CN110991083A - 一种光伏电站模型确定方法、装置、设备及储存介质 - Google Patents
一种光伏电站模型确定方法、装置、设备及储存介质 Download PDFInfo
- Publication number
- CN110991083A CN110991083A CN201911319441.7A CN201911319441A CN110991083A CN 110991083 A CN110991083 A CN 110991083A CN 201911319441 A CN201911319441 A CN 201911319441A CN 110991083 A CN110991083 A CN 110991083A
- Authority
- CN
- China
- Prior art keywords
- power station
- photovoltaic power
- preset
- model
- target
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
Abstract
本发明实施例公开了一种光伏电站模型确定方法、装置、设备及储存介质,该方法包括:根据目标光伏电站的电站画像和预设电站画像库中的多个预设光伏电站的电站画像,确定每个预设光伏电站与目标光伏电站的相似度;选取预设数量的预设光伏电站作为相似光伏电站并组成相似光伏电站集;从预设电站模型对应关系库中获取与相似光伏电站对应的预设电站模型及仿真精确度;根据相似光伏电站与目标光伏电站的相似度和相似光伏电站对应的预设电站模型的仿真精确度,确定预设电站模型与目标光伏电站的匹配度;将匹配度符合预设匹配条件的预设电站模型作为目标光伏电站的电站模型。实现为光伏电站确定电站模型时,减少对数据的依赖,提高确定电站模型的效率。
Description
技术领域
本发明实施例涉及光伏电站技术,尤其涉及一种光伏电站模型确定方法、装置、设备及储存介质。
背景技术
光伏发电大规模应用势必对电网产生影响,发展高精度光伏发电功率预测将提高电网的可观测性和预测性,是光伏纳入电网调度和控制的基础。
目前光伏发电预测的模型可以采用大数据模型预测,主要是基于神经网络的预测模型,建立多维非线性模型对光伏发电量进行预测,模型预测精度高,但是在建模型之前需要大量的数据。要想训练出准确的深度学习神经网络模型,前提是需要大量的历史发电数据作为模型训练样本,这使得基于大数据的深度学习神经网络模型在真实光伏发电功率预测项目的落地存在一定的困难。
一般训练光伏发电预测神经网络模型至少需要一年的数据,但是对于新的电站来说,并无数据可供模型训练,即使拿到了该电站环境的历史气象数据,但是对于发电量的评估依然是空缺,也就是说,电站运行一年后神经网络模型才可以训练出来。而且即使收集了一年数据还需要考虑数据质量问题和气象预报准确性问题,有的电站存在逆变器等设备通信稳定性较差、丢失部分重要数据、关键数据采集不完整,气象辐照数据精确度不高,电站运维管理不完善等一系列问题,也就是说实际训练模型的时间成本会远远超过一年。
发明内容
本发明实施例提供一种光伏电站模型确定方法、装置、设备及储存介质,以实现在实际工程中减少对数据的依赖。
第一方面,本发明实施例提供了一种光伏电站模型确定方法,包括:
根据目标光伏电站的电站画像和预设电站画像库中的多个预设光伏电站的电站画像,确定每个所述预设光伏电站与所述目标光伏电站的相似度;
根据所述预设光伏电站与所述目标光伏电站的相似度排名,选取预设数量的所述预设光伏电站作为相似光伏电站并组成相似光伏电站集;
根据预设电站模型对应关系库中存储的所述预设光伏电站和预设电站模型的对应关系,从预设电站模型库中获取与所述相似光伏电站对应的所述预设电站模型及仿真精确度;
根据每个所述相似光伏电站与所述目标光伏电站的相似度以及所述相似光伏电站对应的所述预设电站模型的所述仿真精确度,确定所述预设电站模型与所述目标光伏电站的匹配度;
将匹配度符合预设匹配条件的所述预设电站模型作为所述目标光伏电站的电站模型。
第二方面,本发明实施例还提供了一种光伏电站模型确定装置,包括:
相似度确定模块,用于根据目标光伏电站的电站画像和预设电站画像库中的多个预设光伏电站的电站画像,确定每个所述预设光伏电站与所述目标光伏电站的相似度;
类似光伏电站集组成模块,用于根据所述预设光伏电站与所述目标光伏电站的相似度排名,选取预设数量的所述预设光伏电站作为相似光伏电站并组成相似光伏电站集;
电站模型获取模块,用于根据预设电站模型对应关系库中存储的所述预设光伏电站和预设电站模型的对应关系,从预设电站模型库中获取与所述相似光伏电站对应的所述预设电站模型及仿真精确度;
模型匹配度确定模块,用于根据每个所述相似光伏电站与所述目标光伏电站的相似度以及所述相似光伏电站对应的所述预设电站模型的所述仿真精确度,确定所述预设电站模型与所述目标光伏电站的匹配度;
电站模型选取模块,用于将匹配度符合预设匹配条件的所述预设电站模型作为所述目标光伏电站的电站模型。
第三方面,本发明实施例还提供了一种设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任意实施例所提供的光伏电站模型确定方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任意实施例所提供的光伏电站模型确定方法。
本发明实施例通过预设光伏电站和目标光伏电站的相似度选取类似光伏电站,并从对应的预设电站模型中选取目标光伏电站的电站模型,解决电站模型训练对数据依赖度高的问题,实现在实际工程中减少对数据的依赖,提高确定电站模型效率的效果。
附图说明
图1是本发明实施例一中的一种光伏电站模型确定方法的流程图;
图2是本发明实施例二中的一种光伏电站模型确定方法的流程图;
图3是本发明实施例三中的一种光伏电站模型确定装置的结构示意图;
图4是本发明实施例四中的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种光伏电站模型确定方法的流程图,本实施例可适用于为光伏电站确定对应的模型的情况,该方法可以由光伏电站模型确定装置来执行,该装置可以由硬件和/或软件来实现,并一般可以集成在能源互联网构架的后端设备中,具体包括如下步骤:
步骤110、根据目标光伏电站的电站画像和预设电站画像库中的多个预设光伏电站的电站画像,确定每个预设光伏电站与目标光伏电站的相似度;
其中,每个光伏电站有自身的预设特征信息,这些预设特征信息构成光伏电站的电站画像,电站画像可以包括电站地型类型(例如平原、山地、高原等)、周边地表环境特征(例如荒漠、草地、耕地、水塘等)、气候特征(例如湿、热、冷、干,并以数值型数据表征)、电站组件类型、组件倾角、组件朝向、电站规模和天气特征(日均辐照、日最高辐照、日辐照峰度、日辐照偏度、月均辐照、月最高辐照、月辐照峰度、月辐照偏度、月最高气温、月最低气温等)。这些特征信息会影响光伏电站的发电功率。可以预先建立预设电站画像库,其中记录光伏电站的电站画像。将每个预设光伏电站的电站画像与目标光伏电站的电站画像进行比较,根据电站画像之间的相似程度来得出每个预设光伏电站与目标光伏电站的相似度。
步骤120、根据预设光伏电站与目标光伏电站的相似度排名,选取预设数量的预设光伏电站作为相似光伏电站并组成相似光伏电站集;
其中,在得到每个预设光伏电站与目标光伏电站的相似度之后,将全部预设光伏电站按照与目标光伏电站的相似度由高至低进行排名;选取排名在前的预设数量的预设光伏电站作为相似光伏电站并组成相似光伏电站集。与目标光伏电站相似度越高的预设光伏电站,所采用的预设电站模型就有可能更适合作为目标光伏电站的电站模型,所以选取排名靠前的预设数量的预设光伏电站作为相似光伏电站,示例的,预设数量可以为5-10个,但本申请中不作限定。
步骤130、根据预设电站模型对应关系库中存储的预设光伏电站和预设电站模型的对应关系,从预设电站模型库中获取与相似光伏电站对应的预设电站模型及仿真精确度;
其中,预先建立的预设电站模型对应关系库中存储有预设光伏电站和预设电站模型的对应关系,一个预设光伏电站可能使用多个预设电站模型的集成算法,同一个预设电站模型也可能被多个预设光伏电站所使用。所以在预设电站模型对应关系库中存储有每个预设光伏电站使用的全部预设电站模型,并且记录预设电站模型每次启动预测的均方根误差(Root Mean Squard Error,RMSE),并以此确定该预设光伏电站所对应的预设电站模型模拟其发电功率的仿真精确度。记录每次预设电站模型启动的时间、输入的天气数据时间段、天气数据关键特征、模型预测和实际发电功率的RMSE。
步骤140、根据每个相似光伏电站与目标光伏电站的相似度以及相似光伏电站对应的预设电站模型的仿真精确度,确定预设电站模型与目标光伏电站的匹配度;
其中,在得到了相似光伏电站与目标光伏电站的相似度,也得到了相似光伏电站所对应的预设电站模型的仿真精确度之后,将两者相结合就可以得到预设电站模型与目标光伏电站的匹配度。
步骤150、将匹配度符合预设匹配条件的预设电站模型作为目标光伏电站的电站模型。
其中,可以将预设电站模型按照与目标光伏电站的匹配度由高至低进行排名;将排名最高的预设电站模型作为目标光伏电站的电站模型。
可选的,在根据目标光伏电站的电站画像和预设电站画像库中的多个预设光伏电站的电站画像,确定每个预设光伏电站与目标光伏电站的相似度之前,还包括:
根据获取到的多个预设光伏电站的电站画像,建立预设电站画像库;其中,对于已有的光伏电站,可以记录对应的预设特征信息,以建立已有的光伏电站的电站画像,将这些电站画像存储在预设电站画像库中。
根据获取到的与预设光伏电站对应的至少一个预设电站模型,建立预设电站模型库;预设光伏电站对应的预设电站模型可以是根据记录的电站数据建立的多维非线性模型,也可以是在根据目标光伏电站的电站画像推荐的电站模型的基础上,二次学习形成的电站模型。
根据预设光伏电站与预设电站模型的对应关系,建立预设电站模型对应关系库;其中,预设光伏电站对应至少一个预设电站模型。
本实施例的技术方案,通过预设光伏电站和目标光伏电站的相似度选取类似光伏电站,并从对应的预设电站模型中选取目标光伏电站的电站模型,解决电站模型训练对数据依赖度高的问题,实现在实际工程中减少对数据的依赖,提高确定电站模型效率的效果。
假设现在有一个光伏电站需要建立一个自己的光功率预测系统,但是数据量太少难以训练成熟的模型,所以想寻找恰当的基础模型,在其基础上进行二次学习。在模型推荐系统里,一个电站可以找和它有相似特征(也就是电站画像相接近)的其他电站,然后把那些电站在用的一些模型推荐给该电站作为基础模型。这种方法称为基于“电站画像”的协同过滤算法。所以,可以理解的是,在通过上述方法确定目标光伏电站的电站模型后,还可以进行二次学习,得到更加适合该目标光伏电站的电站模型。
实施例二
图2为本发明实施例二提供的一种光伏电站模型确定方法的流程图,本实施例在上述技术方案的基础上进一步细化,该方法具体包括如下步骤:
步骤210、通过Jaccard公式计算预设光伏电站和目标光伏电站的相似度;或者通过余弦相似度公式计算预设光伏电站和目标光伏电站的相似度;其中,N(u)表示目标光伏电站的电站画像特征信息的集合,N(v)表示预设光伏电站的电站画像特征信息的集合。
步骤220、根据预设光伏电站与目标光伏电站的相似度排名,选取预设数量的预设光伏电站作为相似光伏电站并组成相似光伏电站集;
步骤230、根据预设电站模型对应关系库中存储的预设光伏电站和预设电站模型的对应关系,从预设电站模型库中获取与相似光伏电站对应的预设电站模型及仿真精确度;
步骤240、通过匹配度计算公式计算每个预设电站模型与目标光伏电站的匹配度;其中,S(u,K)表示由相似光伏电站组成的相似光伏电站集,N(i)表示将预设电站模型作为基础模型的相似光伏电站的集合,wuv是相似光伏电站和目标光伏电站的相似度,rvi表示预设电站模型对对应的相似光伏电站的仿真精确度,rvi用来表示。
步骤250、将匹配度符合预设匹配条件的预设电站模型作为目标光伏电站的电站模型。
本发明实施例提供的技术方案采用了基于“电站画像”的协同过滤算法,从算法角度将,提出了通过“电站画像”来获取多种可用模型作为目标光伏电站的电站模型,在多种预设电站模型的基础上进行集成预测,这样既避免了在实际工程中严重依赖数据的问题,同时增加了已有模型的利用率。
实施例三
图3为本发明实施例三提供的一种光伏电站模型确定装置的结构示意图,如图3所示,该装置具体包括:
相似度确定模块310,用于根据目标光伏电站的电站画像和预设电站画像库中的多个预设光伏电站的电站画像,确定每个预设光伏电站与目标光伏电站的相似度;
类似光伏电站集组成模块320,用于根据预设光伏电站与目标光伏电站的相似度排名,选取预设数量的预设光伏电站作为相似光伏电站并组成相似光伏电站集;
电站模型获取模块330,用于根据预设电站模型对应关系库中存储的预设光伏电站和预设电站模型的对应关系,从预设电站模型库中获取与相似光伏电站对应的预设电站模型及仿真精确度;
模型匹配度确定模块340,用于根据每个相似光伏电站与目标光伏电站的相似度以及相似光伏电站对应的预设电站模型的仿真精确度,确定预设电站模型与目标光伏电站的匹配度;
电站模型选取模块350,用于将匹配度符合预设匹配条件的预设电站模型作为目标光伏电站的电站模型。
本实施例的技术方案,通过预设光伏电站和目标光伏电站的相似度选取类似光伏电站,并从对应的预设电站模型中选取目标光伏电站的电站模型,解决电站模型训练对数据依赖度高的问题,实现在实际工程中减少对数据的依赖,提高确定电站模型效率的效果。
可选的,相似度确定模块310,具体用于:
通过Jaccard公式计算预设光伏电站和目标光伏电站的相似度;或者通过余弦相似度公式计算预设光伏电站和目标光伏电站的相似度;其中,N(u)表示目标光伏电站的电站画像特征信息的集合,N(v)表示预设光伏电站的电站画像特征信息的集合。
可选的,类似光伏电站集组成模块320,具体用于:
将全部预设光伏电站按照与目标光伏电站的相似度由高至低进行排名;
选取排名在前的预设数量的预设光伏电站作为相似光伏电站并组成相似光伏电站集。
可选的,模型匹配度确定模块340,具体用于:
获取类似光伏电站集中的每个预设光伏电站对应的预设电站模型及仿真精确度;
通过匹配度计算公式计算每个预设电站模型与目标光伏电站的匹配度;其中,S(u,K)表示由相似光伏电站组成的相似光伏电站集,N(i)表示将预设电站模型作为基础模型的相似光伏电站的集合,wuv是相似光伏电站和目标光伏电站的相似度,rvi表示预设电站模型对对应的相似光伏电站的仿真精确度,rvi用来表示。
可选的,电站模型选取模块350,具体用于:
将预设电站模型按照与目标光伏电站的匹配度由高至低进行排名;
将排名最高的预设电站模型作为目标光伏电站的电站模型。
可选的,电站画像包括电站地型类型、周边地表环境特征、气候特征、电站组件类型、组件倾角、组件朝向、电站规模和天气特征。
可选的,光伏电站模型确定装置,还包括:
预设电站画像库模块建立,用于在所述根据目标光伏电站的电站画像和预设电站画像库中的多个预设光伏电站的电站画像,确定每个所述预设光伏电站与所述目标光伏电站的相似度之前,根据获取到的多个所述预设光伏电站的电站画像,建立所述预设电站画像库;
预设电站模型库建立模块,用于根据获取到的与所述预设光伏电站对应的至少一个所述预设电站模型,建立所述预设电站模型库;
预设电站模型对应关系库建立模块,用于根据所述预设光伏电站与所述预设电站模型的对应关系,建立所述预设电站模型对应关系库;其中,所述预设光伏电站对应至少一个所述预设电站模型。
本发明实施例所提供的光伏电站模型确定装置可执行本发明任意实施例所提供的光伏电站模型确定方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种设备的结构示意图,如图4所示,该设备包括处理器410、存储器420、输入装置430和输出装置440;设备中处理器410的数量可以是一个或多个,图4中以一个处理器410为例;设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器420作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的光伏电站模型确定方法对应的程序指令/模块(例如,光伏电站模型确定装置中的相似度确定模块310、类似光伏电站集组成模块320、电站模型获取模块330、模型匹配度确定模块340和电站模型选取模块350)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的光伏电站模型确定方法。
存储器420可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器420可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器420可进一步包括相对于处理器410远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种光伏电站模型确定方法,该方法包括:
根据目标光伏电站的电站画像和预设电站画像库中的多个预设光伏电站的电站画像,确定每个所述预设光伏电站与所述目标光伏电站的相似度;
根据所述预设光伏电站与所述目标光伏电站的相似度排名,选取预设数量的所述预设光伏电站作为相似光伏电站并组成相似光伏电站集;
根据预设电站模型对应关系库中存储的所述预设光伏电站和预设电站模型的对应关系,从预设电站模型库中获取与所述相似光伏电站对应的所述预设电站模型及仿真精确度;
根据每个所述相似光伏电站与所述目标光伏电站的相似度以及所述相似光伏电站对应的所述预设电站模型的所述仿真精确度,确定所述预设电站模型与所述目标光伏电站的匹配度;
将匹配度符合预设匹配条件的所述预设电站模型作为所述目标光伏电站的电站模型。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的光伏电站模型确定方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述光伏电站模型确定装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种光伏电站模型确定方法,其特征在于,包括:
根据目标光伏电站的电站画像和预设电站画像库中的多个预设光伏电站的电站画像,确定每个所述预设光伏电站与所述目标光伏电站的相似度;
根据所述预设光伏电站与所述目标光伏电站的相似度排名,选取预设数量的所述预设光伏电站作为相似光伏电站并组成相似光伏电站集;
根据预设电站模型对应关系库中存储的所述预设光伏电站和预设电站模型的对应关系,从预设电站模型库中获取与所述相似光伏电站对应的所述预设电站模型及仿真精确度;
根据每个所述相似光伏电站与所述目标光伏电站的相似度以及所述相似光伏电站对应的所述预设电站模型的所述仿真精确度,确定所述预设电站模型与所述目标光伏电站的匹配度;
将匹配度符合预设匹配条件的所述预设电站模型作为所述目标光伏电站的电站模型。
3.根据权利要求1所述的光伏电站模型确定方法,其特征在于,所述根据所述预设光伏电站与所述目标光伏电站的相似度排名,选取预设数量的所述预设光伏电站作为相似光伏电站并组成相似光伏电站集,包括:
将全部所述预设光伏电站按照与所述目标光伏电站的相似度由高至低进行排名;
选取排名在前的所述预设数量的所述预设光伏电站作为所述相似光伏电站并组成所述相似光伏电站集。
5.根据权利要求1所述的光伏电站模型确定方法,其特征在于,所述将匹配度符合预设匹配条件的所述预设电站模型作为所述目标光伏电站的电站模型,包括:
将所述预设电站模型按照与所述目标光伏电站的匹配度由高至低进行排名;
将排名最高的所述预设电站模型作为所述目标光伏电站的电站模型。
6.根据权利要求1-5任一项所述的光伏电站模型确定方法,其特征在于,所述电站画像包括电站地型类型、周边地表环境特征、气候特征、电站组件类型、组件倾角、组件朝向、电站规模和天气特征。
7.根据权利要求1所述的光伏电站模型确定方法,其特征在于,在所述根据目标光伏电站的电站画像和预设电站画像库中的多个预设光伏电站的电站画像,确定每个所述预设光伏电站与所述目标光伏电站的相似度之前,还包括:
根据获取到的多个所述预设光伏电站的电站画像,建立所述预设电站画像库;
根据获取到的与所述预设光伏电站对应的至少一个所述预设电站模型,建立所述预设电站模型库;
根据所述预设光伏电站与所述预设电站模型的对应关系,建立所述预设电站模型对应关系库;其中,所述预设光伏电站对应至少一个所述预设电站模型。
8.一种光伏电站模型确定装置,其特征在于,包括:
相似度确定模块,用于根据目标光伏电站的电站画像和预设电站画像库中的多个预设光伏电站的电站画像,确定每个所述预设光伏电站与所述目标光伏电站的相似度;
类似光伏电站集组成模块,用于根据所述预设光伏电站与所述目标光伏电站的相似度排名,选取预设数量的所述预设光伏电站作为相似光伏电站并组成相似光伏电站集;
电站模型获取模块,用于根据预设电站模型对应关系库中存储的所述预设光伏电站和预设电站模型的对应关系,从预设电站模型库中获取与所述相似光伏电站对应的所述预设电站模型及仿真精确度;
模型匹配度确定模块,用于根据每个所述相似光伏电站与所述目标光伏电站的相似度以及所述相似光伏电站对应的所述预设电站模型的所述仿真精确度,确定所述预设电站模型与所述目标光伏电站的匹配度;
电站模型选取模块,用于将匹配度符合预设匹配条件的所述预设电站模型作为所述目标光伏电站的电站模型。
9.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的光伏电站模型确定方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的光伏电站模型确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911319441.7A CN110991083B (zh) | 2019-12-19 | 2019-12-19 | 一种光伏电站模型确定方法、装置、设备及储存介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911319441.7A CN110991083B (zh) | 2019-12-19 | 2019-12-19 | 一种光伏电站模型确定方法、装置、设备及储存介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991083A true CN110991083A (zh) | 2020-04-10 |
CN110991083B CN110991083B (zh) | 2023-07-14 |
Family
ID=70065757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911319441.7A Active CN110991083B (zh) | 2019-12-19 | 2019-12-19 | 一种光伏电站模型确定方法、装置、设备及储存介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991083B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419567A (zh) * | 2021-07-05 | 2021-09-21 | 阳光电源(上海)有限公司 | 一种跟踪支架的跟踪角度优化方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2017035884A1 (zh) * | 2015-08-31 | 2017-03-09 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
CN106529731A (zh) * | 2016-11-17 | 2017-03-22 | 云南电网有限责任公司电力科学研究院 | 一种区域电网光伏电站集群划分方法 |
US20190197203A1 (en) * | 2017-12-27 | 2019-06-27 | Imec Vzw | Simulation of Photovoltaic Systems |
CN110008982A (zh) * | 2019-01-11 | 2019-07-12 | 国网浙江省电力有限公司 | 一种基于光伏发电出力聚类的气象监测点选择方法 |
-
2019
- 2019-12-19 CN CN201911319441.7A patent/CN110991083B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2017035884A1 (zh) * | 2015-08-31 | 2017-03-09 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
CN106529731A (zh) * | 2016-11-17 | 2017-03-22 | 云南电网有限责任公司电力科学研究院 | 一种区域电网光伏电站集群划分方法 |
US20190197203A1 (en) * | 2017-12-27 | 2019-06-27 | Imec Vzw | Simulation of Photovoltaic Systems |
CN110008982A (zh) * | 2019-01-11 | 2019-07-12 | 国网浙江省电力有限公司 | 一种基于光伏发电出力聚类的气象监测点选择方法 |
Non-Patent Citations (2)
Title |
---|
刘沛汉;吐尔逊・伊不拉音;赵力;: "一种光伏系统短期功率预测模型" * |
王留送;谢红伟;苏战辉;郑鹏飞;: "一种大型并网光伏电站短期功率预测模型研究与仿真" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419567A (zh) * | 2021-07-05 | 2021-09-21 | 阳光电源(上海)有限公司 | 一种跟踪支架的跟踪角度优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110991083B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10290066B2 (en) | Method and device for modeling a long-time-scale photovoltaic output time sequence | |
Parlange et al. | An extended version of the Richardson model for simulating daily weather variables | |
Hasan et al. | Influence of stochastic dependence on small-disturbance stability and ranking uncertainties | |
CN102945223A (zh) | 一种构建多个风电场出力联合概率分布函数的方法 | |
Munkhammar et al. | An N-state Markov-chain mixture distribution model of the clear-sky index | |
CN106529731A (zh) | 一种区域电网光伏电站集群划分方法 | |
CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
CN110751416A (zh) | 一种用水量的预测方法、装置及设备 | |
CN111260154B (zh) | 基于cnn-lstm的短期太阳辐射预测方法及装置 | |
Yang et al. | Will the arid and semi-arid regions of Northwest China become warmer and wetter based on CMIP6 models? | |
CN116305757A (zh) | 一种基于swat和plus分析不同情景下农业面源污染的方法 | |
CN110991083B (zh) | 一种光伏电站模型确定方法、装置、设备及储存介质 | |
CN116523145B (zh) | 光伏功率超短期预测方法、装置、计算机设备及存储介质 | |
US20240054267A1 (en) | Method for planning a layout of a renewable energy site | |
CN115587664B (zh) | 基于图卷积长短期记忆网络的太阳辐射预测方法及系统 | |
CN110187363B (zh) | 适用于大型风电基地的测风方法、系统、设备和存储介质 | |
CN107918920B (zh) | 多光伏电站的出力关联性分析方法 | |
CN113779892B (zh) | 一种风速和风向的预测方法 | |
KR102583178B1 (ko) | 발전량 예측 방법 및 장치 | |
CN115983478A (zh) | 分布式光伏发电功率预测分析方法、系统、终端及介质 | |
CN114282737A (zh) | 一种短期太阳辐照强度的预测方法、装置和电子设备 | |
JP6552077B1 (ja) | 日射量正規化統計解析システム、日射量正規化統計解析法および日射量正規化統計解析プログラム | |
Jin et al. | Using the residual network module to correct the sub-seasonal high temperature forecast | |
CN115392101A (zh) | 一种综合能源随机场景生成方法及系统 | |
Song et al. | Design and development of BP neural network-based wind power prediction system of Dechang Wind Farm |
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 |