CN110705789A - 一种光伏电站短期功率预测方法 - Google Patents
一种光伏电站短期功率预测方法 Download PDFInfo
- Publication number
- CN110705789A CN110705789A CN201910941692.2A CN201910941692A CN110705789A CN 110705789 A CN110705789 A CN 110705789A CN 201910941692 A CN201910941692 A CN 201910941692A CN 110705789 A CN110705789 A CN 110705789A
- Authority
- CN
- China
- Prior art keywords
- day
- type
- data
- photovoltaic power
- forecast
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种光伏电站短期功率预测方法,所述短期预测方法,根据光伏电站历史输出功率数据和数值天气预报数据,选取季节类型、天气类型和辐照强度/温度等气象因素作为输入数据集;对输入数据集预处理后,提取日类型特征向量,采用K‑Means聚类方法对日类型特征向量进行聚类,获取K种不同日类型结果;根据预测日数值天气预报数据,确定预测日所属日类型,基于相似日理论获取预测日所属日类型中的n天最相似日的数据样本集,作为预测模型训练数据,采用随机森林回归预测算法对训练数据集进行训练建模,建立光伏电站短期功率预测模型;基于预测日数值天气预报数据,调用光伏电站短期功率预测模型,获取预测日光伏电站短期功率预测结果。
Description
技术领域
本发明涉及光伏发电预测技术领域,具体涉及一种光伏电站短期功率预测方法。
背景技术
随着传统能源的快速消耗及环保意识的增强,具有清洁、环保和可持续发展的可再生能源获得了广泛关注。光伏发电作为一种较为成熟的可再生能源发电方式,已获得了较好的开发利用。随着可再生能源发电技术的快速发展,大规模的光伏发电电站将会并网运行。由于光伏发电出力的随机性和波动性,规模化的光伏电站并网会影响电网的稳定性。为了实现电网功率的平衡,光伏发电企业需及时申报光伏电站日发电计划曲线,以便电网调度部门及时调整调度计划,维持电网的稳定运行。因此,实现光伏电站出力的准确预测,可有效减少电网的备用容量和运行成本,保证电网的稳定运行,具有重要意义。
经过对现有技术文献的检索发现,目前常用的预测方法有支持向量机、神经网络、时间序列等方法,但单个预测方法对异常点、离群点敏感,容易使得模型过拟合,降低了预测的精度。针对以上不足,提出了提出基于相似日特征向量选取和随机森林回归算法相结合的集成回归预测方法。所提方法基于相似日理论,选择与光伏输出功率关联性强的光照强度、温度、湿度和压强作为日类型的特征向量,并基于该特征向量进行日类型聚类,选择与预测日同类型的数据集作为训练数据,缩小了模型训练数据范围,减少了计算开销;其次,随机森林回归算法是一种集成学习方法,对异常点、离群点具有鲁棒性,可防止预测模型的过拟合与欠拟合,能有效提高短期功率预测的精度。
发明内容
本发明的目的,为了解决现有技术不足,提供一种光伏电站短期功率预测方法,该方法采用聚类方法对历史日数据进行分类,获取K个不同类别日;根据预测日数值天气预报数据,确定预测日所属类别,并基于所属类别样本集,找出与预测日最相似的n天样本集,作为预测模型训练数据集;采用n天训练数据集,对随机森林回归预测模型进行训练,建立光伏电站短期功率预测模型,提取预测日数值天气预报特征向量,作为预测模型输入特征向量,获取预测日光伏电站短期功率预测结果。具体方案如下:
步骤一,获取光伏电站相关历史数据样本集,其中所述历史数据样本集主要包括光伏电站历史功率数据集和数值天气预报数据集;
步骤二,采用数据处理方法对历史数据进行处理,根据季节类型、天气类型和辐照强度/温度等环境数据,选取预测模型输入特征向量和日类型特征向量,基于日类型特征向量对历史日数据进行聚类,获取日类型分类结果;
步骤三,根据预测日数值天气预报数据,确定预测日所属类型,从所属日类型样本集中找到与预测日类别最接近的n天的预测模型输入特征向量集作为预测模型训练数据集;
步骤四,采用n天相似日训练样本集,对随机森林回归预测模型进行训练,建立光伏电站短期功率预测模型,提取预测日气象特征向量,作为预测模型输入特征向量,获取预测日光伏电站短期功率预测结果。
所述的一种光伏电站短期功率预测方法,其中,所述步骤一中,获取光伏电站相关历史数据样本集,其中所述数据主要包括光伏电站历史功率数据集和数值天气预报数据,所述数值天气预报数据包括辐照度、温度、压强、湿度、天气类型、季节类型等。
所述的一种光伏电站短期功率预测方法,其中,所述步骤二中,采用数据处理方法选取预测模型输入特征向量和日类型特征向量,并采用聚类方法获取历史日的不同分类结果,具体流程如下:
(1)数据处理
对历史数据集进行归一化处理,处理异常数据点,并检测数据集的完整性,当有异常数据点时,用相近日同一时刻数据平均值替换;当数据集有缺失时,采用相近日期同时刻点数据平均值进行替换。
采用下式进行数据归一化处理:
其中,xt、xc,t分别为第t时刻原始序列值和归一化后的序列值,xmax、xmin分别为原始序列最大值和最小值。
(2)选取预测模型特征向量
基于处理后历史数据,根据季节类型分为春、夏、秋、冬四个季节类型,在每个季节的数据集中,选取天气类型、辐照强度、温度、湿度和压强作为预测模型输入特征向量,输出功率作为预测模型的输出特征向量,分别表示如下:
xi=[xi1,xi2,xi3,,xi4,xi5]
X=[x1,x2,…,xn]T
y=[p1,p2,…,pn]T
其中,xi为第i个输入特征向量,xi1、xi2、xi3、xi4、xi5分别为第i个输入特征向量的天气类型、辐照强度、温度、湿度和压强,X为输入特征向量序列,Y为输出特征相量序列。
(3)提取日类型特征向量
选取辐照强度平均值smean、辐照强度最小值smin及其发生时刻ts,min、辐照强度最大值smax及其发生时刻ts,max、温度平均值Tmean、温度最小值Tmin及其发生时刻tT,min、温度最大值Tmax及其发生时刻tT,max、湿度平均值Hmean和压强平均值Pmean作为日类型特征向量,表示如下:
dtype,i=[smean,smin,ts,min,smax,ts,max,Tmean,Tmin,tT,min,Tmax,tT,max,Hmean,Pmean]
其中,dtype,i为第i日的日类型特征向量。
(4)日类型特征向量聚类
根据日类型特征向量数据集,采用K-Means聚类方法对每个季节类型中的日类型进行聚类,获得K个类别,分别用C1、C2、…、CK表示。
所述的一种光伏电站短期功率预测方法,其中,所述步骤三中,确定预测日所示日类型,计算该日类型数据集中与预测日的日类型最接近的n天数据作为预测模型的训练数据集,具有步骤如下:
(1)确定预测日所属类别
根据预测日数值天气预报数据,确定预测日的日类型特征向量,计算预测日的日类型特征向量与K个日类型特征向量集中心点的距离,选择距离最小的中心点日类型作为预测日类型,其中,距离计算公式采用欧氏距离法,如下公式表示:
其中,dk表示预测日与第k种日类型中心点的距离。dp,type,j表示预测日的日类型特征向量,dk,type,j表示第k种中心点的日类型特征向量。
(2)预测模型训练数据集提取
确定预测日所属的日类型,从该日类型数据集中,计算每个日类型特征向量与预测日的欧式距离,并将所有欧氏距离值按由小到大排列,选取前n天的输入特征向量组成的矩阵X作为预测模型输入数据集,选取对应的n天输出功率数据作为预测模型的输出数据集。
所述的一种光伏电站短期功率预测方法,其中,所述步骤四中,根据训练数据集,对随机森林回归预测模型进行训练,建立光伏电站短期功率预测模型,以预测日气象特征向量作为预测模型输入,完成光伏电站短期功率预测,具体流程如下:
(1)建立随机森林回归预测模型
采用n天相似日的历史数据集作为训练样本集,对随机森林回归预测模型进行训练,建立光伏电站短期功率预测模型,用于实现光伏电站的短期功率预测。
(2)光伏电站短期功率预测
根据建立的随机森林回归预测模型,提取预测日气象特征相量作为预测模型输入向量,计算出光伏电站的短期功率预测结果。
有益效果:所提方法基于相似日理论,选择与光伏输出功率关联性强的光照强度、温度、湿度和压强作为日类型的特征向量,并根据改特征向量进行日类型聚类,选择与预测日同类别的数据集作为训练数据,缩小了预测训练数据范围,减少了计算开销;其次,随机森林回归算法是一种集成学习方法,对异常点、离群点具有鲁棒性,可防止预测模型的过拟合与欠拟合,能有效提高短期功率预测的精度。
附图说明
图1是本发明的光伏电站短期功率预测流程。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方法,下面结合附图和具体实施例对本发明作进一步详细的描述。如图1所示,本发明公开了一种光伏电站短期功率预测方法,其包括以下步骤:
步骤一,获取光伏电站相关历史数据样本集,其中所述历史数据样本集主要包括光伏电站历史功率数据集和数值天气预报数据集;
步骤二,采用数据处理方法对历史数据进行处理,根据季节类型、天气类型和辐照强度/温度等环境数据,选取预测模型输入特征向量和日类型特征向量,基于日类型特征向量对历史日数据进行聚类,获取日类型分类结果;
步骤三,根据预测日数值天气预报数据,确定预测日所属类型,从所属日类型样本集中找到与预测日类别最接近的n天的预测模型输入特征向量集作为预测模型训练数据集;
步骤四,采用n天相似日训练样本集,对随机森林回归预测模型进行训练,建立光伏电站短期功率预测模型,提取预测日气象特征向量,作为预测模型输入特征向量,获取预测日光伏电站短期功率预测结果。
所述的一种光伏电站短期功率预测方法,其中,所述步骤一中,获取光伏电站相关历史数据样本集,其中所述数据主要包括光伏电站历史功率数据集和数值天气预报数据,所述数值天气预报数据包括辐照度、温度、压强、湿度、天气类型、季节类型等。
所述的一种光伏电站短期功率预测方法,其中,所述步骤二中,采用数据处理方法选取预测模型输入特征向量和日类型特征向量,并采用聚类方法获取历史日的不同分类结果,具体流程如下:
(1)数据处理
对历史数据集进行归一化处理,处理异常数据点,并检测数据集的完整性,当有异常数据点时,用相近日同一时刻数据平均值替换;当数据集有缺失时,采用相近日期同时刻点数据平均值进行替换。
采用下式进行数据归一化处理:
其中,xt、xc,t分别为第t时刻原始序列值和归一化后的序列值,xmax、xmin分别为原始序列最大值和最小值。
(2)选取预测模型特征向量
基于处理后历史数据,根据季节类型分为春、夏、秋、冬四个季节类型,在每个季节的数据集中,选取天气类型、辐照强度、温度、湿度和压强作为预测模型输入特征向量,输出功率作为预测模型的输出特征向量,分别表示如下:
xi=[xi1,xi2,xi3,,xi4,xi5]
X=[x1,x2,…,xn]T
Y=[p1,p2,…,pn]T
其中,xi为第i个输入特征向量,xi1、xi2、xi3、xi4、xi5分别为第i个输入特征向量的天气类型、辐照强度、温度、湿度和压强,X为输入特征向量序列,Y为输出特征相量序列。
(3)提取日类型特征向量
选取辐照强度平均值smean、辐照强度最小值smin及其发生时刻ts,min、辐照强度最大值smax及其发生时刻ts,max、温度平均值Tmean、温度最小值Tmin及其发生时刻tT,min、温度最大值Tmax及其发生时刻tT,max、湿度平均值Hmean和压强平均值Pmean作为日类型特征向量,表示如下:
dtype,i=[smean,smin,ts,min,smax,ts,max,Tmean,Tmin,tT,min,Tmax,tT,max,Hmean,Pmean]
其中,dtype,i为第i日的日类型特征向量。
(4)日类型特征向量聚类
根据日类型特征向量数据集,采用K-Means聚类方法对每个季节类型中的日类型进行聚类,获得K个类别,分别用C1、C2、…、CK表示。
所述的一种光伏电站短期功率预测方法,其中,所述步骤三中,确定预测日所示日类型,计算该日类型数据集中与预测日的日类型最接近的n天数据作为预测模型的训练数据集,具有步骤如下:
(1)确定预测日所属类别
根据预测日数值天气预报数据,确定预测日的日类型特征向量,计算预测日的日类型特征向量与K个日类型特征向量集中心点的距离,选择距离最小的中心点日类型作为预测日类型,其中,距离计算公式采用欧氏距离法,如下公式表示:
其中,dk表示预测日与第k种日类型中心点的距离。dp,type,j表示预测日的日类型特征向量,dk,type,j表示第k种中心点的日类型特征向量。
(2)预测模型训练数据集提取
确定预测日所属的日类型,从该日类型数据集中,计算每个日类型特征向量与预测日的欧式距离,并将所有欧氏距离值按由小到大排列,选取前n天的输入特征向量组成的矩阵X作为预测模型输入数据集,选取对应的n天输出功率数据作为预测模型的输出数据集。
所述的一种光伏电站短期功率预测方法,其中,所述步骤四中,采用n天相似日训练样本集,对随机森林回归预测模型进行训练,建立光伏电站短期功率预测模型,提取预测日气象特征向量,作为预测模型输入特征向量,获取预测日光伏电站短期功率预测结果,具体流程如下:
(1)建立随机森林回归预测模型
采用n天相似日的历史数据集作为训练样本集,对随机森林回归预测模型进行训练,建立光伏电站短期功率预测模型,用于实现光伏电站的短期功率预测。
(2)光伏电站短期功率预测
根据建立的随机森林回归预测模型,提取预测日气象特征相量作为预测模型输入向量,计算出光伏电站的短期功率预测结果。
有益效果:所提方法基于相似日理论,选择与光伏输出功率关联性强的光照强度、温度、湿度和压强作为日类型的特征向量,并根据改特征向量进行日类型聚类,选择与预测日同类别的数据集作为训练数据,缩小了预测训练数据范围,减少了计算开销;其次,随机森林回归算法是一种集成学习方法,对异常点、离群点具有鲁棒性,可防止预测模型的过拟合与欠拟合,能有效提高短期功率预测的精度。
总之,本发明虽然列举了上述优选实施方式,但是应该说明,虽然本领域的技术人员可以进行各种变化和改型,除非这样的变化和改型偏离了本发明的范围,否则都应该包括在本发明的保护范围内。
Claims (5)
1.一种光伏电站短期功率预测方法,其特征在于,包括以下步骤:
步骤一,获取光伏电站相关历史数据样本集,其中所述历史数据样本集主要包括光伏电站历史功率数据集和数值天气预报数据集;
步骤二,采用数据处理方法对历史数据进行处理,根据季节类型、天气类型和辐照强度/温度等环境数据,选取预测模型输入特征向量和日类型特征向量,基于日类型特征向量对历史日数据进行聚类,获取日类型分类结果;
步骤三,根据预测日数值天气预报数据,确定预测日所属类型,从所属日类型样本集中找到与预测日类别最接近的n天的预测模型输入特征向量集作为预测模型训练数据集;
步骤四,采用n天相似日训练样本集,对随机森林回归预测模型进行训练,建立光伏电站短期功率预测模型,提取预测日气象特征向量,作为预测模型输入特征向量,获取预测日光伏电站短期功率预测结果。
2.根据权利要求1所述的一种光伏电站短期功率预测方法,其特征在于,所述步骤一中获取光伏电站相关历史数据样本集,其中所述数据主要包括光伏电站历史功率数据集和数值天气预报数据数据集,所述数值天气预报数据集包括辐照度、温度、压强、湿度、天气类型、季节类型。
3.根据权利要求1所述的一种光伏电站短期功率预测方法,其特征在于,所述步骤二中采用数据处理方法选取预测模型输入特征向量和日类型特征向量,并采用聚类方法获取历史日的不同分类结果,具体流程如下:
(1)数据处理
对历史数据集进行归一化处理,处理异常数据点,并检测数据集的完整性,当有异常数据点时,用相近日同一时刻数据平均值替换;当数据集有缺失时,采用相近日期同时刻点数据平均值进行替换;
采用下式进行数据归一化处理:
其中,xt、xc,t分别为第t时刻原始序列值和归一化后的序列值,xmax、xmin分别为原始序列最大值和最小值;
(2)选取预测模型特征向量
基于处理后历史数据,根据季节类型分为春、夏、秋、冬四个季节类型,在每个季节的数据集中,选取天气类型、辐照强度、温度、湿度和压强作为预测模型输入特征向量,输出功率作为预测模型的输出特征向量,分别表示如下:
xi=[xi1,xi2,xi3,xi4,xi5]
X=[x1,x2,...,xn]T
Y=[p1,p2,...,pn]T
其中,xi为第i个输入特征向量,xi1、xi2、xi3、xi4、xi5分别为第i个输入特征向量的天气类型、辐照强度、温度、湿度和压强,X为输入特征向量序列,Y为输出特征相量序列;
(3)提取日类型特征向量
选取辐照强度平均值smean、辐照强度最小值smin及其发生时刻ts,min、辐照强度最大值smax及其发生时刻ts,max、温度平均值Tmean、温度最小值Tmin及其发生时刻tT,min、温度最大值Tmax及其发生时刻tT,max、湿度平均值Hmean和压强平均值Pmean作为日类型特征向量,表示如下:
dtype,i=[smean,smin,ts,min,smax,ts,max,Tmean,Tmin,tT,min,Tmax,tT,max,Hmean,Pmean]
其中,dtype,i为第i日的日类型特征向量;
(4)日类型特征向量聚类
根据日类型特征向量数据集,采用K-Means聚类方法对每个季节类型中的日类型进行聚类,获得K个类别,分别用C1、C2、…、CK表示。
4.根据权利要求1所述的一种光伏电站短期功率预测方法,其特征在于,所述步骤三中确定预测日所示日类型,计算该日类型数据集中与预测日的日类型最接近的n天数据作为预测模型的训练数据集,具有步骤如下:
(1)确定预测日所属类别
根据预测日数值天气预报数据,确定预测日的日类型特征向量,计算预测日的日类型特征向量与K个日类型特征向量集中心点的距离,选择距离最小的中心点日类型作为预测日类型,其中,距离计算公式采用欧氏距离法,如下公式表示:
其中,dk表示预测日与第k种日类型中心点的距离。dp,type,j表示预测日的日类型特征向量,dk,type,j表示第k种中心点的日类型特征向量;
(2)预测模型训练数据集提取
确定预测日所属的日类型,从该日类型数据集中,计算每个日类型特征向量与预测日的欧式距离,并将所有欧氏距离值按由小到大排列,选取前n天的输入特征向量组成的矩阵X作为预测模型输入数据集,选取对应的n天输出功率数据作为预测模型的输出数据集。
5.根据权利要求1所述的一种光伏电站短期功率预测方法,其特征在于,所述步骤四中根据训练数据集,建立随机森林回归预测模型,以预测日气象特征向量作为预测模型输入,完成光伏电站短期功率预测,具体流程如下:
(1)建立随机森林回归预测模型
采用n天相似日的历史数据集作为训练样本集,对随机森林回归预测模型进行训练,建立光伏电站短期功率预测模型,用于实现光伏电站的短期功率预测;
(2)光伏电站短期功率预测
根据建立的随机森林回归预测模型,提取预测日气象特征相量作为预测模型输入向量,计算出光伏电站的短期功率预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910941692.2A CN110705789A (zh) | 2019-09-30 | 2019-09-30 | 一种光伏电站短期功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910941692.2A CN110705789A (zh) | 2019-09-30 | 2019-09-30 | 一种光伏电站短期功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110705789A true CN110705789A (zh) | 2020-01-17 |
Family
ID=69196464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910941692.2A Pending CN110705789A (zh) | 2019-09-30 | 2019-09-30 | 一种光伏电站短期功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705789A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111258335A (zh) * | 2020-01-19 | 2020-06-09 | 广州发展新能源股份有限公司 | 一种光伏跟踪优化方法、装置、系统和存储介质 |
CN111598337A (zh) * | 2020-05-15 | 2020-08-28 | 国网河北省电力有限公司电力科学研究院 | 一种分布式光伏短期出力预测的方法 |
CN111754026A (zh) * | 2020-05-28 | 2020-10-09 | 国网冀北电力有限公司 | 光伏电站群功率预测方法、装置、计算机设备及存储介质 |
CN111967675A (zh) * | 2020-08-19 | 2020-11-20 | 京东方科技集团股份有限公司 | 光伏发电量的预测方法以及预测装置 |
CN112070311A (zh) * | 2020-09-10 | 2020-12-11 | 天津大学 | 基于相似日聚类和气象因子赋权的日前光功率预测方法 |
CN112116140A (zh) * | 2020-09-10 | 2020-12-22 | 同济大学 | 一种基于孪生模型的建筑能耗预测方法 |
CN112116127A (zh) * | 2020-08-20 | 2020-12-22 | 中国农业大学 | 一种基于气象过程与功率波动关联的光伏功率预测方法 |
CN112257953A (zh) * | 2020-11-03 | 2021-01-22 | 上海电力大学 | 一种基于极地新能源发电功率预测的数据处理方法 |
CN112418502A (zh) * | 2020-11-13 | 2021-02-26 | 国网冀北电力有限公司计量中心 | 一种基于组合模型的光伏发电预测方法 |
CN112529262A (zh) * | 2020-11-27 | 2021-03-19 | 北京京能高安屯燃气热电有限责任公司 | 短期功率预测方法、装置、计算机设备和存储介质 |
CN112561058A (zh) * | 2020-12-15 | 2021-03-26 | 广东工业大学 | 基于Stacking-集成学习短期光伏功率预测方法 |
CN112926653A (zh) * | 2021-02-25 | 2021-06-08 | 山东大学 | 基于小时级天气类型校正的光伏功率短期预测方法及系统 |
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 |
CN115601197A (zh) * | 2022-11-28 | 2023-01-13 | 深圳市峰和数智科技有限公司(Cn) | 光伏电站的异常状态检测方法、装置 |
CN116050666A (zh) * | 2023-03-20 | 2023-05-02 | 中国电建集团江西省电力建设有限公司 | 一种辐照特征聚类的光伏发电功率预测方法 |
CN117252729A (zh) * | 2023-11-17 | 2023-12-19 | 北京恒信启华信息技术股份有限公司 | 一种基于大数据的光伏电站管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447098A (zh) * | 2016-09-22 | 2017-02-22 | 许昌许继软件技术有限公司 | 一种光伏超短期功率预测方法及装置 |
JPWO2018131214A1 (ja) * | 2017-01-13 | 2019-01-17 | パナソニックIpマネジメント株式会社 | 予測装置及び予測方法 |
CN109685257A (zh) * | 2018-12-13 | 2019-04-26 | 国网青海省电力公司 | 一种基于支持向量机回归的光伏发电功率预测方法 |
CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及系统 |
-
2019
- 2019-09-30 CN CN201910941692.2A patent/CN110705789A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447098A (zh) * | 2016-09-22 | 2017-02-22 | 许昌许继软件技术有限公司 | 一种光伏超短期功率预测方法及装置 |
JPWO2018131214A1 (ja) * | 2017-01-13 | 2019-01-17 | パナソニックIpマネジメント株式会社 | 予測装置及び予測方法 |
CN109685257A (zh) * | 2018-12-13 | 2019-04-26 | 国网青海省电力公司 | 一种基于支持向量机回归的光伏发电功率预测方法 |
CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及系统 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111258335A (zh) * | 2020-01-19 | 2020-06-09 | 广州发展新能源股份有限公司 | 一种光伏跟踪优化方法、装置、系统和存储介质 |
CN111598337A (zh) * | 2020-05-15 | 2020-08-28 | 国网河北省电力有限公司电力科学研究院 | 一种分布式光伏短期出力预测的方法 |
CN111598337B (zh) * | 2020-05-15 | 2022-12-13 | 国网河北省电力有限公司电力科学研究院 | 一种分布式光伏短期出力预测的方法 |
CN111754026B (zh) * | 2020-05-28 | 2024-03-15 | 国网冀北电力有限公司 | 光伏电站群功率预测方法、装置、计算机设备及存储介质 |
CN111754026A (zh) * | 2020-05-28 | 2020-10-09 | 国网冀北电力有限公司 | 光伏电站群功率预测方法、装置、计算机设备及存储介质 |
CN111967675A (zh) * | 2020-08-19 | 2020-11-20 | 京东方科技集团股份有限公司 | 光伏发电量的预测方法以及预测装置 |
CN112116127A (zh) * | 2020-08-20 | 2020-12-22 | 中国农业大学 | 一种基于气象过程与功率波动关联的光伏功率预测方法 |
CN112116127B (zh) * | 2020-08-20 | 2024-04-02 | 中国农业大学 | 一种基于气象过程与功率波动关联的光伏功率预测方法 |
CN112116140A (zh) * | 2020-09-10 | 2020-12-22 | 同济大学 | 一种基于孪生模型的建筑能耗预测方法 |
CN112070311A (zh) * | 2020-09-10 | 2020-12-11 | 天津大学 | 基于相似日聚类和气象因子赋权的日前光功率预测方法 |
CN112257953A (zh) * | 2020-11-03 | 2021-01-22 | 上海电力大学 | 一种基于极地新能源发电功率预测的数据处理方法 |
CN112418502A (zh) * | 2020-11-13 | 2021-02-26 | 国网冀北电力有限公司计量中心 | 一种基于组合模型的光伏发电预测方法 |
CN112418502B (zh) * | 2020-11-13 | 2024-04-30 | 国网冀北电力有限公司计量中心 | 一种基于组合模型的光伏发电预测方法 |
CN112529262A (zh) * | 2020-11-27 | 2021-03-19 | 北京京能高安屯燃气热电有限责任公司 | 短期功率预测方法、装置、计算机设备和存储介质 |
CN112561058A (zh) * | 2020-12-15 | 2021-03-26 | 广东工业大学 | 基于Stacking-集成学习短期光伏功率预测方法 |
CN112561058B (zh) * | 2020-12-15 | 2023-06-06 | 广东工业大学 | 基于Stacking-集成学习短期光伏功率预测方法 |
CN112926653A (zh) * | 2021-02-25 | 2021-06-08 | 山东大学 | 基于小时级天气类型校正的光伏功率短期预测方法及系统 |
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 |
CN115601197A (zh) * | 2022-11-28 | 2023-01-13 | 深圳市峰和数智科技有限公司(Cn) | 光伏电站的异常状态检测方法、装置 |
CN116050666A (zh) * | 2023-03-20 | 2023-05-02 | 中国电建集团江西省电力建设有限公司 | 一种辐照特征聚类的光伏发电功率预测方法 |
CN117252729A (zh) * | 2023-11-17 | 2023-12-19 | 北京恒信启华信息技术股份有限公司 | 一种基于大数据的光伏电站管理方法及系统 |
CN117252729B (zh) * | 2023-11-17 | 2024-04-16 | 北京恒信启华信息技术股份有限公司 | 一种基于大数据的光伏电站管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705789A (zh) | 一种光伏电站短期功率预测方法 | |
CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
CN107766990B (zh) | 一种光伏电站发电功率的预测方法 | |
CN106447098B (zh) | 一种光伏超短期功率预测方法及装置 | |
CN109086928B (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
CN107194495B (zh) | 一种基于历史数据挖掘的光伏功率纵向预测方法 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN109934395B (zh) | 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法 | |
Melzi et al. | Hourly solar irradiance forecasting based on machine learning models | |
CN103065202B (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
CN110909911B (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
CN107403015B (zh) | 一种基于时间序列相似性的短期光功率预测方法 | |
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 | |
WO2024051524A1 (zh) | 一种水风光发电功率联合预测方法、装置 | |
CN112508246B (zh) | 一种基于相似日的光伏发电功率预测方法 | |
CN112070311A (zh) | 基于相似日聚类和气象因子赋权的日前光功率预测方法 | |
CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
CN112927097A (zh) | 基于GRA-ABC-Elman模型的光伏发电功率短期预测方法 | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
CN110909310A (zh) | 一种基于模型参数优化的光伏短期发电量预测方法及系统 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN105760895B (zh) | 一种光伏出力波动类型的划分方法 | |
Zhangang et al. | Genetic algorithm-based RBF neural network load forecasting model | |
CN110598896A (zh) | 基于预测误差校正的光伏功率预测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200117 |
|
WD01 | Invention patent application deemed withdrawn after publication |