CN110598896A - 基于预测误差校正的光伏功率预测方法 - Google Patents
基于预测误差校正的光伏功率预测方法 Download PDFInfo
- Publication number
- CN110598896A CN110598896A CN201910682630.4A CN201910682630A CN110598896A CN 110598896 A CN110598896 A CN 110598896A CN 201910682630 A CN201910682630 A CN 201910682630A CN 110598896 A CN110598896 A CN 110598896A
- Authority
- CN
- China
- Prior art keywords
- day
- photovoltaic power
- predicted
- similar
- days
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012937 correction Methods 0.000 title claims abstract description 23
- 238000010248 power generation Methods 0.000 claims abstract description 61
- 238000012216 screening Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 43
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
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—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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (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
本发明公开了一种基于预测误差校正的光伏功率预测方法,首先利用辐照度作为相似变量,筛选得到相似日;然后利用相似日光伏发电功率预测误差数据计算各相似日的加权系数,并利用邻近日的光伏功率预测误差期望对预测值进行修正。本发明解决了现有技术中存在的光伏发电功率预测的精确度差的问题。
Description
技术领域
本发明属于清洁能源发电技术领域,具体涉及一种基于预测误差校正的光伏功率预测方法。
背景技术
随着以光伏发电为代表的可再生能源发电快速发展,光伏发电建设迅速发展。然而,受气象及环境因素不确定性影响,光伏电源的日功率曲线具有强波动性特征,给光伏发电运行和调度带来了极大的不便,对光伏发电功率的预测成为电网运行调度普遍关注的问题。
光伏发电功率预测方法主要分为两类,一类是利用气象预测数据结合光伏发电的物理模型进行预测,另外一类是结合大量历史数据利用统计方法进行分析,得到光伏发电功率的预测值。目前,光伏电站普遍配置了光伏功率和环境温度监测和记录装置,能够记录光伏功率和环境温度、辐照强度等重要数据。这些数据资源为采用统计方法进行光伏发电功率预测提供了基础条件。
已有的大部分光伏功率预测方法都是基于数值天气预报数据或者实测数据,结合光伏电站所处的具体环境建立预测模型和算法,实现对未来一段时间内的光伏功率预测。其原理是在未来光伏功率和历史数据之间建立映射关系,寻找气象数据与光伏发电功率之间的对应关系,而光伏发电功率预测值的历史数据并未被充分利用,还有待挖掘相应的办法以提高光伏发电功率预测的精确度。
综上,需在现有光伏功率预测方法的基础上,进一步探索挖掘光伏发电功率预测值的历史数据,特别是光伏发电功率的预测误差数据,用以改进光伏发电功率预测方法。
发明内容
本发明的目的是提供一种基于预测误差校正的光伏功率预测方法,解决了现有技术中存在的光伏发电功率预测的精确度差的问题。
本发明所采用的技术方案是,基于预测误差校正的光伏功率预测方法,首先利用辐照度作为相似变量,筛选得到相似日;然后利用相似日光伏发电功率预测误差数据计算各相似日的加权系数,并利用邻近日的光伏功率预测误差期望对预测值进行修正。
本发明的特点还在于,
具体按照以下步骤实施:
步骤1、提取待预测日的气象预报各基值点的辐照度,组成待预测日辐照度向量以及历史天的辐照度向量;
步骤2、选出待选相似日以及相似日;
步骤3、求步骤2得到的相似日对应的各基值点的加权系数;
步骤4、利用步骤3得到的加权系数加权求得待预测日的光伏发电功率;
步骤5、对光伏发电功率进行修正。
步骤1具体按照以下步骤实施:
步骤1.1、以每天06:00-18:00之间各整点时间作为基值点,提取待预测日的气象预报各基值点的辐照度,组成待预测日辐照度向量x0:
x0=[x0(6),x0(7),...x0(17),x0(18)] (1)
其中x0(i)为待预测日第i时刻的辐照度,i=6,7,…18;
步骤1.2、提取与待预测日邻近的m天以及近三年同期的4m天的历史辐照度数据,10≤m≤20,组成第j个历史天的辐照度向量xj:
xj=[xj(6),xj(7),...xj(18)]j=1,2,...4m (2)
其中xj(i)为第j个历史日第i时刻的辐照度,i=6,7,18。
步骤2具体按照以下步骤实施:
步骤2.1、求xj和x0的差值向量Δxj:
Δxj=[x0(6)-xj(6),x0(7)-xj(7),...x0(18)-xj(18)]j=1,2,...4m (3)
其中Δxj为第j个历史日与待预测日辐照度的差值向量,取差值向量绝对值最小的10天作为待选相似日;
步骤2.2、求待预测日与各待选相似日的辐照度向量对应的梯度向量x'j:
x'k=[xk(7)-xk(6),xk(8)-xk(7),...xk(18)-xk(17)] k=0,1,2,...10 (4)
其中,x'k为待预测日即k=0时以及第k个待选相似日辐照度的梯度向量;
步骤2.3、求待选相似日与待预测日辐照度梯度向量的差值向量Δx'j:
Δx'k=x'k-x'0 k=1,2,3...10 (5)
Δx'j绝对值由小到大对待选相似日进行排序,取值最小的3天作为相似日。
步骤3具体如下:
求3个相似日对应的各基值点的加权系数:
其中,i=1,2,3,t=6,7,...18,为采取光伏发电功率历史预测误差校正后的第i个相似日在t基值点所对应的加权系数,ΔPit是指第i个相似日t基值点的光伏发电功率预测误差。
步骤4具体如下:
加权求得待预测日的光伏发电功率Pt (1):
其中Pt1、Pt2、Pt3分别是三个相似日在t基值点所对应的实际功率值。
步骤5具体如下:
步骤5.1、以每天06:00-18:00之间各整点时间作为基值点,提取与预测日邻近的15天,以及近三年同期的15天共60天各基值点的光伏发电功率预测值误差,求各基值点光伏发电功率历史预测值误差的期望Edt:
步骤5.2、修正各基值点光伏发电功率:
Pt (2)=Pt (1)+Edt t=6,7,...18 (11),
最终得到待预测日各整点即t=6,7,…18的光伏发电功率的预测值为Pt (2)。
本发明的有益效果是,基于预测误差校正的光伏功率预测方法,依据相似日的基本原理,选取待预测日的相似日进行待预测日各基值点光伏发电功率预测。选取的相似日有2类:一类是与待预测日邻近的日期,一类是历年同时期的日期。本发明参照基值点太阳辐照度及其对应的梯度值作为相似变量进行相似日的选取,通过筛选得到的相似日各基值点的发电功率,最终得到待预测节假日的光伏发电功率,充分利用光伏发电功率预测的误差数据,提高了光伏发电功率预测的精确度。
附图说明
图1是本发明基于预测误差校正的光伏功率预测方法流程图;
图2是本发明基于预测误差校正的光伏功率预测方法中光伏发电功率预测值与实际值对比图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于预测误差校正的光伏功率预测方法,首先利用辐照度作为相似变量,筛选得到相似日;然后利用相似日光伏发电功率预测误差数据计算各相似日的加权系数,并利用邻近日的光伏功率预测误差期望对预测值进行修正。流程图如图1所示,具体按照以下步骤实施:
步骤1、提取待预测日的气象预报各基值点的辐照度,组成待预测日辐照度向量以及历史天的辐照度向量;
步骤2、选出待选相似日以及相似日;
步骤3、求步骤2得到的相似日对应的各基值点的加权系数;
步骤4、利用步骤3得到的加权系数加权求得待预测日的光伏发电功率;
步骤5、对光伏发电功率进行修正。
其中,步骤1具体按照以下步骤实施:
步骤1.1、以每天06:00-18:00之间各整点时间作为基值点,提取待预测日的气象预报各基值点的辐照度,组成待预测日辐照度向量x0:
x0=[x0(6),x0(7),...x0(17),x0(18)] (1)
其中x0(i)为待预测日第i时刻的辐照度,i=6,7,...18;
步骤1.2、提取与待预测日邻近的m天以及近三年同期的4m天的历史辐照度数据,10≤m≤20,组成第j个历史天的辐照度向量xj:
xj=[xj(6),xj(7),...xj(18)] j=1,2,...4m (2)
其中xj(i)为第j个历史日第i时刻的辐照度,i=6,7,…18。
步骤2具体按照以下步骤实施:
步骤2.1、求xj和x0的差值向量Δxj:
Δxj=[x0(6)-xj(6),x0(7)-xj(7),...x0(18)-xj(18)] j=1,2,...4m (3)
其中Δxj为第j个历史日与待预测日辐照度的差值向量,取差值向量绝对值最小的10天作为待选相似日;
步骤2.2、求待预测日与各待选相似日的辐照度向量对应的梯度向量x'j:
x'k=[xk(7)-xk(6),xk(8)-xk(7),...xk(18)-xk(17)] k=0,1,2,...10 (4)
其中,x'k为待预测日即k=0时以及第k个待选相似日辐照度的梯度向量;
步骤2.3、求待选相似日与待预测日辐照度梯度向量的差值向量Δx'j:
Δx'k=x'k-x'0 k=1,2,3...10 (5)
Δx'j绝对值由小到大对待选相似日进行排序,取值最小的3天作为相似日。
步骤3具体如下:
求3个相似日对应的各基值点的加权系数:
其中,i=1,2,3,t=6,7,...18,为采取光伏发电功率历史预测误差校正后的第i个相似日在t基值点所对应的加权系数,ΔPit是指第i个相似日t基值点的光伏发电功率预测误差。
步骤4具体如下:
加权求得待预测日的光伏发电功率Pt (1):
其中Pt1、Pt2、Pt3分别是三个相似日在t基值点所对应的实际功率值。
步骤5具体如下:
步骤5.1、以每天06:00-18:00之间各整点时间作为基值点,提取与预测日邻近的15天,以及近三年同期的15天共60天各基值点的光伏发电功率预测值误差,求各基值点光伏发电功率历史预测值误差的期望Edt:
步骤5.2、修正各基值点光伏发电功率:
Pt (2)=Pt (1)+Edt t=6,7,...18 (11),
最终得到待预测日各整点即t=6,7,…18的光伏发电功率的预测值为Pt (2)。
实施例
选取2017年10月16日,对该日的光伏发电功率进行预测。
1)以06:00-18:00之间各整点时间作为基值点,提取2017年10月16日的气象预报各基值点的辐照度,组成待预测日辐照度向量x0;
2)提取与待预测日邻近的15天,以及近三年同期的15天共60天的历史辐照度数据,组成历史天的辐照度向量xi;
3)求xi和x的差值向量,求得差值向量绝对值最小的10天作为待选相似日,如表1所示:
表1待选相似日及对应的辐照度差绝对值
日期 | 2017.10.14 | 2017.10.5 | 2017.10.2 | 2017.10.10 | 2016.10.15 |
辐照度差/W.m<sup>2</sup> | 34 | 40 | 50 | 48 | 60 |
日期 | 2016.10.13 | 2016.10.1 | 2015.10.11 | 2015.10.3 | 2015.10.7 |
辐照度差/W.m<sup>2</sup> | 58 | 52 | 42 | 70 | 54 |
4)求2017年10月16日与上述10天的辐照度向量对应的梯度向量x'j;
5)求待选相似日与待预测日辐照度梯度向量的差值向量Δx'j,Δx'j绝对值。取值最小的3天作为相似日,如表2所示:
表2相似日辐照度梯度差绝对值
日期 | 2017.10.14 | 2017.10.5 | 2015.10.11 |
辐照度梯度差绝对值/W.m<sup>2</sup> | 28 | 25 | 36 |
6)相似日各基值点的功率预测误差如表3所示。
表3相似日光伏发电功率预测误差
根据公式(8)求得相似日各基值点对应的加权系数如下表:
表4相似日各基值点对应加权系数
7)根据公式(9)加权求得待预测日的光伏发电功率,如表5所示:
表5相似日发电功率与待预测日预测功率
8)以每天06:00-18:00之间各整点时间作为基值点,以与预测日邻近的15天,以及近三年同期的15天共60天为邻近日,提取邻近日各基值点的光伏发电功率预测值误差,求得各基值点光伏发电功率历史预测值误差的期望为0.6
9)修正各基值点光伏发电功率如表6:
表6待预测日修正预测功率与实际功率
利用历史预测误差校正得到的光伏发电功率预测结果与实际功率以及未利用预测误差修正的光伏发电功率预测结果如图2所示。未修正前预测的误差为6.57%,利用历史预测误差校正后得到的光伏发电功率预测误差为3.94%。
Claims (7)
1.基于预测误差校正的光伏功率预测方法,其特征在于,首先利用辐照度作为相似变量,筛选得到相似日;然后利用相似日光伏发电功率预测误差数据计算各相似日的加权系数,并利用邻近日的光伏功率预测误差期望对预测值进行修正。
2.根据权利要求1所述的基于预测误差校正的光伏功率预测方法,其特征在于,具体按照以下步骤实施:
步骤1、提取待预测日的气象预报各基值点的辐照度,组成待预测日辐照度向量以及历史天的辐照度向量;
步骤2、选出待选相似日以及相似日;
步骤3、求步骤2得到的相似日对应的各基值点的加权系数;
步骤4、利用步骤3得到的加权系数加权求得待预测日的光伏发电功率;
步骤5、对光伏发电功率进行修正。
3.根据权利要求2所述的基于预测误差校正的光伏功率预测方法,其特征在于,所述步骤1具体按照以下步骤实施:
步骤1.1、以每天06:00-18:00之间各整点时间作为基值点,提取待预测日的气象预报各基值点的辐照度,组成待预测日辐照度向量x0:
x0=[x0(6),x0(7),...x0(17),x0(18)] (1)
其中x0(i)为待预测日第i时刻的辐照度,i=6,7,…18;
步骤1.2、提取与待预测日邻近的m天以及近三年同期的4m天的历史辐照度数据,10≤m≤20,组成第j个历史天的辐照度向量xj:
xj=[xj(6),xj(7),...xj(18)]j=1,2,...4m (2)
其中xj(i)为第j个历史日第i时刻的辐照度,i=6,7,…18。
4.根据权利要求3所述的基于预测误差校正的光伏功率预测方法,其特征在于,所述步骤2具体按照以下步骤实施:
步骤2.1、求xj和x0的差值向量Δxj:
Δxj=[x0(6)-xj(6),x0(7)-xj(7),...x0(18)-xj(18)] j=1,2,...4m (3)
其中Δxj为第j个历史日与待预测日辐照度的差值向量,取差值向量绝对值最小的10天作为待选相似日;
步骤2.2、求待预测日与各待选相似日的辐照度向量对应的梯度向量x'j:
x'k=[xk(7)-xk(6),xk(8)-xk(7),...xk(18)-xk(17)] k=0,1,2,...10 (4)
其中,x'k为待预测日即k=0时以及第k个待选相似日辐照度的梯度向量;
步骤2.3、求待选相似日与待预测日辐照度梯度向量的差值向量Δx'j:
Δx'k=x'k-x'0 k=1,2,3...10 (5)
Δx'j绝对值由小到大对待选相似日进行排序,取值最小的3天作为相似日。
5.根据权利要求4所述的基于预测误差校正的光伏功率预测方法,其特征在于,所述步骤3具体如下:
求3个相似日对应的各基值点的加权系数:
其中,i=1,2,3,t=6,7,...18,为采取光伏发电功率历史预测误差校正后的第i个相似日在t基值点所对应的加权系数,ΔPit是指第i个相似日t基值点的光伏发电功率预测误差。
6.根据权利要求5所述的基于预测误差校正的光伏功率预测方法,其特征在于,所述步骤4具体如下:
加权求得待预测日的光伏发电功率Pt (1):
其中Pt1、Pt2、Pt3分别是三个相似日在t基值点所对应的实际功率值。
7.根据权利要求6所述的基于预测误差校正的光伏功率预测方法,其特征在于,所述步骤5具体如下:
步骤5.1、以每天06:00-18:00之间各整点时间作为基值点,提取与预测日邻近的15天,以及近三年同期的15天共60天各基值点的光伏发电功率预测值误差,求各基值点光伏发电功率历史预测值误差的期望Edt:
步骤5.2、修正各基值点光伏发电功率:
Pt (2)=Pt (1)+Edt t=6,7,...18 (11),
最终得到待预测日各整点即t=6,7,…18的光伏发电功率的预测值为Pt (2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910682630.4A CN110598896A (zh) | 2019-07-26 | 2019-07-26 | 基于预测误差校正的光伏功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910682630.4A CN110598896A (zh) | 2019-07-26 | 2019-07-26 | 基于预测误差校正的光伏功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110598896A true CN110598896A (zh) | 2019-12-20 |
Family
ID=68853165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910682630.4A Pending CN110598896A (zh) | 2019-07-26 | 2019-07-26 | 基于预测误差校正的光伏功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598896A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242371A (zh) * | 2020-01-10 | 2020-06-05 | 华北电力大学 | 一种基于非迭代多模型的光伏发电短期预测校正方法 |
CN114385962A (zh) * | 2021-10-20 | 2022-04-22 | 许继集团有限公司 | 一种基于相似日的日前光伏发电功率预测方法及系统 |
CN116231644A (zh) * | 2023-03-22 | 2023-06-06 | 华能新能源股份有限公司河北分公司 | 一种集中式光伏发电量预测方法、系统、计算机及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104484833A (zh) * | 2014-12-02 | 2015-04-01 | 常州大学 | 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法 |
CN105760961A (zh) * | 2016-03-08 | 2016-07-13 | 广州供电局有限公司 | 光伏输出功率预测方法和系统 |
CN106251008A (zh) * | 2016-07-25 | 2016-12-21 | 南京工程学院 | 一种基于组合权重相似日选取的光伏功率预测方法 |
CN106408223A (zh) * | 2016-11-30 | 2017-02-15 | 华北电力大学(保定) | 基于气象相似日及误差校正的短期负荷预测方法 |
CN109636054A (zh) * | 2018-12-21 | 2019-04-16 | 电子科技大学 | 基于分类和误差组合预测的太阳能光伏发电量预测方法 |
-
2019
- 2019-07-26 CN CN201910682630.4A patent/CN110598896A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104484833A (zh) * | 2014-12-02 | 2015-04-01 | 常州大学 | 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法 |
CN105760961A (zh) * | 2016-03-08 | 2016-07-13 | 广州供电局有限公司 | 光伏输出功率预测方法和系统 |
CN106251008A (zh) * | 2016-07-25 | 2016-12-21 | 南京工程学院 | 一种基于组合权重相似日选取的光伏功率预测方法 |
CN106408223A (zh) * | 2016-11-30 | 2017-02-15 | 华北电力大学(保定) | 基于气象相似日及误差校正的短期负荷预测方法 |
CN109636054A (zh) * | 2018-12-21 | 2019-04-16 | 电子科技大学 | 基于分类和误差组合预测的太阳能光伏发电量预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242371A (zh) * | 2020-01-10 | 2020-06-05 | 华北电力大学 | 一种基于非迭代多模型的光伏发电短期预测校正方法 |
CN114385962A (zh) * | 2021-10-20 | 2022-04-22 | 许继集团有限公司 | 一种基于相似日的日前光伏发电功率预测方法及系统 |
CN116231644A (zh) * | 2023-03-22 | 2023-06-06 | 华能新能源股份有限公司河北分公司 | 一种集中式光伏发电量预测方法、系统、计算机及介质 |
CN116231644B (zh) * | 2023-03-22 | 2023-11-03 | 华能新能源股份有限公司河北分公司 | 一种集中式光伏发电量预测方法、系统、计算机及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111091139B (zh) | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 | |
CN112257941B (zh) | 基于改进型Bi-LSTM的光伏电站短期功率预测方法 | |
CN109165774A (zh) | 一种短期光伏功率预测方法 | |
CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
CN110705789A (zh) | 一种光伏电站短期功率预测方法 | |
CN110598896A (zh) | 基于预测误差校正的光伏功率预测方法 | |
CN112149879B (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
CN104616079A (zh) | 基于气温变化的电网日用电量预测方法 | |
CN105426956A (zh) | 一种超短期光伏预测方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN114004139A (zh) | 一种光伏发电功率预测方法 | |
CN111525552B (zh) | 一种基于特征信息的三阶段短期风电场群功率预测方法 | |
CN112036595B (zh) | 基于多位置数值天气预报短期风电功率预测方法和系统 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN112418346B (zh) | 一种数值天气预报总辐射系统误差分类计算方法 | |
CN111695736A (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
CN108268963B (zh) | 一种自修正检验的光伏功率短期预测方法 | |
CN111275238B (zh) | 基于每时晴空指数的大规模电站光伏出力序列生成方法 | |
Cattani | Combining data envelopment analysis and Random Forest for selecting optimal locations of solar PV plants | |
Sun et al. | Solar power prediction in smart grid based on NWP data and an improved boosting method | |
CN109388863B (zh) | 一种基于arima模型的分布式光伏出力功率预测方法 | |
CN110795841A (zh) | 一种间歇性能源出力不确定性的数学建模方法 | |
CN111191812A (zh) | 一种光伏出力预测方法及系统 | |
CN114385962A (zh) | 一种基于相似日的日前光伏发电功率预测方法及系统 |
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: 20191220 |