CN111160602A - 一种基于葵花8号卫星云图的光伏超短期功率预报方法 - Google Patents
一种基于葵花8号卫星云图的光伏超短期功率预报方法 Download PDFInfo
- Publication number
- CN111160602A CN111160602A CN201911148338.0A CN201911148338A CN111160602A CN 111160602 A CN111160602 A CN 111160602A CN 201911148338 A CN201911148338 A CN 201911148338A CN 111160602 A CN111160602 A CN 111160602A
- Authority
- CN
- China
- Prior art keywords
- cloud
- radiation
- sunflower
- short term
- solar
- 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
- 241000208818 Helianthus Species 0.000 title claims abstract description 19
- 235000003222 Helianthus annuus Nutrition 0.000 title claims abstract description 19
- 238000013277 forecasting method Methods 0.000 title claims abstract description 15
- 230000005855 radiation Effects 0.000 claims abstract description 78
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 238000003908 quality control method Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 7
- 238000009826 distribution Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 19
- 230000008859 change Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于葵花8号卫星云图的光伏超短期功率预报方法,涉及光伏发配电技术领域,本发明包括S1:基于各电厂的地理位置和环境,计算各电厂的理论辐射;S2:根据各电厂的理论辐射计算倾斜面上的太阳总辐射;S3:每间隔2‑6小时采集葵花8号卫星云图监测数据,并对采集到的数据进行预处理;S4:利用预处理后的数据进行云量反演,建立神经网络和小波分析预测云量模型,对未来的云量进行预测;S5:根据预测得到的云量,计算云遮系数;S6:根据太阳总辐射和云遮系数,计算得到有效总辐射;S7:将有效总辐射转换为功率,便得到预测功率,本发明具有方法简单,预测准确率高的优点。
Description
技术领域
本发明涉及光伏发配电技术领域,更具体的是涉及一种基于葵花8号卫星云图的光伏超短期功率预报方法。
背景技术
太阳能光伏发电是利用太阳能电池的光伏效应将太阳辐射能直接转换为电能的一种发电形式,现阶段,太阳能的推广应用日益呈现方兴未艾的世界潮流,太阳能产业成为全球蓬勃兴起的新能源产业之一。开发利用清洁、安全、环保的太阳能成为人类社会缓解日益加剧的能源短缺的共同选择和治理严峻环境污染的有生力量。
电网的稳定运行需要在供需双方之间保持一定的平衡,即根据用户的消耗变化,预先安排火电、水电等发电机组的开启和关停,从而相应地调整供应的总功率,由于光伏发电受天气的影响较大,且不能像火电及水电一样自由控制,所以光伏电站发电的输出功率具有剧烈变化及间歇性等特点,由此,将光伏电站并入电网必将对电网的平衡产生巨大影响,所以对光伏电站输出功率进行有效的预测,把光伏电站输出功率纳入电网的发电计划,并参与实时调度,能够实现发电运行自动控制,实现多元电源联合调度。
但是目前的光伏预测系统中超短期功率预测曲线和实际曲线差距较大,预报偏差较大,尤其是阴雨天或天气突变过程,误差更大,准确率低。
发明内容
本发明的目的在于:为了解决目前的光伏预测系统中超短期功率预测曲线和实际曲线差距较大,预报准确率低的问题,本发明提供一种基于葵花8号卫星云图的光伏超短期功率预报方法。
本发明为了实现上述目的具体采用以下技术方案:
一种基于葵花8号卫星云图的光伏超短期功率预报方法,包括如下步骤:
S1:基于各电厂的地理位置和环境,计算各电厂的理论辐射;
S2:根据各电厂的理论辐射计算倾斜面上的太阳总辐射;
S3:每间隔2-6小时采集卫星监测数据,并对采集到的数据进行预处理;
S4:利用预处理后的数据进行云量反演,建立神经网络和小波分析预测云量模型,对未来的云量进行预测;
S5:根据预测得到的云量,计算云遮系数;
S6:根据太阳总辐射和云遮系数,计算得到有效总辐射;
S7:将有效总辐射转换为功率,便得到预测功率。
进一步的,所述S1中的各电厂地理位置和环境包括:各电厂的经纬度、海拔高度、太阳高度角、太阳赤纬角、太阳时角、大气透明度和大气质量。
进一步的,所述理论辐射包括:
水平面太阳直射辐射强度:
Ebh=E0×Tb×sinh
其中E0表示大气层上界任一时刻的太阳辐射强度,Tb表示直射辐射大气透明系数,h表示太阳高度角;
水平面太阳散射辐射强度:
其中k2表示大气浑浊程度的参数,m(z,h)表示海拔高度z,太阳高度角h时对大气压力的修正;
水平面太阳总辐射强度:
Eth=Ebh+Edh。
进一步的,所述S2中倾斜面上的太阳总辐射为:
Et=Ebh×Rb+Edh×Rd+Eth×Rρ
其中,Rb为直射辐射修正因子,Rd为散射辐射修正因子,Rρ为地面反射修正因子。
进一步的,所述S3中对采集到的数据进行预处理包括:时区转化、几何校正、辐射校正及裁剪。
进一步的,所述S4具体为:
S4.1:利用检测云量的波段进行云量反演,形成云量数据,并检验反演结果;
S4.2:对于采集到的错误的数据进行质控,将云量数据时间分辨率由10分钟插值为15分钟,并对缺失数据进行最临近点插值处理;
S4.3:利用神经网络和小波分析预测云量模型,预测超短期云量。
进一步的,所述S5中云遮系数包括:
直射辐射云遮系数:
α=(300-Y)/100
其中,Y为时间分辨率15分钟的云量;
散射辐射云遮系数:
β=1-2α。
进一步的,所述S6中有效总辐射为:
E=Etbh×α+Etdh×β
其中,Etbh为倾斜面上的直射辐射,Etdh为倾斜面上的散射辐射。
进一步的,所述S7中将有效总辐射转换为功率,计算式为:
其中,M为机组容量,a为弱辐射折减系数,b为温度折减系数,c为逆变器机组启停时效率系数,K为逆变器转换效率常数值。
本发明的有益效果如下:
1、本发明通过各电厂的地理位置和环境,计算各电厂的理论辐射,对天文辐射进行订正,并且将卫星监测数据提取的云量用于辐射预报中,改变了数值模式的云量降尺度误差,提高了预测准确度,并且为了提高阴雨天的功率预报,本发明将小波函数作为神经网络的权值函数,使得预测得到的超短期云量更加准确,进一步提高预报准确率。
附图说明
图1是本发明的方法流程示意图。
具体实施方式
为了本技术领域的人员更好的理解本发明,下面结合附图和以下实施例对本发明作进一步详细描述。
实施例1
如图1所示,本实施例提供一种基于葵花8号卫星云图的光伏超短期功率预报方法,包括如下步骤:
S1:基于各电厂的地理位置和环境,包括:各电厂的经纬度、海拔高度、太阳高度角、太阳赤纬角、太阳时角、大气透明度和大气质量,计算各电厂的理论辐射;
当太阳高度角h≥30°时,大气质量m(h)=1/sinh;
当太阳高度角h<30°时,大气质量m(h)=[1229+(614×sinh)2]1/2-614×sinh;
对于海拔高度较大的地区,对大气压力进行订正,即:
直射辐射大气透明系数为:Tb=0.56×(e-0.56m(z,h)+e-0.096m(z,h))×k1,k1取值范围为0.8~0.9;
散射辐射大气透明系数为:Ta=0.2710-0.2939×Tb;
所述理论辐射包括:
水平面太阳直射辐射强度:
Ebh=E0×Tb×sinh
其中E0表示大气层上界任一时刻的太阳辐射强度,Tb表示直射辐射大气透明系数,h表示太阳高度角;
水平面太阳散射辐射强度:
其中k2表示大气浑浊程度的参数,当大气质量浑浊时0.60≤k2≤0.70,大气质量正常时0.710≤k2≤0.80,大气质量较好时0.810≤k2≤0.90,m(z,h)表示海拔高度z,太阳高度角h时对大气压力的修正;
水平面太阳总辐射强度:
Eth=Ebh+Edh;
S2:根据各电厂的理论辐射计算倾斜面上的太阳总辐射,即:
Et=Ebh×Rb+Edh×Rd+Eth×Rρ
Rd为散射辐射修正因子,Rd=(1+cosβ)/2;
Rρ为地面反射修正因子,Rd=ρ(1-cosβ)/2;
S3:每4个小时采集葵花8号卫星云图监测数据,并对采集到的数据进行预处理,包括:时区转化、几何校正、辐射校正及裁剪;
S4:利用预处理后的数据进行云量反演,建立神经网络和小波分析预测云量模型,对未来的云量进行预测,具体为:
S4.1:利用检测云量的波段进行云量反演,形成云量数据,并检验反演结果;
S4.2:对于采集到的错误的数据进行质控,将云量数据时间分辨率由10分钟插值为15分钟,并对缺失数据进行最临近点插值处理;
S4.3:利用神经网络和小波分析预测云量模型,预测超短期云量;
在函数空间L2(R)(或更广泛的Hilbert空间)中,选择一个母小波函数(又称为基本小波函数)Ψ(x),使其满足允许条件:
对Ψ(x)作伸缩、平移变换得到小波基函数系{Ψa,b(x)}
对任意f(x)∈L2(R),其连续小波变换定义为:
反演公式为:
在实际应用中,特别是计算机实现中,往往要把上述的连续小波及其变换离散化,通常采用二进制离散,即令a=2m,b=k2m,则
二进小波一定是一个允许小波,且是一个正交小波基。考虑一个连续的、平方可积的函数f(x)∈L2(R)在分辨率2m下的逼近fm(x),由多分辨分析理论可知:
Φ(x)是尺度函数,对其作伸缩、平移变换得到Φmk(x):
函数f(x)在2m和2m-1分辨率下的信息差别(即细节)Dmf(x),可以通过将函数f(x)在一小波正交基上分解而获得,从而定义了一种完全而且正交的多分辨率描述,即小波描述:
Ψmk(x)就是式(5)定义的二进小波,则f(x)在2m-1分辨率下的逼近式为:
Mallat并指出,对于任意一个函数f(x)∈L2(R)可以在一组正交小波基上展开:
则有:
同理有:
通常,小波神经网络模型包括输入层、输出层和隐层,隐层包含两种节点:小波基节点(Ψ节点)和尺度函数节点(Φ节点);
1、分层多分辨学习:网络输出f(x)在2L分辨率(最低的分辨率)上的逼近:
f(x)在2L-1分辨率上的逼近:
再考虑f(x)在2L-2,2L-3,…分辨率上的逼近,有:
上述方程式是小波神经网络的学习算法;
2、网络系数计算:
对于式(19)可以改写成下述形式:
ci是网络权重系数,θi是激活函数(尺度函数或小波函数),设小波神经网络有n个节点,m个训练数据,则有:
即f=Ac(21)
式(20)的最小二乘解为:
c=((ATA)-1AT)f
=A+f (22)
A+被称为A的伪逆矩阵,且
如果样本xi均匀分布,θi(i=1,2,...,n)是正交基,则ATA是一个n×n单位矩阵,且c=ATf (24);
3、小波神经网络学习:选择合适的小波函数和尺度函数后,在最粗的尺度L上训练Φ节点,直到网络达到收敛,要使网络达到收敛,需确定逼近误差(本实施例中采用现有的误差的计算方法)和增加合适的Ψ节点以减少逼近误差,最后是优化网络,使用新的样本来检验网络并移去权重小的Ψ节点直到满足性能准则。
小波神经网络训练的计算复杂性介于O(N)和O(N2)之间,N为学习样本数,如果学习样本是均匀分布的,则计算复杂性为O(N);如果学习样本是非均匀分布的,则计算复杂性为O(N2)。
网络输出为预测的超短期的云量;
S5:根据预测得到的云量,计算云遮系数,包括:
直射辐射云遮系数:
α=(300-Y)/100
其中,Y为时间分辨率15分钟的云量;
散射辐射云遮系数:
β=1-2α;
S6:根据太阳总辐射和云遮系数,计算得到有效总辐射:
E=Etbh×α+Etdh×β
其中,Etbh为倾斜面上的直射辐射,Etdh为倾斜面上的散射辐射;
S7:将有效总辐射转换为功率,便得到预测功率,计算式为:
其中,M为机组容量,a为弱辐射折减系数,b为温度折减系数,c为逆变器机组启停时效率系数,K为逆变器转换效率常数值。
以上所述,仅为本发明的较佳实施例,并不用以限制本发明,本发明的专利保护范围以权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (9)
1.一种基于葵花8号卫星云图的光伏超短期功率预报方法,其特征在于,包括如下步骤:
S1:基于各电厂的地理位置和环境,计算各电厂的理论辐射;
S2:根据各电厂的理论辐射计算倾斜面上的太阳总辐射;
S3:每间隔2-6小时采集葵花8号卫星云图监测数据,并对采集到的数据进行预处理;
S4:利用预处理后的数据进行云量反演,建立神经网络和小波分析预测云量模型,对未来的云量进行预测;
S5:根据预测得到的云量,计算云遮系数;
S6:根据太阳总辐射和云遮系数,计算得到有效总辐射;
S7:将有效总辐射转换为功率,得到预测功率。
2.根据权利要求1所述的一种基于葵花8号卫星云图的光伏超短期功率预报方法,其特征在于,所述S1中的各电厂地理位置和环境包括:各电厂的经纬度、海拔高度、太阳高度角、太阳赤纬角、太阳时角、大气透明度和大气质量。
4.根据权利要求3所述的一种基于葵花8号卫星云图的光伏超短期功率预报方法,其特征在于,所述S2中倾斜面上的太阳总辐射为:
Et=Ebh×Rb+Edh×Rd+Eth×Rρ
其中,Rb为直射辐射修正因子,Rd为散射辐射修正因子,Rρ为地面反射修正因子。
5.根据权利要求1所述的一种基于葵花8号卫星云图的光伏超短期功率预报方法,其特征在于,所述S3中对采集到的数据进行预处理包括:时区转化、几何校正、辐射校正及裁剪。
6.根据权利要求1所述的一种基于葵花8号卫星云图的光伏超短期功率预报方法,其特征在于,所述S4具体为:
S4.1:利用检测云量的波段进行云量反演,形成云量数据,并检验反演结果;
S4.2:对于采集到的错误的数据进行质控,将云量数据时间分辨率由10分钟插值为15分钟,并对缺失数据进行最临近点插值处理;
S4.3:利用神经网络和小波分析预测云量模型,预测超短期云量。
7.根据权利要求6所述的一种基于葵花8号卫星云图的光伏超短期功率预报方法,其特征在于,所述S5中云遮系数包括:
直射辐射云遮系数:
α=(300-Y)/100
其中,Y为时间分辨率15分钟的云量;
散射辐射云遮系数:
β=1-2α。
8.根据权利要求7所述的一种基于葵花8号卫星云图的光伏超短期功率预报方法,其特征在于,所述S6中有效总辐射为:
E=Etbh×α+Etdh×β
其中,Etbh为倾斜面上的直射辐射,Etdh为倾斜面上的散射辐射。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148338.0A CN111160602A (zh) | 2019-11-21 | 2019-11-21 | 一种基于葵花8号卫星云图的光伏超短期功率预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148338.0A CN111160602A (zh) | 2019-11-21 | 2019-11-21 | 一种基于葵花8号卫星云图的光伏超短期功率预报方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160602A true CN111160602A (zh) | 2020-05-15 |
Family
ID=70556150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911148338.0A Pending CN111160602A (zh) | 2019-11-21 | 2019-11-21 | 一种基于葵花8号卫星云图的光伏超短期功率预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160602A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112578478A (zh) * | 2021-01-05 | 2021-03-30 | 中国科学院西北生态环境资源研究院 | 基于风云4号卫星云图的地表太阳总辐射超短期预报方法 |
CN113378459A (zh) * | 2021-06-02 | 2021-09-10 | 兰州交通大学 | 基于卫星和物联网信息的光伏电站超短期功率预测方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101969207A (zh) * | 2010-09-16 | 2011-02-09 | 国网电力科学研究院 | 结合卫星遥感与气象遥测技术的光伏超短期功率预测方法 |
KR20130031732A (ko) * | 2011-09-21 | 2013-03-29 | 엘지전자 주식회사 | 일사량 추정을 위해 전천사진으로부터 운량을 계산하는 방법, 상기 계산한 운량을 이용한 태양광 발전량 예측 장치 |
CN103942440A (zh) * | 2014-04-25 | 2014-07-23 | 云南省电力设计院 | 一种光伏电站实时发电效率计算方法 |
CN103971169A (zh) * | 2014-04-14 | 2014-08-06 | 国家电网公司 | 一种基于云量模拟的光伏超短期发电功率的预测方法 |
CN103996082A (zh) * | 2014-06-03 | 2014-08-20 | 华北电力大学(保定) | 一种基于双重随机理论的太阳辐射强度预测方法 |
CN105512760A (zh) * | 2015-12-04 | 2016-04-20 | 北京国电通网络技术有限公司 | 基于神经网络的光伏电站发电量的计算方法及系统 |
CN106203709A (zh) * | 2016-07-13 | 2016-12-07 | 国网江苏省电力公司电力科学研究院 | 基于多因子的光伏电站中长期发电量预测方法 |
CN106355243A (zh) * | 2016-08-23 | 2017-01-25 | 河海大学常州校区 | 一种基于神经网络的水平面太阳直射散射计算系统及方法 |
CN106768314A (zh) * | 2017-01-22 | 2017-05-31 | 河海大学常州校区 | 一种确定正南面太阳直射散射实时辐照的装置和方法 |
CN107644416A (zh) * | 2017-09-15 | 2018-01-30 | 中国科学院寒区旱区环境与工程研究所 | 一种基于地基云图的实时动态云量反演方法 |
CN108388956A (zh) * | 2018-01-18 | 2018-08-10 | 华北电力大学 | 考虑辐射衰减的光伏功率预测方法 |
CN109344491A (zh) * | 2018-09-27 | 2019-02-15 | 河北工业大学 | 一种考虑天气状态变化和云层遮挡的太阳辐照度建模方法 |
CN109543721A (zh) * | 2018-11-05 | 2019-03-29 | 中国科学院寒区旱区环境与工程研究所 | 一种晴间多云天气情况下的太阳辐照度超短期预报方法 |
CN111667317A (zh) * | 2020-06-16 | 2020-09-15 | 中国银行股份有限公司 | 一种业务处理方法、装置及系统 |
CN112559958A (zh) * | 2021-01-05 | 2021-03-26 | 中国科学院西北生态环境资源研究院 | 基于风云4号卫星反演地表太阳总辐射和直接辐射的方法 |
-
2019
- 2019-11-21 CN CN201911148338.0A patent/CN111160602A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101969207A (zh) * | 2010-09-16 | 2011-02-09 | 国网电力科学研究院 | 结合卫星遥感与气象遥测技术的光伏超短期功率预测方法 |
KR20130031732A (ko) * | 2011-09-21 | 2013-03-29 | 엘지전자 주식회사 | 일사량 추정을 위해 전천사진으로부터 운량을 계산하는 방법, 상기 계산한 운량을 이용한 태양광 발전량 예측 장치 |
CN103971169A (zh) * | 2014-04-14 | 2014-08-06 | 国家电网公司 | 一种基于云量模拟的光伏超短期发电功率的预测方法 |
CN103942440A (zh) * | 2014-04-25 | 2014-07-23 | 云南省电力设计院 | 一种光伏电站实时发电效率计算方法 |
CN103996082A (zh) * | 2014-06-03 | 2014-08-20 | 华北电力大学(保定) | 一种基于双重随机理论的太阳辐射强度预测方法 |
CN105512760A (zh) * | 2015-12-04 | 2016-04-20 | 北京国电通网络技术有限公司 | 基于神经网络的光伏电站发电量的计算方法及系统 |
CN106203709A (zh) * | 2016-07-13 | 2016-12-07 | 国网江苏省电力公司电力科学研究院 | 基于多因子的光伏电站中长期发电量预测方法 |
CN106355243A (zh) * | 2016-08-23 | 2017-01-25 | 河海大学常州校区 | 一种基于神经网络的水平面太阳直射散射计算系统及方法 |
CN106768314A (zh) * | 2017-01-22 | 2017-05-31 | 河海大学常州校区 | 一种确定正南面太阳直射散射实时辐照的装置和方法 |
CN107644416A (zh) * | 2017-09-15 | 2018-01-30 | 中国科学院寒区旱区环境与工程研究所 | 一种基于地基云图的实时动态云量反演方法 |
CN108388956A (zh) * | 2018-01-18 | 2018-08-10 | 华北电力大学 | 考虑辐射衰减的光伏功率预测方法 |
CN109344491A (zh) * | 2018-09-27 | 2019-02-15 | 河北工业大学 | 一种考虑天气状态变化和云层遮挡的太阳辐照度建模方法 |
CN109543721A (zh) * | 2018-11-05 | 2019-03-29 | 中国科学院寒区旱区环境与工程研究所 | 一种晴间多云天气情况下的太阳辐照度超短期预报方法 |
CN111667317A (zh) * | 2020-06-16 | 2020-09-15 | 中国银行股份有限公司 | 一种业务处理方法、装置及系统 |
CN112559958A (zh) * | 2021-01-05 | 2021-03-26 | 中国科学院西北生态环境资源研究院 | 基于风云4号卫星反演地表太阳总辐射和直接辐射的方法 |
Non-Patent Citations (6)
Title |
---|
吕清泉 等: "基于风云4号卫星资料的地表太阳辐射短期预报方法", 朝;蒋俊霞;吕清泉 中国科学院西北生态环境资源研究院, pages 1 - 4 * |
白捷予 等: "考虑云层遮挡的光伏发电功率超短期预测技术", 高电压技术, vol. 49, no. 1, pages 159 - 168 * |
陈志宝 等: "基于地基云图的光伏功率超短期预测模型", 电力系统自动化, vol. 37, no. 19, pages 20 - 25 * |
陈霄汉: "严寒地区铁路隧道中心深埋水沟设置长度计算方法", 铁道标准设计, vol. 63, no. 4, pages 118 - 122 * |
韩立涛: "考虑云遮挡的光伏超短期功率预测研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 4, pages 042 - 740 * |
高晓清 等: "基于TSI地基云图的云量反演方法研究", 太阳能学报, vol. 39, no. 1, pages 95 - 100 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112578478A (zh) * | 2021-01-05 | 2021-03-30 | 中国科学院西北生态环境资源研究院 | 基于风云4号卫星云图的地表太阳总辐射超短期预报方法 |
CN112578478B (zh) * | 2021-01-05 | 2021-07-06 | 中国科学院西北生态环境资源研究院 | 基于风云4号卫星云图的地表太阳总辐射超短期预报方法 |
CN113378459A (zh) * | 2021-06-02 | 2021-09-10 | 兰州交通大学 | 基于卫星和物联网信息的光伏电站超短期功率预测方法 |
CN113378459B (zh) * | 2021-06-02 | 2022-09-02 | 兰州交通大学 | 基于卫星和物联网信息的光伏电站超短期功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Frequency-domain decomposition and deep learning based solar PV power ultra-short-term forecasting model | |
Huang et al. | Multiple-input deep convolutional neural network model for short-term photovoltaic power forecasting | |
Hossain et al. | Application of extreme learning machine for short term output power forecasting of three grid-connected PV systems | |
CN111047076A (zh) | 一种基于葵花8号卫星云图的光伏短期功率预报方法 | |
Kim et al. | Designing solar power generation output forecasting methods using time series algorithms | |
CN114021420A (zh) | 一种分布式光伏超短期发电功率预测方法及系统 | |
CN107491833B (zh) | 一种光伏发电功率预测的方法和装置 | |
Alomari et al. | A predictive model for solar photovoltaic power using the Levenberg-Marquardt and Bayesian regularization algorithms and real-time weather data | |
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 | |
Başaran et al. | Systematic literature review of photovoltaic output power forecasting | |
CN114707688A (zh) | 基于卫星云图和时空神经网络的光伏功率超短期预测方法 | |
CN104021427A (zh) | 一种基于因子分析的并网光伏电站日发电量预测方法 | |
CN108021538B (zh) | 一种基于联合天气信息矩阵分解的电量数据恢复方法 | |
CN110729764A (zh) | 一种含光伏发电系统的优化调度方法 | |
Alina Ioniţă et al. | Dynamic optimization of the tracking system for a pseudo-azimuthal photovoltaic platform | |
CN111160602A (zh) | 一种基于葵花8号卫星云图的光伏超短期功率预报方法 | |
Habib et al. | Optimal switchable load sizing and scheduling for standalone renewable energy systems | |
Qijun et al. | Photovoltaic power prediction based on principal component analysis and Support Vector Machine | |
CN116341728A (zh) | 一种基于数据驱动的超短期光伏输出功率预测方法 | |
Yu et al. | Comparison of short-term solar irradiance forecasting methods when weather conditions are complicated | |
CN116485010A (zh) | 一种基于循环神经网络的s2s降水预测方法 | |
de Paiva et al. | Intra-day forecasting of building-integrated PV systems for power systems operation using ANN ensemble | |
CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
Cheng et al. | Temperature & humidity-weighted-modified GRNN based prediction model of photovoltaic power generation | |
CN112561181A (zh) | 一种基于Unet网络和地基云图的光伏发电预测系统 |
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 |