CN109840633A - 光伏输出功率预测方法、系统和存储介质 - Google Patents
光伏输出功率预测方法、系统和存储介质 Download PDFInfo
- Publication number
- CN109840633A CN109840633A CN201910083732.4A CN201910083732A CN109840633A CN 109840633 A CN109840633 A CN 109840633A CN 201910083732 A CN201910083732 A CN 201910083732A CN 109840633 A CN109840633 A CN 109840633A
- Authority
- CN
- China
- Prior art keywords
- sequence
- output power
- photovoltaic output
- shot
- time section
- 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
Abstract
本发明提供一种光伏输出功率预测方法、系统和存储介质,该方法包括:获取在预设历史时间段内的光伏输出数据和气象数据;采用小波包分解算法对所述光伏输出功率序列进行分解,得到2n个分解序列,对2n个分解序列分别进行单支重构,得到2n个重构序列;将2n个重构序列分别与对应的气象数据合并,得到2n个数据集;将所述2n个数据集分别输入对应的预先训练的长短期记忆神经网络单元中,得到2n个长短期记忆神经网络单元分别对预设未来时间段内的光伏输出功率的预测结果;将2n个长短期记忆神经网络单元输出的预测结果进行加权求和,得到所述预设未来时间段内的光伏输出功率的综合预测结果。本发明能够提高预测精度。
Description
技术领域
本发明涉及电网技术领域,具体涉及一种光伏输出功率预测方法、系统和存储介质。
背景技术
光伏电能是一种可再生、清洁和灵活的分布式能源,它被认为是满足全球日益增长的清洁能源需求的关键解决方案之一,带来了巨大的经济和环境效益。然而,由于其不确定性和间歇性特征,光伏发电的高渗透性也给电力系统运行和规划带来了许多新的挑战。这些挑战包括对气象条件的敏感性、随机波动性和发电间歇性。相关研究表明,当并网光伏容量在电力系统中所占比例超过15%时,其波动可能会引起电力系统故障。光伏发电量预测是应对这些挑战的有效解决方案,准确预测光伏发电的输出功率能够为终端消费者提供高质量的电能和提高电力系统运行的可靠性。
现有的技术方案框架是:在建模阶段,采用分类或聚类方法,将在光伏电站收集到的气象因素和光伏输出功率的历史数据经过处理后利用分类或聚类算法分不同的气象类型,对不同类型下的天气分别进行建模。在预测阶段判别预测日所属的气象类型,将预测日的气象预报数据输入至相应气象类别下的预测模型中,获得最终的光伏输出功率预测结果。但是现有技术由于采用了气象预报数据,因此会引入气象预报误差,降低了预测精度。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种光伏输出功率预测方法、系统和存储介质,可以提高预测精度。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
第一方面,本发明提供一种光伏输出功率预测方法,包括:
获取在预设历史时间段内的光伏输出数据和气象数据;其中,所述光伏输出数据为所述预设历史时间段内多个时间点对应的多个光伏输出功率所形成的光伏输出功率序列,所述气象数据为多个气象因素在所述多个时间点的值;
采用小波包分解算法对所述光伏输出功率序列进行分解,得到2n个分解序列,对2n个分解序列分别进行单支重构,得到2n个重构序列;其中,n为分解层数;
将2n个重构序列分别与对应的气象数据合并,得到2n个数据集;
将所述2n个数据集分别输入对应的预先训练的长短期记忆神经网络单元中,得到2n个长短期记忆神经网络单元分别对预设未来时间段内的光伏输出功率的预测结果;将2n个长短期记忆神经网络单元输出的预测结果进行加权求和,得到所述预设未来时间段内的光伏输出功率的综合预测结果;其中,所述预测结果为所述预设未来时间段内多个时间点对应的多个光伏输出功率预测值所形成的序列,所述综合预测结果为所述预设未来时间段内多个时间点对应的多个光伏输出功率综合预测值所形成的序列。
第二方面,本发明提供一种光伏输出功率预测系统,包括:
数据获取模块,用于获取在预设历史时间段内的光伏输出数据和气象数据;其中,所述光伏输出数据为所述预设历史时间段内多个时间点对应的多个光伏输出功率所形成的光伏输出功率序列,所述气象数据为多个气象因素在所述多个时间点的值;
分解重构模块,用于采用小波包分解算法对所述光伏输出功率序列进行分解,得到2n个分解序列,对2n个分解序列分别进行单支重构,得到2n个重构序列;其中,n为分解层数;
数据合并模块,用于将2n个重构序列分别与对应的气象数据合并,得到2n个数据集;
功率预测模块,用于将所述2n个数据集分别输入对应的预先训练的长短期记忆神经网络单元中,得到2n个长短期记忆神经网络单元分别对预设未来时间段内的光伏输出功率的预测结果;将2n个长短期记忆神经网络单元输出的预测结果进行加权求和,得到所述预设未来时间段内的光伏输出功率的综合预测结果;其中,所述预测结果为所述预设未来时间段内多个时间点对应的多个光伏输出功率预测值所形成的序列,所述综合预测结果为所述预设未来时间段内多个时间点对应的多个光伏输出功率综合预测值所形成的序列。
第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时可实现如上光伏输出功率预测方法。
(三)有益效果
本发明实施例提供了一种光伏输出功率预测方法、系统和存储介质,首先利用小波包分解算法对光伏输出四级进行分解和单支重构,进而利用重构序列和气象数据构成2n个数据集,将2n个数据集输入2n个长短期记忆神经网络单元中,得到2n个预测结果,最后对2n个预测结果加权求和得到综合预测结果。可见,本发明提出了一种结合小波包分解算法和长期短期记忆网络单元的混合深度学习模型,用于短期光伏输出功率的预测。本发明根据历史时间段内的光伏输出数据和气象数据处理得到数据集,进而将数据集作为长短期记忆神经网络单元的输入,相对于传统技术中需要输入气象预测数据的方式,避免引入气象数据预测误差,考虑了历史气象条件对未来光伏输出功率趋势的影响,提高预测精度。同时,无需对气象类型进行分类,避免天气类型判别错误造成的预测误差。此外,本发明提供的方法输出的综合预测结果平稳且准确,可为电力系统的调度提供参考,降低分布式能源管理系统的运行和规划的不确定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明一实施例中光伏输出功率预测方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
第一方面,本发明提供一种光伏输出功率预测方法,可以利用该方法实现短期内光伏输出功率的预测。如图1所示,所述方法包括:
S100、获取在预设历史时间段内的光伏输出数据和气象数据;
其中,所述光伏输出数据为所述预设历史时间段内多个时间点对应的多个光伏输出功率所形成的光伏输出功率序列,所述气象数据为多个气象因素在所述多个时间点的值;
可理解的是,预设历史时间段可以根据需要设置,例如,要预测明天的光伏输出功率,则采集今天这一天的光伏输出数据和气象数据,即根据今天0点~24点内的光伏输出数据和气象数据,预测明天0点~24点内的光伏输出。
可理解的是,光伏输出功率序列为预设历史时间段内多个时间点对应的光伏输出功率所形成,例如,今天的各个整点(0点、1点、2点、3点……23点)分别对应的光伏输出功率形成一个光伏输出功率序列。
可理解的是,气象数据为多个气象因素在所述多个时间点的值,假设一共有k个气象因素,这k个气象因素分别在今天的0点、1点、2点、3点……23点的值形成今天的气象数据。
在实际应用中,气象数据可以从光伏电站获取,也可以从当地气象站获取。由于影响光伏输出功率的气象因素众多,但是由于各个光伏电站所能获取的气象数据不同且受到光伏电站所在地理位置的影响,因此可以对影响光伏输出功率的主要因素进行筛选,将筛选出来的主要因素作为步骤S100中需要的气象数据。例如,筛选出来的气象因素有温度、光照、风向、风力、湿度等。在获取到气象数据后,还可以对气象数据进行归一化处理。
在实际应用中,在执行后续步骤之前,还可以对所述光伏输出功率序列进行预处理,所述预处理可以包括剔除异常数据、填充缺失数据和归一化处理等,便于后续的计算。
S200、采用小波包分解算法对所述光伏输出功率序列进行分解,得到2n个分解序列,对2n个分解序列分别进行单支重构,得到2n个重构序列;其中,n为分解层数;
可理解的是,小波包分解算法即waveletpacket decomposition,简称为WPD。首先小波包分解算法对光伏输出功率序列进行分解,然后小波包分解算法对分解得到的序列进行单支重构,得到重构序列。
举例来说,步骤S100中历史时间段内的光伏输出功率序列表示为:X=(Pt-m+1,Pt-m+2,...,Pt)T,m为所述历史时间段内的多个时间点的数量,Pt为在所述预设历史时间段内的t时刻的光伏输出功率。利用WPD算法将X分解为2n个分解序列,这2n个分解序列表示为其中,第i个分解序列xi为 为第i个分解序列中的第m/2n个元素。然后利用WPD算法对每一个分解序列进行单支重构,最后得到2n个重构序列,这2n个重构序列可表示为其中,第i个重构序列Si为 为第i个重构序列中的第m个元素,与Pt相对应。
S300、将2n个重构序列分别与对应的气象数据合并,得到2n个数据集;
举例来说,在所述预设历史时间段内的t时刻对应的气象数据表示为Ht=(a1,t,a2,t,...,ak,t);k为所述多个气象因素的数量,ak,t表示第k个气象因素在t时刻的值。a1,a2,...,ak表示之前筛选出来的k个影响因素。进而,第i个重构序列与对应的气象数据合并后得到的第i个数据集(即第i个长短期记忆神经网络单元的输入数据)可以表示为其中,针对每一个数据集都可以采用这种方式确定,最后可以得到2n个数据集。
S400、将所述2n个数据集分别输入对应的预先训练的长短期记忆神经网络单元中,得到2n个长短期记忆神经网络单元分别对预设未来时间段内的光伏输出功率的预测结果;将2n个长短期记忆神经网络单元输出的预测结果进行加权求和,得到所述预设未来时间段内的光伏输出功率的综合预测结果;
其中,所述预测结果为所述预设未来时间段内多个时间点对应的多个光伏输出功率预测值所形成的序列,所述综合预测结果为所述预设未来时间段内多个时间点对应的多个光伏输出功率综合预测值所形成的序列。
可理解的是,长短期记忆神经网络单元可以称为LSTM。
可理解的是,一共有2n个长短期记忆神经网络单元,这2n个长短期记忆神经网络单元构成一个整体的预测模型。2n个数据集与2n个长短期记忆神经网络单元一一对应,将一个数据集输入一个对应的长短期记忆神经网络单元中,便可以得到该长短期记忆神经网络单元对未来时间段内光伏输出功率的预测结果。因此,将2n个数据集输入2n个长短期记忆神经网络单元中,会得到2n个预测结果。最后将这2n个预测结果进行加权求和,得到一个综合预测结果。
可理解的是,每一个预测结果都是一个序列,即预设未来时间段内多个时间点对应的多个光伏输出功率预测值所形成的序列。例如,未来时间段为明天,则明天内各个整点(0点、2点、3点……23点)对应的光伏输出功率预测值形成的序列为一个预测结果。同样的,综合预测结果也是一个序列,例如,综合预测结果为明天内各个整点(0点、2点、3点……23点)对应的光伏输出功率综合预测值形成的序列。
在执行本发明之前,需要对2n个长短期记忆神经网络单元进行训练,训练过程大致包括:获取过去的某个时间段内的光伏输出数据和气象数据,利用WPD进行分解和单支重构,进而根据重构序列和气象数据形成2n个训练集,进而利用一个训练集训练得到一个长短期记忆神经网络单元,最后得到2n个长短期记忆神经网络单元。
举例来说,需要预测明天的光伏输出功率,需要输入至长短期记忆神经网络单元的数据集是根据今天的光伏输出功率和气象数据处理得到,而训练长短期记忆神经网络单元所需的训练集是根据昨天的光伏输出功率和气象数据处理得到。
在训练长短期记忆神经网络单元阶段,还需要计算出各个长短期记忆神经网络单元的权重,也就是说,本发明提供的方法还可以包括:预先计算2n个长短期记忆神经网络单元各自的权重。其中,2n个长短期记忆神经网络单元各自的权重的计算过程可以包括:采用目标函数计算2n个长短期记忆神经网络单元各自的权重,所述目标函数的优化目标为2n个长短期记忆神经网络单元的总预测误差最低,进而使得计算出来的权重能够总预测误差最低,提高整体的预测精度。
其中,所述目标函数可以包括:
所述目标函数的约束条件包括:
式中,f为所述总预测误差,T为所述预设历史时间段,t为所述预设历史时间段的时间点,为所述预设历史时间段内t时刻的光伏输出功率的综合预测结果,Pt为对所述预设历史时间段内t时刻的光伏输出功率的真实值;ωi为第i个长短期记忆神经网络单元的权重,为第i个长短期记忆神经网络单元对所述预设历史时间段内t时刻的光伏输出功率的预测结果。
采用如上目标函数和约束条件便可以确定各个长短期记忆神经网络单元的权重,进而计算加权求和。
在实际应用中,将2n个长短期记忆神经网络单元输出的预测结果进行加权求和的过程可以包括:采用第一公式计算2n个长短期记忆神经网络单元输出的预测结果的加权和,所述第一公式包括:
式中,为第i个长短期记忆神经网络单元对所述预设未来时间段内光伏输出功率的预测结果,为所述加权和。
可理解的是,若S100中对获取到的光伏输出数据进行了归一化处理,在得到综合预测结果后,还可以对综合预测结果进行反归一化处理。
本发明提供的预测方法,首先利用小波包分解算法对光伏输出四级进行分解和单支重构,进而利用重构序列和气象数据构成2n个数据集,将2n个数据集输入2n个长短期记忆神经网络单元中,得到2n个预测结果,最后对2n个预测结果加权求和得到综合预测结果。可见,本发明提出了一种结合小波包分解算法和长期短期记忆网络单元的混合深度学习模型,用于短期光伏输出功率的预测。本发明根据历史时间段内的光伏输出数据和气象数据处理得到数据集,进而将数据集作为长短期记忆神经网络单元的输入,相对于传统技术中需要输入气象预测数据的方式,避免引入气象数据预测误差,考虑了历史气象条件对未来光伏输出功率趋势的影响,提高预测精度。同时,无需对气象类型进行分类,避免天气类型判别错误造成的预测误差。此外,本发明提供的方法输出的综合预测结果平稳且准确,可为电力系统的调度提供参考,降低分布式能源管理系统的运行和规划的不确定性。
进一步的,本发明采用小波包分解算法对光伏输出功率序列进行分解,进而对线性部分和非线性部分进行建模,所建模型具有收敛速度快、节省计算资源的优点,避免算法过拟合、收敛速度慢和易陷入局部最优解的问题。
第二方面,本发明提供一种光伏输出功率预测系统,包括:
数据获取模块,用于获取在预设历史时间段内的光伏输出数据和气象数据;其中,所述光伏输出数据为所述预设历史时间段内多个时间点对应的多个光伏输出功率所形成的光伏输出功率序列,所述气象数据为多个气象因素在所述多个时间点的值;
分解重构模块,用于采用小波包分解算法对所述光伏输出功率序列进行分解,得到2n个分解序列,对2n个分解序列分别进行单支重构,得到2n个重构序列;其中,n为分解层数;
数据合并模块,用于将2n个重构序列分别与对应的气象数据合并,得到2n个数据集;
功率预测模块,用于将所述2n个数据集分别输入对应的预先训练的长短期记忆神经网络单元中,得到2n个长短期记忆神经网络单元分别对预设未来时间段内的光伏输出功率的预测结果;将2n个长短期记忆神经网络单元输出的预测结果进行加权求和,得到所述预设未来时间段内的光伏输出功率的综合预测结果;其中,所述预测结果为所述预设未来时间段内多个时间点对应的多个光伏输出功率预测值所形成的序列,所述综合预测结果为所述预设未来时间段内多个时间点对应的多个光伏输出功率综合预测值所形成的序列。
第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时可实现如上光伏输出功率预测方法。
可理解的是,本发明第二方面提供的系统和第三方面提供的存储介质与第一方面提供的方法相对应,其有关内容的解释、举例、有益效果等部分可以参考第一方面中的相应部分,此处不再赘述。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种光伏输出功率预测方法,其特征在于,包括:
获取在预设历史时间段内的光伏输出数据和气象数据;其中,所述光伏输出数据为所述预设历史时间段内多个时间点对应的多个光伏输出功率所形成的光伏输出功率序列,所述气象数据为多个气象因素在所述多个时间点的值;
采用小波包分解算法对所述光伏输出功率序列进行分解,得到2n个分解序列,对2n个分解序列分别进行单支重构,得到2n个重构序列;其中,n为分解层数;
将2n个重构序列分别与对应的气象数据合并,得到2n个数据集;
将所述2n个数据集分别输入对应的预先训练的长短期记忆神经网络单元中,得到2n个长短期记忆神经网络单元分别对预设未来时间段内的光伏输出功率的预测结果;将2n个长短期记忆神经网络单元输出的预测结果进行加权求和,得到所述预设未来时间段内的光伏输出功率的综合预测结果;其中,所述预测结果为所述预设未来时间段内多个时间点对应的多个光伏输出功率预测值所形成的序列,所述综合预测结果为所述预设未来时间段内多个时间点对应的多个光伏输出功率综合预测值所形成的序列。
2.根据权利要求1所述的方法,其特征在于,所述采用小波包分解算法对所述光伏输出功率序列进行分解之前,所述方法还包括:对所述光伏输出功率序列进行预处理,所述预处理包括剔除异常数据、填充缺失数据和归一化处理;对应的,所述方法还包括:对所述综合预测结果进行反归一化处理。
3.根据权利要求1所述的方法,其特征在于,所述光伏输出功率序列包括:X=(Pt-m+1,Pt-m+2,...,Pt)T;m为所述多个时间点的数量;Pt为在所述预设历史时间段内的t时刻的光伏输出功率;
对应的,所述2n个分解序列为其中,第i个分解序列xi为 为第i个分解序列中的第m/2n个元素;
对应的,所述2n个重构序列为其中,第i个重构序列Si为 为第i个重构序列中的第m个元素,与Pt相对应。
4.根据权利要求3所述的方法,其特征在于,在所述预设历史时间段内的t时刻对应的气象数据包括:Ht=(a1,t,a2,t,...,ak,t);k为所述多个气象因素的数量;
对应的,第i个重构序列与对应的气象数据合并后得到的第i个数据集包括:其中,
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:预先计算2n个长短期记忆神经网络单元各自的权重;
其中,所述2n个长短期记忆神经网络单元各自的权重的计算过程包括:采用目标函数计算2n个长短期记忆神经网络单元各自的权重,所述目标函数的优化目标为2n个长短期记忆神经网络单元的总预测误差最低,所述目标函数包括:
所述目标函数的约束条件包括:
式中,f为所述总预测误差,T为所述预设历史时间段,t为所述预设历史时间段的时间点,为所述预设历史时间段内t时刻的光伏输出功率的综合预测结果,Pt为对所述预设历史时间段内t时刻的光伏输出功率的真实值;ωi为第i个长短期记忆神经网络单元的权重,为第i个长短期记忆神经网络单元对所述预设历史时间段内t时刻的光伏输出功率的预测结果。
6.根据权利要求1所述的方法,其特征在于,所述将2n个长短期记忆神经网络单元输出的预测结果进行加权求和,包括:
采用第一公式计算2n个长短期记忆神经网络单元输出的预测结果的加权和,所述第一公式包括:
式中,为第i个长短期记忆神经网络单元对所述预设未来时间段内光伏输出功率的预测结果,为所述加权和。
7.一种光伏输出功率预测系统,其特征在于,包括:
数据获取模块,用于获取在预设历史时间段内的光伏输出数据和气象数据;其中,所述光伏输出数据为所述预设历史时间段内多个时间点对应的多个光伏输出功率所形成的光伏输出功率序列,所述气象数据为多个气象因素在所述多个时间点的值;
分解重构模块,用于采用小波包分解算法对所述光伏输出功率序列进行分解,得到2n个分解序列,对2n个分解序列分别进行单支重构,得到2n个重构序列;其中,n为分解层数;
数据合并模块,用于将2n个重构序列分别与对应的气象数据合并,得到2n个数据集;
功率预测模块,用于将所述2n个数据集分别输入对应的预先训练的长短期记忆神经网络单元中,得到2n个长短期记忆神经网络单元分别对预设未来时间段内的光伏输出功率的预测结果;将2n个长短期记忆神经网络单元输出的预测结果进行加权求和,得到所述预设未来时间段内的光伏输出功率的综合预测结果;其中,所述预测结果为所述预设未来时间段内多个时间点对应的多个光伏输出功率预测值所形成的序列,所述综合预测结果为所述预设未来时间段内多个时间点对应的多个光伏输出功率综合预测值所形成的序列。
8.一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,所述计算机程序被处理器执行时可实现如权利要求1~6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910083732.4A CN109840633B (zh) | 2019-01-29 | 2019-01-29 | 光伏输出功率预测方法、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910083732.4A CN109840633B (zh) | 2019-01-29 | 2019-01-29 | 光伏输出功率预测方法、系统和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109840633A true CN109840633A (zh) | 2019-06-04 |
CN109840633B CN109840633B (zh) | 2021-03-23 |
Family
ID=66884277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910083732.4A Active CN109840633B (zh) | 2019-01-29 | 2019-01-29 | 光伏输出功率预测方法、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109840633B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659442A (zh) * | 2019-09-23 | 2020-01-07 | 珠海格力电器股份有限公司 | 系统及其数据短期预测方法和装置、存储介质 |
CN110991689A (zh) * | 2019-10-17 | 2020-04-10 | 国网河南省电力公司鹤壁供电公司 | 基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法 |
CN111507512A (zh) * | 2020-04-10 | 2020-08-07 | 阳光电源股份有限公司 | 一种光伏超短期预测功率的修正方法及装置 |
CN111932007A (zh) * | 2020-08-04 | 2020-11-13 | 广州发展新能源股份有限公司 | 一种光伏电站的功率预测方法、装置及存储介质 |
CN114072835A (zh) * | 2020-03-11 | 2022-02-18 | 格步计程车控股私人有限公司 | 费用预测方法及费用预测数据系统 |
CN116404645A (zh) * | 2023-06-07 | 2023-07-07 | 山东大学 | 考虑时空相关特性的分布式光伏短期功率预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528517A (zh) * | 2015-12-01 | 2016-04-27 | 北京国电通网络技术有限公司 | 基于神经网络、小波分解光伏电站功率预测方法、系统 |
CN106202700A (zh) * | 2016-07-07 | 2016-12-07 | 西安美林数据技术股份有限公司 | 一种光伏发电出力预测的数据分析方法 |
CN106446494A (zh) * | 2016-05-11 | 2017-02-22 | 新疆大学 | 基于小波包‑神经网络的风光功率预测方法 |
CN107194496A (zh) * | 2017-04-25 | 2017-09-22 | 甘肃省电力公司风电技术中心 | 光伏功率的预测方法及预测装置 |
-
2019
- 2019-01-29 CN CN201910083732.4A patent/CN109840633B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528517A (zh) * | 2015-12-01 | 2016-04-27 | 北京国电通网络技术有限公司 | 基于神经网络、小波分解光伏电站功率预测方法、系统 |
CN106446494A (zh) * | 2016-05-11 | 2017-02-22 | 新疆大学 | 基于小波包‑神经网络的风光功率预测方法 |
CN106202700A (zh) * | 2016-07-07 | 2016-12-07 | 西安美林数据技术股份有限公司 | 一种光伏发电出力预测的数据分析方法 |
CN107194496A (zh) * | 2017-04-25 | 2017-09-22 | 甘肃省电力公司风电技术中心 | 光伏功率的预测方法及预测装置 |
Non-Patent Citations (4)
Title |
---|
PENGTAO LI等: "Photovoltaic power forecasting: Models and methods", 《2018 2ND IEEE CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION (EI2)》 * |
孙永辉 等: "基于小波分析和集成学习的光伏输出功率短期预测", 《电力系统及其自动化学报》 * |
张立影 等: "基于小波变换和神经网络的光伏功率预测", 《可再生能源》 * |
朱红路 等: "基于小波分析与神经网络的光伏电站功率预测方法", 《太阳能学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110659442A (zh) * | 2019-09-23 | 2020-01-07 | 珠海格力电器股份有限公司 | 系统及其数据短期预测方法和装置、存储介质 |
CN110659442B (zh) * | 2019-09-23 | 2023-09-08 | 珠海格力电器股份有限公司 | 系统及其数据短期预测方法和装置、存储介质 |
CN110991689A (zh) * | 2019-10-17 | 2020-04-10 | 国网河南省电力公司鹤壁供电公司 | 基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法 |
CN114072835A (zh) * | 2020-03-11 | 2022-02-18 | 格步计程车控股私人有限公司 | 费用预测方法及费用预测数据系统 |
CN114072835B (zh) * | 2020-03-11 | 2024-03-08 | 格步计程车控股私人有限公司 | 费用预测方法及费用预测数据系统 |
CN111507512A (zh) * | 2020-04-10 | 2020-08-07 | 阳光电源股份有限公司 | 一种光伏超短期预测功率的修正方法及装置 |
CN111507512B (zh) * | 2020-04-10 | 2023-11-24 | 阳光慧碳科技有限公司 | 一种光伏超短期预测功率的修正方法及装置 |
CN111932007A (zh) * | 2020-08-04 | 2020-11-13 | 广州发展新能源股份有限公司 | 一种光伏电站的功率预测方法、装置及存储介质 |
CN116404645A (zh) * | 2023-06-07 | 2023-07-07 | 山东大学 | 考虑时空相关特性的分布式光伏短期功率预测方法及系统 |
CN116404645B (zh) * | 2023-06-07 | 2023-08-25 | 山东大学 | 考虑时空相关特性的分布式光伏短期功率预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109840633B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840633A (zh) | 光伏输出功率预测方法、系统和存储介质 | |
Wang et al. | Clustered hybrid wind power prediction model based on ARMA, PSO-SVM, and clustering methods | |
CN112508275B (zh) | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 | |
Tascikaraoglu et al. | A review of combined approaches for prediction of short-term wind speed and power | |
CN105868853B (zh) | 一种短期风电功率组合概率预测方法 | |
CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
Zhao et al. | Resilient unit commitment for day-ahead market considering probabilistic impacts of hurricanes | |
CN107944604A (zh) | 一种用于光伏功率预测的天气类型识别方法和装置 | |
Toubeau et al. | Capturing spatio-temporal dependencies in the probabilistic forecasting of distribution locational marginal prices | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
CN115829126A (zh) | 基于多视角自适应特征融合的光伏发电功率预测方法 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
CN115271253A (zh) | 一种水风光发电功率预测模型构建方法、装置及存储介质 | |
CN111723516A (zh) | 基于自适应dnn替代模型的多目标海水入侵管理模型 | |
CN116151464A (zh) | 一种光伏发电功率预测方法、系统及可存储介质 | |
CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
Zhao et al. | A novel long-term power forecasting based smart grid hybrid energy storage system optimal sizing method considering uncertainties | |
Wu et al. | Explainable temporal dependence in multi-step wind power forecast via decomposition based chain echo state networks | |
Tavares et al. | Comparison of PV power generation forecasting in a residential building using ANN and DNN | |
CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
Niu et al. | De-Trend First, Attend Next: A Mid-Term PV forecasting system with attention mechanism and encoder–decoder structure | |
Al-Ja’afreh et al. | An enhanced CNN-LSTM based multi-stage framework for PV and load short-term forecasting: DSO scenarios | |
CN105528517B (zh) | 基于神经网络、小波分解光伏电站功率预测方法、系统 | |
Kang et al. | A cross-modal generative adversarial network for scenarios generation of renewable energy |
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 |