CN109446230A - 一种光伏发电影响因素的大数据分析系统及方法 - Google Patents
一种光伏发电影响因素的大数据分析系统及方法 Download PDFInfo
- Publication number
- CN109446230A CN109446230A CN201810840240.0A CN201810840240A CN109446230A CN 109446230 A CN109446230 A CN 109446230A CN 201810840240 A CN201810840240 A CN 201810840240A CN 109446230 A CN109446230 A CN 109446230A
- Authority
- CN
- China
- Prior art keywords
- data
- power generation
- photovoltaic power
- photovoltaic
- influence factor
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 60
- 238000007405 data analysis Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 7
- 241001269238 Data Species 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000000556 factor analysis Methods 0.000 abstract description 3
- 238000003860 storage Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013079 data visualisation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241000272510 Apteryx Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000005191 phase separation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013083 solar photovoltaic technology Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000010998 test method 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
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)
Abstract
本发明属于信息检索及其数据库结构技术领域，公开了一种光伏发电影响因素的大数据分析系统及方法，其云计算方式是基于深度学习的Spark，同时可以利用低成本的设备及公有云搭建大型的数据处理模型，通过比较容易实现的MySQL、Oracle等关系型数据库构成数据源层。光伏发电影响因素的大数据分析系统主要的方法在于将大数据放入大数据处理平台之前，进行光伏发电的因素重要性分析。相对于数据量小的光伏数据因素分析建立建立的模型来说，通过大数据因素分析得到的模型具有更多特征，整个模型更加具有泛化性，可以适用于多种情况而不失去较高的准确性，经过大数据因素分析可以避免一些降低预测精度的特殊数据输入，从而提高整个模型对未来光伏数据预测的精度。
Description
技术领域
本发明属于信息检索及其数据库结构技术领域，尤其涉及一种光伏发电影 响因素的大数据分析系统及方法。
背景技术
目前，业内常用的现有技术是这样的：根据国际能源署估计，全球2030年 一次能源需求将达到177亿吨油当量，能源需求量如此巨大，而化石能源(煤、 石油、天然气等不可再生资源)的日益枯竭以及对全球气候环境的影响，使得 在世界范围内，优先大力发展可再生能源的能源革命被掀起。随着各国对太阳 能光伏发电技术的投入，目前光伏发电已经实现了产业化，太阳能光伏发电逐 步成为了电力能源的重要组成部分。
光伏发电属于波动性和间歇性电源，当大规模光伏发电接入电网后，就会 产生随机发电与随机用电两组互不相关变量的实时平衡问题，这就使得对光伏 发电预测模型和效率评价指标的研究成为了必须。光伏发电预测模型就是对运 行中的光伏发电诸多气候等因素进行分析，预先评估发电量的变化情况、用来 合理调度发电容量、充分利用资源，达到提高光伏并网后电网的安全性和稳定 性的目的。光伏电站采集了大量的发电数据，其中蕴含了极大的挖掘应用价值， 建设光伏大数据平台，不仅可以用于实现光伏发电系统的发电量预测和管理， 而且对海量数据的存储和大数据的并行计算问题，以及在加快新能源和清洁能 源领域的良性发展方面发挥着重大作用。
目前大多采用经验法对光伏数据进行影响因素分析，基本不采用算法对光 伏多组因素进行选择，采取某几维重要性高的因素建立模型。经验法主要选用 和光伏发电没有直接关系的因素数据，例如光照角度和光照强弱，温度，湿度， 晴雨多云，风力等等因素，经验法会先排除直接相关的因素(电流和电压)， 再根据电站当地的一些天气特征决定放入的因素建立模型。虽然电流和电压对 光伏发电是有直接影响的，在建立模型时没有说服力，但是在预测方面，电流 和电压并不是直接影响发电，所以也能作为影响因素建立预测模型。目前有很 多算法，例如PCA算法，GBDT算法等，都会根据所有因素的重要性，来选取放入的特征，抛开人类的主观意识，得到的模型更加具有科学性。在大数据领 域的光伏影响因素比小数据的光伏影响因素分析起来更加困难，本发明采用 GBDT算法分析海量数据的重要性。
综上所述，现有技术存在的问题是：一般经验法选取影响光伏发电因素， 会根据主观意识，筛选光伏发电因素，删除与光伏发电直接相关的因素数据(电 流、电压)，选取与光伏发电不直接相关的因素数据，在筛选结果后，会失去 很多与目标值相关性高的因素数据，产生重要特征丢失，影响最后的预测精度。
解决上述技术问题的难度和意义：GBDT算法虽然能找出因素特征重要性， 但是不排除因重要性低的因素和重要性高的因素组合产生好的预测精度，GBDT 只能给出一个相对的参考价值，需要通过GBDT算法结果的参考进行实验找出 最优组合。目前大数据技术在光伏行业的应用尚处于起步阶段，文献及技术支 持较少。很多处理小数据的算法已经成熟，但是没有应用在大数据领域，而大 数据技术更新较快，不断的新技术出现，需要了解各个大数据处理工具的特性 及优缺点，才能建设更好的光伏大数据处理平台。
发明内容
针对现有技术存在的问题，本发明提供了一种光伏发电影响因素的大数据 分析系统及方法。
本发明是这样实现的，一种光伏发电影响因素的大数据分析系统，所述光 伏发电影响因素的大数据分析系统包括：
数据源层：目前光伏发电系统的大量历史数据和每天产生的记录数据存储 在mySQL、Oracle等关系型数据库中，为了降低成本和增强系统的可扩展性， 仍然采用关系型数据库来暂存光伏发电数据，光伏电站用于存储发电数据的 mySQL、Oracle等关系型数据库构成了本平台的数据源层；
数据传输层：用于实现数据在关系型数据库和HDFS之间的传输，能将暂 存在mySQL、Oracle等关系型数据库中的光伏发电数据导入Hbase数据库，也 能将数据导出到关系型数据库中；
数据存储层：由HDFS和Hbase构成，用于存储光伏发电系统大量的历史 数据、每日新增的数据和数据计算分析产生的大量中间数据，为数据处理层提 供快速数据访问的支撑；
数据处理层：使用YARN进行系统资源的调度和管理，使用Spark来实现 大数据快速计算，为上层数据分析提供计算支持，使用Zookeeper来协调多个分 布式应用的运行；
数据分析层：利用Spark机器学习库对大量光伏发电历史数据建立发电量模 型；根据当前光伏发电的各种影响因素，通过光伏发电量模型来对发电量做出 预测。
进一步，所述数据传输层Sqoop将HDFS和关系型数据库中的数据相互转 移的工具，可以将一个关系型数据库中的数据导进到HDFS中，也可以将HDFS 的数据导入到关系型数据库中。
本发明的另一目的在于提供一种应用所述光伏发电影响因素的大数据分析 系统的光伏发电影响因素的大数据分析方法，所述光伏发电影响因素的大数据 分析方法包括：采用GBDT算法对海量历史光伏进行特征分析，
第一步，得到历史光伏数据，删除发电量因素，得到的其余因素的数据作 为训练集，发电量数据作为测试集；
第二步，训练集和测试集采用GBDT算法建立因素特征重要性模型；
第三步，从模型中可直接得到训练集中的每个因素重要性系数，将系数最 大的设为100％(归一化)，删除低于50％的光伏影响因素；
第四步，将高于50％的光伏影响因素建立预测模型，看哪些影响因素的组 合最适合作为预测发电的数据。
本发明的另一目的在于提供一种应用所述光伏发电影响因素的大数据分析 系统的信息数据处理终端。
综上所述，本发明的优点及积极效果为：本发明将主流的大数据处理平台 与光伏发电系统发电量预测的需求相结合，采用技术成熟的GBDT算法，分析 大数据中的光伏影响因素，并提出了Spark平台下的光伏发电量的预测系统；能 够存储和处理光伏发电系统的海量数据，对数据保存多个副本，数据副本丢失 或宕机能够自动恢复数据，具有高安全性、高容错性，非常适合部署在廉价的 机器上，节省了购买高性能机器的成本。Spark平台并行计算的框架适合大规模 数据的处理，其在内存计算模式下比Mapreduce快100倍。将Spark平台应用到 光伏发电大数据挖掘分析领域是本发明的一个创新。利用Spark对大量历史数据 进行快速分析，分析各个因素对光伏发电效率的影响程度，基于大规模数据的 因素分析相较于传统基于部分数据的因素分析，更具有科学性，可作为后期新 建光伏电站和优化改进旧光伏电站的参考；基于深度学习的Spark预测系统模型 为系统开发提供了多层次的支撑，其Hbase非关系型数据库，适合存储结构化、 半结构化以及非结构化数据，并提供在线查询的低延迟性能，非常适合光伏发 电预测模型的监测。
本发明基于深度学习的Spark大数据处理平台，可以利用低成本的设备及公 有云搭建大型的数据处理模型，通过比较容易实现的MySQL、Oracle等关系型 数据库构成数据源层。通过在大数据平台实现GBDT算法对传入数据因素的重 要性分析，删除重要性低的因素，极大地降低的处理数据的难度，又避免了人 类主观意识带来的预测结果的高误差。最终预测结果将通过数据可视化技术呈 现给管理者，给管理者对电网的调度提供了一种智能化的参考依据。
附图说明
图1是本发明实施例提供的光伏发电影响因素的大数据分析系统结构示意 图；
图中：1、数据源层；2、数据传输层；3、数据存储层；4、数据处理层；5、 数据分析层。
图2是本发明实施例提供的光伏发电影响因素的大数据分析方法流程图。
图3是本发明实施例提供的光伏发电影响因素的大数据分析系统原理示意 图。
图4是本发明实例提供的光伏发电影响因素的大数据分析系统所用到数据 的样例。
图5是本发明实例提供的光伏发电影响因素的大数据分析系统运用GBDT 算法处理后得到的因素重要性结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例， 对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以 解释本发明，并不用于限定本发明。
本发明分析日期、温度、天气、地理位置等各种因素对发电量的影响，并 产生各因素影响程度的报表，那些影响较大的因素，将作为以后新建或改进光 伏电厂重点关注的对象。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示，本发明实施例提供的光伏发电影响因素的大数据分析系统包 括：数据源层1、数据传输层2、数据存储层3、数据处理层4、数据分析层5。
数据源层1，是整个系统的数据来源；监控系统多采用传统的关系型数据库 来实现，光伏发电系统的大量历史数据和每天产生的记录数据存储在MySQL、 Oracle等关系型数据库中；由关系型数据库来构成数据源层。
数据传输层2，用于实现数据在关系型数据库和HDFS之间的传输。Sqoop 是用来将HDFS和关系型数据库中的数据相互转移的工具，可以将一个关系型 数据库中的数据导进到HDFS中，也可以将HDFS的数据导入到关系型数据库 中。Sqoop专为大数据批量传输设计，能够分割数据集并创建Hadoop任务来处 理每个区块。
数据存储层3，用于存储光伏发电系统大量的历史数据、每日新增的数据和 数据计算分析产生的大量中间数据。Hadoop分布式文件系统HDFS是一种高容 错的系统，对数据保存多个副本，副本丢失或宕机能自动恢复数据，适合部署 在廉价的机器上。Hbase是一个分布式的、本地化的、面向列的、多维度的存储 系统，在设计上具备高性能和高可用性。ZooKeeper是一个开源的分布式应用程 序协调服务，是Hadoop和Hbase的重要组件，为分布式应用提供一致性服务。
HDFS采用顺序读取访问数据，能提供高吞吐量的数据访问，并具有海量数 据的存储能力，非常适合大规模数据集上的应用。HDFS为HBase提供了高可 靠性的底层存储支持。Hbae则具有数据的快速随机访问的能力，Spark为HBase 提供了高性能的计算能力，Zookeeper为HBase提供了稳定服务和failover机制。
数据处理层4，为上层数据分析提供计算支持。Spark是专为大规模数据处 理而设计的快速通用的计算引擎，可以建立在Hadoop YARN之上。在内存计算 方面，Spark的处理速度比Mapreduce快100倍。Spark支持交互式计算和复杂 算法，可用于实现多种运算，包括SQL查询、机器学习等。
数据分析层5，光伏发电量受到日期、地理位置、即时功率、天气、温度等 因素的影响，目前已经记录了大量相关因素的数据；可以利用大量的历史数据 对光伏发电量建立模型；根据当前光伏发电的各种影响因素的历史数据，建立 GBDT模型，找出高于50％系数的因素，通过实验找出最佳的因素组合，将因 素组合输入光伏发电量模型对发电量做出预测；预测的结果通过数据可视化技 术呈现给管理者，方便管理者对电网的调度。
如图2所示，本发明实施例提供的光伏发电影响因素的大数据分析方法包 括以下步骤：
S201：得到历史光伏数据删除发电量因素其余因素的数据作为训练集，发 电量数据作为测试集；
S202：测试集作为目标值和训练集建立GBDT模型；
S203：从模型中得到训练集中的每个因素重要性系数，将系数最大的设为 100％，删除低于50％的光伏影响因素；
S204：将高于50％的光伏影响因素建立预测模型，看哪些影响因素的组合 最适合作为预测发电的数据。
如图4所示，本发明实例提供的光伏发电影响因素的大数据分析系统所用 到数据的样例，通过运用GBDT算法结果如图5所示，得到因素数据的重要性 排列次序。Iac2(A)与发电量相关性最强，如果按照经验法会直接删除这列电流 数据，而只放入温度这列因素建立预测模型，会极大减少模型中的特征，从而 影响预测精度。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组 合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程 序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指 令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可 以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算 机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向 另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、 计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或 无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据 中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用 介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。 所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、 或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发 明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明 的保护范围之内。
Claims (4)
1.一种光伏发电影响因素的大数据分析系统，其特征在于，所述光伏发电影响因素的大数据分析系统包括：
数据源层，光伏发电系统的大量历史数据和每天产生的记录数据存储在关系型数据库中；由关系型数据库来构成数据源层；
数据传输层，用于实现数据在关系型数据库和HDFS之间的传输；
数据存储层，用于存储光伏发电系统大量的历史数据、每日新增的数据和数据计算分析产生的大量中间数据；
数据处理层，用于为上层数据分析提供计算支持；
数据分析层，利用大量的历史数据对光伏发电量建立模型；根据当前光伏发电的各种影响因素，通过光伏发电量模型来对发电量做出预测。
2.如权利要求1所述的光伏发电影响因素的大数据分析系统，其特征在于，所述数据传输层Sqoop将HDFS和关系型数据库中的数据相互转移的工具，可以将一个关系型数据库中的数据导进到HDFS中，也可以将HDFS的数据导入到关系型数据库中。
3.一种应用权利要求1所述光伏发电影响因素的大数据分析系统的光伏发电影响因素的大数据分析方法，其特征在于，所述光伏发电影响因素的大数据分析方法包括：
第一步，得到历史光伏数据删除发电量因素其余因素的数据作为训练集，发电量数据作为测试集；
第二步，测试集作为目标值和训练集建立GBDT模型；
第三步，从模型中得到训练集中的每个因素重要性系数，将系数最大的设为100％，删除低于50％的光伏影响因素；
第四步，将高于50％的光伏影响因素建立预测模型，看哪些影响因素的组合最适合作为预测发电的数据。
4.一种应用权利要求1～2任意一项所述光伏发电影响因素的大数据分析系统的信息数据处理终端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810840240.0A CN109446230A (zh) | 2018-07-27 | 2018-07-27 | 一种光伏发电影响因素的大数据分析系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810840240.0A CN109446230A (zh) | 2018-07-27 | 2018-07-27 | 一种光伏发电影响因素的大数据分析系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109446230A true CN109446230A (zh) | 2019-03-08 |
Family
ID=65530040
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810840240.0A Pending CN109446230A (zh) | 2018-07-27 | 2018-07-27 | 一种光伏发电影响因素的大数据分析系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109446230A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110864497A (zh) * | 2019-12-25 | 2020-03-06 | 重庆斯克特科技有限公司 | 一种变速器前箱轴承孔加热密封圈降温系统及方法 |
| CN110986383A (zh) * | 2019-11-29 | 2020-04-10 | 徐州日托光伏科技有限公司 | 一种太阳能组件及太阳能发电系统 |
| CN111260206A (zh) * | 2020-01-14 | 2020-06-09 | 中国计量大学 | 一种光伏发电影响因素评价模型、构建方法及应用 |
| CN111738477A (zh) * | 2019-08-01 | 2020-10-02 | 北方工业大学 | 基于深层特征组合的电网新能源消纳能力预测方法 |
| CN113536666A (zh) * | 2021-06-21 | 2021-10-22 | 南昌航空大学 | 一种玻璃绝缘子生产良品率关键影响因素的自动分析方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101769788A (zh) * | 2009-12-29 | 2010-07-07 | 青海国泰节能技术研究院 | 一种光伏电站光功率预测及发电量预测的方法 |
| JP2013153546A (ja) * | 2012-01-24 | 2013-08-08 | Field Logic Inc | 送信装置、送信方法、及びプログラム |
| CN104836259A (zh) * | 2015-05-20 | 2015-08-12 | 集美大学 | 一种多能源船舶微网实时能量优化调度方法 |
| CN104992248A (zh) * | 2015-07-07 | 2015-10-21 | 中山大学 | 一种微电网光伏电站发电量组合预测方法 |
-
2018
- 2018-07-27 CN CN201810840240.0A patent/CN109446230A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101769788A (zh) * | 2009-12-29 | 2010-07-07 | 青海国泰节能技术研究院 | 一种光伏电站光功率预测及发电量预测的方法 |
| JP2013153546A (ja) * | 2012-01-24 | 2013-08-08 | Field Logic Inc | 送信装置、送信方法、及びプログラム |
| CN104836259A (zh) * | 2015-05-20 | 2015-08-12 | 集美大学 | 一种多能源船舶微网实时能量优化调度方法 |
| CN104992248A (zh) * | 2015-07-07 | 2015-10-21 | 中山大学 | 一种微电网光伏电站发电量组合预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 黄鹍 等: "基于 Hadoop 的光伏发电大数据分析系统设计", 《信息技术》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738477A (zh) * | 2019-08-01 | 2020-10-02 | 北方工业大学 | 基于深层特征组合的电网新能源消纳能力预测方法 |
| CN111738477B (zh) * | 2019-08-01 | 2023-11-07 | 北方工业大学 | 基于深层特征组合的电网新能源消纳能力预测方法 |
| CN110986383A (zh) * | 2019-11-29 | 2020-04-10 | 徐州日托光伏科技有限公司 | 一种太阳能组件及太阳能发电系统 |
| CN110864497A (zh) * | 2019-12-25 | 2020-03-06 | 重庆斯克特科技有限公司 | 一种变速器前箱轴承孔加热密封圈降温系统及方法 |
| CN110864497B (zh) * | 2019-12-25 | 2024-01-30 | 重庆斯克特科技有限公司 | 一种变速器前箱轴承孔加热密封圈降温系统及方法 |
| CN111260206A (zh) * | 2020-01-14 | 2020-06-09 | 中国计量大学 | 一种光伏发电影响因素评价模型、构建方法及应用 |
| CN113536666A (zh) * | 2021-06-21 | 2021-10-22 | 南昌航空大学 | 一种玻璃绝缘子生产良品率关键影响因素的自动分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109446230A (zh) | 一种光伏发电影响因素的大数据分析系统及方法 | |
| CN110022226B (zh) | 一种基于面向对象的数据采集系统及采集方法 | |
| CN104820670B (zh) | 一种电力信息大数据的采集和存储方法 | |
| Mayilvaganan et al. | A cloud-based architecture for Big-Data analytics in smart grid: A proposal | |
| US20200081898A1 (en) | A Method for Constructing Electricity Transaction Index System Based on Big Data Technology | |
| CN106651188A (zh) | 一种输变电设备多源状态评估数据处理方法及其应用 | |
| CN107341205A (zh) | 一种基于大数据平台的智能配用电系统 | |
| CN107515952A (zh) | 点云数据存储、并行计算和实时检索的方法及其系统 | |
| Liu et al. | Real-time complex event processing and analytics for smart grid | |
| CN111159180A (zh) | 一种基于数据资源目录构建的数据处理方法及系统 | |
| CN103955510A (zh) | 基于etl云平台上传的海量电力营销数据整合方法 | |
| Ceci et al. | Big data techniques for supporting accurate predictions of energy production from renewable sources | |
| Gibadullin et al. | Service-oriented distributed energy data management using big data technologies | |
| Rong et al. | Complex statistical analysis of big data: implementation and application of apriori and FP-growth algorithm based on MapReduce | |
| Mohamed et al. | A review on big data management and decision-making in smart grid | |
| CN104516985A (zh) | 一种基于HBase数据库的海量数据快速导入方法 | |
| Huang et al. | Constructing knowledge graph from big data of smart grids | |
| CN107818106B (zh) | 一种大数据离线计算数据质量校验方法和装置 | |
| CN104572648B (zh) | 一种基于高性能计算的存储统计系统及方法 | |
| Lin | Retracted: Research on Optimization of Distributed Big Data Real-Time Management Method | |
| CN109101592A (zh) | 一种快速低成本的光伏大数据处理平台 | |
| Jung et al. | Development of Information Technology Infrastructures through Construction of Big Data Platform for Road Driving Environment Analysis | |
| Sun et al. | Cloud-based data analysis of user side in smart grid | |
| Wu et al. | The design of distributed power big data analysis framework and its application in residential electricity analysis | |
| Ma et al. | Design and Research of Big Data Platform Framework for Power Enterprises |
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 |