CN109284874A - 光伏电站的日发电量预测方法、装置、设备及存储介质 - Google Patents
光伏电站的日发电量预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109284874A CN109284874A CN201811261337.2A CN201811261337A CN109284874A CN 109284874 A CN109284874 A CN 109284874A CN 201811261337 A CN201811261337 A CN 201811261337A CN 109284874 A CN109284874 A CN 109284874A
- Authority
- CN
- China
- Prior art keywords
- daily
- vector
- prediction
- radiant illumination
- daily generation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 137
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims abstract description 189
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 257
- 238000005286 illumination Methods 0.000 claims description 212
- 238000010248 power generation Methods 0.000 claims description 32
- 239000000203 mixture Substances 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 16
- 230000005855 radiation Effects 0.000 claims description 13
- 235000013399 edible fruits Nutrition 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims 1
- 230000005611 electricity Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training 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
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例公开了光伏电站的日发电量预测方法、装置、设备及存储介质。其中,该方法包括:基于第一设定方法确定待测月日发电量的预测结果,并作为第一预测结果;基于第二设定方法确定待测月日发电量的预测结果,并作为第二预测结果;将所述第一预测结果和所述第二预测结果输入到已训练的神经网络模型中,得到所述待测月日发电量的最终预测结果。本发明实施例提供的技术方案可以提高预测精度。
Description
技术领域
本发明实施例涉及发电量预测技术,尤其涉及一种光伏电站的日发电量预测方法、装置、设备及存储介质。
背景技术
新能源日发电量的预测是新能源技术企业面临的新的技术需求。目前新能源(如,光伏发电)日发电量的预测主要两种方法,一种是首先预测月发电量,然后按照上一月或者去年同月的日发电量比例,将月发电量分解到每日;另一种是通过对短期功率预测结果进行积分,得到日发电量的预测结果。
但是上述两种方法存在如下缺陷:第一种方法,虽然月发电量根据较多的历史数据基于多种算法进行预测得到,但是在将发电量按日进行分配的过程中,往往仅根据历史的日发电量数据按比例分配,未考虑每日的实际天气、开机容量等因素,由此得到的日分配结果往往误差较大,因此,日发电量的预测精度并不高。第二种方法中,短期功率的预测依赖于天气预报数据,而天气预报数据往往存在一定误差,因此,得到的日发电量预测结果往往误差较大。
发明内容
本发明实施例提供一种光伏电站的日发电量预测方法、装置、设备及存储介质,可以提高预测精度。
第一方面,本发明实施例提供了一种光伏电站的日发电量预测方法,包括:
获取未来一周内每日的辐射照度以及过去三周内每日的辐射照度,并组成以所述辐射照度为向量元素的目标时间序列向量;
确定所述目标时间序列向量与历史辐射照度组成的至少两个历史时间序列向量的L2范数距离;其中,所述历史时间序列向量的向量元素的数量与所述目标时间序列向量中的向量元素的数量相同;
确定与所述目标时间序列向量L2范数距离最小的目标历史时间序列向量,并确定所述目标历史时间序列向量对应的日期集合;
以所述日期集合中最后一周的日发电量以及所述最后一周之后的设定天数的日发电量作为待测月的日发电量分解基准;其中,最后一周的天数与设定天数之和等于待测月的天数;其中,待测月为当前月的下一个月;
基于第一设定预测算法预测所述待测月的总发电量;
根据所述总发电量以及所述日发电量分解基准,确定待测月的日发电量预测结果。
第二方面,本发明实施例还提供了一种光伏电站的日发电量预测方法,包括:
获取未来一周内每日的辐射照度以及过去三周内的辐射照度,并组成以所述辐射照度为向量元素的目标时间序列向量;
确定所述目标时间序列向量与历史辐射照度组成的至少两个历史时间序列向量的L2范数距离;其中,所述历史时间序列向量的向量元素的数量与所述目标时间序列向量中的向量元素的数量相同;
确定与所述目标时间序列向量L2范数距离最小的目标历史时间序列向量,
选取所述目标历史时间序列向量中选取最后一周的辐射照度,以及获取在所述最后一周之后的三周内每日的辐射照度;
将未来一周内每日的辐射照度替代所述最后一周辐射照度,并和在所述最后一周内之后的三周内每日的辐射照度作为待测月的辐射照度;其中,所述待测月为当前月的下一个月;
基于所述待测月的辐射照度以及第二设定预测算法,确定所述待测月的日发电功率;
基于所述待测月的日发电功率确定所述待测月的日发电量预测结果。
第三方面,本发明实施例还提供了一种光伏电站的日发电量预测方法,包括:
基于第一设定方法确定待测月日发电量的预测结果,并作为第一预测结果;第一设定方法为如权利要求1所述的日发电量预测方法;
基于第二设定方法确定待测月日发电量的预测结果,并作为第二预测结果;其中,第二设定方法为如权利要求3所述的日发电量预测方法;
将所述第一预测结果和所述第二预测结果输入到已训练的神经网络模型中,得到所述待测月日发电量的最终预测结果。
第四方面,本发明实施例提供了一种光伏电站的日发电量预测装置,包括:
组成模块,用于获取未来一周内每日的辐射照度以及过去三周内每日的辐射照度,并组成以所述辐射照度为向量元素的目标时间序列向量;
第一确定模块,用于确定所述目标时间序列向量与历史辐射照度组成的至少两个历史时间序列向量的L2范数距离;其中,所述历史时间序列向量的向量元素的数量与所述目标时间序列向量中的向量元素的数量相同;
第二确定模块,用于确定与所述目标时间序列向量L2范数距离最小的目标历史时间序列向量,并确定所述目标历史时间序列向量对应的日期集合;
第三确定模块,用于以所述日期集合中最后一周的日发电量以及所述最后一周之后的设定天数的日发电量作为待测月的日发电量分解基准;其中,最后一周的天数与设定天数之和等于待测月的天数;其中,待测月为当前月的下一个月;
总发电量预测模块,用于基于第一设定预测算法预测所述待测月的总发电量;
第四确定模块,用于根据所述总发电量以及所述日发电量分解基准,确定待测月的日发电量预测结果。
第五方面,本发明实施例提供了一种光伏电站的日发电量预测方法,包括:
组成模块,用于获取未来一周内每日的辐射照度以及过去三周内的辐射照度,并组成以所述辐射照度为向量元素的目标时间序列向量;
第一确定模块,用于确定所述目标时间序列向量与历史辐射照度组成的至少两个历史时间序列向量的L2范数距离;其中,所述历史时间序列向量的向量元素的数量与所述目标时间序列向量中的向量元素的数量相同;
第二确定模块,用于确定与所述目标时间序列向量L2范数距离最小的目标历史时间序列向量;
选取模块,用于选取所述目标历史时间序列向量中选取最后一周的辐射照度,以及获取在所述最后一周之后的三周内每日的辐射照度;
第三确定模块,用于将未来一周内每日的辐射照度替代所述最后一周辐射照度,并和在所述最后一周内之后的三周内每日的辐射照度作为待测月的辐射照度;其中,所述待测月为当前月的下一个月;
第四确定模块,用于基于所述待测月的辐射照度以及第二设定预测算法,确定所述待测月的日发电功率;
第五确定模块,用于基于所述待测月的日发电功率确定所述待测月的日发电量预测结果。
第六方面,本发明实施例提供了一种光伏电站的日发电量预测装置,包括:
第一预测结果确定模块,用于基于第一设定方法确定待测月日发电量的预测结果,并作为第一预测结果;第一设定方法为如权利要求1所述的日发电量预测方法;
第二预测结果确定模块,用于基于第二设定方法确定待测月日发电量的预测结果,并作为第二预测结果;其中,第二设定方法为如权利要求3所述的日发电量预测方法;
最终预测结果确定模块,用于将所述第一预测结果和所述第二预测结果输入到已训练的神经网络模型中,得到所述待测月日发电量的最终预测结果。
第七方面,本发明实施例提供了一种设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1或2任一所述的光伏电站的日发电量预测方法,或者如权利要求3所述的光伏电站的日发电量预测方法,或者如权利要求5所述的光伏电站的日发电量预测方法。
第八方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1或2任一所述的光伏电站的日发电量预测方法,或者如权利要求3所述的光伏电站的日发电量预测方法,或者如权利要求5所述的光伏电站的日发电量预测方法。
本发明实施例提供的技术方案,根据过去三周的辐射照度以及未来一周的辐射照度选取日发电量分解基准,即在确定日发电量分解基准时考虑天气数据中的辐射照度,可以提高分解基准的客户端和科学性,可以提高日发电量的预测精度;本发明实施例提供的技术方案,当仅能获取未来一周辐射照度的情况下,通过未来一周的辐射照度以及过去三周的辐射照度确定一个时间序列向量,并确定与该时间序列向量L2范数距离最小的历史时间序列向量,并确定该历史时间序列向量对应的最后一周,并将未来一周的辐射照度与在所述最后一周之后三周内的辐射照度作为待测月的辐射照度,即通过未来一周的辐射照度以及过去三周的辐射照度选取下一个月的辐射照度相似的数据,从而实现下个月的功率预测,从而实现对下个月每日发电量的预测,可以提高预测精度。本发明实施例提供的技术方案通过将两种预测方法得到的预测结果输入到已训练的神经网络模型中,得到最终预测结果,可以提高预测精度,并且采用神经网络模型进行预测,可以对两种预测方法得到的预测结果进行权重自适应调整,从而实现预测精度的提升。
附图说明
图1是本发明实施例提供的一种光伏电站的日发电量预测方法流程图;
图2是本发明实施例提供的一种光伏电站的日发电量预测方法流程图;
图3是本发明实施例提供的一种光伏电站的日发电量预测方法流程图;
图4是本发明实施例提供的一种光伏电站的日发电量预测装置结构框图;
图5是本发明实施例提供的一种光伏电站的日发电量预测装置结构框图;
图6是本发明实施例提供的一种光伏电站的日发电量预测装置结构框图;
图7是本发明实施例提供的一种设备结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
图1是本发明实施例提供的一种光伏电站的日发电量预测方法流程图,所述方法由光伏电站的日发电量预测装置来执行,所述装置可以由软件和/或硬件来执行。所述装置可以集成在计算机等设备中。所述方法可以应用到对每月的日发电量进行预测的场景中。
如图1所示,本发明实施例提供的技术方案包括:
S110:获取未来一周内每日的辐射照度以及过去三周内每日的辐射照度,并组成以所述辐射照度为向量元素的目标时间序列向量。
在本发明实施例中,可选的,未来一周内每日的辐射照度为预测的辐射照度,未来一周内每日的辐射照度可以通过现有的方法进行预测,一般情况下未来一周内每日的辐射照度的预测较准确。其中,过去三周内每日的辐射照度为历史辐射照度,过去三周内的每日的辐射照度可以包括当日的辐射照度。将未来一周内每日的辐射照度以及过去三周内每日的辐射照度组成目标时间序列向量。
例如,今日为第d天,今日的辐射照度为R(d),则目标时间序列向量为[R(d-20),R(d-19),R(d-18),……,R(d-1),R(d)……,R(d+1)]。其中,目标时间序列向量中的向量元素按照日期进行排序。
S120:确定所述目标时间序列向量与历史辐射照度组成的至少两个历史时间序列向量的L2范数距离;其中,所述历史时间序列向量中向量元素的数量与所述目标时间序列向量中的向量元素的数量相同。
在本发明实施例中,历史时间序列向量可以由历史辐射照度组成,其中,历史时间序列向量中的辐射照度按照日期进行排列。历史时间序列向量的向量元素与目标时间序列向量中的向量元素的数量相同。例如,目标时间序列向量包含4周的辐射照度数据,则每一个历史时间序列向量中也包含4周的辐射照度数据。
在本实施例中,两个向量之间的L2范数距离通过如下公式进行计算:D(i,j)=||si-sj||2,其中,D(i,j)是两个向量之间的L2范数距离,si是第i个向量,sj是第j个向量。
S130:确定与所述目标时间序列向量L2范数距离最小的目标历史时间序列向量,并确定所述目标历史时间序列向量对应的日期集合。
在本实施例中,与目标时间序列向量L2范数距离最小的历史时间序列向量作为目标历史时间序列向量。目标历史时间序列向量对应的日期集合是:目标历史时间序列向量中每一个辐射照度对应的日期形成的集合。例如,目标历史时间序列向量为[R(d’-27),R(d’-26),R(d’-25),……,R(d’-1),R(d’)],该目标历史时间序列向量对应的日期集合是:d’-27,d’-26,d’-25,……,d’-1,d’形成的集合。
S140:以所述日期集合中最后一周的日发电量以及所述最后一周之后的设定天数的日发电量作为待测月的日发电量分解基准;其中,最后一周的天数与设定天数之和等于待测月的天数。
在本发明实施例中,可选的,待测月为当前月的下一个月。例如,当前月为6月,则待测月为7月。设定天数可以由待测月的天数以及最后一周的天数进行确定。具体的,设定天数可以是待测月的天数与最后一周天数之差。例如,待测月共有31天,则设定天数是31-7=23天。若最后一周的日期是分别是d’-6,d’-5……d’,则获取在d’之后的23天的日发电量,即分别获取d’+1,d’+2,……,d’+23的日发电量。将最后一周的日发电量以及最后一周设定天数日发电量作为待测月的日发电量分解基准。其中,最后一周的日发电量,以及最后一周设定天数的日发电量均是历史发电量的实际值。
S150:基于第一设定预测算法预测所述待测月的总发电量。
在本实施例中,第一设定预测算法可以是根据光伏组件的衰减系数、装机容量、太阳能辐射照度等计算得到。其中,第一设定预测算法可以是现有技术中可以预测月总发电量的算法。
S160:根据所述总发电量以及所述日发电量分解基准,确定待测月的日发电量预测结果。
在本发明实施例的一个实施方式中,可选的,根据所述总发电量以及所述分解基准,确定待测月的日发电量预测结果,包括:
基于如下公式确定待测月的日发电量预测结果:
其中,Bi为所述待测月中第i天的日发电量;B为预测的所述待测月的总发电量;ai为所述日发电量分解基准中第i天的日发电量;A为所述日发电量分解基准中全部日发电量之和。其中,可选的,待测月的日发电量分解基准,是以目标历史时间序列向量对应的日期集合中最后一周的日发电量以及最后一周之后的设定天数的日发电量形成。
本发明实施例提供的一种光伏电站的日发电量预测方法,根据过去三周的辐射照度以及未来一周的辐射照度选取日发电量分解基准,即在确定日发电量分解基准时考虑天气数据中的辐射照度,可以提高分解基准的客户端和科学性,可以提高日发电量的预测精度。
图2是本发明实施例提供的一种光伏电站的日发电量预测方法流程图,所述方法由光伏电站的日发电量预测装置来执行,所述装置可以由软件和/或硬件来执行。所述装置可以集成在计算机等设备中。所述方法可以应用到对每月的日发电量进行预测的场景中。
如图2所示,本发明实施例提供的技术方案包括
S210:获取未来一周内每日的辐射照度以及过去三周内的辐射照度,并组成以所述辐射照度为向量元素的目标时间序列向量。
在本发明实施例中,可选的,未来一周内每日的辐射照度为预测的辐射照度,未来一周内每日的辐射照度可以通过现有的方法进行预测,一般情况下未来一周内每日的辐射照度的预测较准确。其中,过去三周内每日的辐射照度为历史辐射照度,过去三周内的每日的辐射照度可以包括当日的辐射照度。将未来一周内每日的辐射照度以及过去三周内每日的辐射照度组成目标时间序列向量。
例如,今日为第d天,今日的辐射照度为R(d),则目标时间序列向量为[R(d-20),R(d-19),R(d-18),……,R(d-1),R(d)……,R(d+1)]。其中,目标时间序列向量中的向量元素按照日期进行排序。
S220:确定所述目标时间序列向量与历史辐射照度组成的至少两个历史时间序列向量的L2范数距离;其中,所述历史时间序列向量的向量元素的数量与所述目标时间序列向量中的向量元素的数量相同。
在本发明实施例中,历史时间序列向量可以由历史辐射照度组成,其中,历史时间序列向量中的辐射照度按照日期进行排列。历史时间序列向量的向量元素与目标时间序列向量中的向量元素的数量相同。例如,目标时间序列向量包含4周的辐射照度数据,则每一个历史时间序列向量中也包含4周的辐射照度数据。
在本实施例中,两个向量之间的L2范数距离通过如下公式进行计算:D(i,j)=||si-sj||2,其中,D(i,j)是两个向量之间的L2范数距离,si是第i个向量,sj是第j个向量。
S230:确定与所述目标时间序列向量L2范数距离最小的目标历史时间序列向量。
其中,与目标时间序列向量L2范数距离最小的历史时间序列向量作为目标历史时间序列向量。
S240:从所述目标历史时间序列向量中选取最后一周的辐射照度,以及获取在所述最后一周之后的三周内每日的辐射照度。
在本实施例中,目标历史时间序列向量的向量元素可以包括:4周的辐射照度,并从目标历史时间序列向量中选取最后一周的辐射照度。其中,目标历史时间序列向量中的辐射照度按照日期进行排序,可以从目标历史时间序列向量选取最后7个向量元素,即最后一周的辐射照度。例如,目标历史时间序列向量为[R(d’-27),R(d’-26),R(d’-25),……,R(d’-1),R(d’)],则最后一周的辐射照度分别为R(d’-6),R(d’-5),R(d’-,4),R(d’-3),R(d’-2),R(d’-1)和R(d’)。其中,在所述最后一周之后的三周内每日的辐射照度分别可以是R(d’+1),R(d’+1),……,R(d’+21)。其中,d’可以是一个历史日期。在所述最后一周之后的三周内每日的辐射照度可以是历史辐射照度。
S250:将未来一周内每日的辐射照度替代所述最后一周辐射照度,并和在所述最后一周之后的三周内每日的辐射照度作为待测月的辐射照度;其中,所述待测月为当前月的下一个月。
在本实施例中,获取未来一周内每日的辐射照度,并替换选取的最后一周的辐射照度,将未来一周内每日的辐射照度以及在最后一周之后的三周内每日的辐射照度作为下一个月的辐射照度。
S260:基于所述待测月的辐射照度以及第二设定预测算法,确定所述待测月的日发电功率。
在本实施例中,可以将待测月的辐射照度作为第二设定预测算法的输入,以得到待测月的日发电功率。
其中,第二设定预测算法可以是短期功率预测算法,将待测月的辐射照度输入短期功率预测算法中可以得到96个时段的功率值(其中,每15分钟为一个时段),将功率值进行积分可以得到日发电量。
S270:基于所述待测月的日发电功率确定所述待测月的日发电量预测结果。
在本发明实施例的一个实施方式中,基于所述待测月的日发电功率确定所述待测月的日发电量预测结果,可以包括:将所述待测月的日发电功率进行积分得到待测月的日发电量预测结果。具体的,将待测月的日发电功率在时间上进行积分得到待测月的日发电量预测结果。例如,若得到96个时段的功率值,则将日发电功率进行积分得到待测月的日发电量预测结果,即是96个时段的功率分别乘以0.25,再进行求和,得到日发电量预测结果。
在现有技术中,一般情况,仅能准确预测未来一周辐射照度,未来一个月中其他周的辐射照度并不能准确预测,从而现有技术中通过辐射照度计算功率值,并通过功率值预测的下一个月每日发电量并不准确,降低了预测精度。本发明实施例提供的方法,通过未来一周的辐射照度以及过去三周的辐射照度确定一个时间序列向量,并确定与该时间序列向量L2范数距离最小的历史时间序列向量,并确定该历史时间序列向量对应的最后一周,并将未来一周的辐射照度与在所述最后一周之后三周内的辐射照度作为待测月的辐射照度,即通过未来一周的辐射照度以及过去三周的辐射照度选取下一个月的辐射照度相似的数据,从而实现下个月的功率预测,从而实现对下个月每日发电量的预测,可以提高预测精度。
本发明实施例提供的一种光伏电站的日发电量预测方法,当仅能获取未来一周辐射照度的情况下,通过未来一周的辐射照度以及过去三周的辐射照度确定一个时间序列向量,并确定与该时间序列向量L2范数距离最小的历史时间序列向量,并确定该历史时间序列向量对应的最后一周,并将未来一周的辐射照度与在所述最后一周之后三周内的辐射照度作为待测月的辐射照度,即通过未来一周的辐射照度以及过去三周的辐射照度选取下一个月的辐射照度相似的数据,从而实现下个月的功率预测,从而实现对下个月每日发电量的预测,可以提高预测精度。
图3是本发明实施例提供的一种光伏电站的日发电量预测方法流程图,所述方法由光伏电站的日发电量预测装置来执行,所述装置可以由软件和/或硬件来执行。所述装置可以集成在计算机等设备中。
如图3所示,本发明实施例提供的技术方案包括:
S310:基于第一设定方法确定待测月日发电量的预测结果,并作为第一预测结果。
在本实施例中,第一设定方法为本发明实施例一提供的光伏电站的日发电量预测方法。(提供的或者图1所示的预测方法)。具体是:
获取未来一周内每日的辐射照度以及过去三周内每日的辐射照度,并组成以所述辐射照度为向量元素的目标时间序列向量;
确定所述目标时间序列向量与历史辐射照度组成的至少两个历史时间序列向量的L2范数距离;其中,所述历史时间序列向量的向量元素的数量与所述目标时间序列向量中的向量元素的数量相同;
确定与所述目标时间序列向量L2范数距离最小的目标历史时间序列向量,并确定所述目标历史时间序列向量对应的日期集合;
以所述日期集合中最后一周的日发电量以及所述最后一周之后的设定天数的日发电量作为待测月的日发电量分解基准;其中,最后一周的天数与设定天数之和等于待测月的天数;
基于第一设定预测算法预测所述待测月的总发电量;
根据所述总发电量以及所述日发电量分解基准,确定待测月的日发电量预测结果。
其中,具体预测方法可以参考上述实施例,不再累述。
在本实施例中,待测月的日发电量预测结果可以是待测月每日的发电量。其中,待测月为当前月的下一个月。
S320:基于第二设定方法确定待测月日发电量的预测结果,并作为第二预测结果。
在本发明实施例中,第二预测结果可以是待测月的每日的发电量。
其中,第二设定方法可以是本发明实施例二提供的一种日发电预测方法(或者图2所示的方法)。具体是:
获取未来一周内每日的辐射照度以及过去三周内的辐射照度,并组成以所述辐射照度为向量元素的目标时间序列向量;
确定所述目标时间序列向量与历史辐射照度组成的至少两个历史时间序列向量的L2范数距离;其中,所述历史时间序列向量的向量元素的数量与所述目标时间序列向量中的向量元素的数量相同;
确定与所述目标时间序列向量L2范数距离最小的目标历史时间序列向量;
从所述目标历史时间序列向量中选取最后一周的辐射照度,以及获取在所述最后一周之后的三周内每日的辐射照度;
将未来一周内每日的辐射照度替代所述最后一周辐射照度,并和在所述最后一周之后的三周内每日的辐射照度作为待测月的辐射照度;其中,所述待测月为当前月的下一个月;
基于所述待测月的辐射照度以及第二设定预测算法,确定所述待测月的日发电功率;
基于所述待测月的日发电功率确定所述待测月的日发电量预测结果。
其中,具体介绍可以参考上述实施例的介绍,不再累述。
S330:将所述第一预测结果和所述第二预测结果输入到已训练的神经网络模型中,得到所述待测月日发电量的最终预测结果。
在本发明实施例的一个实施方式中,在将所述第一预测结果和所述第二预测结果输入到已训练的神经网络模型中,得到所述待测月日发电量的最终预测结果之前,还可以包括:获取基于所述第一设定方法确定的月发电量日预测结果的历史数据,并作为第一历史数据;获取基于所述第二设定方法确定的月发电量日预测结果的历史数据,并作为第二历史数据;获取每日发电量的历史实际数据;以所述第一历史数据和所述第二历史数据为输入,以所述历史实际数据为输出对神经网络模型进行训练,得到已训练的神经网络模型。
其中,对神经网络模型进行训练时,第一历史数据、第二历史数据对应的时间相同,每日的发电量的历史实际数据的对应时间也分别与第一历史数据、第二历史数据的对应时间相同。例如,若第一历史数据是2018年1月份通过第一设定方法预测的月发电量日预测结果的历史数据,则第二历史数据也需要是2018年1月份通过第二设定方法预测的月发电量日预测结果的历史数据,每日发电量的历史实际数据需要是2018年1月每日发电量的实际值,以第一历史数据和第二历史数据为神经网络模型的输入,以每日发电量的历史实际数据为神经网络模型的输出,对神经网络模型进行训练,得到已训练的神经网络模型。
需要说明的是,第一历史数据和第二历史数据可以包含多个月份的日发电量预测结果的历史数据。相应的,每日发电量的历史实际数据可以是多个月份的日发电量的历史实际数据。
随着电力市场化改革的不断推进,我国多个省份已陆续开展了新能源电力市场化交易试点,在促进新能源消纳和电力市场化方面起到了积极的作用。综合各省新能源电力市场化交易规则来看,目前开展的新能源电力市场化交易主要是中长期交易,包括年度双边交易和月度集中竞价交易,而现货市场交易仍处于初步试点阶段。其中,月度集中竞价交易对新能源发电量的预测提出了新的要求。为了参与月度集中竞价交易,新能源发电企业需对下个月新能源电站的总发电量和每日发电量进行准确预测,为竞价交易决策提供可靠依据,提高交易收益。
目前新能源发电企业对光伏电站的日发电量预测主要有两种方法,一种是首先预测月发电量,然后按照上一月或者去年同月的日发电量比例,将月发电量分解到每日;另一种是通过对短期功率预测结果进行积分,得到日发电量的预测结果。但是上述两种方法存在如下缺陷:第一种方法,虽然月发电量根据较多的历史数据基于多种算法进行预测得到,但是在将发电量按日进行分配的过程中,往往仅根据历史的日发电量数据按比例分配,未考虑每日的实际天气、开机容量等因素,由此得到的日分配结果往往误差较大,因此,日发电量的预测精度并不高。第二种方法中,短期功率的预测依赖于天气预报数据,而天气预报数据往往存在一定误差,因此,得到的日发电量预测结果往往误差较大。
针对以上不足,目前已有提出通过组合预测的方法来提高预测精度,即可以采用多种预测方法得到预测结果,进而通过设置各种预测方法的权重,计算得到多种预测方法的加权结果,并作为最终预测结果。组合预测法的关键在于权重值的设定,目前设置权重的常用方法有等权法、拟合优度法、正态分布法、组合中心法、交集法等。目前虽然通过组合预测法,可以一定程度上提高预测精度,但是组合预测的精度难以得到稳定可靠地提升。这主要是因为通过加权求和的方式仅能代表线性关系,而实际中不同预测方法得到的结果与实际值之间的关系往往是非线性关系,并且每种预测方法的精度并不是不变的,往往在不同时期表现出不同的预测性能,从而需要适时调整其权重。
本发明实施例提供的方法,通过对多个预测方法得到的预测结果输入到神经网络模型中进行学习,不只是根据权重进行加权,从而表征各种非线性关系,同时集成学习方法可对权重进行自适应学习和调整,从而实现预测精度的稳定提升。并且相对现有技术中采用单一预测方法而言,本发明实施例提供的技术方案,可以综合考虑了两种预测方法得到的预测结果,基于两种预测结果得到最后的发电量的最终预测结果,提高了预测精度。
本发明实施例提供的技术方案,通过将两种预测方法得到的预测结果输入到已训练的神经网络模型中,得到最终预测结果,可以提高预测精度,并且采用神经网络模型进行预测,可以对两种预测方法得到的预测结果进行权重自适应调整,从而实现预测精度的提升。
图4是本发明实施例提供的一种光伏电站的日发电量预测装置,所述装置包括:组成模块410、第一确定模块420、第二确定模块430、第三确定模块440、总发电量预测模块450和第四确定模块460。
其中,组成模块410,用于获取未来一周内每日的辐射照度以及过去三周内每日的辐射照度,并组成以所述辐射照度为向量元素的目标时间序列向量;
第一确定模块420,用于确定所述目标时间序列向量与历史辐射照度组成的至少两个历史时间序列向量的L2范数距离;其中,所述历史时间序列向量的向量元素的数量与所述目标时间序列向量中的向量元素的数量相同;
第二确定模块430,用于确定与所述目标时间序列向量L2范数距离最小的目标历史时间序列向量,并确定所述目标历史时间序列向量对应的日期集合;
第三确定模块440,用于以所述日期集合中最后一周的日发电量以及所述最后一周之后的设定天数的日发电量作为待测月的日发电量分解基准;其中,最后一周的天数与设定天数之和等于待测月的天数;其中,待测月为当前月的下一个月;
总发电量预测模块450,用于基于第一设定预测算法预测所述待测月的总发电量;
第四确定模块460,用于根据所述总发电量以及所述日发电量分解基准,确定待测月的日发电量预测结果。
可选的,第四确定模块460,用于基于如下公式确定待测月的日发电量预测结果:
其中,Bi为所述待测月中第i天的日发电量;B为预测的所述待测月的总发电量;ai为所述日发电量分解基准中第i天的日发电量;A为所述日发电量分解基准中全部日发电量之和。
上述装置可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
图5是本发明实施例提供的一种光伏电站的日发电量预测装置的结构框图,如图5所示,所述装置包括:组成模块510、第一确定模块520、第二确定模块530、选取模块540、第三确定模块550、第四确定模块560和第五确定模块570。
组成模块510,用于获取未来一周内每日的辐射照度以及过去三周内的辐射照度,并组成以所述辐射照度为向量元素的目标时间序列向量;
第一确定模块520,用于确定所述目标时间序列向量与历史辐射照度组成的至少两个历史时间序列向量的L2范数距离;其中,所述历史时间序列向量的向量元素的数量与所述目标时间序列向量中的向量元素的数量相同;
第二确定模块530,用于确定与所述目标时间序列向量L2范数距离最小的目标历史时间序列向量;
选取模块540,用于选取所述目标历史时间序列向量中选取最后一周的辐射照度,以及获取在所述最后一周之后的三周内每日的辐射照度;
第三确定模块550,用于将未来一周内每日的辐射照度替代所述最后一周辐射照度,并和在所述最后一周内之后的三周内每日的辐射照度作为待测月的辐射照度;其中,所述待测月为当前月的下一个月;
第四确定模块560,用于基于所述待测月的辐射照度以及第二设定预测算法,确定所述待测月的日发电功率;
第五确定模块570,用于基于所述待测月的日发电功率确定所述待测月的日发电量预测结果。
上述装置可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
图6是本发明实施例提供的一种光伏电站的日发电量预测装置,如图6所示,所述装置包括:
第一预测结果确定模块610,用于基于第一设定方法确定待测月日发电量的预测结果,并作为第一预测结果;第一设定方法为本发明实施例一提供的日发电量预测方法;
第二预测结果确定模块620,用于基于第二设定方法确定待测月日发电量的预测结果,并作为第二预测结果;其中,第二设定方法为本发明实施例二提供的日发电量预测方法;
最终预测结果确定模块630,用于将所述第一预测结果和所述第二预测结果输入到已训练的神经网络模型中,得到所述待测月日发电量的最终预测结果。
可选的,所述装置还包括训练模块,用于:
获取基于所述第一设定方法确定的月发电量日预测结果的历史数据,并作为第一历史数据;
获取基于所述第二设定方法确定的月发电量日预测结果的历史数据,并作为第二历史数据;
获取每日发电量的历史实际数据;
以所述第一历史数据和所述第二历史数据为输入,以所述历史实际数据为输出对神经网络模型进行训练,得到已训练的神经网络模型。
上述装置可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
图7是本发明实施例提供的一种设备结构示意图,如图7所示,该设备包括:
一个或多个处理器710,图7中以一个处理器710为例;
存储器720;
所述设备还可以包括:输入装置730和输出装置740。
所述设备中的处理器710、存储器720、输入装置730和输出装置740可以通过总线或者其他方式连接,图7中以通过总线连接为例。
存储器720作为一种非暂态计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的一种光伏电站的日发电量预测方法对应的程序指令/模块(例如,附图4所示的组成模块410、第一确定模块420、第二确定模块430、第三确定模块440、总发电量预测模块450和第四确定模块460,或者附图5所示的组成模块510、第一确定模块520、第二确定模块530、选取模块540、第三确定模块550、第四确定模块560和第五确定模块570,或者附图6所示的第一预测结果确定模块610、第二预测结果确定模块620和最终预测结果确定模块630)处理器710通过运行存储在存储器720中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述方法实施例的一种光伏电站的日发电量预测方法,即:
获取未来一周内每日的辐射照度以及过去三周内每日的辐射照度,并组成以所述辐射照度为向量元素的目标时间序列向量;
确定所述目标时间序列向量与历史辐射照度组成的至少两个历史时间序列向量的L2范数距离;其中,所述历史时间序列向量中向量元素的数量与所述目标时间序列向量中向量元素的数量相同;
确定与所述目标时间序列向量L2范数距离最小的目标历史时间序列向量,并确定所述目标历史时间序列向量对应的日期集合;
以所述日期集合中最后一周的日发电量以及所述最后一周之后的设定天数的日发电量作为待测月的日发电量分解基准;其中,最后一周的天数与设定天数之和等于待测月的天数;其中,所述待测月为当前月的下一个月;
基于第一设定预测算法预测所述待测月的总发电量;
根据所述总发电量以及所述日发电量分解基准,确定待测月的日发电量预测结果。
或者;
获取未来一周内每日的辐射照度以及过去三周内的辐射照度,并组成以所述辐射照度为向量元素的目标时间序列向量;
确定所述目标时间序列向量与历史辐射照度组成的至少两个历史时间序列向量的L2范数距离;其中,所述历史时间序列向量的向量元素的数量与所述目标时间序列向量中的向量元素的数量相同;
确定与所述目标时间序列向量L2范数距离最小的目标历史时间序列向量,
选取所述目标历史时间序列向量中选取最后一周的辐射照度,以及获取在所述最后一周之后的三周内每日的辐射照度;
将未来一周内每日的辐射照度替代所述最后一周辐射照度,并和在所述最后一周内之后的三周内每日的辐射照度作为待测月的辐射照度;其中,所述待测月为当前月的下一个月;
基于所述待测月的辐射照度以及第二设定预测算法,确定所述待测月的日发电功率;
基于所述待测月的日发电功率确定所述待测月的日发电量预测结果。
或者;
基于第一设定方法确定待测月日发电量的预测结果,并作为第一预测结果;
基于第二设定方法确定待测月日发电量的预测结果,并作为第二预测结果;
将所述第一预测结果和所述第二预测结果输入到已训练的神经网络模型中,得到所述待测月日发电量的最终预测结果。
存储器720可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器720可以包括高速随机存取存储器,还可以包括非暂态性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态性固态存储器件。在一些实施例中,存储器720可选包括相对于处理器710远程设置的存储器,这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置730可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置740可包括显示屏等显示设备。
本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例提供的一种光伏电站的日发电量预测方法:
获取未来一周内每日的辐射照度以及过去三周内每日的辐射照度,并组成以所述辐射照度为向量元素的目标时间序列向量;
确定所述目标时间序列向量与历史辐射照度组成的至少两个历史时间序列向量的L2范数距离;其中,所述历史时间序列向量中向量元素的数量与所述目标时间序列向量中向量元素的数量相同;
确定与所述目标时间序列向量L2范数距离最小的目标历史时间序列向量,并确定所述目标历史时间序列向量对应的日期集合;
以所述日期集合中最后一周的日发电量以及所述最后一周之后的设定天数的日发电量作为待测月的日发电量分解基准;其中,最后一周的天数与设定天数之和等于待测月的天数;其中,所述待测月为当前月的下一个月;
基于第一设定预测算法预测所述待测月的总发电量;
根据所述总发电量以及所述日发电量分解基准,确定待测月的日发电量预测结果。
或者;
获取未来一周内每日的辐射照度以及过去三周内的辐射照度,并组成以所述辐射照度为向量元素的目标时间序列向量;
确定所述目标时间序列向量与历史辐射照度组成的至少两个历史时间序列向量的L2范数距离;其中,所述历史时间序列向量的向量元素的数量与所述目标时间序列向量中的向量元素的数量相同;
确定与所述目标时间序列向量L2范数距离最小的目标历史时间序列向量,
选取所述目标历史时间序列向量中选取最后一周的辐射照度,以及获取在所述最后一周之后的三周内每日的辐射照度;
将未来一周内每日的辐射照度替代所述最后一周辐射照度,并和在所述最后一周内之后的三周内每日的辐射照度作为待测月的辐射照度;其中,所述待测月为当前月的下一个月;
基于所述待测月的辐射照度以及第二设定预测算法,确定所述待测月的日发电功率;
基于所述待测月的日发电功率确定所述待测月的日发电量预测结果。
或者;
基于第一设定方法确定待测月日发电量的预测结果,并作为第一预测结果;
基于第二设定方法确定待测月日发电量的预测结果,并作为第二预测结果;
将所述第一预测结果和所述第二预测结果输入到已训练的神经网络模型中,得到所述待测月日发电量的最终预测结果。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种光伏电站的日发电量预测方法,其特征在于,包括:
获取未来一周内每日的辐射照度以及过去三周内每日的辐射照度,并组成以所述辐射照度为向量元素的目标时间序列向量;
确定所述目标时间序列向量与历史辐射照度组成的至少两个历史时间序列向量的L2范数距离;其中,所述历史时间序列向量中向量元素的数量与所述目标时间序列向量中向量元素的数量相同;
确定与所述目标时间序列向量L2范数距离最小的目标历史时间序列向量,并确定所述目标历史时间序列向量对应的日期集合;
以所述日期集合中最后一周的日发电量以及所述最后一周之后的设定天数的日发电量作为待测月的日发电量分解基准;其中,最后一周的天数与设定天数之和等于待测月的天数;其中,所述待测月为当前月的下一个月;
基于第一设定预测算法预测所述待测月的总发电量;
根据所述总发电量以及所述日发电量分解基准,确定待测月的日发电量预测结果。
2.根据权利要求1所述的方法,其特征在于,根据所述总发电量以及所述分解基准,确定待测月的日发电量预测结果,包括:
基于如下公式确定待测月的日发电量预测结果:
其中,Bi为所述待测月中第i天的日发电量;B为预测的所述待测月的总发电量;ai为所述日发电量分解基准中第i天的日发电量;A为所述日发电量分解基准中全部日发电量之和。
3.一种光伏电站的日发电量预测方法,其特征在于,包括:
获取未来一周内每日的辐射照度以及过去三周内的辐射照度,并组成以所述辐射照度为向量元素的目标时间序列向量;
确定所述目标时间序列向量与历史辐射照度组成的至少两个历史时间序列向量的L2范数距离;其中,所述历史时间序列向量的向量元素的数量与所述目标时间序列向量中的向量元素的数量相同;
确定与所述目标时间序列向量L2范数距离最小的目标历史时间序列向量,
选取所述目标历史时间序列向量中选取最后一周的辐射照度,以及获取在所述最后一周之后的三周内每日的辐射照度;
将未来一周内每日的辐射照度替代所述最后一周辐射照度,并和在所述最后一周内之后的三周内每日的辐射照度作为待测月的辐射照度;其中,所述待测月为当前月的下一个月;
基于所述待测月的辐射照度以及第二设定预测算法,确定所述待测月的日发电功率;
基于所述待测月的日发电功率确定所述待测月的日发电量预测结果。
4.一种光伏电站的日发电量预测方法,其特征在于,包括:
基于第一设定方法确定待测月日发电量的预测结果,并作为第一预测结果;所述第一设定方法为如权利要求1所述的日发电量预测方法;
基于第二设定方法确定待测月日发电量的预测结果,并作为第二预测结果;其中,所述第二设定方法为如权利要求3所述的日发电量预测方法;
将所述第一预测结果和所述第二预测结果输入到已训练的神经网络模型中,得到所述待测月日发电量的最终预测结果。
5.根据权利要求4所述的方法,其特征在于,还包括:
获取基于所述第一设定方法确定的月发电量日预测结果的历史数据,并作为第一历史数据;
获取基于所述第二设定方法确定的月发电量日预测结果的历史数据,并作为第二历史数据;
获取每日发电量的历史实际数据;
以所述第一历史数据和所述第二历史数据为输入,以所述历史实际数据为输出对神经网络模型进行训练,得到已训练的神经网络模型。
6.一种光伏电站的日发电量预测装置,其特征在于,包括:
组成模块,用于获取未来一周内每日的辐射照度以及过去三周内每日的辐射照度,并组成以所述辐射照度为向量元素的目标时间序列向量;
第一确定模块,用于确定所述目标时间序列向量与历史辐射照度组成的至少两个历史时间序列向量的L2范数距离;其中,所述历史时间序列向量的向量元素的数量与所述目标时间序列向量中的向量元素的数量相同;
第二确定模块,用于确定与所述目标时间序列向量L2范数距离最小的目标历史时间序列向量,并确定所述目标历史时间序列向量对应的日期集合;
第三确定模块,用于以所述日期集合中最后一周的日发电量以及所述最后一周之后的设定天数的日发电量作为待测月的日发电量分解基准;其中,最后一周的天数与设定天数之和等于待测月的天数;其中,待测月为当前月的下一个月;
总发电量预测模块,用于基于第一设定预测算法预测所述待测月的总发电量;
第四确定模块,用于根据所述总发电量以及所述日发电量分解基准,确定待测月的日发电量预测结果。
7.一种光伏电站的日发电量预测装置,其特征在于,包括:
组成模块,用于获取未来一周内每日的辐射照度以及过去三周内的辐射照度,并组成以所述辐射照度为向量元素的目标时间序列向量;
第一确定模块,用于确定所述目标时间序列向量与历史辐射照度组成的至少两个历史时间序列向量的L2范数距离;其中,所述历史时间序列向量的向量元素的数量与所述目标时间序列向量中的向量元素的数量相同;
第二确定模块,用于确定与所述目标时间序列向量L2范数距离最小的目标历史时间序列向量;
选取模块,用于选取所述目标历史时间序列向量中选取最后一周的辐射照度,以及获取在所述最后一周之后的三周内每日的辐射照度;
第三确定模块,用于将未来一周内每日的辐射照度替代所述最后一周辐射照度,并和在所述最后一周内之后的三周内每日的辐射照度作为待测月的辐射照度;其中,所述待测月为当前月的下一个月;
第四确定模块,用于基于所述待测月的辐射照度以及第二设定预测算法,确定所述待测月的日发电功率;
第五确定模块,用于基于所述待测月的日发电功率确定所述待测月的日发电量预测结果。
8.一种光伏电站的日发电量预测装置,其特征在于,包括:
第一预测结果确定模块,用于基于第一设定方法确定待测月日发电量的预测结果,并作为第一预测结果;所述第一设定方法为如权利要求1所述的日发电量预测方法;
第二预测结果确定模块,用于基于第二设定方法确定待测月日发电量的预测结果,并作为第二预测结果;其中,所述第二设定方法为如权利要求3所述的日发电量预测方法;
最终预测结果确定模块,用于将所述第一预测结果和所述第二预测结果输入到已训练的神经网络模型中,得到所述待测月日发电量的最终预测结果。
9.一种设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1或2任一所述的光伏电站的日发电量预测方法,或者如权利要求3所述的光伏电站的日发电量预测方法,或者如权利要求5所述的光伏电站的日发电量预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现
如权利要求1或2任一所述的光伏电站的日发电量预测方法,或者如权利要求3所述的光伏电站的日发电量预测方法,或者如权利要求5所述的光伏电站的日发电量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811261337.2A CN109284874B (zh) | 2018-10-26 | 2018-10-26 | 光伏电站的日发电量预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811261337.2A CN109284874B (zh) | 2018-10-26 | 2018-10-26 | 光伏电站的日发电量预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109284874A true CN109284874A (zh) | 2019-01-29 |
CN109284874B CN109284874B (zh) | 2021-08-17 |
Family
ID=65178037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811261337.2A Active CN109284874B (zh) | 2018-10-26 | 2018-10-26 | 光伏电站的日发电量预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109284874B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110908A (zh) * | 2019-04-22 | 2019-08-09 | 大连理工大学 | 一种面向新能源月度发电预测的数据扩充方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011159199A (ja) * | 2010-02-03 | 2011-08-18 | Gifu Univ | 太陽光発電装置の発電量予測システム及び発電量予測方法 |
CN102738833A (zh) * | 2012-06-20 | 2012-10-17 | 湖北省电力公司 | 一种含风电的电力系统多时间尺度滚动协调调度方法 |
CN103218674A (zh) * | 2013-04-07 | 2013-07-24 | 国家电网公司 | 基于bp神经网络模型的光伏发电系统输出功率预测方法 |
CN103390202A (zh) * | 2013-07-18 | 2013-11-13 | 华北电力大学 | 一种基于相似数据选取的光伏电站输出功率预测方法 |
CN103559561A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 一种光伏电站辐照度的超短期预测方法 |
CN105373857A (zh) * | 2015-11-27 | 2016-03-02 | 许昌许继软件技术有限公司 | 一种光伏电站辐照度预测方法 |
CN106251008A (zh) * | 2016-07-25 | 2016-12-21 | 南京工程学院 | 一种基于组合权重相似日选取的光伏功率预测方法 |
CN106372745A (zh) * | 2016-08-27 | 2017-02-01 | 山东电力工程咨询院有限公司 | 一种基于模糊ebf网络的光伏发电量预测方法 |
US20170077870A1 (en) * | 2015-09-14 | 2017-03-16 | Kabushiki Kaisha Toshiba | Aggregation management apparatus and aggregation management method |
CN106786790A (zh) * | 2016-11-19 | 2017-05-31 | 国网浙江省电力公司 | 一种含水气煤核电的省级电网长期多电源协调调度方法 |
CN107093007A (zh) * | 2017-03-31 | 2017-08-25 | 华南理工大学 | 一种考虑光储持续带载能力的配电网可靠性评估方法 |
CN108280545A (zh) * | 2018-01-19 | 2018-07-13 | 上海电力学院 | 一种基于k均值聚类神经网络的光伏功率预测方法 |
WO2018164283A1 (ja) * | 2017-03-10 | 2018-09-13 | 備前グリーンエネルギー株式会社 | 省エネルギー診断システム、方法及びプログラム |
-
2018
- 2018-10-26 CN CN201811261337.2A patent/CN109284874B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011159199A (ja) * | 2010-02-03 | 2011-08-18 | Gifu Univ | 太陽光発電装置の発電量予測システム及び発電量予測方法 |
CN102738833A (zh) * | 2012-06-20 | 2012-10-17 | 湖北省电力公司 | 一种含风电的电力系统多时间尺度滚动协调调度方法 |
CN103218674A (zh) * | 2013-04-07 | 2013-07-24 | 国家电网公司 | 基于bp神经网络模型的光伏发电系统输出功率预测方法 |
CN103390202A (zh) * | 2013-07-18 | 2013-11-13 | 华北电力大学 | 一种基于相似数据选取的光伏电站输出功率预测方法 |
CN103559561A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 一种光伏电站辐照度的超短期预测方法 |
US20170077870A1 (en) * | 2015-09-14 | 2017-03-16 | Kabushiki Kaisha Toshiba | Aggregation management apparatus and aggregation management method |
CN105373857A (zh) * | 2015-11-27 | 2016-03-02 | 许昌许继软件技术有限公司 | 一种光伏电站辐照度预测方法 |
CN106251008A (zh) * | 2016-07-25 | 2016-12-21 | 南京工程学院 | 一种基于组合权重相似日选取的光伏功率预测方法 |
CN106372745A (zh) * | 2016-08-27 | 2017-02-01 | 山东电力工程咨询院有限公司 | 一种基于模糊ebf网络的光伏发电量预测方法 |
CN106786790A (zh) * | 2016-11-19 | 2017-05-31 | 国网浙江省电力公司 | 一种含水气煤核电的省级电网长期多电源协调调度方法 |
WO2018164283A1 (ja) * | 2017-03-10 | 2018-09-13 | 備前グリーンエネルギー株式会社 | 省エネルギー診断システム、方法及びプログラム |
CN107093007A (zh) * | 2017-03-31 | 2017-08-25 | 华南理工大学 | 一种考虑光储持续带载能力的配电网可靠性评估方法 |
CN108280545A (zh) * | 2018-01-19 | 2018-07-13 | 上海电力学院 | 一种基于k均值聚类神经网络的光伏功率预测方法 |
Non-Patent Citations (4)
Title |
---|
SHUANGQUAN LIU ET AL.: "Complementary Operation Analysis of Hydro and Wind Power in Yunnan Electricity Market", 《2018 CHINA INTERNATIONAL CONFERENCE ON ELECTRICITY DISTRIBUTION (CICED)》 * |
XIAODONG SHEN, JUNYONG LIU, GANG WU: "Day-ahead Scheduling of Combined Natural Gas and Electricity System with Mid- and Long-term Electricity Contract Decomposition", 《2018 2ND IEEE CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION (EI2)》 * |
涂孟夫: "电网年度发电量计划滚动分解优化方法及应用", 《电网与清洁能源》 * |
蔡建章: "过渡期电力市场条件下日发电计划编制研究", 《云南电力技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110908A (zh) * | 2019-04-22 | 2019-08-09 | 大连理工大学 | 一种面向新能源月度发电预测的数据扩充方法 |
CN110110908B (zh) * | 2019-04-22 | 2022-09-06 | 大连理工大学 | 一种面向新能源月度发电预测的数据扩充方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109284874B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aghaei et al. | Risk-constrained offering strategy for aggregated hybrid power plant including wind power producer and demand response provider | |
Papavasiliou et al. | Multiarea stochastic unit commitment for high wind penetration in a transmission constrained network | |
Papavasiliou et al. | Reserve requirements for wind power integration: A scenario-based stochastic programming framework | |
Girard et al. | Assessment of wind power predictability as a decision factor in the investment phase of wind farms | |
Ali et al. | A multi‐objective optimization for planning of networked microgrid using a game theory for peer‐to‐peer energy trading scheme | |
Khazaei et al. | Two‐level decision‐making model for a distribution company in day‐ahead market | |
Zolotova et al. | Short-term forecasting of prices for the Russian wholesale electricity market based on neural networks | |
Zhang et al. | Optimal wind energy bidding strategies in real‐time electricity market with multi‐energy sources | |
Liaquat et al. | Day‐ahead continuous double auction‐based peer‐to‐peer energy trading platform incorporating trading losses and network utilisation fee | |
Shi et al. | A scenario-oriented approach to energy-reserve joint procurement and pricing | |
Hobbs et al. | How can probabilistic solar power forecasts be used to lower costs and improve reliability in power spot markets? a review and application to flexiramp requirements | |
Herre et al. | Exploring wind power prognosis data on Nord Pool: the case of Sweden and Denmark | |
CN109284874A (zh) | 光伏电站的日发电量预测方法、装置、设备及存储介质 | |
Rahman et al. | On efficient operation of a V2G-enabled virtual power plant: when solar power meets bidirectional electric vehicle charging | |
Mamounakis et al. | A virtual microgrid platform for the efficient orchestration of multiple energy prosumers | |
Arabali et al. | Private investor-based transmission expansion planning in deregulated environments | |
Gao et al. | Risk assessment due to electricity price forecast uncertainty in UK electricity market | |
Yu et al. | Two-stage stochastic planning for control of building thermal energy storage portfolios with transactive controls | |
Hasche et al. | Effects of improved wind forecasts on operational costs in the German electricity system | |
Jabłonska | From fluid dynamics to human psychology. What drives financial markets towards extreme events | |
Kanagaraj et al. | Electricity economics for ex‐ante double‐sided auction mechanism in restructured power market | |
Rajabpour et al. | Prosumer behavior: Decision making with bounded horizon | |
Vasilj et al. | Multi-market scheduling of battery storages within renewable portfolios | |
Bracale et al. | Day‐ahead probabilistic wind power forecasting based on ranking and combining NWPs | |
Su et al. | Price‐based unit commitment with decision‐dependent uncertainty in hourly demand |
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 |