CN110084430A - 一种考虑时空特性设计分布式光伏出力预测模型的方法 - Google Patents
一种考虑时空特性设计分布式光伏出力预测模型的方法 Download PDFInfo
- Publication number
- CN110084430A CN110084430A CN201910359176.9A CN201910359176A CN110084430A CN 110084430 A CN110084430 A CN 110084430A CN 201910359176 A CN201910359176 A CN 201910359176A CN 110084430 A CN110084430 A CN 110084430A
- Authority
- CN
- China
- Prior art keywords
- power output
- photovoltaic power
- photovoltaic
- value
- prediction
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种考虑时空特性设计分布式光伏出力预测模型的方法,该方法分析了不同变量对光伏出力的影响,对原始数据进行筛选;应用Copul a理论和Pair‑copul a理论,分别建立单点光伏出力和多点光伏出力的概率预测模型。
Description
技术领域
本发明涉及一种用于光伏发电领域的考虑时空特性进行分布式光伏出力预测的方法。
背景技术
化石燃料的大量使用给环境带来了恶劣影响,也严重制约了社会发展的良好趋势。太阳能等凭借其清洁、无污染和可再生等优点,给新能源利用与发展带来了曙光。然而太阳能资源的不确定性与随机性导致的光伏出力波动给电力系统调度与平稳运行带来了挑战。因此,对光伏出力准确进行预测对电力系统规划、实现“两个替代”具有重要意义。
已有的研究主要通过选择算法对模型进行改进,忽略了筛选原始数据的重要性,在提高预测精度方面存在瓶颈;且相关研究主要集中在确定性预测方面,针对给定时刻给出确定性的预测值,无法有效应对光伏出力的波动性。
目前,国内外的研究主要集中在对单点光伏出力的预测,通过统计方法或者物理建模预测单点光伏发电功率。但是,对光伏电站群出力的预测的研究成果和工程应用较少。随着国内光伏产业的迅猛发展,大量光伏电站将建成并投入使用,为确保大规模光伏电站安全可靠并网,进行光伏电站群出力预测的研究至关重要。
发明内容
本发明的目的是为了克服现有技术的不足,提供一种考虑时空特性设计分布式光伏出力预测模型的方法,该方法分析了不同变量对光伏出力的影响,对原始数据进行筛选;应用Copula理论和Pair-copula理论,分别建立单点光伏出力和多点光伏出力的概率预测模型。
实现上述目的的一种技术方案是:一种考虑时空特性设计分布式光伏出力预测模型的方法,包括以下步骤:
步骤1,基于地表太阳辐照度、温度、云层厚度的影响因素,建立输入选择策略和基于神经网络的光伏出力初步预测模型;
步骤2,考虑到天气因素的随机性,应用Copula理论建立单点光伏出力的条件概率分布,在预测可能出现的出力值的同时给出相应概率;
步骤3,对多个光伏电站进行聚类分析,将强相关性电站聚为一类,依据Pair-copula理论构建联合出力的条件概率分布,建立多点光伏出力的概率预测模型;
步骤4,基于实际电力应用场景,利用历史出力数据训练和校验多点光伏出力的概率预测模型。
进一步的,所述步骤1,其具体方法为:
选择地表太阳辐射为基础变量,作为神经网络的输入,并调整隐藏层神经元数量、学习率以及阈值,得到初步的预测精度,依次将温度、云层厚度变量加入至输入层,并调整隐藏层神经元数量、学习率以及阈值,观察预测精度的变化情况,若新变量的加入使预测精度提高,则保留此变量作为模型的输入,反之,舍弃该变量,最终确定输入变量,建立输入选择策略和基于神经网络的光伏出力初步预测模型。
进一步的,所述步骤2中,具体方法为:
步骤2.1:统计历史光伏出力的实际值和点预测值,得到两者的概率密度函数和累积分布;选取Beta模型描述光伏电站的预测值和实际值的变化趋势,Beta分布的概率密度函数为:
其中a(a>0)和b(b>0)为Beta分布函数的形状参数,决定了Beta分布函数的性质;B(a,b)为Beta函数,
通过统计历史光伏出力点预测值和实际值得到各自Beta分布的形状参数a和b,进而得到点预测值和实际值的累积分布以及概率密度函数;
步骤2.2:求解光伏出力实际值和预测值之间的Kendall秩相关系数,对Copula函数进行参数识别,得到描述实际值和预测值相关性的Copula函数;
步骤2.3:记光伏出力实际值为x,光伏出力预测值为y,基于Copula理论,可以写出两者的联合概率密度函数
其中fxy(x,y)为光伏出力x和y的联合分布函数,fx(x)和fy(y)分别为x和y的边缘概率分布函数,C(Fx(x),Fy(y))为Copula概率密度函数;
若给定点预测值y=p,则实际值的条件概率密度函数fX|Y(x|y)可以表示为:
求解上式右侧两个函数,即可对光伏出力进行概率预测。
进一步的,所述步骤3中,具体方法为:
步骤3.1:对目标光伏电站群进行聚类分析,采用凝聚式层次聚类,先使每组数据各自成为一类,选择距离最近的两类合并成一类,再计算新类之间的距离,并选择最近的类进行合并,直到所有的类聚成一类;
步骤3.2:统计各类电站的光伏出力值和光伏电站群总出力值,得到各自的概率密度函数和累积分布函数;
步骤3.3:对各类电站出力及总出力进行二维Copula函数的参数识别,得到一系列偏相关系数;
步骤3.4:求解Pair-copula函数的相关系数:
Pair-copula函数的相关性参数ρ可以通过以下公式求取:
其中ρj,j+1|1,…,j-1是给定(x1,x2,…,xj-1)时xj和xj+i的偏相关系数,ρj-1,j|1,…,j-2是给定(x1,x2,…,xj-2)时xj-1和xj的偏相关系数;
步骤3.5:确定多点光伏出力的概率预测模型:
对于n-1个光伏电站,(x1,x2,…,xn-1)表示各个光伏电站的出力,xn表示总的出力,若已知各光伏电站单独出力,总出力xn的条件概率密度函数为:
其中Cn-i,n|1,2,…,n-i-1是Pair-copula函数,根据步骤3.4得到,f(xn)是总出力xn的概率密度函数。
进一步的,所述步骤4中,具体实施步骤为:
步骤4.1:根据2014年全球能源预测竞赛数据,筛选原始数据,得到单点光伏出力基于神经网络的确定性预测模型;
步骤4.2:根据历史数据,得到点预测值和实际值的累积分布、概率密度函数以及两者之间的Kendall秩相关系数,进而建立单个光伏电站的概率预测模型;
步骤4.3:利用已建立的单个光伏电站的概率预测模型进行预测,并对预测结果进行分析;
步骤4.4:选取北美53座太阳能场址进行聚类分析,根据聚类分析结果选择代表光伏电站,并计算偏相关系数和Pair-copula相关系数,建立多点光伏电站的概率预测模型;
步骤4.5:利用已建立的多点光伏电站模型进行预测,并对预测结果进行分析。
本发明提出一种考虑时空特性设计分布式光伏出力预测模型的方法,具有如下有益效果:
1.本发明提出了一种考虑时空特性设计分布式光伏出力预测模型的方法,通过相关性分析筛选原始数据,有效提高预测精度;
2.本发明建立了单个光伏电站的概率预测模型,其预测结果包含更多的信息,能够有效应对光伏出力的波动性;
3.本发明建立了多个光伏电站的概率预测模型,对于大规模光伏电站群的出力预测有着重要意义。
具体实施方式
为了能更好地对本发明的技术方案进行理解,下面通过具体地实施例进行详细地说明:
本发明的一种考虑时空特性设计分布式光伏出力预测模型的方法,包括以下步骤:
步骤1,基于地表太阳辐照度、温度、云层厚度等影响因素,建立输入选择策略和基于神经网络的光伏出力初步预测模型;
步骤2,考虑到天气因素的随机性,应用Copula理论建立单点光伏出力的条件概率分布,在预测可能出现的出力值的同时给出相应概率;
步骤3,对多个光伏电站进行聚类分析,将强相关性电站聚为一类,依据Pair-copula理论构建联合出力的条件概率分布,建立多点光伏出力的概率预测模型;
步骤4,基于实际电力应用场景,利用历史出力数据训练和校验多点光伏出力的概率预测模型,并对预测结果进行分析。
所述步骤1,其具体方法如下:
影响光伏出力的因素很多,其对应的原始数据数量也非常庞大,不同影响因素间存在着相关关系。对这些因素进行相关性分析,选择与光伏出力相关性强的因素作为输入变量,将大大减小训练数据的规模,提高训练速度,同时也能使预测精度得到提高。
地表太阳辐射对光伏出力有着非常大的影响,因此选择地表太阳辐射为基础变量,作为神经网络的输入,并调整隐藏层神经元数量、学习率以及阈值,得到初步的预测精度,依次将温度、云层厚度等变量加入至输入层,并调整隐藏层神经元数量、学习率以及阈值,观察预测精度的变化情况,若新变量的加入使预测精度提高,则保留此变量作为模型的输入,反之,舍弃该变量,最终确定输入变量,建立输入选择策略和基于神经网络的光伏出力初步预测模型。
所述步骤2中,具体方法为:
步骤2.1:统计历史光伏出力的实际值和点预测值,得到两者的概率密度函数和累积分布;选取Beta模型描述光伏电站的预测值和实际值的变化趋势,Beta分布的概率密度函数为:
其中a(a>0)和b(b>0)为Beta分布函数的形状参数,决定了Beta分布函数的性质;B(a,b)为Beta函数,
通过统计历史光伏出力点预测值和实际值得到各自Beta分布的形状参数a和b,进而得到点预测值和实际值的累积分布以及概率密度函数;
步骤2.2:求解光伏出力实际值和预测值之间的Kendall秩相关系数,对Copula函数进行参数识别,得到描述实际值和预测值相关性的Copula函数;
步骤2.3:记光伏出力实际值为x,光伏出力预测值为y,基于Copula理论,可以写出两者的联合概率密度函数
其中fxy(x,y)为光伏出力x和y的联合分布函数,fx(x)和fy(y)分别为x和y的边缘概率分布函数,C(Fx(x),Fy(y))为Copula概率密度函数;
若给定点预测值y=p,则实际值的条件概率密度函数fX|Y(x|y)可以表示为:
求解上式右侧两个函数,即可对光伏出力进行概率预测。
所述步骤3中,具体方法为:
步骤3.1:对目标光伏电站群进行聚类分析,采用凝聚式层次聚类,先使每组数据各自成为一类,选择距离最近的两类合并成一类,再计算新类之间的距离,并选择最近的类进行合并,直到所有的类聚成一类;
步骤3.2:统计各类电站的光伏出力值和光伏电站群总出力值,得到各自的概率密度函数和累积分布函数;
步骤3.3:对各类电站出力及总出力进行二维Copula函数的参数识别,得到一系列偏相关系数;
步骤3.4:求解Pair-copula函数的相关系数:
Pair-copula函数的相关性参数ρ可以通过以下公式求取:
其中ρj,j+1|1,…,j-1是给定(x1,x2,…,xj-1)时xj和xj+i的偏相关系数,ρj-1,j|1,…,j-2是给定(x1,x2,…,xj-2)时xj-1和xj的偏相关系数;
步骤3.5:确定多点光伏出力的概率预测模型:
对于n-1个光伏电站,(x1,x2,…,xn-1)表示各个光伏电站的出力,xn表示总的出力,若已知各光伏电站单独出力,总出力xn的条件概率密度函数为:
其中Cn-i,n|1,2,…,n-i-1是Pair-copula函数,根据步骤3.4得到,f(xn)是总出力xn的概率密度函数。
对于步骤4中,基于实际电力应用场景,利用历史出力数据训练和校验模型,并对预测结果进行分析。
步骤4.1:根据2014年全球能源预测竞赛数据,筛选原始数据,得到单点光伏出力基于神经网络的确定性预测模型。根据2014年全球能源预测竞赛,选择地表太阳辐射作为基础变量,调整参数得到初步的神经网络模型,再逐渐添加其他变量并进行参数调整,最终选择地表太阳辐射、温度作为输入变量。由于天气特征存在连续性,前一日的光伏出力和待预测日的出力之间存在相关性,所以将待预测日前一天同一时刻((t-24)时刻)的实际光伏出力输入神经网络。因此最终确定的神经网络输入为地表太阳辐射、温度和(t-24)时刻的实际出力值。另外,不同季节的光照强度、日照时长、云量等气象因素有很大差异,抵达地表的太阳辐射度有较大差异,光伏发电功率会随之变化。故对春夏秋冬四个季节分别进行建模:春季(3月、4月和5月),夏季(6月、7月和8月),秋季(9月、10月和11月),冬季(12月、次年1月和2月)。
步骤4.2:基于步骤(4-1)的初步模型,可以得到光伏预测值,根据历史数据,得到点预测值和实际值的累积分布、概率密度函数以及两者之间的Kendall秩相关系数,进而建立单个光伏电站的概率预测模型;通过统计历史光伏出力点预测值和实际值得到各自Beta分布的形状参数a和b,进而得到点预测值和实际值的累积分布以及概率密度函数。四个季节Beta分布的形状参数如表1所示。
表1南半球某电站光伏出力预测值和实际值的分布系数
选择Kendall秩相关系数描述点预测值和实际值之间的相关性,待预测光伏电站四个季节预测值和实测值之间的Kendall相关系数如表2所示;可以看出四个季节的Kendall秩相关系数差异较明显,说明不同季节模型及其预测精度存在差异,证明了分季节进行建模的必要性。
表2光伏出力预测值和实际值的Kendall秩相关系数
步骤4.3:利用已建立的单个光伏电站的概率预测模型进行预测,并对预测结果进行分析。选取点预测为0.3时的情况,可得:(1)四个季节的基于Copula理论得到概率密度函数的与光伏发电实际值分布情况都较为吻合,证明本文所建立的光伏出力预测概率模型的合理性,该模型能够实现光伏出力的概率预测;(2)与确定性预测相比,概率预测更接近于实际的光伏出力情况,包含更多的信息,有更好的预测效果;(3)四个季节在点预测值为0.3时的概率预测结果和实际分布情况并不一致,例如秋季的光伏出力更为集中,其他季节光伏出力较分散;概率峰值对应的光伏出力也并非都出现在0.3,如夏季概率最大的出力预测值约为0.2,这些差异也证明了分季节建模的必要性以及本文建立的概率模型的有效性。
步骤4.4:选取北美53座太阳能场址进行聚类分析,根据聚类分析结果选择代表光伏电站,并计算偏相关系数和Pair-copula相关系数,建立多点光伏电站的概率预测模型。首先对这些光伏电站进行聚类分析,根据组内平方误差和Calinsky准则确定最佳聚类数为3,聚类结果如表3所示。
表3北美53座太阳能场址聚类分析结果
取每一类各个电站光伏出力的平均值作为该类光伏电站出力值,记为x1、x2和x3,联合出力记为x4,{x1,x2,x3,x4}对应的累积分布为{F1(x1),F2(x2),F3(x3),F4(x4)},计算二维Copula函数的偏相关系数如表4,由此可以得到Pair-copula函数的相关系数。
步骤4.5:利用已建立的多点光伏电站模型进行预测,并对预测结果进行分析。以北美某光伏电站群2015年1月1日至1月30日的数据训练模型,预测2015年1月31日的光伏出力情况,得到1月31日6时、7时、9时和14时的概率预测数据以及与实际值的比较。
从上述4个时段的预测结果来看,使用本模型可以得到预测值完整的条件概率密度分布,预测结果包含了真实值,且真实值基本分布在概率密度的峰值对应的预测值附近。说明了该模型不仅可以获得丰富的信息,包括预测值及对应的概率情况,还具有较高的预测精度。除了7时外,其他时段预测结果的分布较为集中,预测结果更理想。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (5)
1.一种考虑时空特性设计分布式光伏出力预测模型的方法,包括以下步骤:
步骤1,基于地表太阳辐照度、温度、云层厚度的影响因素,建立输入选择策略和基于神经网络的光伏出力初步预测模型;
步骤2,考虑到天气因素的随机性,应用Copula理论建立单点光伏出力的条件概率分布,在预测可能出现的出力值的同时给出相应概率;
步骤3,对多个光伏电站进行聚类分析,将强相关性电站聚为一类,依据Pair-copula理论构建联合出力的条件概率分布,建立多点光伏出力的概率预测模型;
步骤4,基于实际电力应用场景,利用历史出力数据训练和校验多点光伏出力的概率预测模型。
2.如权利要求1所述的一种考虑时空特性设计分布式光伏出力预测模型的方法,其特征在于:所述步骤1,其具体方法为:
选择地表太阳辐射为基础变量,作为神经网络的输入,并调整隐藏层神经元数量、学习率以及阈值,得到初步的预测精度,依次将温度、云层厚度变量加入至输入层,并调整隐藏层神经元数量、学习率以及阈值,观察预测精度的变化情况,若新变量的加入使预测精度提高,则保留此变量作为模型的输入,反之,舍弃该变量,最终确定输入变量,建立输入选择策略和基于神经网络的光伏出力初步预测模型。
3.如权利要求1所述的一种考虑时空特性设计分布式光伏出力预测模型的方法,其特征在于:所述步骤2中,具体方法为:
步骤2.1:统计历史光伏出力的实际值和点预测值,得到两者的概率密度函数和累积分布;选取Beta模型描述光伏电站的预测值和实际值的变化趋势,Beta分布的概率密度函数为:
其中a(a>0)和b(b>0)为Beta分布函数的形状参数,决定了Beta分布函数的性质;B(a,b)为Beta函数,
B(a,b)=∫0 1xa-1(1-x)b-1dx
通过统计历史光伏出力点预测值和实际值得到各自Beta分布的形状参数a和b,进而得到点预测值和实际值的累积分布以及概率密度函数;
步骤2.2:求解光伏出力实际值和预测值之间的Kendall秩相关系数,对Copula函数进行参数识别,得到描述实际值和预测值相关性的Copula函数;
步骤2.3:记光伏出力实际值为x,光伏出力预测值为y,基于Copula理论,可以写出两者的联合概率密度函数
其中fxy(x,y)为光伏出力x和y的联合分布函数,fx(x)和fy(y)分别为x和y的边缘概率分布函数,C(Fx(x),Fy(y))为Copula概率密度函数;
给定点预测值y=p,则实际值的条件概率密度函数fX|Y(x|y)可以表示为:
求解上式右侧两个函数,可得到对光伏出力进行概率预测的预测值。
4.如权利要求1所述的一种考虑时空特性设计分布式光伏出力预测模型的方法,其特征在于:所述步骤3中,具体方法为:
步骤3.1:对目标光伏电站群进行聚类分析,采用凝聚式层次聚类,先使每组数据各自成为一类,选择距离最近的两类合并成一类,再计算新类之间的距离,并选择最近的类进行合并,直到所有的类聚成一类;
步骤3.2:统计各类电站的光伏出力值和光伏电站群总出力值,得到各自的概率密度函数和累积分布函数;
步骤3.3:对各类电站出力及总出力进行二维Copula函数的参数识别,得到一系列偏相关系数;
步骤3.4:求解Pair-copula函数的相关系数:
Pair-copula函数的相关性参数ρ可以通过以下公式求取:
其中ρj,j+1|1,…,j-1是给定(x1,x2,…,xj-1)时xj和xj+i的偏相关系数,ρj-1,j|1,…,j-2是给定(x1,x2,…,xj-2)时xj-1和xj的偏相关系数;
步骤3.5:确定多点光伏出力的概率预测模型:
对于n-1个光伏电站,(x1,x2,…,xn-1)表示各个光伏电站的出力,xn表示总的出力,若已知各光伏电站单独出力,总出力xn的条件概率密度函数为:
其中Cn-i,n|1,2,…,n-i-1是Pair-copula函数,根据步骤3.4得到,f(xn)是总出力xn的概率密度函数。
5.如权利要求1所述的一种考虑时空特性设计分布式光伏出力预测模型的方法,其特征在于:所述步骤4中,具体实施步骤为:
步骤4.1:根据2014年全球能源预测竞赛数据,筛选原始数据,得到单点光伏出力基于神经网络的确定性预测模型;
步骤4.2:根据历史数据,得到点预测值和实际值的累积分布、概率密度函数以及两者之间的Kendall秩相关系数,进而建立单个光伏电站的概率预测模型;
步骤4.3:利用已建立的单个光伏电站的概率预测模型进行预测,并对预测结果进行分析;
步骤4.4:选取北美53座太阳能场址进行聚类分析,根据聚类分析结果选择代表光伏电站,并计算偏相关系数和Pair-copula相关系数,建立多点光伏电站的概率预测模型;
步骤4.5:利用已建立的多点光伏电站模型进行预测,并对预测结果进行分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910359176.9A CN110084430A (zh) | 2019-04-29 | 2019-04-29 | 一种考虑时空特性设计分布式光伏出力预测模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910359176.9A CN110084430A (zh) | 2019-04-29 | 2019-04-29 | 一种考虑时空特性设计分布式光伏出力预测模型的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110084430A true CN110084430A (zh) | 2019-08-02 |
Family
ID=67417950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910359176.9A Pending CN110084430A (zh) | 2019-04-29 | 2019-04-29 | 一种考虑时空特性设计分布式光伏出力预测模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084430A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110718908A (zh) * | 2019-09-29 | 2020-01-21 | 肖家锴 | 基于层次聚类法的配电网拓扑结构识别方法及系统 |
CN112632311A (zh) * | 2020-05-21 | 2021-04-09 | 南京大学 | 一种基于深度学习的云层变化趋势预测方法 |
CN112685915A (zh) * | 2021-01-18 | 2021-04-20 | 重庆大学 | 一种风电出力条件概率分布建模方法 |
CN110718908B (zh) * | 2019-09-29 | 2024-05-03 | 中科合创科技实业(深圳)有限公司 | 基于层次聚类法的配电网拓扑结构识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933315A (zh) * | 2015-06-30 | 2015-09-23 | 中国电力科学研究院 | 一种光伏发电出力联合概率分布建模的方法 |
CN107437149A (zh) * | 2017-08-07 | 2017-12-05 | 华北电力大学(保定) | 一种光伏电站出力的确定方法及系统 |
CN107918920A (zh) * | 2017-12-13 | 2018-04-17 | 上海交通大学 | 多光伏电站的出力关联性分析方法 |
WO2018129828A1 (zh) * | 2017-01-11 | 2018-07-19 | 沃太能源南通有限公司 | 一种光伏发电预测系统及预测方法 |
CN109659972A (zh) * | 2018-11-30 | 2019-04-19 | 国网浙江省电力有限公司经济技术研究院 | 基于Pair-copula理论的多点光伏出力概率预测方法和系统 |
-
2019
- 2019-04-29 CN CN201910359176.9A patent/CN110084430A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933315A (zh) * | 2015-06-30 | 2015-09-23 | 中国电力科学研究院 | 一种光伏发电出力联合概率分布建模的方法 |
WO2018129828A1 (zh) * | 2017-01-11 | 2018-07-19 | 沃太能源南通有限公司 | 一种光伏发电预测系统及预测方法 |
CN107437149A (zh) * | 2017-08-07 | 2017-12-05 | 华北电力大学(保定) | 一种光伏电站出力的确定方法及系统 |
CN107918920A (zh) * | 2017-12-13 | 2018-04-17 | 上海交通大学 | 多光伏电站的出力关联性分析方法 |
CN109659972A (zh) * | 2018-11-30 | 2019-04-19 | 国网浙江省电力有限公司经济技术研究院 | 基于Pair-copula理论的多点光伏出力概率预测方法和系统 |
Non-Patent Citations (1)
Title |
---|
陈卓尔: "《基于Copula理论的大规模光伏发电过程动态模型研究》", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110718908A (zh) * | 2019-09-29 | 2020-01-21 | 肖家锴 | 基于层次聚类法的配电网拓扑结构识别方法及系统 |
CN110718908B (zh) * | 2019-09-29 | 2024-05-03 | 中科合创科技实业(深圳)有限公司 | 基于层次聚类法的配电网拓扑结构识别方法及系统 |
CN112632311A (zh) * | 2020-05-21 | 2021-04-09 | 南京大学 | 一种基于深度学习的云层变化趋势预测方法 |
CN112632311B (zh) * | 2020-05-21 | 2023-12-15 | 南京大学 | 一种基于深度学习的云层变化趋势预测方法 |
CN112685915A (zh) * | 2021-01-18 | 2021-04-20 | 重庆大学 | 一种风电出力条件概率分布建模方法 |
CN112685915B (zh) * | 2021-01-18 | 2023-06-30 | 重庆大学 | 一种风电出力条件概率分布建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902874A (zh) | 一种基于深度学习的微电网光伏发电短期预测方法 | |
CN103049798B (zh) | 一种应用于光伏发电系统的短期发电功率预测方法 | |
CN109858673A (zh) | 一种光伏发电系统功率预测方法 | |
CN109103926A (zh) | 基于多辐照特性年气象场景的光伏发电接纳能力计算方法 | |
CN105868853B (zh) | 一种短期风电功率组合概率预测方法 | |
CN105005872A (zh) | 一种移峰填谷的储能系统的容量配置方法 | |
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 | |
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 | |
CN108280545A (zh) | 一种基于k均值聚类神经网络的光伏功率预测方法 | |
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 | |
CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
CN107528350B (zh) | 一种适应中长期电源规划的风电出力典型场景生成方法 | |
CN110175421B (zh) | 一种新型水光互补多目标优化运行方法 | |
CN105426956A (zh) | 一种超短期光伏预测方法 | |
CN105574615A (zh) | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 | |
CN109783841A (zh) | 一种基于多场景状态转移矩阵与条件概率抽样的光伏出力时间序列模拟方法 | |
CN105373856A (zh) | 一种考虑游程检测法重构的风电功率短时组合预测方法 | |
CN104638672A (zh) | 一种考虑变量相关性的光伏穿透功率极限的确定方法 | |
CN110909911B (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
CN107679687A (zh) | 一种光伏出力建模方法以及发电系统可靠性评估方法 | |
Zhang et al. | Short-term forecasting of wind power generation based on the similar day and Elman neural network | |
CN105303250A (zh) | 一种基于最优权系数的风电功率组合预测方法 | |
CN104463358A (zh) | 一种耦合偏互信息和cfs集合预报的小水电发电能力预测方法 | |
WO2024051524A1 (zh) | 一种水风光发电功率联合预测方法、装置 | |
CN105139080A (zh) | 一种基于马尔可夫链的改进光伏功率序列预测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190802 |