1，x2，......，x3n]T＝[I′1，I′2，......I′n，Tr1，Tr2，......Trn，Hr1，Hr2，......Hrn]T，为网络输入值；
Ij＝[I1，I2，......，In]T为网络输出值；
m为隐含层节点数。
在步骤7)中，选取预测日和历史日相关特征参数进行对比，包括：预测日和历史日的太阳辐照度值的最大值、最小值和平均值Imax、Imin和Iave；预测日和历史日的太阳辐照度最大和最小值出现时刻的温度Ta、Tb；预测日和历史日的温度的最大值和最小值Tmax、Tmin；建立特征向量函数：
X＝[Imax，Ta，Imin，Tb，Tmax，Tmin]T
对特征向量进行归一化处理，得到
预测日：X＝[x(1)，x(2)，...，x(m)]T
历史日：Y＝[y(1)，y(2)，...，y(m)]T。
在步骤8)中，利用公式
计算历史日和预测日的相似程度，r值越小说明差异越小，可根据实际情况，设置每个特征向量的比重。
在步骤9)中，利用公式
得到实际的偏差率，一般偏差率在15％以内认为预测结果可信。
本方案的有益效果可根据对上述方案的叙述得知，由于在该方案中利用ELM计算模型考虑温度、太阳辐照度的影响，进行太阳辐照度预测结果，利用物理模型法对光伏输出功率进行预测，通过选取合适的相似日，将预测结果和相似日实际光伏发电功率进行对比验证，计算和相似日的偏差率，保证预测结果的可信度。
附图说明
附图1为本发明方法ELM计算模型示意图。
具体实施方式
为能清楚说明本方案的技术特点，下面通过一个具体实施方式，对本方案进行阐述。
本方案的一种短期光伏发电系统功率预测及结果校核的方法，该方法包括如下步骤：
首先采集数据，可根据实际预测需求设计采集频次，本实施例中每隔1小时采样一次，具体为：
1)采集预测日前一天24小时的太阳辐照度数据，可根据实际预测需求设计采集频次，形成太阳辐照强度的输入参数I′1……I′24；
2)采集预测日前一天24小时的每个小时的温度数据T′1……T′24，和天气预测的预测日24小时的每个小时的温度数据T1……T24，计算对应时间段温度的比值Tr1…… Tr24；
3)采集预测日前一天24小时的每个小时的大气相对湿度数据H′1……H′24，和天气预测的预测日24小时的每个小时的大气相对湿度数据H1……H24，计算对应时间段大气相对湿度数据的比值Hr1……Hr24；
4)采用ELM计算模型，将上述1、2、3步骤中的数据作为输入参数，设定输入层与隐含层之间的连接权值矩阵ω以及隐含层的阈值向量b，并跟据ELM算法训练得到输出权值矩阵ω′，激活函数g(x)采用sigmoid函数
计算输出I1……I24，得到次日预测的24小时太阳辐照度序列；
ELM计算模型是具有快速训练训练集的单层前馈网络，在网络中只有三个层：输入层，隐含层和输出层。
输入层输入节点72个，输入层输入参数包括：预测日前一天24小时的太阳辐照度数据I′1……I′24；
预测日前一天24小时和天气预测的预测日24小时的每个小时的温度比值Tr1……Tr24；
预测日前一天24小时和天气预测的预测日24小时的每个小时的湿度比值Hr1……Hr24；
隐含层激活函数g(x)采用sigmoid函数
输入层与隐含层之间的连接权值矩阵ω以及隐含层的阈值向量b通过经验设定，输出权值矩阵ω′由初始化计算训练获取。
计算输出
其中ωi＝[ω1i，ω2i，......，ω72i]，为输入与第i个隐含层的节点的权值向量；
ω′i＝[ω′i1，ω′i2，......，ω′i24]，为第i个隐含层的节点与输出层的权值向量；
xi＝[x1，x2，......，x72]T＝[I′1，I′2，......I′24，Tr1，Tr2，......Tr24，Hr1，Hr2，......Hr24]T，为网络输入值；
Ij＝[I1，I2，......，I24]T为网络输出值；
m为隐含层节点数，根据经验公式选择最佳隐含层节点数，增加层数可以进一步降低误差，提高精度，但同时也是网络结构复杂化。
5)然后利用公式η(i，T)＝(a1+a2I+a3lnI)[1-β(T-25℃)]ηSTC，计算得出对应时刻的光伏阵列的光电转换效率，式中a1、a2、a3为经验参数，I为太阳辐照度，T为温度，β为参数(一般取值为0.005℃-1)，ηSTC为光伏出厂参数；
6)利用公式PS＝ηSI，计算得出光伏对应时刻的发电功率，S为光伏阵列面积；I 为太阳辐照度。
7)建立特征向量函数：X＝[Imax，Ta，Imin，Tb，Tmax，Tmin]T，包括：太阳辐照度值的最大值、最小值和平均值Imax、Imin和Iave；太阳辐照度最大和最小值出现时刻的温度Ta、Tb；温度的最大值和最小值Tmax、Tmin；
对特征向量进行归一化处理，得到
预测日：X＝[x(1)，x(2)，...，x(m)]T
历史日：Y＝[y(1)，y(2)，...，y(m)]T。
8)利用相似度计算公式计算与历史近似日的近似程度，选取相似日。r值越小说明差异越小，可根据实际情况，设置每个特征向量的比重。
9)将预测发电功率数据Ps和相似日实际发电功率Ps′进行对比，利用公式
计算偏差率，一般偏差率在15％以内认为预测结果可信。
上述步骤中偏差率S值越接近于0，预测结果越可信。
对于ELM算法训练得到输出权值矩阵ω′的训练，要采用样本进行训练，对模型进行输入，随机设定输入层与隐含层之间的连接权值矩阵ω以及隐含层的阈值向量b，构成输出数据，并与实际值进行比较，并根据两者的误差对输出权值矩阵ω′进行修正；然后再输入下一组数据，再根据误差对权重值和阈值进行修正，如此反复直到输出值与实际值的误差达到预先的设定值，结束训练。
本发明并不仅限于上述具体实施方式，本领域普通技术人员在本发明的实质范围内做出的变化、改型、添加或替换，也应属于本发明的保护范围。
本发明的思路及方法，具体实现该技术方案的方法和途径很多，以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部份均可用现有技术加以实现。
Claims (6)
1.一种短期光伏发电系统功率预测及结果校核的方法，其特征在于，该方法包括以下步骤：
1)采集预测日前一天或者预测日当日的自然情况数据，根据实际预测需求设计采集频次，所述自然情况数据包括太阳辐照度数据、温度数据和大气相对湿度数据；
2)设定输入层与隐含层之间的连接权值矩阵ω以及隐含层的阈值向量b，并跟据ELM算法训练得到输出权值矩阵ω′，计算得到预测日当天的预测太阳辐照度序列；
3)然后利用公式η(I，T)＝(a1+a2I+a3ln I)[1-β(T-25℃)]ηSTC，计算得出对应时刻的光伏阵列的光电转换效率，式中a1、a2、a3为经验参数，I为太阳辐照度，T为温度，β为参数，ηSTC为光伏出厂参数；
4)利用公式PS＝ηSI计算得出光伏对应时刻的发电功率，其中，S为光伏阵列面积；I为太阳辐照度；
5)选取预测日和历史日相关特征参数进行对比，利用相似度计算公式，计算与历史近似日的近似程度，选取相似日；
6)将预测发电功率数据Ps和相似日实际发电功率Ps′进行对比，计算偏差值。
2.根据权利要求1所述的一种短期光伏发电系统功率预测及结果校核的方法，其特征在于，所述自然情况数据包括：
预测日前一天某时段内的太阳辐照强度的输入参数I′1……I′n；预测日前一天对应时段内的温度数据T′1……T′n，预测日对应时段内的温度数据T1……Tn，计算对应温度的比值Tr1……Trn；预测日前一天对应时段内的大气相对湿度数据H′1……H′n，预测日对应时段内的大气相对湿度数据H1……Hn，计算出对应大气相对湿度数据的比值Hr1……Hrn；其中，n为采样次数。
3.根据权利要求2所述的一种短期光伏发电系统功率预测及结果校核的方法，其特征在于，在步骤2)中，所述ELM计算模型为单层前馈网络，在所述单层前馈网络中包含输入层、隐含层和输出层；
所述输入层输入节点由自然情况数据构成，隐含层激活函数g(x)采用sigmoid函数
输入层与隐含层之间的连接权值矩阵ω以及隐含层的阈值向量b通过经验设定，输出权值矩阵ω′由初始化计算训练获取，计算得到预测日对应时段的预测太阳辐照度序列
其中ωi＝[ω1i，ω2i，......，ω3ni]为输入与第i个隐含层的节点的权值向量；
ω′i＝[ω′i1，ω′i2，......，ω′in]为第i个隐含层的节点与输出层的权值向量；
xi＝[x1，x2，......，x3n]T＝[I′1，I′2，......I′n，tr1，Tr2，......Trn，Hr1，Hr2，......Hrn]T，为网络输入值；
Ij＝[I1，I2，......，In]T为网络输出值；
m为隐含层节点数。
4.根据权利要求3所述的一种短期光伏发电系统功率预测及结果校核的方法，其特征在于，所述步骤5)选取预测日和历史日相关特征参数进行对比，包括：预测日和历史日的太阳辐照度值的最大值、最小值和平均值Imax、Imin和Iave；预测日和历史日的太阳辐照度最大和最小值出现时刻的温度Ta、Tb；预测日和历史日的温度的最大值和最小值Tmax、Tmin；
建立特征向量函数：
X＝[Imax，Ta，Imin，Tb，Tmax，Tmin]T
对特征向量进行归一化处理，得到
预测日：X＝[x(1)，x(2)，...，x(m)]T
历史日：Y＝[y(1)，y(2)，...，y(m)]T。
5.根据权利要求3所述的一种短期光伏发电系统功率预测及结果校核的方法，其特征在于，在步骤5)中，利用公式
计算历史日和预测日的相似程度，r值越小说明差异越小，可根据实际情况，设置每个特征向量的比重。
6.根据权利要求2所述的一种短期光伏发电系统功率预测及结果校核的方法，其特征在于，在步骤6)中，利用公式
得到实际的偏差率，上述步骤中偏差率S值越接近于0预测结果越可信。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810758882.6A CN109034464A (zh) | 2018-07-11 | 2018-07-11 | 一种短期光伏发电系统功率预测及结果校核的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810758882.6A CN109034464A (zh) | 2018-07-11 | 2018-07-11 | 一种短期光伏发电系统功率预测及结果校核的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109034464A true CN109034464A (zh) | 2018-12-18 |
Family
ID=64641254
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810758882.6A Pending CN109034464A (zh) | 2018-07-11 | 2018-07-11 | 一种短期光伏发电系统功率预测及结果校核的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109034464A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993352A (zh) * | 2019-03-19 | 2019-07-09 | 国网河南省电力公司电力科学研究院 | 光伏发电功率预测模型的构建方法及功率预测方法 |
| CN110059862A (zh) * | 2019-03-25 | 2019-07-26 | 国网浙江省电力有限公司电力科学研究院 | 一种基于自编码与极限学习机的光伏区间预测方法和系统 |
| CN110147908A (zh) * | 2019-05-22 | 2019-08-20 | 东莞理工学院 | 一种基于三维最优相似度与改进布谷鸟算法的风电功率预测方法 |
| CN110598947A (zh) * | 2019-09-20 | 2019-12-20 | 东莞理工学院 | 一种基于改进布谷鸟-神经网络算法的负荷预测方法 |
| CN111428939A (zh) * | 2020-04-14 | 2020-07-17 | 宁波金风绿能能源有限公司 | 一种“两个细则”电力管理提升系统和电力管理提升方法 |
| CN112215478A (zh) * | 2020-09-27 | 2021-01-12 | 珠海博威电气股份有限公司 | 光储电站的功率协调控制方法和装置、存储介质 |
| CN114764262A (zh) * | 2021-01-11 | 2022-07-19 | 领鞅科技(杭州)有限公司 | 一种太阳能发电站发电功率预测和控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102999786A (zh) * | 2012-10-17 | 2013-03-27 | 浙江埃菲生能源科技有限公司 | 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法 |
| CN104463349A (zh) * | 2014-11-11 | 2015-03-25 | 河海大学 | 一种基于多时段综合相似日的光伏发电功率预测方法 |
| CN106447098A (zh) * | 2016-09-22 | 2017-02-22 | 许昌许继软件技术有限公司 | 一种光伏超短期功率预测方法及装置 |
| CN106446440A (zh) * | 2016-10-11 | 2017-02-22 | 天津大学 | 基于在线贯序极限学习机的短期光伏发电功率预测方法 |
| CN106803135A (zh) * | 2017-01-17 | 2017-06-06 | 广东工业大学 | 一种光伏发电系统输出功率的预测方法及装置 |
-
2018
- 2018-07-11 CN CN201810758882.6A patent/CN109034464A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102999786A (zh) * | 2012-10-17 | 2013-03-27 | 浙江埃菲生能源科技有限公司 | 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法 |
| CN104463349A (zh) * | 2014-11-11 | 2015-03-25 | 河海大学 | 一种基于多时段综合相似日的光伏发电功率预测方法 |
| CN106447098A (zh) * | 2016-09-22 | 2017-02-22 | 许昌许继软件技术有限公司 | 一种光伏超短期功率预测方法及装置 |
| CN106446440A (zh) * | 2016-10-11 | 2017-02-22 | 天津大学 | 基于在线贯序极限学习机的短期光伏发电功率预测方法 |
| CN106803135A (zh) * | 2017-01-17 | 2017-06-06 | 广东工业大学 | 一种光伏发电系统输出功率的预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 杨蕾: "太阳能光伏电站输出功率预测研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993352A (zh) * | 2019-03-19 | 2019-07-09 | 国网河南省电力公司电力科学研究院 | 光伏发电功率预测模型的构建方法及功率预测方法 |
| CN110059862A (zh) * | 2019-03-25 | 2019-07-26 | 国网浙江省电力有限公司电力科学研究院 | 一种基于自编码与极限学习机的光伏区间预测方法和系统 |
| CN110147908A (zh) * | 2019-05-22 | 2019-08-20 | 东莞理工学院 | 一种基于三维最优相似度与改进布谷鸟算法的风电功率预测方法 |
| CN110598947A (zh) * | 2019-09-20 | 2019-12-20 | 东莞理工学院 | 一种基于改进布谷鸟-神经网络算法的负荷预测方法 |
| CN111428939A (zh) * | 2020-04-14 | 2020-07-17 | 宁波金风绿能能源有限公司 | 一种“两个细则”电力管理提升系统和电力管理提升方法 |
| CN112215478A (zh) * | 2020-09-27 | 2021-01-12 | 珠海博威电气股份有限公司 | 光储电站的功率协调控制方法和装置、存储介质 |
| CN112215478B (zh) * | 2020-09-27 | 2024-05-28 | 珠海博威电气股份有限公司 | 光储电站的功率协调控制方法和装置、存储介质 |
| CN114764262A (zh) * | 2021-01-11 | 2022-07-19 | 领鞅科技(杭州)有限公司 | 一种太阳能发电站发电功率预测和控制方法 |
| CN114764262B (zh) * | 2021-01-11 | 2023-08-15 | 领鞅科技(杭州)有限公司 | 一种太阳能发电站发电功率预测和控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109034464A (zh) | 一种短期光伏发电系统功率预测及结果校核的方法 | |
| CN105046374B (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
| CN105426956B (zh) | 一种超短期光伏预测方法 | |
| Stefenon et al. | Photovoltaic power forecasting using wavelet neuro-fuzzy for active solar trackers | |
| Quan et al. | Hybrid model for hourly forecast of photovoltaic and wind power | |
| CN109902874A (zh) | 一种基于深度学习的微电网光伏发电短期预测方法 | |
| CN107910863A (zh) | 综合考虑光伏出力和负荷需求预测区间的配电网调度方法 | |
| Yan et al. | Solar radiation forecasting using artificial neural network for local power reserve | |
| CN103293950B (zh) | 一种基于lssvm的光伏最大功率点跟踪的控制方法 | |
| Nitisanon et al. | Solar power forecast with weather classification using self-organized map | |
| Liu et al. | A fault detection and diagnosis technique for solar system based on Elman neural network | |
| Karabiber et al. | Short term PV power estimation by means of extreme learning machine and support vector machine | |
| Zhang et al. | Short-term wind power prediction based on EMD-LSTM combined model | |
| Sahoo et al. | Energy forecasting for grid connected MW range solar PV system | |
| Elena et al. | Multi-agent system for smart grids with produced energy from photovoltaic energy sources | |
| Sánchez-García et al. | Short term photovoltaic power production using a hybrid of nearest neighbor and artificial neural networks | |
| Sun et al. | Short-term photovoltaic power prediction modeling based on AdaBoost algorithm and Elman | |
| Zhang et al. | Real-time prediction of solar radiation based on online sequential extreme learning machine | |
| Mdluli et al. | Development of short term solar radiation forecasting using AI techniques | |
| Khan et al. | Photovoltaic Power prediction by Cascade forward artificial neural network | |
| Aji et al. | Highly accurate daily solar radiation forecasting using SW-SVR for hybrid power plant in Indonesia | |
| Singh et al. | Analysis of Fuzzy Logic, ANN and ANFIS based Models for the Forecasting of Wind Power | |
| Zhang et al. | Multi‐Input Deep Convolutional Neural Network Model for Short‐Term Power Prediction of Photovoltaics | |
| Sultanuddin et al. | Hybrid Solar Energy Forecasting with Supervised Deep Learning in IoT Environment | |
| Jahan et al. | Optimal Design and Performance Evaluation of Software-defined Solar PV Systems |
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 |
Application publication date: 20181218 |
|
| RJ01 | Rejection of invention patent application after publication |