CN109829572B - 雷电气候下的光伏发电功率预测方法 - Google Patents

雷电气候下的光伏发电功率预测方法 Download PDF

Info

Publication number
CN109829572B
CN109829572B CN201910031565.9A CN201910031565A CN109829572B CN 109829572 B CN109829572 B CN 109829572B CN 201910031565 A CN201910031565 A CN 201910031565A CN 109829572 B CN109829572 B CN 109829572B
Authority
CN
China
Prior art keywords
lightning
irradiance
photovoltaic power
power generation
neural network
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
Application number
CN201910031565.9A
Other languages
English (en)
Other versions
CN109829572A (zh
Inventor
蔡云峰
周仰东
徐箭
童充
李文博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Wuhan University WHU
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU, Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Wuhan University WHU
Priority to CN201910031565.9A priority Critical patent/CN109829572B/zh
Publication of CN109829572A publication Critical patent/CN109829572A/zh
Application granted granted Critical
Publication of CN109829572B publication Critical patent/CN109829572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • 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

  • Photovoltaic Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种雷电气候下的光伏发电功率预测方法，为：建立输入为与辐照度相关的气象因素、输出为辐照度的机器学习模型，利用雷电天气时与辐照度相关的气象因素数据和辐照度数据训练机器学习模型，得到机器学习预测模型，从而在雷雨天气条件下利用机器学习预测模型预测辐照度，并将预测得到辐照度结合辐照度与光伏发电功率的转换公式来预测雷电天气条件下的光伏发电功率。机器学习模型优选为BP神经网络。本发明降低了预测的复杂程度，还能够提高预测准确度、可靠性和有效性。

Description

雷电气候下的光伏发电功率预测方法
技术领域
本发明属于光伏发电功率预测领域，具体涉及一种雷电气候下的光伏发电功率预测方法。
背景技术
近年来，光伏发电的装机容量逐步增长。由于光伏出力受气象条件和地理位置的影响，具有较强的波动性和不确定性，尤其是在雷电气候下，光伏波动剧烈，短时间内幅值变化范围大，将光伏发电投入到电网中势必会造成不良影响，故准确的光伏功率预测对电网调度和光伏电站运行具有重要意义。基于光伏功率在雷电气候下波动剧烈的特性，需要对雷电气候条件下的光伏功率进行预测，便于给调度部门和光伏电站及时准确的提供预测信息。
目前，常用的光伏发电功率预测方法是根据目标光伏电站的气象和光伏功率历史信息，基于反向误差传播BP神经网络的光伏功率预测。具体方法步骤为：1.历史数据的筛选，选择与光伏功率相关的气象数据；2.BP神经网络的训练：将气象数据作为BP神经网络的输入，将光伏功率数据作为BP神经网络的输出，根据反向误差传播修正BP神经网络的输入层和隐藏层、隐藏层和输出层的权值以及各层神经源的阈值得到训练好的BP神经网络；3.光伏功率预测：将预测时间段的气象信息作为训练好的BP神经网络的输入，得到的输出结果就是预测时间段的光伏功率。
这类方法结合大量的历史信息，通过机器学习的方法总结统计规律，最终获得较为准确的光伏功率预测值。对于这样的预测方法，有如下缺点：1.由于气象信息仅和辐照度有直接的物理联系，光伏功率和辐照度之间是通过光电转化模型联系起来的，也就是说气象信息与光伏功率之间没有直接的物理联系，因此这样的预测方法采用单纯的统计学方法，无法解释预测结果的物理意义。2.由于将气象因素跳过辐照度直接与光伏功率建立关系，增加了统计预测中建立的非线性函数的复杂程度。3.由于想要较为精准的将复杂的非线性函数预测出来，因此必须结合大量的精准的相关的历史数据，而大量的数据占用计算机大量的内存，除此之外，将这些历史数据用于机器学习需要消耗大量的时间，如果没有对用特定气象条件筛选相关的历史数据，那么机器学习后再进行预测的可靠性和准确性是没有办法保证的。4.由于雷电气象条件下的光伏功率存在短时间辐照度或光伏功率陡升和陡降的现象，目前的光伏功率预测模型无法对这种变化准确预测，因此预测误差偏大。
发明内容
本发明的目的是提供一种能够提高预测准确度和可靠性，降低预测复杂程度的雷电气候下的光伏发电功率预测方法。
为达到上述目的，本发明采用的技术方案是：
一种雷电气候下的光伏发电功率预测方法，用于预测雷电天气条件下的光伏发电功率，所述雷电气候下的光伏发电功率预测方法为：建立输入为与辐照度相关的气象因素、输出为辐照度的机器学习模型，利用雷电天气时与辐照度相关的气象因素数据和辐照度数据训练所述机器学习模型，得到机器学习预测模型，从而在雷雨天气条件下利用所述机器学习预测模型预测辐照度，并将预测得到辐照度结合辐照度与光伏发电功率的转换公式来预测雷电天气条件下的光伏发电功率。
优选的，所述机器学习模型为BP神经网络。
优选的，与辐照度相关的气象因素包括温度和湿度。
优选的，收集待预测的目标光伏电站区域内在雷电天气时的雷电信息以及与辐照度相关的气象因素数据，并基于雷电发生的时间将与辐照度相关的气象因素数据分类三类，分别为雷电发生前一段时间内的气象因素数据、雷电发生时段内的气象因素数据、雷电离开后一段时间内的气象因素数据；
利用三类所述气象因素数据分别对应训练三个所述BP神经网络，从而得到雷电发生前的所述BP神经网络预测模型、雷电发生时的所述BP神经网络预测模型、雷电离开后的所述BP神经网络预测模型，进而分别利用雷电发生前的所述BP神经网络预测模型、雷电发生时的所述BP神经网络预测模型、雷电离开后的所述BP神经网络预测模型结合所述光伏发电功率的转换公式来预测雷电天气条件下的光伏发电功率。
优选的，在雷电靠到达所述目标光伏电站周边的观测区域时，基于收集到的实时气象因素数据，利用雷电发生前的所述BP神经网络预测模型预测辐照度，并结合所述光伏发电功率的转换公式来预测雷电天气条件下的光伏发电功率；当利用雷电发生前的所述BP神经网络预测模型预测得到辐照度与实际辐照度的差值大于或等于预设的雷电到来阈值时，基于收集到的实时气象因素数据，转为利用雷电发生时的所述BP神经网络预测模型预测辐照度，并结合所述光伏发电功率的转换公式来预测雷电天气条件下的光伏发电功率；当利用雷电发生时的所述BP神经网络预测模型预测得到的辐照度与实际辐照度的差值大于或等于预设的雷电离开阈值时，基于收集到的实时气象因素数据，转为利用雷电离开后的所述BP神经网络预测模型预测雷电离开一段时间内辐照度，并结合所述光伏发电功率的转换公式来预测雷电天气条件下的光伏发电功率。
优选的，基于已有的雷电天气时的辐照度数据来确定所述雷电到来阈值和所述雷电离开阈值；根据雷电发生时刻前后m分钟内的辐照度数据计算差值并将最小差值确定为到来时刻最小差值，将所述到来时刻最小差值乘以雷电到来阈值系数后得到所述雷电到来阈值；根据雷电结束时刻前后n分钟内的辐照度数据计算差值并将最小差值确定为离开时刻最小差值，将所述离开时刻最小差值乘以雷电离开阈值系数后得到所述雷电到来阈值。
优选的，所述雷电到来阈值系数、所述雷电离开阈值系数均小于1。
优选的，m＝15，n＝15。
优选的，所述辐照度与光伏发电功率的转换公式为Ps＝ηPVSE[1-0.005(T+0.03E+25)]，其中：Ps为光伏发电功率，ηPV为光伏电池转换效率，S为光伏电池板的面积，E为辐照度，T为气温。
由于上述技术方案运用，本发明与现有技术相比具有下列优点：本发明在已知辐照度与光伏发电功率转换公式的前提下，通过机器学习的方法建立气象因素和辐照度的关系，再通过已知公式将辐照度转化为光伏功率的方法，将目前直接通过气象因素与光伏功率建立非线性关系的方法，拆分为未知和已知两部分，从而降低了预测的复杂程度，还能够提高预测准确度、可靠性和有效性。
附图说明
附图1为本发明的雷电气候下的光伏发电功率预测方法的流程图。
具体实施方式
下面结合附图所示的实施例对本发明作进一步描述。
实施例一：一种用于预测雷电天气条件下的光伏发电功率的雷电气候下的光伏发电功率预测方法，为：建立输入为与辐照度相关的气象因素、输出为辐照度的机器学习模型，利用雷电天气时与辐照度相关的气象因素数据和辐照度数据训练机器学习模型，得到机器学习预测模型，从而在雷雨天气条件下利用机器学习预测模型预测辐照度，并将预测得到辐照度结合辐照度与光伏发电功率的转换公式来预测雷电天气条件下的光伏发电功率。
本实施例中，机器学习模型采用BP神经网络，故上述雷电气候下的光伏发电功率预测方法为：建立输入为与辐照度相关的气象因素、输出为辐照度的BP神经网络，利用雷电天气时与辐照度相关的气象因素数据和辐照度数据训练BP神经网络，得到BP神经网络预测模型，从而在雷雨天气条件下利用BP神经网络预测模型预测辐照度，并将预测得到辐照度结合辐照度与光伏发电功率的转换公式来预测雷电天气条件下的光伏发电功率。
如附图1所示，该方法具体通过以下各步骤实现：
步骤1，数据的筛选：在已知目标光伏电站准确经纬度范围的前提下，气象信息中的闪电信息记录每一个云地闪电精确的经纬度位置和发生时刻，其中空间分辨率在经线方向上可以精确到11.2米以内，在纬线方向上可以精确到9.1米以内，时间分辨率精确到0.1×10-6秒。
在闪电信息中搜索与目标光伏电站相同经纬度范围的云地闪电信息，留意目标光伏电站内发生云地闪的时间，将最初一次落雷时间和最后一次落雷时间记录下来。对应该落雷时间段，即从最初一次落雷时间到最后一次落雷时间，将目标光伏电站该时间段及其前后30分钟的温度、湿度和辐照度数据筛选收集出来。本实施例中，涉及的与辐照度相关的气象因素包括温度和湿度。
步骤2：训练数据的制定：收集待预测的目标光伏电站区域内在雷电天气时的雷电信息以及与辐照度相关的气象因素数据后，基于雷电发生的时间将与辐照度相关的气象因素数据分类三类，分别为雷电发生前一段时间(30分钟)内的气象因素数据、雷电发生时段内的气象因素数据、雷电离开后一段时间(30分钟)内的气象因素数据，从而分别形成雷电发生前的神经网络训练数据集、雷电发生时的神经网络训练数据集和雷电离开后的神经网络训练数据集。
步骤3：阈值的制定：基于已有的雷电天气时的辐照度数据来确定雷电到来阈值和雷电离开阈值。根据雷电发生时刻前后m分钟内的辐照度数据计算差值，并将该最小差值确定为到来时刻最小差值，再将到来时刻最小差值乘以雷电到来阈值系数后得到雷电到来阈值。根据雷电结束时刻前后n分钟内的辐照度数据计算差值，并将该最小差值确定为离开时刻最小差值，再将离开时刻最小差值乘以雷电离开阈值系数后得到雷电到来阈值。具体的，观察步骤1中筛选出来的辐照度数据，比较得到雷电发生时刻前后15分钟的辐照度差值的最小值，将其乘以一个小于1的系数，即雷电到来阈值系数，作为雷电到来阈值。再比较得到雷电结束时刻前后15分钟辐照度差值的最小值，将其乘以一个小于1的系数，即雷电离开阈值系数，作为雷电离开阈值。
步骤4：BP神经网络的训练：设置三个BP神经网络，分别为雷电发生前、雷电发生时和雷电离开后的BP神经网络，利用三类气象因素数据，即雷电发生前一段时间内的气象因素数据、雷电发生时段内的气象因素数据、雷电离开后一段时间内的气象因素数据分别对应训练三个BP神经网络，从而得到雷电发生前的BP神经网络预测模型、雷电发生时的BP神经网络预测模型、雷电离开后的BP神经网络预测模型。进而可以分别利用雷电发生前的BP神经网络预测模型、雷电发生时的BP神经网络预测模型、雷电离开后的BP神经网络预测模型结合光伏发电功率的转换公式来预测雷电天气条件下的光伏发电功率。
步骤5：在线分割及不同阶段的辐照度预测和光伏发电功率预测：
步骤5.1：雷电发生前的辐照度及光伏功率预测：
在雷电靠到达目标光伏电站周边的观测区域时，基于收集到的实时气象因素数据，利用雷电发生前的BP神经网络预测模型预测辐照度，并结合光伏发电功率的转换公式来预测雷电天气条件下的光伏发电功率。
具体的，基于云地闪电数据监测的准确性，在落雷区域接近目标光伏电站的一定范围内，且风向在以落雷区域为起点至以目标光伏电站为终点的向量正负90度的范围内时，收集当前时刻已知的目标光伏电站的温度、湿度信息和当前时刻预报的温度、湿度信息，将温度和湿度数据作为雷电发生前的BP神经网络预测模型的输入，对雷电发生前与温度、湿度时刻对应时刻的辐照度进行预测。根据辐照度转化为光伏功率的光电转化公式可以将辐照度预测值转化为光伏功率值。
随着时间的推进，当前时刻辐照度真实值不断推送，计算并记录辐照度预测值和实际值之间的差值，当利用雷电发生前的BP神经网络预测模型预测得到辐照度与实际辐照度的差值大于或等于预设的雷电到来阈值时，认为该时刻进入雷电到来时刻，此时雷电到来前的神经网络预测模型已经不能满足接下来的预测要求，需转为利用雷电发生时的BP神经网络预测模型。
步骤5.2：雷电发生时的辐照度及光伏功率预测：
在雷电到来时，利用雷电发生时的BP神经网络预测模型预测辐照度，并结合光伏发电功率的转换公式来预测雷电天气条件下的光伏发电功率。
具体的，将雷电到来时刻的温度、湿度数据以及之后时间的温度、湿度预报数据作为雷电发生时的BP神经网络预测模型的输入，对雷电发生时与温度、湿度时刻对应时刻的辐照度进行预测，根据辐照度转化为光伏功率的光电转化公式可以将辐照度预测值转化为光伏功率值。
随着时间的推进，当前时刻辐照度真实值不断推送，计算并记录预测值和实际值之间的差值，当利用雷电发生时的BP神经网络预测模型预测得到的辐照度与实际辐照度的差值大于或等于预设的雷电离开阈值时，认为该时刻进入雷电离开时刻，此时雷电发生时的BP神经网络预测模型已经不能满足接下来的预测要求，需转为利用雷电离开后的BP神经网络预测模型。
步骤5.3：雷电结束后的辐照度及光伏功率预测：
在雷电离开时，利用雷电离开后的BP神经网络预测模型预测雷电离开一段时间内辐照度，并结合光伏发电功率的转换公式来预测雷电天气条件下的光伏发电功率。
具体的，将雷电离开时刻的温度、湿度数据以及之后30分钟时间的温度、湿度预报数据作为雷电离开后的BP神经网络预测模型的输入，对雷电结束后与温度、湿度时刻对应时刻的共计30分钟的辐照度进行预测，根据辐照度转化为光伏功率的光电转化公式可以将辐照度预测值转化为光伏功率值。
以上步骤就是对雷电影响下的目标光伏电站的辐照度的预测过程。其中涉及的辐照度与光伏发电功率的转换公式为：
Ps＝ηPVSE[1-0.005(T+0.03E+25)]
其中：Ps为光伏发电功率，ηPV为光伏电池转换效率，S为光伏电池板的面积，E为辐照度，T为气温。
本发明在已知辐照度与光伏功率转换公式的前提下，通过机器学习的方法建立气象因素和辐照度的关系，再通过已知公式将辐照度转化为光伏功率的方法，其实是将目前直接通过气象因素与光伏功率建立非线性关系的方法，拆分为未知和已知两部分，本发明只解决未知的部分，即只通过气象因素预测辐照度即可，根据温度和湿度进行辐照度预测，由于辐照度适合气象因素直接相关的，因此具有一定的物理意义。而且，只进行一个问题中未知部分的预测，是最终气象因素与辐照度建立的非线性关系得以简化。预测的非线性关系简单就意味着机器在学习的过程中需要更少的历史数据就能得出较为精确的非线性关系。基于在线分割技术对雷电气象条件下的辐照度特征，将预测分为三个阶段分别进行预测，有效预测出陡升和陡降的变化程度，提高在雷电等极端气候条件下的辐照度的有效性和准确性。
本发明有如下优点：1.由于云地闪电数据检测的空间分辨率非常高，在经线方向上可以精确到11.2米以内，在纬线方向上可以精确到9.1米以内，基于云地闪电数据监测的准确性，在落雷区域接近目标光伏电站的一定范围内，且风向在以落雷区域为起点至以目标光伏电站为终点的向量正负90度的范围内时，收集当前时刻或离当前时刻最近时刻已知的目标光伏电站的温度、湿度以及辐照度信息，准备开始进行雷电条件下的实时光伏功率预测。2.分析了雷电气候条件下辐照度的特征，发现辐照度可以分为可以三段分别进行预测，基于反向误差传播神经网，将历史雷电辐照度信息和相同时间下的温度、湿度信息作为学习样本，利用当前时刻温度、湿度数据分段预测雷电到来前，雷电到来时和雷电到来后三个阶段的辐照度。3.基于数据流在线分割算法，设定阈值判定目标光伏电站何时有雷电到来，何时雷电结束，便于在不同阶段利用不同的反向误差传播神经网络模型进行辐照度预测。4.基于辐照度的预测结果，转化为光伏功率。
由于本发明是对辐照度进行预测，建立的是气象信息与辐照度之间的关系，具有一定的物理意义。由于本发明在已知辐照度与光伏功率之间的转换公式前提下对辐照度进行预测，比直接对光伏功率预测建立的非线性关系更为简单，所需要历史数据相对更少，机器学习的时间更短。由于本发明针对雷电条件下的辐照度预测，利用在线分割技术，设定阈值，将雷电气象条件下的辐照度分为三段预测，提高预测经度。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种雷电气候下的光伏发电功率预测方法，用于预测雷电天气条件下的光伏发电功率，其特征在于：所述雷电气候下的光伏发电功率预测方法为：建立输入为与辐照度相关的气象因素、输出为辐照度的机器学习模型，利用雷电天气时与辐照度相关的气象因素数据和辐照度数据训练所述机器学习模型，得到机器学习预测模型，从而在雷雨天气条件下利用所述机器学习预测模型预测辐照度，并将预测得到辐照度结合辐照度与光伏发电功率的转换公式来预测雷电天气条件下的光伏发电功率；
所述机器学习模型为BP神经网络；收集待预测的目标光伏电站区域内在雷电天气时的雷电信息以及与辐照度相关的气象因素数据，并基于雷电发生的时间将与辐照度相关的气象因素数据分类三类，分别为雷电发生前一段时间内的气象因素数据、雷电发生时段内的气象因素数据、雷电离开后一段时间内的气象因素数据；
利用三类所述气象因素数据分别对应训练三个所述BP神经网络，从而得到雷电发生前的所述BP神经网络预测模型、雷电发生时的所述BP神经网络预测模型、雷电离开后的所述BP神经网络预测模型，进而分别利用雷电发生前的所述BP神经网络预测模型、雷电发生时的所述BP神经网络预测模型、雷电离开后的所述BP神经网络预测模型结合所述光伏发电功率的转换公式来预测雷电天气条件下的光伏发电功率；
在雷电靠到达所述目标光伏电站周边的观测区域时，基于收集到的实时气象因素数据，利用雷电发生前的所述BP神经网络预测模型预测辐照度，并结合所述光伏发电功率的转换公式来预测雷电天气条件下的光伏发电功率；当利用雷电发生前的所述BP神经网络预测模型预测得到辐照度与实际辐照度的差值大于或等于预设的雷电到来阈值时，基于收集到的实时气象因素数据，转为利用雷电发生时的所述BP神经网络预测模型预测辐照度，并结合所述光伏发电功率的转换公式来预测雷电天气条件下的光伏发电功率；当利用雷电发生时的所述BP神经网络预测模型预测得到的辐照度与实际辐照度的差值大于或等于预设的雷电离开阈值时，基于收集到的实时气象因素数据，转为利用雷电离开后的所述BP神经网络预测模型预测雷电离开一段时间内辐照度，并结合所述光伏发电功率的转换公式来预测雷电天气条件下的光伏发电功率；
基于已有的雷电天气时的辐照度数据来确定所述雷电到来阈值和所述雷电离开阈值；根据雷电发生时刻前后m分钟内的辐照度数据计算差值并将最小差值确定为到来时刻最小差值，将所述到来时刻最小差值乘以雷电到来阈值系数后得到所述雷电到来阈值；根据雷电结束时刻前后n分钟内的辐照度数据计算差值并将最小差值确定为离开时刻最小差值，将所述离开时刻最小差值乘以雷电离开阈值系数后得到所述雷电离开阈值。
2.根据权利要求1所述的雷电气候下的光伏发电功率预测方法，其特征在于：与辐照度相关的气象因素包括温度和湿度。
3.根据权利要求1所述的雷电气候下的光伏发电功率预测方法，其特征在于：所述雷电到来阈值系数、所述雷电离开阈值系数均小于1。
4.根据权利要求1所述的雷电气候下的光伏发电功率预测方法，其特征在于：m＝15，n＝15。
5.根据权利要求1所述的雷电气候下的光伏发电功率预测方法，其特征在于：所述辐照度与光伏发电功率的转换公式为Ps＝ηPVSE[1-0.005(T+0.03E+25)]，其中：Ps为光伏发电功率，ηPV为光伏电池转换效率，S为光伏电池板的面积，E为辐照度，T为气温。
CN201910031565.9A 2019-01-14 2019-01-14 雷电气候下的光伏发电功率预测方法 Active CN109829572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910031565.9A CN109829572B (zh) 2019-01-14 2019-01-14 雷电气候下的光伏发电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910031565.9A CN109829572B (zh) 2019-01-14 2019-01-14 雷电气候下的光伏发电功率预测方法

Publications (2)

Publication Number Publication Date
CN109829572A CN109829572A (zh) 2019-05-31
CN109829572B true CN109829572B (zh) 2021-03-12

Family

ID=66860852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910031565.9A Active CN109829572B (zh) 2019-01-14 2019-01-14 雷电气候下的光伏发电功率预测方法

Country Status (1)

Country Link
CN (1) CN109829572B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111489028B (zh) * 2020-04-09 2021-06-08 国网江苏省电力有限公司苏州供电分公司 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法
CN115759483B (zh) * 2023-01-06 2023-06-20 国能日新科技股份有限公司 光伏电场太阳辐照度预测方法、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
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
CN103500365A (zh) * 2013-09-18 2014-01-08 广州供电局有限公司 光伏发电功率预测方法和系统
CN103971169A (zh) * 2014-04-14 2014-08-06 国家电网公司 一种基于云量模拟的光伏超短期发电功率的预测方法
CN106529814A (zh) * 2016-11-21 2017-03-22 武汉大学 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法
CN106779175A (zh) * 2016-11-28 2017-05-31 西安交通大学 一种考虑分时段的非线性光伏出力预测方法
CN107944649A (zh) * 2018-01-10 2018-04-20 云南电网有限责任公司电力科学研究院 一种光伏电站辐照度的预测方法
CN109060618A (zh) * 2018-08-20 2018-12-21 国网冀北电力有限公司张家口供电公司 一种光伏发电功率预测装置及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
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
CN103500365A (zh) * 2013-09-18 2014-01-08 广州供电局有限公司 光伏发电功率预测方法和系统
CN103971169A (zh) * 2014-04-14 2014-08-06 国家电网公司 一种基于云量模拟的光伏超短期发电功率的预测方法
CN106529814A (zh) * 2016-11-21 2017-03-22 武汉大学 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法
CN106779175A (zh) * 2016-11-28 2017-05-31 西安交通大学 一种考虑分时段的非线性光伏出力预测方法
CN107944649A (zh) * 2018-01-10 2018-04-20 云南电网有限责任公司电力科学研究院 一种光伏电站辐照度的预测方法
CN109060618A (zh) * 2018-08-20 2018-12-21 国网冀北电力有限公司张家口供电公司 一种光伏发电功率预测装置及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"计及光伏电站功率预测的电力系统优化分析";杨秋霞等;《电力系统保护与控制》;20180116;第46卷(第2期);第117-123页 *
杨秋霞等."计及光伏电站功率预测的电力系统优化分析".《电力系统保护与控制》.2018,第46卷(第2期), *

Also Published As

Publication number Publication date
CN109829572A (zh) 2019-05-31

Similar Documents

Publication Publication Date Title
Wang et al. A review of wind power forecasting models
CN111489028B (zh) 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法
Gibescu et al. Estimation of variability and predictability of large‐scale wind energy in The Netherlands
CN113919232A (zh) 一种基于循环神经网络的光伏电站功率预测方法及系统
CN105337575B (zh) 光伏电站状态预测及故障诊断方法和系统
CN113496311A (zh) 光伏电站发电功率预测方法及系统
CN101795090A (zh) 预测光伏器件的电力产量的方法
CN110110912A (zh) 一种光伏功率多模型区间预测方法
CN111458769B (zh) 用于输电线路环境气象数据预测的方法及系统
CN109829572B (zh) 雷电气候下的光伏发电功率预测方法
CN117318111B (zh) 一种基于天气预测的光储能源动态调节方法及系统
CN111488896A (zh) 一种基于多源数据挖掘的配电线路时变故障概率计算方法
CN107403015A (zh) 一种基于时间序列相似性的短期光功率预测方法
Monteiro et al. Short-term forecasting model for aggregated regional hydropower generation
Wilczak et al. Data assimilation impact of in situ and remote sensing meteorological observations on wind power forecasts during the first W ind F orecast I mprovement P roject (WFIP)
Cabezon et al. Comparison of methods for power curve modelling
Cheggaga et al. A neural network solution for extrapolation of wind speeds at heights ranging for improving the estimation of wind producible
CN111242371A (zh) 一种基于非迭代多模型的光伏发电短期预测校正方法
Deng et al. A Survey of the Researches on Grid-Connected Solar Power Generation Systems and Power Forecasting Methods Based on Ground-Based Cloud Atlas
Koumpli Impact of data quality on photovoltaic (PV) performance assessment
CN115733258A (zh) 一种基于物联网技术的全户内智能变电站系统的控制方法
Chen et al. Short-term wind power forecasting based on spatial correlation and artificial neural network
CN111445036A (zh) 光伏电站清洗频率的动态调整方法及存储介质
Fernández-Peruchena et al. Increasing the temporal resolution of direct normal solar irradiance forecasted series
Abaas et al. Long short-term memory customer-centric power outage prediction models for weather-related power outages

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