CN109858673A - 一种光伏发电系统功率预测方法 - Google Patents
一种光伏发电系统功率预测方法 Download PDFInfo
- Publication number
- CN109858673A CN109858673A CN201811606312.1A CN201811606312A CN109858673A CN 109858673 A CN109858673 A CN 109858673A CN 201811606312 A CN201811606312 A CN 201811606312A CN 109858673 A CN109858673 A CN 109858673A
- Authority
- CN
- China
- Prior art keywords
- day
- output
- photovoltaic
- factor
- max
- 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
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
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Photovoltaic Devices (AREA)
Abstract
一种光伏发电系统功率预测方法,属于光伏发电技术领域。本发明根据光伏发电功率函数,选取太阳辐照强度和温度为光伏发电功率影响要素,对天气类型进行数值编码;构造天气类型特征向量,并对特征向量各分量进行归一化,定义相似度计算方法,选取与预测日气象条件相似的历史日;双隐层BP神经网络,将量化后的气象因素加入模型输入变量,并采用附加动量与变学习率结合的梯度修正法作为权值修改算法,对选取的相似日样本集分别进行训练。本发明利用相似日历史发电数据训练BP神经网络,有效提高光伏发电功率预测精度,改善因短期内天气类型变化而引起的预测精度降低甚至模型失效的问题。
Description
技术领域
本发明涉及光伏发电技术领域,具体涉及一种基于相似日的改进BP神经网络光伏发电系统功率预测方法。
背景技术
能源是现代社会经济与发展的根本。能源环境问题的相继出现促使人类逐渐意识到化石燃料的过渡开采和无节制使用所带来的严重危害。光伏发电由于其可再生、环保灵活的特性得到广泛关注和快速发展。但由于光伏发电系统的输出受到太阳辐照强度和众多天气因素的影响,其发电量的变化是一个非平稳的随机过程,对大电网而言是一个不可控源,其发电的随机波动性会对电网造成冲击,影响电网运行的可靠性与稳定性。加强光伏发电功率预测的研究,预先获得光伏发电系统的日发电量曲线,从而协调电力系统制定发电计划,减少光伏发电的随机性对电力系统的影响,这对光伏电站和电网都有着重要的经济意义。
按照不同的分类标准,光伏发电功率预测方法分类不同。目前使用较广泛的是利用光伏发电系统历史输出功率数据的直接预测方法它需要运用统计原理对光伏发电系统历史输出功率统计数据进行分析,找出其内在规律性,建立映射关系用于预测,程序简明,不需要光伏发电系统的具体布置资料。常用的统计方法有多元线性回归算法、人工神经网络(ANN)算法和灰色理论算法等。使用差异较大的一组样本训练模型,得到的参数进行校验时往往产生较大的误差,即使重新训练,也得不到很好的效果。现有的一些研究虽然提出了基于历史日数据的提前一天光伏功率预测方法,但当气象条件变化剧烈时,模型预测精度还有待提高,甚至有可能会失效。针对此情况,一种在预测模型中考虑加入合理选取的气象因素的预测方法比较有研究的意义。
发明内容
为了克服上述现有技术的不足,本发明提供了一种基于相似日的改进BP神经网络光伏发电系统功率预测方法。将天气影响因素量化编码后,根据相似日选取原理,选出与预测日相似度较高的历史日,利用相似历史日的发电量数据和气象数据,结合预测日气象数据,构成训练样本集,对BP神经网络进行训练。训练时,权值调整算法采用结合了附加动量与变学习率的梯度修正法,提高模型收敛速度,并减小模型陷入局部最优解的概率,保证预测模型精度和稳定性。
本发明所采用的技术方案是:
一种光伏发电系统功率预测方法,包括如下步骤:
步骤一:根据光伏发电功率函数,选取太阳辐照强度和温度为光伏发电功率影响要素,对天气类型进行数值编码;
步骤二:构造天气类型特征向量,并对特征向量各分量进行归一化,定义相似度计算方法,选取与预测日气象条件相似的历史日;
步骤三:双隐层BP神经网络,将量化后的气象因素加入模型输入变量,并采用附加动量与变学习率结合的梯度修正法作为权值修改算法,对选取的相似日样本集分别进行训练。
1.根据光伏发电功率函数,选取太阳辐照强度和温度为光伏发电功率影响要素,运用统计规律,量化天气因素影响,对天气类型进行数值编码,具体如下:
单位面积的光伏系统发电功率Ps计算公式:
Ps=ηSI(1-0.005(T0+25))
式中,I为光照强度kW/m2;η为光伏电池转换效率;T0为环境温度,℃;S为光伏阵列的面积,m2。
历史发电量数据中已包含阵列转换效率η和阵列面积S等参数,但太阳辐照强度I和环境温度t0等外界影响因素的变化需在模型输入变量中考虑。当天气类型发生变化时太阳辐射强度也会发生变化,为保证天气类型突变时的模型预测精度,将天气类型作为预测模型输入变量之一。天气预报中给出的天气参数一般为比较模糊的类型描述:如晴天、晴天到多云、阴天、阴天有小雨、小雨转大雨等。通过对大量有效的历史发电数据进行统计分析,将模糊的描述性类型转换为可被BP神经网络算法所接受的数值。本发明根据不断完善的光伏监控系统数据库将天气类型描述信息映射为0~1之间的天气类型指数作为预测模型的输入变量。
2.构造天气类型特征向量,并对特征向量各分量进行归一化,定义相似度计算方法,选取与预测日气象条件相似的历史日。
21)分析光伏发电功率特性,可知光伏电站输出功率主要与历史日发电量数据(包含阵列转换效率η和阵列面积S等参数)、温度(T0)、太阳辐射强度(I,由天气类型指数w反映)相关。据此构造每天气象特征向量:
Y=[Tmax Tmin w]
式中,Tmax为最高温、Tmin为最低温、w为天气类型指数。
22)采用“极差法”进行归一化,公式如下:
式中,yi(j)是第i日的第j分量;m(j)和M(j)分别为第j个分量的最小值和最大值,j=1,2,3。
归一化后基准日和第j日的特征向量为:
x0=[x0(1),x0(2),x0(3)]T
xj=[xj(1),xj(2),xj(3)]T
23)计算x0和xj在第k个因素的关联系数:
式中,ρ是分辨系数,其值一般取0.5;
24)综合各影响因素的关联系数,定义x0和xj的相似度:
采用连乘方式定义相似度,可以简单自动识别主导因素,解决各因素权重设定问题。
3.设计一种双隐层BP神经网络,将量化后的气象因素加入模型输入变量,并采用附加动量与变学习率结合的梯度修正法作为权值修改算法,对选取的相似日样本集分别进行训练。
31)设计预测模型结构
采用16个输入变量,由于处于夜间的12个时间点光伏阵列的发电量基本为0,故选取白天的12个发电时间序列(7:00-18:00)作为预测模型的12个输入变量,相似日的最高气温和最低气温作为预测模型的2个输入变量,最后两个输入变量是预测日的最高气温和最低气温。
采用12个输出变量,预测模型输出的是预测日白天12个时间点的发电功率,对应预测日的发电量序列。
采用双隐层,以训练时间为代价换取更高的预测精度。隐层节点数选取应根据实际情况具体分析。如果隐含层节点数过少,可能无法概括样本数据的内在规律;如果隐含层节点数过多,则可能出现过度拟合。确定隐含层节点数的经验公式如下:
m=log2n
式中,n表示输入层节点数,m表示隐含层节点数,l表示输出层节点数。
a为1~5的常数。
32)权值修改算法
传统BP神经网络权值修改算法:
wij(t+1)=wij(t)+Δwij(t)
加入附加动量后网络权值修改算法:
wij(t+1)=wij(t)+Δwij(t)+α[wij(t)-wij(t-1)]
式中,α为动量因子,一般取0.95。
加入变学习率后网络权值修改算法:
wij(t+1)=wij(t)+η(t)Δwij *(t)+α[wij(t)-wij(t-1)]
η(t)=ηmax-t(ηmax-ηmin)/tmax
式中,Δwij*(t)为Δwij(t)提取出因式η(t)后的剩余部分,ηmax为最大学习率,ηmin为最小学习率,tmax为最大迭代次数,t为当前迭代次数。
有益效果:本发明与现有技术相比较,具有以下优点:
光伏发电系统的输出功率受气象因素影响较大,将天气类型编码量化后作为预测模型输入量,能降低天气变化对预测精度的影响。不同天气类型的发电功率曲线明显不同,利用相似历史日发电量数据来预测未来光伏电站输出功率比直接利用历史日发电量数据预测精度更高。在训练BP神经网络时,权值的学习算法结合附加动量与变学习率,使模型既能较快收敛,又减少模型陷入局部最优解的可能性。精确的光伏发电功率预测有利于电网规划与调度,对大规模光伏电站平稳安全接入电网至关重要。
附图说明
图1为本发明方法流程示意图。
图2为我国某地实际气象数据相似日选取结果图。
图3为BP神经网络模型结构示意图。
图4为BP神经网络训练步骤流程图。
图5为我国某光伏电站实际预测结果图。
具体实施方式
下面结合附图对本发明的具体实施方式作更进一步的说明。
1.选取相似日
1)构造的气象特征向量:
Y=[Tmax Tmin w],
其中,Tmax为最高温、Tmin为最低温、w为天气类型指数。
2)采用“极差法”对各分量进行归一化,公式如下:
式中,xi(j)是归一化后的第i日的第j分量;yi(j)是第i日的第j分量;m(j)和M(j)分别为第j个分量的最小值和最大值,j=1,2,3。
归一化后基准日和第j日的特征向量为:
x0=[x0(1),x0(2),x0(3)]T
xj=[xj(1),xj(2),xj(3)]T
3)计算x0和xj在第k个因素的关联系数,这里的第K个因素是指影响光伏发电功率的温度、太阳辐射强度等因素:
式中,ρ是分辨系数,其值一般取0.5;
4)综合各影响因素的关联系数,定义x0和xj的相似度:
采用连乘方式定义相似度,可以简单自动识别主导因素,解决各因素权重设定问题。
根据上述相似日选取原理,编写相似日选取算法,并利用我国某地实际气象数据,分别选取:(1)日类型为晴天、最高温度30℃、最低温度17℃的20个相似日;(2)日类型为多云、最高温度30℃、最低温度20℃的20个相似日,结果如附图2、表1和表2。
2.预测模型结构设计与训练:
1)结构设计
预测模型结构如附图3。
采用16个输入变量,选取白天的12个发电时间序列(7:00-18:00)作为预测模型的12个输入变量,相似日的最高气温和最低气温作为预测模型的2个输入变量,最后两个输入变量是预测日的最高气温和最低气温
采用12个输出变量,预测模型输出的是预测日白天12个时间点的发电功率,对应预测日的发电量序列。
采用两个隐层,根据隐含层节点数的经验公式取8个隐层节点。
2)模型训练
假设我们采用相似日样本集的第一个样本开始对神经网络进行训练,训练流程如附图4。
首先由样本给出BP神经网络的输入量和理论目标输出;
然后计算隐含层、输出层各节点的输入输出。对于隐含层的第j个节点,其输入的具体表达式为:隐含层输出的表达式为:Oj=f(netj),式中为隐含层的激励函数。隐含层的第j个输出Oj通过隐含层和输出层连接权值wjk传播到输出层的第k个节点,则第k个节点的输入表达式可表示为:输出层的第k个节点的输出表达式可表示为:Ok=f(netk)。
如果神经网络的计算输出与理论目标输出(教师数据)不相同,我们需要对神经网络的连接权值进行不断修正,连接权值的修正算法如下:
wij(t+1)=wij(t)+η(t)Δwij *(t)+α[wij(t)-wij(t-1)]
η(t)=ηmax-t(ηmax-ηmin)/tmax
式中,wij为连接权值,α为动量因子,取0.95;Δwij*(t)为Δwij(t)提取出因式η(t)后的剩余部分,ηmax为最大学习率,ηmin为最小学习率,tmax为最大迭代次数,t为当前迭代次数。
当神经网络的计算输出尽量接近教师数据的目标输出值时,完成一次相似日样本训练。取相似日样本集中其余样本,反复对BP神经网络进行训练。
3.预测实例
利用我国某光伏电站实测数据对预测模型进行训练后,对光伏电站某天的输出功率进行预测。预测结果如附图5、表3和表4。
将待预测日的天气类型映射到天气类型指数,构造预测日天气特征向量,根据相似日选取算法,选出20个相似日构成相似日样本集,利用此样本集对BP神经网络进行训练,训练完成后利用相似度最高的历史日发电量数据作为模型输出,计算网络输出Pf,并与目标输出Pa相比较,评估预测精度。
对神经网络发电预测模型的评估有很多方法,如平均绝对偏差、均反差、平均绝对百分比误差等。最常用的还是平均绝对百分比误差MAPE。
式中,Pa为实际功率输出,Pf为预测功率输出,为序列数据的总数,为数据的序号。
如表3、4所示,计算预测模型在晴天的MAPE为5.23871%;而多云天气在处理最后一个时间点的功率误差时,因实际功率值很小,导致功率相对误差太大,剔除这一个时刻的相对误差后计算预测模型在多云天气的MAPE为20.89%。对于晴天的发电功率预测比对于多云天气的预测精度要高。这是因为晴天的光伏功率输出较为平稳,功率随时间变化连续性较高,而多云天气功率输出波动大,功率随时间变化连续性较低,发电量随机性增强,预测难度大。虽然预测模型的预测结果与实际发电量有一定差距,但对于光伏发电系统配合电力系统调度中心提前制定发电计划仍有较高的参考价值。
Claims (5)
1.一种光伏发电系统功率预测方法,其特征在于包括如下步骤:
步骤一:根据光伏发电功率函数,选取太阳辐照强度和温度为光伏发电功率影响要素,对天气类型进行数值编码;
步骤二:构造天气类型特征向量,并对特征向量各分量进行归一化,定义相似度计算方法,选取与预测日气象条件相似的历史日;
步骤三:双隐层BP神经网络,将量化后的气象因素加入模型输入变量,并采用附加动量与变学习率结合的梯度修正法作为权值修改算法,对选取的相似日样本集分别进行训练。
2.根据权利要求1所述的光伏发电系统功率预测方法,其特征在于上述步骤一:根据光伏发电功率函数,选取太阳辐照强度和温度为光伏发电功率影响要素,对天气类型进行数值编码;包括如下步骤:
单位面积的光伏系统发电功率Ps计算公式:
Ps=ηSI(1-0.005(T0+25))
式中,I为光照强度kW/m2;η为光伏电池转换效率;T0为环境温度,℃;S为光伏阵列的面积,m2。
3.根据权利要求1所述的光伏发电系统功率预测方法,其特征在于上述步骤二:构造天气类型特征向量,并对特征向量各分量进行归一化,定义相似度计算方法,选取与预测日气象条件相似的历史日,包括如下具体步骤:
21)分析光伏发电功率特性,得到光伏电站输出功率与历史日发电量数据(包含阵列转换效率η和阵列面积S)、温度(T0)、太阳辐射强度(I,由天气类型指数w反映)相关;据此构造每天气象特征向量Y:
Y=[Tmax Tmin w]
式中,Tmax为最高温、Tmin为最低温、w为天气类型指数;
22)采用“极差法”进行归一化,公式如下:
式中,xi(j)是归一化后的第i日的第j分量;yi(j)是第i日的第j分量;m(j)和M(j)分别为第j个分量的最小值和最大值,j=1,2,3;
归一化后基准日和第j日的特征向量为:
x0=[x0(1),x0(2),x0(3)]T
xj=[xj(1),xj(2),xj(3)]T
23)计算x0和xj在第k个因素的关联系数:
式中,ρ是分辨系数,取值为0.5;
24)综合各影响因素的关联系数,定义x0和xj的相似度:
采用连乘方式定义相似度,自动识别主导因素,解决各因素权重设定问题。
4.根据权利要求1所述的光伏发电系统功率预测方法,其特征在于上述步骤三:设计一种双隐层BP神经网络,将量化后的气象因素加入模型输入变量,并采用附加动量与变学习率结合的梯度修正法作为权值修改算法,对选取的相似日样本集分别进行训练,包括如下步骤:
31)设计预测模型结构
选取白天的12个发电时间序列(7:00-18:00)作为预测模型的12个输入变量,相似日的最高气温和最低气温作为预测模型的2个输入变量,最后两个输入变量是预测日的最高气温和最低气温;
采用12个输出变量,预测模型输出的是预测日白天12个时间点的发电功率,对应预测日的发电量序列;
确定隐含层节点数的:
m=log2n
式中,n表示输入层节点数,m表示隐含层节点数,l表示输出层节点数;a为1~5的常数;
32)权值修改算法
附加动量与变学习率结合的梯度修正法作为权值修改算法:
wij(t+1)=wij(t)+η(t)Δwij *(t)+α[wij(t)-wij(t-1)]
η(t)=ηmax-t(ηmax-ηmin)/tmax
式中,wij为连接权值,α为动量因子,取0.95;Δwij*(t)为Δwij(t)提取出因式η(t)后的剩余部分,ηmax为最大学习率,ηmin为最小学习率,tmax为最大迭代次数,t为当前迭代次数。
5.根据权利要求4所述的光伏发电系统功率预测方法,其特征在于上述对选取的相似日样本集分别进行训练,包括如下步骤:
假设我们采用相似日样本集的第一个样本开始对神经网络进行训练,
首先由样本给出BP神经网络的输入量和理论目标输出;
然后计算隐含层、输出层各节点的输入输出。对于隐含层的第j个节点,其输入的具体表达式为:隐含层输出的表达式为:Oj=f(netj),式中为隐含层的激励函数;隐含层的第j个输出Oj通过隐含层和输出层连接权值wjk传播到输出层的第k个节点,则第k个节点的输入表达式可表示为:输出层的第k个节点的输出表达式可表示为:Ok=f(netk);
如果神经网络的计算输出与理论目标输出(教师数据)不相同,我们需要对神经网络的连接权值进行不断修正,连接权值的修正算法如下:
wij(t+1)=wij(t)+η(t)Δwij *(t)+α[wij(t)-wij(t-1)]
η(t)=ηmax-t(ηmax-ηmin)/tmax
式中,α为动量因子,取值0.95,Δwij*(t)为Δwij(t)提取出因式η(t)后的剩余部分,ηmax为最大学习率,ηmin为最小学习率,tmax为最大迭代次数,t为当前迭代次数;
当神经网络的计算输出尽量接近教师数据的目标输出值时,完成一次相似日样本训练;取相似日样本集中其余样本,反复对BP神经网络进行训练;直到所有样本训练完毕,则停止训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811606312.1A CN109858673A (zh) | 2018-12-27 | 2018-12-27 | 一种光伏发电系统功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811606312.1A CN109858673A (zh) | 2018-12-27 | 2018-12-27 | 一种光伏发电系统功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109858673A true CN109858673A (zh) | 2019-06-07 |
Family
ID=66892672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811606312.1A Pending CN109858673A (zh) | 2018-12-27 | 2018-12-27 | 一种光伏发电系统功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858673A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298603A (zh) * | 2019-07-08 | 2019-10-01 | 华北电力大学(保定) | 分布式光伏系统容量估计方法 |
CN110796292A (zh) * | 2019-10-14 | 2020-02-14 | 国网辽宁省电力有限公司盘锦供电公司 | 计及雾霾影响的光伏功率短期预测方法 |
CN110956304A (zh) * | 2019-10-17 | 2020-04-03 | 国网河南省电力公司鹤壁供电公司 | 一种基于ga-rbm的分布式光伏发电量短期预测方法 |
CN111191854A (zh) * | 2020-01-10 | 2020-05-22 | 上海积成能源科技有限公司 | 一种基于线性回归及神经网络的光伏发电预测模型和方法 |
CN111539846A (zh) * | 2020-04-22 | 2020-08-14 | 上海电力大学 | 基于天气类型细分的光伏功率预测方法 |
CN111680826A (zh) * | 2020-05-14 | 2020-09-18 | 沂南力诺太阳能电力工程有限公司 | 一种光伏发电量预测分析方法 |
CN111815045A (zh) * | 2020-07-02 | 2020-10-23 | 云南电网有限责任公司电力科学研究院 | 一种基于Encoder-Decoder模型的光伏发电功率预测方法 |
CN111898812A (zh) * | 2020-07-17 | 2020-11-06 | 国网江苏省电力有限公司南京供电分公司 | 一种分布式光伏数据虚拟采集方法 |
CN111985678A (zh) * | 2020-07-06 | 2020-11-24 | 上海交通大学 | 一种光伏功率短期预测方法 |
CN112257941A (zh) * | 2020-10-28 | 2021-01-22 | 福州大学 | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 |
CN112366708A (zh) * | 2020-11-30 | 2021-02-12 | 深圳市汇拓新邦科技有限公司 | 一种充电管理方法、装置、设备及存储介质 |
CN112561189A (zh) * | 2020-12-23 | 2021-03-26 | 宁夏中科嘉业新能源研究院(有限公司) | 一种适用于光伏电站发电量预测方法 |
CN112636396A (zh) * | 2020-12-24 | 2021-04-09 | 国网河北省电力有限公司电力科学研究院 | 光伏配电网控制方法及终端 |
CN112949921A (zh) * | 2021-02-26 | 2021-06-11 | 杭州电子科技大学 | 基于光伏组件发电效率估算的光伏面板积尘度评测方法 |
CN113298304A (zh) * | 2021-05-19 | 2021-08-24 | 河海大学 | 基于多维气象预报因子图卷积的光伏发电功率预测方法 |
CN113627070A (zh) * | 2021-05-24 | 2021-11-09 | 国网新疆电力有限公司经济技术研究院 | 一种短期光伏功率预测方法 |
CN113762646A (zh) * | 2021-10-15 | 2021-12-07 | 国网山东省电力公司菏泽供电公司 | 一种光伏短期功率智能预测方法及系统 |
CN114048896A (zh) * | 2021-10-27 | 2022-02-15 | 国核自仪系统工程有限公司 | 光伏发电数据的预测方法、系统、设备及介质 |
CN114109793A (zh) * | 2021-11-25 | 2022-03-01 | 深圳市卓立智能制造有限公司 | 电磁泵输出功率控制方法、系统和电子设备 |
CN116542882A (zh) * | 2023-07-06 | 2023-08-04 | 浙江大学 | 光伏发电平滑方法、系统和存储介质 |
CN117498770A (zh) * | 2023-12-29 | 2024-02-02 | 江西联合能源有限公司 | 基于农光互补的太阳能光伏发电系统 |
CN117791572A (zh) * | 2023-12-19 | 2024-03-29 | 重庆千信新能源有限公司 | 基于区块链网络进行光伏电力预测评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
-
2018
- 2018-12-27 CN CN201811606312.1A patent/CN109858673A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298603B (zh) * | 2019-07-08 | 2021-12-14 | 华北电力大学(保定) | 分布式光伏系统容量估计方法 |
CN110298603A (zh) * | 2019-07-08 | 2019-10-01 | 华北电力大学(保定) | 分布式光伏系统容量估计方法 |
CN110796292A (zh) * | 2019-10-14 | 2020-02-14 | 国网辽宁省电力有限公司盘锦供电公司 | 计及雾霾影响的光伏功率短期预测方法 |
CN110956304A (zh) * | 2019-10-17 | 2020-04-03 | 国网河南省电力公司鹤壁供电公司 | 一种基于ga-rbm的分布式光伏发电量短期预测方法 |
CN111191854A (zh) * | 2020-01-10 | 2020-05-22 | 上海积成能源科技有限公司 | 一种基于线性回归及神经网络的光伏发电预测模型和方法 |
CN111539846A (zh) * | 2020-04-22 | 2020-08-14 | 上海电力大学 | 基于天气类型细分的光伏功率预测方法 |
CN111539846B (zh) * | 2020-04-22 | 2022-10-25 | 上海电力大学 | 基于天气类型细分的光伏功率预测方法 |
CN111680826A (zh) * | 2020-05-14 | 2020-09-18 | 沂南力诺太阳能电力工程有限公司 | 一种光伏发电量预测分析方法 |
CN111815045A (zh) * | 2020-07-02 | 2020-10-23 | 云南电网有限责任公司电力科学研究院 | 一种基于Encoder-Decoder模型的光伏发电功率预测方法 |
CN111815045B (zh) * | 2020-07-02 | 2022-12-16 | 云南电网有限责任公司电力科学研究院 | 一种基于Encoder-Decoder模型的光伏发电功率预测方法 |
CN111985678A (zh) * | 2020-07-06 | 2020-11-24 | 上海交通大学 | 一种光伏功率短期预测方法 |
CN111898812A (zh) * | 2020-07-17 | 2020-11-06 | 国网江苏省电力有限公司南京供电分公司 | 一种分布式光伏数据虚拟采集方法 |
CN111898812B (zh) * | 2020-07-17 | 2022-10-04 | 国网江苏省电力有限公司南京供电分公司 | 一种分布式光伏数据虚拟采集方法 |
CN112257941B (zh) * | 2020-10-28 | 2023-04-18 | 福州大学 | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 |
CN112257941A (zh) * | 2020-10-28 | 2021-01-22 | 福州大学 | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 |
CN112366708A (zh) * | 2020-11-30 | 2021-02-12 | 深圳市汇拓新邦科技有限公司 | 一种充电管理方法、装置、设备及存储介质 |
CN112561189A (zh) * | 2020-12-23 | 2021-03-26 | 宁夏中科嘉业新能源研究院(有限公司) | 一种适用于光伏电站发电量预测方法 |
CN112636396A (zh) * | 2020-12-24 | 2021-04-09 | 国网河北省电力有限公司电力科学研究院 | 光伏配电网控制方法及终端 |
CN112949921B (zh) * | 2021-02-26 | 2023-10-31 | 杭州电子科技大学 | 基于光伏组件发电效率估算的光伏面板积尘度评测方法 |
CN112949921A (zh) * | 2021-02-26 | 2021-06-11 | 杭州电子科技大学 | 基于光伏组件发电效率估算的光伏面板积尘度评测方法 |
CN113298304A (zh) * | 2021-05-19 | 2021-08-24 | 河海大学 | 基于多维气象预报因子图卷积的光伏发电功率预测方法 |
CN113627070A (zh) * | 2021-05-24 | 2021-11-09 | 国网新疆电力有限公司经济技术研究院 | 一种短期光伏功率预测方法 |
CN113762646A (zh) * | 2021-10-15 | 2021-12-07 | 国网山东省电力公司菏泽供电公司 | 一种光伏短期功率智能预测方法及系统 |
CN114048896A (zh) * | 2021-10-27 | 2022-02-15 | 国核自仪系统工程有限公司 | 光伏发电数据的预测方法、系统、设备及介质 |
CN114048896B (zh) * | 2021-10-27 | 2023-02-03 | 国核自仪系统工程有限公司 | 光伏发电数据的预测方法、系统、设备及介质 |
CN114109793B (zh) * | 2021-11-25 | 2023-09-01 | 深圳市卓立智能制造有限公司 | 往复电磁泵输出功率稳定控制方法、系统和电子设备 |
CN114109793A (zh) * | 2021-11-25 | 2022-03-01 | 深圳市卓立智能制造有限公司 | 电磁泵输出功率控制方法、系统和电子设备 |
CN116542882A (zh) * | 2023-07-06 | 2023-08-04 | 浙江大学 | 光伏发电平滑方法、系统和存储介质 |
CN116542882B (zh) * | 2023-07-06 | 2023-09-19 | 浙江大学 | 光伏发电平滑方法、系统和存储介质 |
CN117791572A (zh) * | 2023-12-19 | 2024-03-29 | 重庆千信新能源有限公司 | 基于区块链网络进行光伏电力预测评估方法 |
CN117498770A (zh) * | 2023-12-29 | 2024-02-02 | 江西联合能源有限公司 | 基于农光互补的太阳能光伏发电系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858673A (zh) | 一种光伏发电系统功率预测方法 | |
CN107910863B (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 | |
CN105631558A (zh) | 基于相似日的bp神经网络光伏发电系统功率预测方法 | |
CN110474339B (zh) | 一种基于深度发电负荷预测的电网无功控制方法 | |
Guo et al. | Study on short-term photovoltaic power prediction model based on the Stacking ensemble learning | |
CN103390202B (zh) | 一种基于相似数据选取的光伏电站输出功率预测方法 | |
CN116187601B (zh) | 一种基于负荷预测的综合能源系统运行优化方法 | |
CN105184678A (zh) | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 | |
Zhang et al. | Wavelet-based neural network with genetic algorithm optimization for generation prediction of PV plants | |
CN103218674A (zh) | 基于bp神经网络模型的光伏发电系统输出功率预测方法 | |
CN109002915A (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
CN107256436B (zh) | 蓄热电锅炉与清洁能源的预测匹配和消纳控制方法 | |
CN106503851A (zh) | 一种改进的基于小波分析的短期电力负荷预测方法 | |
CN109886567A (zh) | 一种考虑体感温度和辐射强度的短期负荷预测方法 | |
Liu et al. | Research on short-term optimization for integrated hydro-PV power system based on genetic algorithm | |
CN112348276A (zh) | 基于多要素三层次的综合能源系统规划优化方法 | |
CN108075471B (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
CN105678415A (zh) | 一种分布式电源配电网的净负荷预测方法 | |
Xin | Forecast of photovoltaic generated power based on WOA-LSTM | |
Xu et al. | Influence of different optimization aalgorithms on prediction accuracy of photovoltaic output power based on BP neural network | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
CN114444805A (zh) | 多光伏电站共享储能系统平滑出力的控制方法 | |
CN110147908A (zh) | 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 | |
Guo et al. | The artificial intelligence-assisted short-term optimal scheduling of a cascade hydro-photovoltaic complementary system with hybrid time steps | |
CN109767353A (zh) | 一种基于概率分布函数的光伏发电功率预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190607 |