CN110188964A - 一种基于相关性的光伏出力预测方法 - Google Patents
一种基于相关性的光伏出力预测方法 Download PDFInfo
- Publication number
- CN110188964A CN110188964A CN201910490826.3A CN201910490826A CN110188964A CN 110188964 A CN110188964 A CN 110188964A CN 201910490826 A CN201910490826 A CN 201910490826A CN 110188964 A CN110188964 A CN 110188964A
- Authority
- CN
- China
- Prior art keywords
- coefficient
- day
- photovoltaic plant
- moment
- photovoltaic
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 22
- 238000013277 forecasting method Methods 0.000 title claims abstract description 5
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000005315 distribution function Methods 0.000 claims abstract description 13
- 241000039077 Copula Species 0.000 claims abstract description 12
- 230000001186 cumulative effect Effects 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000000418 atomic force spectrum Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (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)
- Photovoltaic Devices (AREA)
Abstract
本发明为一种基于相关性的光伏出力预测方法,该方法包括以下步骤:获取同地区参考光伏电站和目标光伏电站的光伏出力历史数据;对所获取的两个电站的历史数据分别做无遮归一化处理,分别求取各自的无遮天j时刻出力及每天j时刻的无遮系数;求取历史数据中各天的晴朗系数Z和突变系数C,归一化处理后对样本天进行聚类来分类天气;对参考光伏电站和目标光伏电站的各自的属于某类天气的所有样本无遮系数进行函数拟合,得到各类天气下两个电站的累计分布函数;用Copula函数对累计分布函数建立相关性;选择对应天气下的空间相关性模型,求出目标光伏电站的无遮系数,再求得目标光伏电站的功率预测结果。该方法成本低、所需数据量少、预测精度高。
Description
技术领域
本发明涉及发电功率预测技术领域,尤其是涉及一种基于相关性的光伏出力预测方法。
背景技术
光伏发电作为目前主流的太阳能发电形式,其清洁、适用性广的优点使得其在城市电网中发展迅速。然而光伏发电易受自然因素影响导致其具有难以抑制的波动性,这对电网的安全运行带来冲击。合理的调度计划可以有效缓和光伏发电波动性对电网的冲击,而这需要光伏发电提供精确的功率预测作为数据支撑。
目前,光伏功率预测技术已经趋近成熟,大部分集中式光伏电站都装备了功率预测装置。但由于成本的限制,部分光伏发电特别是分布式光伏发电并不具备功率预测装置,这成为电网运行的隐患。
影响光伏发电的主要自然因素有辐照度、环境温度、湿度等,辐照度又受到季节、天气的影响。这些因素在同地区几乎一致,这导致同地区的光伏出力之间具有极高的相关性。基于此,文献《张柏林,拜润卿,智勇,等.基于空间相关性的分布式光伏超短期预测技术研究[J].陕西电力,2017,45(5):22-26》用一次线性模型描述光伏出力空间相关性,以参考光伏电站的出力预测结果求得了目标光伏电站的出力预测。但其所用的一次线性模型不能精确的描述两光伏电站的空间相关性,且并未分离光伏出力的确定性和不确定性分量。
发明内容
本发明的目的在于,提供一种可有效解决上述技术问题的基于相关性的光伏出力预测方法。该方法具备成本低廉、所需数据量少和预测精度高等优势。
为达到本发明之目的,采用如下技术方案:
一种基于相关性的光伏发电功率预测方法,其特征在于该方法包括以下步骤:
步骤1、获取同地区参考光伏电站和目标光伏电站的光伏出力历史数据,同时获得参考光伏电站的光伏出力预测结果;
步骤2、对所获取的两个电站的历史数据分别做无遮归一化处理,分别求取各自的无遮天j时刻出力及每天j时刻的无遮系数;
步骤3、求取历史数据中各天的晴朗系数Z和突变系数C,晴朗系数Z为样本日所有时刻无遮系数的总和,突变系数C为样本日相邻时刻点无遮系数差值绝对值的总和,对晴朗系数Z和突变系数C进行归一化处理,对归一化后样本天进行聚类来分类天气;
步骤4、对参考光伏电站和目标光伏电站的各自的属于某类天气的所有样本无遮系数进行函数拟合,得到各类天气下参考光伏电站和目标光伏电站的累计分布函数;
步骤5、对各类天气下,用Copula函数对步骤4的累计分布函数建立相关性,即建立得到目标光伏电站的无遮系数和参考光伏电站的无遮系数之间的空间相关性模型;
步骤6、依据参考光伏电站的光伏出力预测结果,选择对应天气下的空间相关性模型,进而求出目标光伏电站的无遮系数,再由式(7)求得目标光伏电站的功率预测结果,
Pf j=uf j·wj (7)
其中,为预测日j时刻的光伏出力,为由空间相关性模型计算出的目标光伏电站的光伏预测日j时刻无遮系数,wj为目标光伏电站无遮天j时刻的出力。
所需历史数据时间尺度为90~120天,同一天的历史数据点时间间隔为5~10min。
目标光伏电站到参考光伏电站的距离不大于20km。
无遮天j时刻出力wj为所取历史数据总天数内所有j时刻光伏出力的最大值;
每天j时刻的无遮系数:以该天历史数据j时刻的出力除以无遮天j时刻出力得到一个[0,1]的数,即为无遮系数。
晴朗系数Z和突变系数C按照式(6)进行归一化处理,
式中Zgi为第i天的晴朗系数Z的归一化结果;min(Z)为电站所有样本天的晴朗系数的最小值;max(Z)为电站所有样本天的晴朗系数的最大值;Zi为第i天的晴朗系数;Cgi为第i天的突变系数C的归一化结果;min(C)为电站所有样本天的突变系数的最小值;max(C)为电站所有样本天的突变系数的最大值;Ci为第i天的突变系数。
步骤3中天气分为三类,即晴天、阴天和突变天气。
累计分布函数的拟合方式为核函数拟合。
步骤5中,根据目标光伏电站和参考光伏电站的无遮系数之间的尾部相关性选择Copula函数类型。
与现有技术相比,本发明有益效果在于:
(1)用无遮归一化处理方式分割了光伏出力的确定性和不确定性分量,以无遮系数表示不确定性分量并只对不确定性分量做研究,这使得建立空间相关性模型时不受到确定性分量的干扰,空间相关性模型精度更高。
(2)分类了天气类型,用Copula函数分别建立各天气下参考光伏电站和目标光伏电站之间的空间相关性模型,使得模型描述的空间相关性更为准确。
(3)本发明选择目标光伏电站附近的具备功率预测的光伏电站作为参考光伏电站,并依据参考光伏电站的功率预测输入和空间相关性模型得到目标光伏电站的功率预测结果。这种方法成本低廉,预测精度好,且解决了如分布式光伏等缺少功率预测装置的光伏电站的功率预测问题。
附图说明
图1为各季度无遮天出力曲线;
图2实施例1中K-means聚类的三种天气;
图3目标光伏电站功率预测结果和实测功率对比。
具体实施方式
下面给出本发明的具体实施例。具体实施例仅用于进一步详细说明本发明,不限制本申请的保护范围。
本发明基于相关性的光伏出力预测方法包括如下步骤:
步骤1、获取同地区参考光伏电站和目标光伏电站的光伏出力历史数据,同时获得参考光伏电站的光伏出力预测结果,所需历史数据时间尺度应大于一季度且小于一年,同一天的历史数据点时间间隔可依据具体情况而定,一般为5min,同地区指方圆20km以内。对两个电站的光伏出力历史数据分别构成m*n的数据矩阵P,如式(1)所示。
式中,Pij为i天j时刻的光伏出力;m为所取历史数据总天数;n为所取历史数据每天的总时刻数即每天的样本点数;
步骤2、对两个电站所获取历史数据做无遮归一化处理,求取各电站的无遮天出力和无遮系数,
(a)无遮天出力表示的是光伏出力的确定性分量,即不受其他因素影响时,光伏出力曲线应符合无遮天曲线,无遮天j时刻的出力wj为m天内所有j时刻光伏出力的最大值,按照式(2)求取无遮天出力数据。
wj=max{P1j,P2j,...Pmj} (2)
(b)求取无遮系数,以历史数据各个时刻的出力除以无遮天该时刻的出力,得到一个[0,1]的数,即为无遮系数,如式(3)。
式中,uij为i天j时刻的无遮系数,可以表征光伏出力的不确定性分量。其数值越接近1,就说明该时刻光伏出力的不确定性越小。
步骤3、求取历史数据中各天的晴朗系数Z和突变系数C,并基于归一化后的Z、C对样本天进行聚类来分类天气。晴朗系数Z为样本日所有时刻无遮系数uj的总和,如式(4),可体现该日的晴朗情况。突变系数C为样本日相邻时刻点无遮系数差值绝对值的总和,如式(5),可体现该日天气突变剧烈程度。
因为Z、C有数量级的区别,为保证聚类时两特征系数权重一致,需做归一化处理,归一化方法如式(6),式中Zgi为第i天的晴朗系数Z的归一化结果;min(Z)为电站所有样本天的晴朗系数的最小值;max(Z)为电站所有样本天的晴朗系数的最大值;Zi为第i天的晴朗系数;Cgi为第i天的突变系数C的归一化结果;min(C)为电站所有样本天的突变系数的最小值;max(C)为电站所有样本天的突变系数的最大值;Ci为第i天的突变系数。
聚类中心点数一般取3,即一般分3类天气,如晴天、阴天和突变天气,也可依据样本数据量和复杂程度做一定程度的变化。聚类方法可自行选择,如K-means聚类。
步骤4、对分类好的天气,分别拟合该类天气相应电站的所有样本天无遮系数的累计分布函数,由于无遮系数不是规律分布,所以得用函数拟合,得到累计分布函数,再用于建立相关性,拟合方法可自选,一般可用核函数拟合。
步骤5、对各类天气下,用Copula函数对步骤4的累计分布函数建立相关性,即建立得到目标光伏电站的无遮系数和参考光伏电站的无遮系数之间的空间相关性模型,根据目标光伏电站和参考光伏电站的无遮系数之间的尾部相关性选择具体的Copula函数类型;
步骤6、依据参考光伏电站的光伏出力预测结果,选择对应天气下的空间相关性模型,进而求出目标光伏电站的无遮系数,再由式(7)求得目标光伏电站的功率预测结果。为预测日j时刻的光伏出力,为由空间相关性模型计算出的目标光伏电站的光伏预测日j时刻无遮系数,wj为目标光伏电站无遮天j时刻的出力。
Pf j=uf j·wj (7)
本申请用Copula函数模型建立两个电站之间的空间相关性模型,该方法能把光伏的确定性及不确定性分离出来,能建立真正的相关性模型;又针对不同天气建立不同的天气累计分布函数,最后根据预测天的天气来选择对应的空间相关性模型,本申请方法适合各类天气(不仅限于晴天)光伏出力的预测,精度高,成本低。
实施例
本实施例一种基于相关性的光伏发电功率预测方法包括如下步骤:
步骤1、获取同地区参考光伏电站和目标光伏电站的光伏出力历史数据,对两个电站的历史数据分别进行相应的数据处理,计算各自的无遮系数。所需数据时间尺度应大于一季度,数据点时间间隔可依据具体情况而定,实施例所取数据间隔为5min,数据时间尺度为一个季度,实施例为90天,6、7、8三个月,最后应为如式(1)所示的数据矩阵。
式中,Pij为i天j时刻的光伏出力;m为所取历史数据总天数;n为所取历史数据每天的总时刻数即每天的样本点数。
步骤2、对所获取的两个电站的历史数据分别做无遮归一化处理,需求取无遮天出力和无遮系数,
(c)求取无遮天出力数据,对一季度历史数据,取所有样本天数据中各时刻的最大值,如式(2)。
wj=max{P1j,P2j,...Pmj} (2)
式中,wj为无遮天j时刻的出力,其值为m天内所有j时刻光伏出力的最大值。无遮天出力表示的是光伏出力的确定性分量,即不受其他因素影响时,光伏出力曲线应符合无遮天曲线。
(d)求取无遮系数,以历史数据各个时刻的出力除以无遮天该时刻的出力,得到一个[0,1]的数,即为无遮系数。如式(3)。
式中,uij为i天j时刻的无遮系数,可以表征光伏出力的不确定性分量。其数值越接近1,就说明该时刻光伏出力的不确定性小。
图1为各季(四个季度标准的春夏秋冬)度无遮天出力曲线,由于最大输出功率受光伏电站限制,各季度无遮天最大输出功率相差不大,主要差别在于有效出力时长。依据太阳高度角变化规律和该城市的经纬度,呈现冬短夏长的趋势。
步骤3、求取历史数据中各天的晴朗系数Z和突变系数C,并基于归一化后的Z、C对样本天进行聚类来分类天气。晴朗系数Z为样本日无遮系数的总和,如式(4),可体现该日的晴朗情况。突变系数C为样本日相邻时刻点无遮系数差值绝对值的总和,如式(5),可体现该日天气突变剧烈程度。
因为Z、C有数量级的区别,为保证聚类时两特征系数权重一致,需做归一化处理,归一化方法如式(6),式中Zgi为第i天的晴朗系数Z的归一化结果;min(Z)为电站所有样本天的晴朗系数的最小值;max(Z)为电站所有样本天的晴朗系数的最大值;Zi为第i天的晴朗系数;Cgi为第i天的突变系数C的归一化结果;min(C)为电站所有样本天的突变系数的最小值;max(C)为电站所有样本天的突变系数的最大值;Ci为第i天的突变系数。
聚类中心点数一般取3,即一般分3类天气,如晴天、阴天和突变天气,也可依据样本数据量和复杂程度做一定程度的变化。聚类方法可自行选择,可用K-means聚类。
图2即为用K-means聚类后,对样本天分成的三类天气,A、B和C分别对应阴天、晴天和突变天气。
步骤4、对分类好的天气,分别拟合该类天气每个电站所有样本天无遮系数的累计分布函数,本实施例选择用核函数拟合,核函数又叫核密度函数。
步骤5、对各类天气下,用Copula函数对目标光伏电站和参考光伏电站的无遮系数的建立相关性模型,根据数据间的尾部相关性选择Copula函数类型,本算例选择了FrankCopula函数。
步骤6、依据参考光伏电站的出力预测结果,选择对应天气下的Copula相关性模型,求出目标光伏电站的无遮系数,再由式(7)求得目标光伏电站的功率预测结果。为预测日j时刻的光伏出力,为由空间相关性模型计算出的目标光伏电站的光伏预测日j时刻无遮系数,wj为目标光伏电站预测日的无遮天j时刻出力。
Pf j=uf j·wj (7)
图3为该方法对持续一周目标光伏电站的功率预测结果和实测结果的对比。其参考光伏电站距离目标光伏电站10km,所取数据时间为夏季一周每天5:50到20:00的有效出力时间。可以看到目标光伏电站的功率预测结果无论在什么天气下和实测数据都相近,这意味着所提预测方法的精度较高,可行性较好。
本发明未述及之处适用于现有技术。
Claims (8)
1.一种基于相关性的光伏出力预测方法,其特征在于该方法包括以下步骤:
步骤1、获取同地区参考光伏电站和目标光伏电站的光伏出力历史数据,同时获得参考光伏电站的光伏出力预测结果;
步骤2、对所获取的两个电站的历史数据分别做无遮归一化处理,分别求取各自的无遮天j时刻出力及每天j时刻的无遮系数;
步骤3、求取历史数据中各天的晴朗系数Z和突变系数C,晴朗系数Z为样本日所有时刻无遮系数的总和,突变系数C为样本日相邻时刻点无遮系数差值绝对值的总和,对晴朗系数Z和突变系数C进行归一化处理,对归一化后样本天进行聚类来分类天气;
步骤4、对参考光伏电站和目标光伏电站的各自的属于某类天气的所有样本无遮系数进行函数拟合,得到各类天气下参考光伏电站和目标光伏电站的累计分布函数;
步骤5、对各类天气下,用Copula函数对步骤4的累计分布函数建立相关性,即建立得到目标光伏电站的无遮系数和参考光伏电站的无遮系数之间的空间相关性模型;
步骤6、依据参考光伏电站的光伏出力预测结果,选择对应天气下的空间相关性模型,进而求出目标光伏电站的无遮系数,再由式(7)求得目标光伏电站的功率预测结果,
Pf j=uf j·wj (7)
其中,为预测日j时刻的光伏出力,为由空间相关性模型计算出的目标光伏电站的光伏预测日j时刻无遮系数,wj为目标光伏电站无遮天j时刻的出力。
2.根据权利要求1所述的预测方法,其特征在于,所需历史数据时间尺度为90~120天,同一天的历史数据点时间间隔为5~10min。
3.根据权利要求1所述的预测方法,其特征在于,目标光伏电站到参考光伏电站的距离不大于20km。
4.根据权利要求1所述的预测方法,其特征在于,无遮天j时刻出力wj为所取历史数据总天数内所有j时刻光伏出力的最大值;
每天j时刻的无遮系数:以该天历史数据j时刻的出力除以无遮天j时刻出力得到一个[0,1]的数,即为无遮系数。
5.根据权利要求1所述的预测方法,其特征在于,晴朗系数Z和突变系数C按照式(6)进行归一化处理,
式中Zgi为第i天的晴朗系数Z的归一化结果;min(Z)为电站所有样本天的晴朗系数的最小值;max(Z)为电站所有样本天的晴朗系数的最大值;Zi为第i天的晴朗系数;Cgi为第i天的突变系数C的归一化结果;min(C)为电站所有样本天的突变系数的最小值;max(C)为电站所有样本天的突变系数的最大值;Ci为第i天的突变系数。
6.根据权利要求1所述的预测方法,其特征在于,步骤3中天气分为三类,即晴天、阴天和突变天气。
7.根据权利要求1所述的预测方法,其特征在于,步骤4中累计分布函数的拟合方式为核函数拟合。
8.根据权利要求1所述的预测方法,其特征在于,步骤5中,根据目标光伏电站和参考光伏电站的无遮系数之间的尾部相关性选择Copula函数类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910490826.3A CN110188964B (zh) | 2019-06-06 | 2019-06-06 | 一种基于相关性的光伏出力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910490826.3A CN110188964B (zh) | 2019-06-06 | 2019-06-06 | 一种基于相关性的光伏出力预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110188964A true CN110188964A (zh) | 2019-08-30 |
CN110188964B CN110188964B (zh) | 2021-03-16 |
Family
ID=67720681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910490826.3A Active CN110188964B (zh) | 2019-06-06 | 2019-06-06 | 一种基于相关性的光伏出力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188964B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163695A (zh) * | 2020-09-09 | 2021-01-01 | 华南理工大学 | 基于copula函数的风力光伏发电预测方法、系统和介质 |
CN114188989A (zh) * | 2021-12-14 | 2022-03-15 | 福州大学 | 一种考虑相关性的分布式光伏电站出力预测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011092882A1 (ja) * | 2010-01-26 | 2011-08-04 | 株式会社日立製作所 | 太陽光発電設備発電量予測システム,気象予測システム及び太陽光発電設備発電量予測方法 |
CN104573879A (zh) * | 2015-01-30 | 2015-04-29 | 河海大学 | 基于最优相似日集的光伏电站出力预测方法 |
CN105184399A (zh) * | 2015-08-27 | 2015-12-23 | 许继集团有限公司 | 一种光伏电站功率预测方法 |
CN106022528A (zh) * | 2016-05-26 | 2016-10-12 | 上海电力学院 | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 |
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 |
CN107358323A (zh) * | 2017-07-13 | 2017-11-17 | 上海交通大学 | 一种短期光伏发电的功率预测方法 |
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 |
CN107516145A (zh) * | 2017-07-27 | 2017-12-26 | 浙江工业大学 | 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法 |
CN109460893A (zh) * | 2018-09-26 | 2019-03-12 | 中国电力科学研究院有限公司 | 一种光伏电站天气类型相关性指标计算方法和系统 |
CN109615120A (zh) * | 2018-11-26 | 2019-04-12 | 国网天津市电力公司 | 一种分布式光伏发电出力预测方法 |
-
2019
- 2019-06-06 CN CN201910490826.3A patent/CN110188964B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011092882A1 (ja) * | 2010-01-26 | 2011-08-04 | 株式会社日立製作所 | 太陽光発電設備発電量予測システム,気象予測システム及び太陽光発電設備発電量予測方法 |
CN104573879A (zh) * | 2015-01-30 | 2015-04-29 | 河海大学 | 基于最优相似日集的光伏电站出力预测方法 |
CN105184399A (zh) * | 2015-08-27 | 2015-12-23 | 许继集团有限公司 | 一种光伏电站功率预测方法 |
CN106022528A (zh) * | 2016-05-26 | 2016-10-12 | 上海电力学院 | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 |
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 |
CN107358323A (zh) * | 2017-07-13 | 2017-11-17 | 上海交通大学 | 一种短期光伏发电的功率预测方法 |
CN107516145A (zh) * | 2017-07-27 | 2017-12-26 | 浙江工业大学 | 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法 |
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 |
CN109460893A (zh) * | 2018-09-26 | 2019-03-12 | 中国电力科学研究院有限公司 | 一种光伏电站天气类型相关性指标计算方法和系统 |
CN109615120A (zh) * | 2018-11-26 | 2019-04-12 | 国网天津市电力公司 | 一种分布式光伏发电出力预测方法 |
Non-Patent Citations (1)
Title |
---|
张柏林 等: "基于空间相关性的分布式光伏超短期预测技术研究", 《智慧电力》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163695A (zh) * | 2020-09-09 | 2021-01-01 | 华南理工大学 | 基于copula函数的风力光伏发电预测方法、系统和介质 |
CN114188989A (zh) * | 2021-12-14 | 2022-03-15 | 福州大学 | 一种考虑相关性的分布式光伏电站出力预测方法 |
CN114188989B (zh) * | 2021-12-14 | 2024-04-12 | 福州大学 | 一种考虑相关性的分布式光伏电站出力预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110188964B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197744B (zh) | 一种光伏发电功率的确定方法及系统 | |
CN109919353B (zh) | 一种基于空间相关性的arima模型的分布式光伏预测方法 | |
CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
Lai et al. | Daily clearness index profiles cluster analysis for photovoltaic system | |
CN110008982B (zh) | 一种基于光伏发电出力聚类的气象监测点选择方法 | |
Melzi et al. | Hourly solar irradiance forecasting based on machine learning models | |
KR101383617B1 (ko) | 일사량 예측 방법 및 장치 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN110717619A (zh) | 一种自下而上配电网多尺度时空负荷预测方法及系统 | |
CN109948281A (zh) | 基于天气类型有效识别和组合预测的直散分离建模方法 | |
Lyden et al. | Modelling, parameter estimation and assessment of partial shading conditions of photovoltaic modules | |
Zhang et al. | Investigating the correlation between wind and solar power forecast errors in the western interconnection | |
CN110009385B (zh) | 一种基于多因素映射的光伏发电用户群划分方法 | |
CN111985678A (zh) | 一种光伏功率短期预测方法 | |
CN110188964A (zh) | 一种基于相关性的光伏出力预测方法 | |
CN110119556A (zh) | 一种区域水源涵养功能的时空演变分析方法 | |
CN109599899B (zh) | 一种新能源运行模拟边界条件的设定方法 | |
Omar et al. | Seasonal clustering forecasting technique for intelligent hourly solar irradiance systems | |
CN112328851B (zh) | 分布式电源监测方法、装置及电子设备 | |
CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
CN112926772A (zh) | 一种基于lstm-gpr混合模型的光能预测方法 | |
Mandal et al. | Precipitation forecast verification of the Indian summer monsoon with intercomparison of three diverse regions | |
BAGHERI et al. | New technique for global solar radiation forecast using bees algorithm | |
von Bremen et al. | Enhanced regional forecasting considering single wind farm distribution for upscaling |
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 |