CN111130095A - 预测可再生能源发电厂的电力生产的方法 - Google Patents
预测可再生能源发电厂的电力生产的方法 Download PDFInfo
- Publication number
- CN111130095A CN111130095A CN201911040770.8A CN201911040770A CN111130095A CN 111130095 A CN111130095 A CN 111130095A CN 201911040770 A CN201911040770 A CN 201911040770A CN 111130095 A CN111130095 A CN 111130095A
- Authority
- CN
- China
- Prior art keywords
- power
- data
- epc
- generating device
- calculated
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000010248 power generation Methods 0.000 claims abstract description 90
- 238000012937 correction Methods 0.000 claims description 27
- 238000009434 installation Methods 0.000 claims description 14
- 238000013178 mathematical model Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- QVRVXSZKCXFBTE-UHFFFAOYSA-N n-[4-(6,7-dimethoxy-3,4-dihydro-1h-isoquinolin-2-yl)butyl]-2-(2-fluoroethoxy)-5-methylbenzamide Chemical compound C1C=2C=C(OC)C(OC)=CC=2CCN1CCCCNC(=O)C1=CC(C)=CC=C1OCCF QVRVXSZKCXFBTE-UHFFFAOYSA-N 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 15
- 230000006399 behavior Effects 0.000 description 22
- 238000005259 measurement Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
-
- 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- 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
-
- 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
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开涉及预测可再生能源发电厂的电力生产的方法。一种用于预测可再生能源发电厂(I)的电力生产的方法(100)，该发电厂已经安装有能够通过利用可再生能源来发电的一个或多个第一发电设备(D)。基于对所述第一发电设备和类似于所述第一发电设备的第二发电设备的过去行为的观察，所述方法允许计算指示所述发电厂的预期电力生产的预期电力生产值。
Description
技术领域
本发明涉及一种用于预测可再生能源发电厂的电力生产的方法。
背景技术
众所周知，可再生能源发电厂(例如光伏发电厂)的管理活动中的一个关键方面在于预测这种发电厂可以提供的未来电力生产。
预测可再生能源发电厂的电力生产一般而言是重要的，因为它允许优化发电厂的性能并获得令人满意的投资回报。
但是，这种预测活动是一项难以执行的任务，因为它受到许多各种外部因素的影响，这些外部因素包括发电厂的安装条件、现场气象和环境条件、工厂现场的地理位置等。
可用的现有技术提供了许多用于预测可再生能源发电厂的电力生产的方法。这些方法的示例可以在US8295989B1、US8165812B1、EP1660917B1和WO301130015851A1中找到。
虽然这些已知的解决方案常常以令人满意的方式执行，但是仍需要进一步的改进，从而在可再生能源发电站的电力生产的预测中提供更有效和准确的性能。
发明内容
为了响应这种需求，根据以下权利要求1和相关从属权利要求，本发明提供了一种用于预测可再生能源发电厂的电力生产的方法。
在一般定义中，本发明的方法针对预测可再生能源发电厂(优选地为光伏类型)的电力生产，其中该可再生能源发电厂安装有能够通过利用可再生能源来发电的一个或多个第一发电设备(优选地为光伏类型)。
该方法包括以下步骤：
-选择参考时刻和包括所述参考时刻之前的时刻的观察时间段；
-获取指示在所述观察时段期间所述第一发电设备的电力生产的第一数据；
-获取指示在所述观察时段期间一个或多个第二发电设备的电力生产的第二数据。所述第二发电设备能够通过利用可再生能源来发电，并且安装在与所述可再生能源发电厂不同的一个或多个可再生能源发电厂中；
-对于每个第一发电设备，计算指示在所述观察时间段内所述第一发电设备的电力生产的第一观察值。基于所述第一数据计算所述第一观察值；
-对于每个第一发电设备，计算指示在所述观察时间段期间发电设备系列的电力生产的第二观察值。所述发电设备系列包括所述第一发电设备以及与所述第一发电设备类似的一个或多个第二发电设备(优选地为光伏类型)。基于所述第一观察值和所述第二数据计算所述第二观察值；
-对于每个第一发电设备，计算指示在所述参考时刻之后的未来时刻的所述第一发电设备的预期电力生产的第一预期电力生产值。基于所述第二观察值来计算所述第一预期电力生产值；以及
-计算指示所述未来时刻所述发电厂的预期电力生产的第二预期电力生产值。基于针对安装在所述可再生能源发电厂中的第一发电设备计算的第一预期电力生产值来计算所述第二预期电力生产值。
优选地，所述第一观察值是基于第一建模数据来计算的，该第一建模数据通过经由描述所述第一发电设备的运行行为的相应数学模型对所述第一发电设备的运行行为进行建模来获得。
优选地，第二观察值是基于一个或多个第三观察值来计算的，该一个或多个第三观察值指示在所述观察时间段期间所选择的第二发电设备(其属于包括所述第一发电设备的发电设备系列)的电力生产。基于所述第二数据来计算每个第三观察值。
优选地，第二观察值是基于第二建模数据来计算的，该第二建模数据通过经由描述所述第一发电设备以及包括在所述发电设备系列中的每个第二发电设备的运行行为的相应数学模型对所述第一发电设备和第二发电设备的运行行为进行建模来获得。
优选地，本发明的方法包括获取指示所述第一发电设备的安装条件的第三数据的步骤。
优选地，计算所述第一预期电力生产值的所述步骤包括计算用于校正所述第二观察值的第一校正因子。所述第一校正因子指示所述第一发电设备的安装条件对所述第一发电设备的电力生产的影响。
优选地，所述第一校正因数是基于安装参数并且基于第三建模数据来计算的，其中该安装参数包括在所述第三数据中并且是针对所述第一发电设备而选择的，该第三建模数据通过使用描述所述第一发电设备的运行行为的相应数学模型对所述第一发电设备的运行行为进行建模而获得。
优选地，本发明的方法包括获取指示所述第一发电设备和所述第二发电设备的地理位置的第四数据的步骤。
优选地，计算所述第一预期电力生产值的所述步骤包括计算所述第二观察值的归一化因子。
所述归一化因子的计算优选地包括：
-计算指示所述第一发电设备的运行行为与所选择的第二发电设备的运行行为之间的相似性的相似性系数，第二发电设备属于包括所述第一发电设备的发电设备系列。基于针对所述第一发电设备计算的第一观察值和针对所述选择的第二发电设备计算的第三观察值来计算所述相似性系数；
-计算指示所述第一发电设备的地理位置与所述选择的第二发电设备的地理位置之间的差异的地理位置系数。基于所述第四数据来计算所述地理位置系数。
优选地，本发明的方法包括获取指示在所述观察时段的一个或多个时刻所述可再生能源发电厂处的气象条件的第五数据的步骤。
优选地，本发明的方法包括计算指示所述第二预期电力生产值的计算的准确性水平的置信指数的步骤。基于所述第五数据来计算所述置信指数。
优选地，所述置信指数的计算包括：
-选择包括在所述观察时段中的、所述发电厂处的气象条件为最优的最优时刻；
-计算指示在所述最优时刻所述发电厂的电力生产的最优电力生产值；
-计算包括在所述观察时段中的、与所述最优时刻不同的一个或多个时刻的一个或多个过去电力生产值；
-将每个过去电力生产值与所述最优电力生产值进行比较；
-计算指示所述过去电力生产值与所述最优电力生产值之间的差的一个或多个差异指数；
-基于所述差异指数计算所述置信指数。
优选地，本发明的方法包括获取指示在所述参考时刻在所述可再生能源发电厂中测得的一个或多个物理量的第六数据的步骤。
优选地，本发明的方法包括计算指示在所述未来时刻所述发电厂的预期电力生产的第三预期电力生产值的步骤。基于所述第二预期电力生产值和所述第六数据来计算所述第三预期电力生产值。
优选地，计算所述第三预期电力生产值的步骤包括基于所述第六数据来计算用于校正所述第二预期电力生产值的第二校正因子。
在另一方面，本发明涉及一种计算机化系统，其包括被配置为执行本发明的方法的数据处理资源。
附图说明
从根据本发明的一些优选但非排他的实施例的描述中，本发明的特征和优点将变得更加清楚，这些实施例仅借助于非限制性示例借助于附图进行说明，其中：
图1示意性地图示了可再生能源发电厂；
图2-6示意性地图示了根据本发明的方法。
具体实施方式
参考所引用的附图，本发明涉及一种用于预测可再生能源发电厂I的电力生产的方法100。
为了清楚起见，指定术语“电力生产”是指由正在运行的可再生能源发电厂I提供的输出电力。
在图1中，示出了可再生能源发电厂I的示意图。
发电厂I适于从(在人类时间尺度上)取之不尽的自然能源200(例如，太阳光、风、水等)接收能量W，并且利用这种可再生能源以输出电力P为电负载300(例如配电网)馈电。
方便地，发电厂I包括能够通过利用从可再生能源200接收到的能量W的量来发电的一个或多个第一发电设备D。
一般而言，发电厂I和第一发电设备D可以是任何已知类型(例如，光伏类型)，并且其结构和功能对于技术人员来说是容易获得的。为了简洁起见，在下文中将不对其进行进一步详细描述。
优选地，发电厂I是光伏发电厂。在这种情况下，每个第一发电设备D可以包括例如由光伏串和光伏逆变器形成的组件，光伏串和光伏逆变器可以是已知类型的。
在下文中参考图2-6描述方法100。
总体而言，方法100的目的是通过适当地处理关于观察时段TO的数据来预测在相对于参考时刻tNow的未来时刻tFore处发电厂I的电力生产，其中观察时段TO包括参考时刻tNow之前的时刻。
方法100中采用的时间参考tFore、tNow、tPast、TO具有可根据需要选择的给定时间粒度，例如一日(如图6所示)、一小时甚至一个采样周期(例如，在实时的实现中以毫秒为单位)的时间粒度。因此，所选择的时刻tFore、tNow、tPast可以被选择为日、小时或采样周期。
根据本发明，方法100包括选择参考时刻tNow和观察时间段TO的步骤101。
方便地，参考时刻tNow是指发电厂I的持续运行条件。例如，取决于针对方法100选择的时间粒度，它可以是当前日、当前小时或当前采样周期。
观察时间段TO由包括参考时刻tNow之前的时刻的时间间隔(不一定是连续的)组成。作为示例，取决于针对方法100选择的时间粒度，观察时间段TO可以包括当前日、当前小时或当前采样周期(作为参考时刻tNow)之前的许多日、许多小时或许多采样周期(不一定是连续的)。
方法100包括获取指示在观察时段TO期间第一发电设备D的电力生产的第一数据DATA1的步骤102。
优选地，第一数据DATA1(对于每个第一发电设备D)包括在观察时段TO期间(例如在观察时段TO的每一日)由所述第一发电设备提供的测得的第一电力生产值EDday(图6)。
换言之，如图6中示意性地示出的，第一数据DATA1优选地包括在观察时段TO期间第一发电设备D的测得的电力生产曲线。
方法100的一个重要方面在于其利用与未安装在发电厂I中的第二发电设备D'的电力生产有关的可用历史数据来预测发电厂I的电力生产。
像第一发电设备D一样，第二发电设备D'能够通过利用从可再生能源200接收的能量W来发电。但是，第二发电设备D'安装在与发电厂I不同的可再生能源发电厂IA，...，IZ中(图2)。
发电厂IA，...，IZ可以是任何已知类型(例如，光伏类型)，并且其对于技术人员而言可以容易地获得。为了简洁起见，在下文中将不对其进行进一步详细描述。
显然，发电厂I，IA，...，IZ都是相同的类型，例如光伏发电厂。
第二发电设备D'可以是任何已知类型(例如，光伏类型)，并且其对于技术人员而言可以容易地获得。为了简洁起见，在下文中将不对其进行进一步详细描述。
作为示例，如果发电厂I，IA，...，IZ是光伏类型，则每个发电设备D'可以包括例如由光伏串和光伏逆变器形成的组件，该光伏串和光伏逆变器可以是已知类型。
根据本发明，方法100包括获取指示在观察时段TO期间一个或多个第二发电设备D'的电力生产的第二数据DATA2的步骤103。
优选地，第二数据DATA2(对于每个第二发电设备D')包括在观察时段TO期间(例如，包括在观察时段TO中的每一日)由所述第二发电设备提供的测得的第二电力生产值ED'day。
换言之，第二数据DATA2优选地包括在观察时段TO期间第二发电设备D'的测得的电力生产曲线。
优选地，方法100包括获取指示第一发电设备D的安装条件的第三数据DATA3的步骤104。
优选地，对于每个第一发电设备D，第三数据DATA3包括指示所述第一发电设备的具体安装条件的安装值，例如，设备年限、指示磨损程度的参数、指示运行期间的次优环境条件的系数、指示可能的劣化的系数等。
优选地，方法100包括获取指示第一发电设备D和第二发电设备D'的地理位置的第四数据DATA4的步骤105。
优选地，第四数据DATA4包括指示第一发电设备D和第二发电设备D'的位置和地形的地理位置值。根据本发明，方法100包括针对每个第一发电设备D计算第一观察值EPCOD的步骤106。
第一观察值EPCOD指示在观察时段TO期间第一发电设备D的电力生产(例如平均电力生产水平)。
一般而言，第一观察值EPCOD可以根据以下关系表示：
EPCOD＝f1(DATA1)
实际上，对于每个第一发电设备D，方便地基于第一数据DATA1计算第一观察值EPCOD，更具体地是通过适当地处理在观察时段TO期间由所述第一发电设备提供的测得的第一电力生产值EDday来计算第一观察值EPCOD。
优选地，还基于第一建模数据来计算第一观察值EPCOD，该第一建模数据是通过经由描述所述第一发电设备的物理行为和功能行为的相应数学模型MD(例如，合适的方程组)对第一发电设备D的运行行为进行建模而获得的。
作为示例，与给定的第一发电设备D相关的第一观察值EPCOD可以如下计算：
其中，EDday,i,j是在观察时段TO的第j年第i日第一发电设备D的第一电力生产值(包括在第一数据DATA1中)，Y是观察时间段TO中包括的总年数，R是从第一数据DATA1中选择的第一电力生产值EDday的总数，并且K1是通过经由相应的数学模型MD对第一发电设备D的运行行为进行建模而计算出的建模参数(例如，K1<1)。
根据本发明，方法100包括针对每个第一发电设备D计算第二观察值EPCOF的步骤107。
第二观察值EPCOF指示在观察时间段TO期间发电设备系列FD的电力生产(例如平均电力生产水平)。
上面提到的发电设备系列FD包括第一发电设备D以及与第一发电设备D类似的一个或多个第二发电设备D'。
为了清楚起见，指定：如果第二发电设备D'具有与第一发电设备D相同的结构和功能，则所述第二发电设备被认为与给定的第一发电设备D“相似”。
例如，如果第二发电设备D'的标称生产曲线与给定的第一发电设备D的标称生产曲线重叠(在预定义的重叠范围内)，则所述第二发电设备被认为与第一发电设备D“相似”。
在图2中，示意性地示出了对于安装在发电厂中的第一发电设备D的发电设备系列FD的示例。在这个示例性情况下，系列FD包括第一发电设备D以及安装在发电厂IA和IZ中的、与第一发电设备D相似的一对第二发电设备D'。
对于每个第一发电设备D，可以根据取决于发电厂I的结构和功能的合适的选择标准来选择相应的发电设备系列FD。
在方法100的每个执行周期期间，可以在执行方法100之前预定义每个发电设备系列FD，或者甚至可以在运行时定义每个发电设备系列FD。
一般而言，对于每个第一发电设备D，第二观察值EPCOF可以根据以下关系式表示：
EPCOF＝f2(EPCOD,DATA2)
实际上，对于每个第一发电设备D，第二观察值EPCOF实际上是基于针对所述第一发电设备计算的第一观察值EPCOD和第二数据DATA2来计算的。
优选地，第二观察值EPCOF基于针对第一发电设备D计算的第一观察值EPCOD和针对第二发电设备D'计算的一个或多个第三观察值EPCOD'来计算，其中第二发电设备D'包括在包括第一发电设备D的相应发电设备系列FD中。
每个第三观察值EPCOD'指示在所述观察时间段TO期间属于发电设备系列FD的第二发电设备D'的平均电力生产。
基于第二数据DATA2来计算每个第三观察值EPCO,D'，更具体地，通过适当地处理在观察时段TO期间由包括在发电设备系列FD中的第二发电设备D'提供的测得的第二电力生产值ED'day来计算每个第三观察值EPCO,D'。
方便地，与每个第二发电设备D'相关的第三观察值EPCOD'可以类似于与给定的第一发电设备D相关的第一观察值EPCOD来计算。
优选地，还基于第二建模数据来计算第二观察值EPCOF，该第二建模数据是通过经由描述第一发电设备D以及系列FD中包括的第二发电设备D'的物理行为和功能行为的相应数学模型MD、MD'(例如合适的方程组)对所述第一发电设备和第二发电设备的运行行为进行建模而获得的。
作为示例，对于每个第一发电设备D，可以如下计算第二观察值EPCOF：
其中EPCOD是针对第一发电设备D计算的第一观察值，EPCOD'i是针对还包括第一发电设备D的发电设备系列FD中包括的第i个第二发电设备D'计算的第三观察值，S是发电设备系列FD中包括的第二发电设备的总数，并且K2是通过经由相应的数学模型MD、MD'对第一发电设备D和第二发电设备D'的运行行为进行建模而计算出的建模参数(例如，K2<1)。
根据本发明，方法100包括针对每个第一发电设备D计算第一预期电力生产值EPC的步骤108。
第一期望电力生产值EPC(tFore)指示在参考时刻tNow之后的未来时刻tFore第一发电设备D的预期电力生产。
作为示例，第一预期电力生产值EPC(tFore)可以指示在当前日tNow之后的第tFore日第一发电设备D的预期电力生产，如图6示意性所示。
对于每个第一发电设备D，基于针对所述发电设备计算的相应的第二观察值EPCOF，计算第一预期电力生产值EPC。
根据本发明的一些实施例，对于每个第一发电设备D，通过利用一个或多个校正因子校正相应的第二观察值EPCOF来计算第一预期电力生产值EPC(tFore)，其中该一个或多个校正因子是基于上面提到的第三数据DATA3、第四数据DATA4和第三建模数据而计算的，第三建模数据是通过经由描述所述第一发电设备的物理行为和功能行为的相应数学模型MD(例如，合适的方程组)对第一发电设备D的运行行为进行建模而获得的。
优选地，计算第一预期电力生产值EPC(tFore)的步骤108包括计算用于校正第二观察值EPCF的第一校正因子LD。
第一校正因子LD指示第一发电设备D的安装条件对所述第一发电设备的电力生产的影响。
作为示例，第一校正因子LD可以指示第一发电设备D是否安装在次优条件下，使得由于这些次优安装条件，需要预期所述第一发电设备的电力生产降低。
优选地，对于每个发电设备D，基于第三数据DATA3中包括的安装参数并且基于第三建模数据来计算第一校正因子LD，其中第三建模数据是通过使用描述第一发电设备D的运行行为的相应数学模型MD对所述第一发电设备的运行行为进行建模而获得的。
作为示例，对于每个第一发电设备D，可以如下计算第一校正因子LD：
其中Dy是针对第一发电设备3(从第三数据DATA3中)选择的安装参数(例如，运行年限)，并且a是通过使用相应的数学模型MD对第一发电设备D的运行行为进行建模而获得的降额系数。
优选地，计算第一预期电力生产值EPC的步骤108包括计算第二观察值EPCF的归一化因子ND。
归一化因子ND方便地用于以第一发电设备D所属的系列FD中包括的至少第二发电设备D'作为参考来对第一发电设备D的电力生产的预测进行归一化。
作为示例，归一化因子ND可以指示，鉴于第一发电设备D与第一发电设备D所属的系列FD中包括的参考性的第二发电设备D'之间的相似度，应当如何校正电力生产的预测。
优选地，对于每个第一发电设备D，归一化因子ND的计算包括计算指示第一发电设备D的运行行为与所选择的第二发电设备D'电力的运行行为之间的相似性的相似性系数SD(所选择的第二发电设备D'被选择作为参考)，其中第二发电设备D'属于第一发电设备D所属的发电设备系列F。
方便地，基于针对第一发电设备D计算的第一观察值EPCOD并且基于针对所选择的第二发电设备D'计算的第三观察值EPCOD'来计算相似性系数SD。
作为示例，对于每个第一发电设备D，可以如下计算相似系数SD：
其中EPCOD是针对第一发电设备D计算的第一观察值，而EPCOD'是针对包括在第一发电设备D的同一系列FD中的所选择的第二发电设备D'计算的第三观察值。
优选地，对于每个第一发电设备D，归一化因子ND的计算包括计算指示第一发电设备D的地理位置与包括在第一发电设备D的同一系列FD中的所选择的第二发电设备D'的地理位置之间的差异的地理位置系数GD。
优选地，基于上面提到的第四数据DATA4来计算地理位置系数GD。
作为示例，对于每个第一发电设备D，可以如下计算地理位置系数GD：
其中CD和CD'分别是第一发电设备D的地理位置坐标和包括在第一发电设备D的同一系列FD中的所选择的第二发电设备D'的地理位置坐标。地理位置坐标CD、CD'包含在第四数据DATA4中。
优选地，对于每个第一发电设备D，归一化因子ND的计算基于以上计算的相似性系数SD和地理位置系数GD。
作为示例，对于每个第一发电设备D，可以如下计算归一化因子ND：
ND＝(1-GD)*SD
其中SD、GD分别为上面提到的针对第一发电设备D计算的相似性系数和地理位置系数。
一般而言，可以根据以下关系来表达第一预期电力生产值EPC(tFore)：
EPC(tFore)＝f3(EPCOF,LD,ND)
对于每个第一发电设备D，可以基于针对所述发电设备计算的第二观察值EPCOF、第一校正因子LD和归一化因子ND来方便地计算预期电力生产值EPC。
作为示例，对于每个第一发电设备D，可以如下计算第一预期电力生产值EPC：
其中EPCOF、LD、ND分别是针对第一发电设备D计算的第二观察值、第一校正因子和归一化因子ND。
根据本发明，方法100包括计算指示在未来时刻tFore整个发电厂I的预期电力生产的第二预期电力生产值EPCI的步骤109。
基于针对安装在所述可再生能源发电厂I中的所有第一发电设备D计算的第一预期电力生产值EPC(tFore)，方便地计算第二预期电力生产值EPCI(tFore)。
作为示例，可以如下计算第二预期电力生产值EPCI(tFore)：
其中EPC(tFore)i是针对安装在发电厂I中的第i个第一发电设备D计算的第一预期电力生产值，N是包括在发电厂I中的第一发电设备D的总数。
根据本发明的优选实施例，方法100提供计算置信指数CF，该置信指数CF指示第二预期电力生产值EPCI(tFore)的计算的准确性水平。
实际上，置信指数CF提供关于通过执行方法100的先前步骤106-109获得的结果的实际准确性水平的信息。
方便地，这样的置信指数CF是基于与发电厂I相关的历史气象数据而计算的。
因此，本发明的方法100优选地包括获取指示在观察时段TO期间发电厂I处的气象条件的第五数据DATA5的步骤110。
第五数据DATA5方便地包括关于在观察时段TO(例如，一日或多日)期间发电厂I处的气象条件的信息。
优选地，方法100包括基于第五数据DATA5计算置信指数CF的步骤111。
优选地，置信指数CF的计算包括选择包括在观察时段TO期间的、发电厂I处的气象条件为最优(如第五数据DATA5中所报告的)的最优时刻(例如，最优过去日)的步骤111A。
优选地，置信指数CF的计算包括计算指示在所选择的时刻tPast所述发电厂I提供的电力生产的最优电力生产值IPC的步骤111B。
一般而言，可以根据以下关系来表示最优电力生产值IPC：
IPC＝f4(DATA1)
可以基于在最优时刻tPast由发电厂I的每个第一发电设备D提供的测得的第一电力生产值EDday来计算最优电力生产值IPC。
例如，可以如下计算最优电力生产值IPC：
其中EDdayi是在最优时刻tPast由发电厂I的第i个第一发电设备D提供的电力生产值，N是发电厂I中包括的第一发电设备D的总数。电力生产值EDdayi包括在第一数据DATA1中。
优选地，置信指数CF的计算包括计算过去电力生产值EPCOld的步骤111C，该过去电力生产值EPCOld指示在观察时段TO的与最优时刻tPast不同的一个或多个选择的时刻(例如，一个或多个选择的日)由所述发电厂I提供的电力生产。
可以类似于最优电力生产值IPC来计算过去电力生产值EPCOld。
作为示例，对于每个与最优过去时刻tPast不同的选择的时刻，过去电力生产值EPCOld可以如下计算：
其中EDdayi是在与最优时刻tPast不同的选择的时刻由发电厂I的第i个第一发电设备D提供的电力生产值，N是发电厂I中包括的第一发电设备D的总数。电力生产值EDdayi包括在第一数据DATA1中。
优选地，置信指数CF的计算包括将每个过去电力生产值EPCOld与最优电力生产值IPC进行比较的步骤111D。
优选地，置信指数CF的计算包括计算指示每个过去电力生产值EPCOld与最优电力生产值IPC之间的差的差异指数ΔCi的步骤111E。
优选地，与每个过去电力生产值EPCOld相关的差异指数ΔCi的计算是基于每个过去电力生产值EPCOld与所计算的最优电力生产值IPC之间的上述比较。
作为示例，与第i个过去电力生产值EPCOld有关的差异指数ΔCi可以如下计算：
ΔCi＝(EPCOldi-IPC)
其中EPCOldi是观察时段TO的与最优时刻tPast不同的第i个时刻的第i个过去电力生产值，而IPC是如上所述计算的最优电力生产值。
优选地，置信指数CF的计算包括基于所计算的差异指数ΔCi来计算所述置信指数的步骤111F。
作为示例，可以如下计算最优电力生产值IPC：
其中αi是针对第i个差异指数ΔCi计算的系数，并且Q是观察时段TO的与最优时刻tPast不同的所选择的时刻的总数。
根据本发明的优选实施例，方法100提供计算第三预期电力生产值EPCRT(tFore)，该第三预期电力生产值EPCRT(tFore)指示在未来时刻tFore发电厂I的预期电力生产。
本发明的这些实施例的重要方面在于，通过校正在先前的步骤110处计算出的第二预期电力生产值EPCI来计算第三预期电力生产值EPCRT(tFore)，其中该校正是基于对在参考时刻tNow在发电厂I中检测到的物理量的实时测量结果而进行的。
因此，可以获得对预测值EPCI(tFore)的精细化，其中考虑了与发电厂I的实际运行相关的实时测量结果。
为了清楚起见，指定术语“实时”是指发电厂I在参考时刻tNow的持续运行状况。
因此，本发明的方法100优选地包括获取第六数据DATA6的步骤112，该第六数据DATA6指示在参考时刻tNow在可再生能源发电厂I中测得的一个或多个物理量。
第六数据DATA6方便地包括由安装在发电厂I中的合适的传感器提供的实时检测信息，例如电压传感器、电流传感器、温度传感器、专用于发电厂类型的传感器(诸如太阳辐射传感器、风速传感器、压力传感器等)等。
一般而言，第三预期电力生产值EPCRT(tFore)可以根据以下关系表示：
EPCRT(tFore)＝f5(EPC1(tFore),DATA6)
实际上，方法100优选地包括基于第二预期电力生产值EPCI(tFore)和第六数据DATA6来计算未来时刻tFore处的第三预期电力生产值EPCRT(tFore)的步骤113。
优选地，计算第三预期电力生产值EPCRT(tFore)的步骤113包括基于第六数据DATA6计算第二校正因子RT。
第二校正因子RT方便地用于校正第二预期电力生产值EPCI(tFore)，从而提供对预测值EPCI(tFore)的精细化，其中考虑到了与发电厂I的实际运行相关的实时测量结果。
一般而言，校正因子RT的计算取决于发电厂I的类型以及由现场安装的传感器提供的测量结果的类型。
下面提供校正因子RT的计算的示例。
假设发电厂I是光伏发电厂，并且第六数据DATA6包括指示发电厂I接收到的太阳辐射的第一测量值IS、指示发电厂I处的温度的第二测量值TM、指示发电厂I的标称电力生产(在适当的标准测试条件下)的第三测量值PT和指示在参考时刻tNow发电厂I的实际电力生产的第四测量值EM(tNow)。
基于上面提到的第一测量值、第二测量值和第三测量值，方便地计算指示在参考时刻tNow发电厂I的预期电力生产的预期电力生产值ES(tNow)。
为此，可以使用已知的标准方程式(例如，诸如NREL–国家可再生能源实验室之类的国际机构提供的方程式)。
例如，预期电力生产值ES(tNow)可以如下计算：
ES(tNow)＝(1+(TM-25)*β/100)*PT*IS*γ
其中β是温度系数，并且γ是降额常数，其考虑了发电厂I的可能的损耗。
然后可以如下计算校正因子RT：
其中EM(tNow)、ES(tNow)分别是参考时刻tNow处发电厂I的测得的电力生产值和预期电力生产值。
然后可以如下计算第三预期电力生产值EPCRT(tFore)：
EPCRT(tFore)＝EPC1(tFore)*RT
其中EPCI(tFore)是针对发电厂I计算的第二预期电力生产值。
如容易理解的，取决于发电厂I的具体类型，第二校正因子RT的其它计算示例是可能的。
但是，上面提到的方法100的变体允许在预测未来时刻tFore发电厂I的预期电力生产时考虑所述发电厂的实际运行条件。
如上所述，方法100提供指示在参考时刻tNow之后的未来时刻tFore发电厂I的电力生产的预测值EPCI(tFore)、EPCRT(tFore)。
方法100可以循环地重复，以计算指示在随后的未来时刻发电厂I的电力生产的进一步的预测值。
在每个重复周期，方便地选择新的参考时刻tNow和新的观察时段TO。此外，方便地用新测得的第一电力生产值EDday和新测得的第二电力生产值ED'day来更新分别与第一发电设备D和第二发电设备D'的运行相关的第一数据DATA1和第二数据DATA2。类似地，在每个重复周期更新第五数据DATA5和第六数据DATA6，以考虑新选择的参考时刻tNow和观察时段TO。
显然，方法100的重复周期的频率基本上取决于所采用的时间粒度。因此，方法100可以每日、每小时或甚至每个采样时刻(例如，在实时实现中)重复。
方法100可以经受落入本发明范围内的可能的变体和修改。
在方法100的示例性变体中，包括给定的第一发电设备D的发电设备系列FD可以仅包括这种第一发电设备，而不包括类似于所述第一发电设备的第二发电设备。在这种特定情况下，针对发电设备D计算的第一观察值EPCOD和第二观察值EPCOF将明显重合。
在方法100的另一个示例性变体中，取决于第六数据DATA6的完整性，可以参考观察时段TO的不同于最优时刻tPast的有限数量的时刻来计算差异指数ΔCi，例如，参考小于观察时段TO的总日数的数量的日(其不同于最优日tPast)。
方法100的附加变体可以提供方法100的上述步骤101-113，其相对于上述实施例以不同的次序执行。
相对于现有技术，用于预测可再生能源发电厂的电力生产的方法100具有多个优点。
方法100适当地处理与发电厂I的过去电力生产相关的历史信息，以获得与发电厂I的未来电力生产相关的预测值。
方法100基本上基于对发电厂的过去行为的观察，从而在预测未来电力生产方面提供了有效而准确的性能。
此外，方法100适当地处理与发电厂的客观运行条件相关的信息。这允许预测活动考虑通常会产生强烈且不可预测的影响的主要因素，诸如发电厂的安装条件、发电厂的气象和环境条件以及发电厂的地理位置。
最后，方法100提供了附加的精细化，其允许获得关于预测活动的准确性的信息，并且考虑由适当物理量的实时测量结果所报告的发电厂100的实际运行状况。
方法100在工业水平上相对容易实现。
作为示例，它可以容易地由包括能够执行适当软件指令的数据处理装置(例如一个或多个微控制器或数字信号处理器)的计算机化系统(例如，云计算机化平台或服务器或安装在现场的计算机化单元)执行，其中该软件指令存储在存储器中并且在被执行时被配置为实现方法100的上述步骤。
因此，相对于现有技术的传统解决方案，可以以有竞争力的成本容易地实现方法100。
Claims (18)
1.一种用于预测可再生能源发电厂(I)的电力生产的方法(100)，所述发电厂安装有能够通过利用可再生能源来发电的一个或多个第一发电设备(D)，其特征在于，所述方法包括以下步骤：
-选择(101)参考时刻(tNow)和包括所述参考时刻(tNow)之前的时刻的观察时间段(TO)；
-获取(102)指示在所述观察时段(TO)期间所述第一发电设备(D)的电力生产的第一数据(DATA1)；
-获取(103)指示在所述观察时段(TO)期间一个或多个第二发电设备(D')的电力生产的第二数据(DATA2)，所述第
二发电设备(D')能够通过利用可再生能源来发电，并且安装在与所述可再生能源发电厂(I)不同的一个或多个可再生
能源发电厂中；
-对于每个第一发电设备(D)，计算(106)指示在所述观察时间段(TO)所述第一发电设备(D)的电力生产的第一观察值(EPCOD)，所述第一观察值(EPCOD)是基于所述第
一数据(DATA1)来计算的；
-对于每个第一发电设备(D)，计算(107)指示在所述观察时间段(TO)期间发电设备系列(FD)的电力生产的第二观察值(EPCOF)，所述发电设备系列(FD)包括所述第一发电设备(D)以及与所述第一发电设备(D)相似的一个或多
个第二发电设备(D')，所述第二观察值是基于所述第一观察值(EPCOD)和所述第二数据(DATA2)来计算的；
-对于每个第一发电设备(D)，计算(108)指示在所述参考
时刻(tNow)之后的未来时刻(tFore)所述第一发电设备(D)的预期电力生产的第一预期电力生产值(EPC(tFore))，所述第一预期电力生产值(EPC(tFore))是基于所述第二观察值(EPCOF)来计算的；
-计算(109)指示在所述未来时刻(tFore)所述发电厂(I)的预期电力生产的第二预期电力生产值(EPCI(tFore))，所述第
二预期电力生产值是基于针对安装在所述可再生能源发电厂
(I)中的第一发电设备(D)计算的第一预期电力生产值(EPC(tFore))来计算的。
2.如权利要求1所述的方法，其特征在于，所述第一观察值(EPCOD)是基于第一建模数据(K1)计算的，所述第一建模数据(K1)是通过经由描述所述第一发电设备(D)的运行行为的相应数学模型对所述第一发电设备的运行行为进行建模而获得的。
3.如前述权利要求中的一项或多项所述的方法，其特征在于，所述第二观察值(EPCOF)是基于指示在所述观察时间段(TO)期间第二发电设备(D')的电力生产的一个或多个第三观察值(EPCOD')而计算的，第二发电设备(D')属于包括所述第一发电设备(D)的发电设备系列(FD)，每个第三观察值(EPCOD')是基于所述第二数据(DATA2)而计算的。
4.如权利要求3所述的方法，其特征在于，所述第二观察值(EPCOD')是基于第二建模数据(K2)而计算的，其中所述第二建模数据(K2)是通过经由描述所述第一发电设备(D)以及所述发电设备系列(FD)中包括的每个第二发电设备(D')的运行行为的相应数学模型对所述第一发电设备和第二发电设备(D，D')的运行行为进行建模而获得的。
5.如前述权利要求中的一项或多项所述的方法，其特征在于，所述方法包括获取(104)指示所述第一发电设备(D)的安装条件的第三数据(DATA3)的步骤。
6.如权利要求5所述的方法，其特征在于，计算所述第一预期电力生产值(EPC(tFore))的所述步骤(108)包括计算用于校正所述第二观察值(EPCOF)的第一校正因子(LD)，所述第一校正因子指示所述第一发电设备(D)的安装条件对所述第一发电设备的电力生产的影响。
7.如权利要求6所述的方法，其特征在于，所述第一校正因子(LD)是基于安装参数(Dy)并且基于第三建模数据(a)来计算的，其中安装参数(Dy)包括在所述第三数据(DATA3)中并且是针对所述第一发电设备(D)而选择的，第三建模数据(a)通过使用描述所述第一发电设备的运行行为的相应数学模型对所述第一发电设备(D)的运行行为进行建模而获得。
8.如前述权利要求中的一项或多项所述的方法，其特征在于，所述方法包括获取(105)指示所述第一发电设备(D)和所述第二发电设备(D')的地理位置的第四数据(DATA4)的步骤。
9.如权利要求8所述的方法，其特征在于，计算所述第一预期电力生产值(EPC(tFore))的所述步骤(108)包括计算所述第二观察值(EPCOF)的归一化因子(ND)。
10.如权利要求9所述的方法，其特征在于，所述归一化因子(ND)的所述计算包括：
-计算指示所述第一发电设备(D)的运行行为与选择的第二发电设备(D')的运行行为之间的相似性的相似度系数(SD)，其中所述第二发电设备(D')属于包括所述第一发电设备(D)的发电设备系列(FD)，所述相似性系数是基于针对所述第
一发电设备(D)计算的第一观察值(EPCO,D)和针对所述选择的第二发电设备(D')计算的第三观察值(EPCOD')来计算的；
-计算指示所述第一发电设备(D)的地理位置与所述选择的第
二发电设备(D')的地理位置之间的差异的地理位置系数(SD)，所述地理位置系数是基于所述第四数据(DATA4)
来计算的。
11.如前述权利要求中的一项或多项所述的方法，其特征在于，所述方法包括获取(110)指示在所述观察时段(TO)的一个或多个时刻所述可再生能源发电厂(I)处的气象条件的第五数据(DATA5)的步骤。
12.如权利要求11所述的方法，其特征在于，所述方法包括计算指示所述第二预期电力生产值(EPCI(tFore))的计算的准确性水平的置信指数(CF)的步骤(111)，所述置信指数是基于所述第五数据(DATA5)来计算的。
13.如权利要求12所述的方法，其特征在于，计算所述置信指数(CF)的所述步骤(111)包括：
-选择(111A)包括在所述观察时段(TO)中的、所述发电厂
(I)的气象条件为最优的最优时刻(tPast)；
-计算(111B)指示在所述最优时刻(tPast)所述发电厂(I)的电力生产的最优电力生产值(IPC)；
-计算(111C)包括在所述观察时段(TO)中的与所述最优时
刻(tPast)不同的一个或多个时刻的一个或多个过去电力生产
值(EPCOld)，
-将每个过去电力生产值(EPCOld)与所述最优电力生产值(IPC)进行比较(111D)；
-计算(111E)指示所述过去电力生产值(EPCOld)与所述最优电力生产值(IPC)之间的差的一个或多个差异指数(ΔCi)；
-基于所述差异指数(ΔCi)计算(111F)所述置信指数(CF)。
14.如前述权利要求中的一项或多项所述的方法，其特征在于，所述方法包括获取(112)第六数据(DATA6)的步骤，所述第六数据指示在所述参考时刻(tnow)所述可再生能源发电厂(I)的测得的一个或多个物理量。
15.如权利要求14所述的方法，其特征在于，所述方法包括计算指示在所述未来时刻(tFore)所述发电厂(I)的预期电力生产的第三预期电力生产值(EPCRT(tFore))的步骤(113)，所述第三预期电力生产值是基于所述第二预期电力生产值(EPCI(tFore))和所述第六数据(DATA6)来计算的。
16.如权利要求15所述的方法，其特征在于，计算所述第三预期电力生产值(EPCRT(tFore))的步骤(113)包括基于所述第六数据(DATA6)来计算用于校正所述第二预期电力生产值的第二校正因子(RT)。
17.如前述权利要求中的一项或多项所述的方法，其特征在于，所述可再生能源发电厂(I)是光伏发电厂。
18.一种计算机化系统，包括被配置为执行根据前述权利要求中的一项或多项所述的方法(100)的数据处理资源。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP18203466.0 | 2018-10-30 | ||
| EP18203466.0A EP3648283B8 (en) | 2018-10-30 | 2018-10-30 | Method for forecasting the electric power production of a renewable energy power generation plant |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111130095A true CN111130095A (zh) | 2020-05-08 |
Family
ID=64048807
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911040770.8A Pending CN111130095A (zh) | 2018-10-30 | 2019-10-30 | 预测可再生能源发电厂的电力生产的方法 |
Country Status (2)
| Country | Link |
|---|---|
| EP (1) | EP3648283B8 (zh) |
| CN (1) | CN111130095A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100236253A1 (en) * | 2008-12-23 | 2010-09-23 | Natcon7 Gmbh | Method and system for using renewable energy sources |
| US20130046492A1 (en) * | 2010-04-08 | 2013-02-21 | Carsten Hein Westergaard | Method and system for forecasting wind energy |
| EP3012937A1 (en) * | 2013-06-21 | 2016-04-27 | Hitachi, Ltd. | Control system for renewable energy power generation facilities, method for controlling same, and renewable energy power generation system |
| CN108039734A (zh) * | 2018-01-10 | 2018-05-15 | 云南电网有限责任公司电力科学研究院 | 一种可再生能源发电功率集群控制系统、方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7580817B2 (en) | 2003-08-20 | 2009-08-25 | New Energy Options, Inc. | Method and system for predicting solar energy production |
| US8295989B2 (en) * | 2009-02-03 | 2012-10-23 | ETM Electromatic, Inc. | Local power tracking for dynamic power management in weather-sensitive power systems |
| US8165812B2 (en) | 2011-07-25 | 2012-04-24 | Clean Power Research, L.L.C. | Computer-implemented system and method for estimating power data for a photovoltaic power generation fleet |
| US9638831B1 (en) * | 2011-07-25 | 2017-05-02 | Clean Power Research, L.L.C. | Computer-implemented system and method for generating a risk-adjusted probabilistic forecast of renewable power production for a fleet |
| WO2013106941A1 (en) * | 2012-01-17 | 2013-07-25 | Energiebüro AG | Method of predicting the expected future power production of a wind or solar power plant |
-
2018
- 2018-10-30 EP EP18203466.0A patent/EP3648283B8/en active Active
-
2019
- 2019-10-30 CN CN201911040770.8A patent/CN111130095A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100236253A1 (en) * | 2008-12-23 | 2010-09-23 | Natcon7 Gmbh | Method and system for using renewable energy sources |
| US20130046492A1 (en) * | 2010-04-08 | 2013-02-21 | Carsten Hein Westergaard | Method and system for forecasting wind energy |
| EP3012937A1 (en) * | 2013-06-21 | 2016-04-27 | Hitachi, Ltd. | Control system for renewable energy power generation facilities, method for controlling same, and renewable energy power generation system |
| CN108039734A (zh) * | 2018-01-10 | 2018-05-15 | 云南电网有限责任公司电力科学研究院 | 一种可再生能源发电功率集群控制系统、方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3648283B8 (en) | 2021-05-12 |
| EP3648283B1 (en) | 2021-04-07 |
| EP3648283A1 (en) | 2020-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110580549B (zh) | 一种考虑天气的区域短期能源功率预测方法及系统 | |
| CN102945508B (zh) | 一种基于模型校正的风电功率预测预报方法 | |
| JP5658881B2 (ja) | 太陽光発電装置の電気生産量を予測する方法 | |
| CN103020487B (zh) | 一种光伏电站辐照度预测值修正方法 | |
| US20200063710A1 (en) | System and methods for hyper short-term wind power prediction using real-time wind parameter measurements | |
| CN110705772B (zh) | 区域电网风力发电功率预测优化方法和装置 | |
| JP6687241B2 (ja) | 発電電力予測装置、サーバ、コンピュータプログラム及び発電電力予測方法 | |
| CN108388956A (zh) | 考虑辐射衰减的光伏功率预测方法 | |
| CN108053048A (zh) | 一种单步渐进式光伏电站超短期功率预测方法及系统 | |
| CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
| CN110705771B (zh) | 区域电网新能源发电功率预测优化方法和装置 | |
| CN104268659B (zh) | 一种光伏电站发电功率超短期预测方法 | |
| CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
| CN103117546A (zh) | 一种超短期风电功率滑动预测方法 | |
| Monteiro et al. | Short-term forecasting model for aggregated regional hydropower generation | |
| CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
| CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
| CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
| CN114895380A (zh) | 一种太阳辐射预测方法、装置、设备和介质 | |
| CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及系统 | |
| TW201740296A (zh) | 再生能源發電量預測方法與系統 | |
| CN109961190A (zh) | 一种基于学习日拟合度聚类的光伏电站日前功率预测方法 | |
| CN111130095A (zh) | 预测可再生能源发电厂的电力生产的方法 | |
| CN112116127B (zh) | 一种基于气象过程与功率波动关联的光伏功率预测方法 | |
| CN104462839A (zh) | 基于风功率波动强度瞬时模型的风电不确定性估计方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201124 Address after: Rotterdam Applicant after: Marich holdings Netherlands Ltd. Address before: Baden, Switzerland Applicant before: ABB Switzerland Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20231124 |
|
| AD01 | Patent right deemed abandoned |