CN111325373A - 一种发电量的预测方法及其系统 - Google Patents
一种发电量的预测方法及其系统 Download PDFInfo
- Publication number
- CN111325373A CN111325373A CN201811526933.9A CN201811526933A CN111325373A CN 111325373 A CN111325373 A CN 111325373A CN 201811526933 A CN201811526933 A CN 201811526933A CN 111325373 A CN111325373 A CN 111325373A
- Authority
- CN
- China
- Prior art keywords
- data
- power generation
- historical
- meteorological data
- current
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000001914 filtration Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 abstract description 4
- 239000000428 dust Substances 0.000 description 6
- 239000010409 thin film Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种发电量的预测方法及其系统，包括：一种发电量的预测方法，其包括：获取历史气象数据和历史发电数据；基于历史气象数据和历史发电数据，训练SVC回归模型；获取当前气象数据；利用所述SVC回归模型和所述当前气象数据进行发电量预测，获得预测值。本发明基于组件发电数据进行建模预测发电量，消除薄膜组件规格及安装方式造成的影响。
Description
技术领域
本发明实施例涉及太阳能发电技术领域，具体涉及一种发电量的预测方法及其系统。
背景技术
太阳光作为一种新能源已经广泛应用于光伏发电产业，随着光电的大规模发展，准确预测光伏发电量对于光伏电站的并网以及运行具有重要作用。而光伏发电量涉及许多因素，公认的最直接的影响因素是辐照强度，另外气象因素、元器件也对发电量有影响，气象特征中，月份、昼长、天气类型与太阳辐照时间有关，例如夏天比冬天日照时间长，晴天比阴天日照时间更长；国内外多项研究表明温度、时间与辐照强度有关；而风力、风向、湿度、7日内天气特征与光伏组件积灰程度有关，积灰会造成光伏组件发电效率的降低。例如对于固定角度安装的光伏面板，风力较大时，扬灰会引起光伏表面积灰，7日内大雨日较多，则光伏表面积灰被冲刷，发电效率升高；7日内小雨日多，则表面的积灰会粘附在光伏板，引起发电效率降低。
国内外对光伏发电量预测已有相关研究，一些相关人工智能算法也被应用到预测模型中。现有技术采用的支持向量机回归(SVC)是通过一个非线性映射，将数据映射到高维特征空间，并在这个空间进行线性回归，系统建模的理论和方法比较成熟，具有非线性表达能力，其模型简单，预测效果好。
目前，大多数的光伏发电量预测方法没有针对薄膜光伏组件进行建模，而薄膜光伏组件的生产规格以及安装方式对于预测光伏电站发电量具有较大影响，而且光伏组件、线缆、逆变器等设备在时间维度上的损耗对于发电量影响的判断也较大。
因此，需要提供一种预测方法对薄膜太阳能组件的发电量进行预测。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本发明实施例提供了一种发电量的预测方法及其系统。
一种发电量的预测方法，其包括：获取历史气象数据和历史发电数据；基于历史气象数据和历史发电数据，训练SVC回归模型；获取当前气象数据；利用所述SVC回归模型和所述当前气象数据进行发电量预测，获得预测值。
所述基于历史气象数据和历史发电数据，训练SVC回归模型，包括：对所述历史发电数据进行预处理，得到训练数据；对所述历史气象数据和所述训练数据，进行归一化处理；
基于归一化处理后得到的数据，训练SVC回归模型。
利用消抖滤波法，对所述历史发电数据进行预处理，得到训练数据。
所述消抖滤波法，包括：设置滤波计数器，将每次采样数据与当前有效数据范围进行比较：若采样数据在当前有效数据范围内，则所述滤波计数器清零；若采样数据超出当前有效数据范围，则所述滤波计数器加1；若所述滤波计数器大于上限N，则将本次值替换当前有效值，并清除计数器。
所述对历史气象数据和预处理后得到的所述训练数据，进行归一化处理，包括：将所述历史气象数据和所述历史发电数据对应的时间数据转换为每天从0点计数的秒值；将所述时间数据的秒值、所述历史气象数据和预处理后得到的所述训练数据进行均值与方差的归一化处理。
利用所述当前气象数据进行发电量预测，包括：转换所述当前气象数据对应的时间数据；对所述当前气象数据进行归一化处理。
所述SVC回归模型，如下所示：
f(xi)＝ωTxi+b；
其中，xi为预处理后的当前气象数据，f(xi)为输出的发电量数据的预测值，ω为权重和b为偏置。
所述权重ω和所述偏置b由回归损失算法基于所述历史发电数据的学习确定，包括：所述回归损失算法，如下所示：
其中，yi为历史气象数据，C为正则化常数，lε为ε不敏感损失函数，ε为损失函数的敏感度，z为函数间隔；
所述气象数据包括：辐照度、温度、风速和风向中至少一种；所述历史发电数据包括：发电电流、发电电压和发电功率中至少一种。
一种发电量的预测系统，其包括：历史数据获取模块、模型训练模块、当前气象数据获取模块和数据预测模块；
所述历史数据获取模块，用于获取历史气象数据和历史发电数据；所述模型训练模块，用于基于历史气象数据和历史发电数据，训练SVC回归模型；所述当前气象数据获取模块，用于获取当前气象数据；所述数据预测模块，用于利用所述SVC回归模型和所述当前气象数据进行发电量预测，获得预测值。
本发明提供的技术方案与最接近的现有技术相比具有如下优点：
1、本发明基于组件发电数据进行建模预测发电量，消除薄膜组件规格及安装方式造成的影响；
2、本发明通过以历史数据为训练时间窗，并将每天时间信息换算成秒值参与训练与预测，消除光伏组件、线缆、逆变器等设备在时间维度上的损耗，提高预测的准确度；
3、本发明采用消抖滤波法滤除发电历史数据中的异常值，有效防止了异常历史数据对SVC回归模型的影响。
附图说明
图1是本发明的预测方法流程图；
图2是本发明的预测方法中步骤S2-S4的进一步流程图；
图3是本发明的预测系统模块图；
其中，1-历史数据获取模块、2-模型训练模块、3-当前气象数据获取模块、4-数据预测模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种基于SVC的薄膜太阳能组件发电量的预测方法，该方法使用薄膜太阳能组件历史发电数据以及气象数据进行发电量预测。
如图1所示，该方法包括以下步骤：
S1，获取历史气象数据和历史发电数据；
在本发明的实施例中，使用的气象数据包含：辐照度、温度、风速和风向中的至少一种，可选地，在本发明的实施例中，使用的气象数据可同时包括：照度、温度、风速和风向；使用的组件历史发电数据包含：发电电流、发电电压以及发电功率中的至少一种，可选地，在本发明的实施例中，使用的组件历史发电数据可同时包括：发电电流、发电电压和发电功率。
下面对历史气象数据和历史发电数据进行详细说明：以2018年10月8日这一天内部分时段的气象数据为例，如表1所示：
表1
creat_time为记录时间，bev_avg为辐照度，airTemp_Avg为温度，WS_Avg为风速，WD_Avg为风向。
以2018年10月8日这一天内部分时段的历史发电数据为例，如表2所示：
表2
createtime为记录时间，electricity为发电电流，voltage为发电电压，power为发电功率。
另外，为例方便对数据进行处理，在获取到历史气象数据和历史发电数据后，该方法还可以将数据进行整合。
同样地，以2018年10月8日这一天内部分时段的历史气象数据和历史发电数据整合得到的数据为例，如表3所示：
表3
步骤S2，基于历史气象数据和历史发电数据，训练SVC回归模型；
如图2所示，在本发明的实施例中，步骤S2还可以包括以下步骤：
S21，对所述历史发电数据进行预处理，得到训练数据；
历史发电数据预处理是针对一周内组件得历史发电数据进行处理；为了去掉异常的明显不正确的数据点，以防影响之后的回归，使用消抖滤波法对训练的发电历史数据进行滤波。
其中，消抖滤波法：
设置一个滤波计数器，将每次采样值与当前有效值范围比较：
如果采样值在当前有效值范围内，则计数器清零；
如果采样值超出当前有效值范围，则计数器+1，并判断计数器是否>＝上限N(溢出)；
如果计数器溢出，则将本次值替换当前有效值，并清除计数器。
将滤波后的数据按时间组合气象数据，如表4所示：
表4
从表4可以观察出，在该时间段内无异常数据。
在本发明的另一实施例中，如表5和表6所示：
表5
表6
对比滤波前的数据表5和滤波后的数据表6，可以观察出：本发明利用消抖滤波法滤掉了2018年10月8日12:31分的一条异常数据数据。
此外，将表4中相应的时间数据转换为每天从0点计数的秒值，如表7所示：
表7
S22，对历史气象数据和训练数据，进行归一化处理；
将预处理后的数据进行均值与方差归一化处理，其归一化公式z如下所示：
z＝(x-u)/s (1)
其中，x为样本值，u为样本均值，s为样本标准差。
特征值归一化表7中的数据，如表8所示：
表8
S23，基于归一化处理后得到的数据，训练SVC回归模型；
基于一周内归一化处理后的训练数据，训练SVC回归模型：
基于样本数据(xi,yi)，训练SVC回归模型输出预测数据f(xi)；
f(xi)＝ωTxi+b (2)
ω和b由回归损失算法基于历史数据(气象数据和真实输出yi)的学习确定；
其中历史气象数据的真实输出yi及其回归损失算法，如下所示：
其中xi是归一化后的气象数据，ω是权重，b是偏置，C为正则化常数，lε为ε不敏感损失函数(ε-intensitive loss)，ε为损失函数的敏感度，z代表函数间隔；
S3，获取当前气象数据；
对获取的当前气象数据对应的时间进行换算后，进行归一化处理。
S4，利用SVC回归模型和当前气象数据进行发电量预测，获得预测值；
基于归一化后的当前气象数据，利用训练SVC回归模型进行发电量预测，输出光伏组件发电量数据的预测值。
光伏组件发电量的预测结果，如表9所示：
表9
综上可知，本发明使用组件发电数据进行建模，通过以一周历史数据为训练时间数据，并将每天的时间信息数据换算成秒值参与训练与预测，消除光伏组件、线缆和逆变器等设备在时间维度上的损耗，有效克服了薄膜太阳能组件规格及安装方式造成的影响。
如图3所示，基于相同的发明构思本发明还提供了一种发电量的预测系统。
该系统包括：历史数据获取模块1、模型训练模块2、当前气象数据获取模块3和数据预测模块4；
所述历史数据获取模块1，用于获取历史气象数据和历史发电数据；
所述模型训练模块2，用于基于历史气象数据和历史发电数据，训练SVC回归模型；
所述当前气象数据获取模块3，用于获取当前气象数据；
所述数据预测模块4，用于利用所述SVC回归模型和所述当前气象数据进行发电量预测，获得预测值。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)、数字信号处理器(Digital Signal Processing，DSP)、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(Programmable LogicDevice，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种发电量的预测方法，其特征在于，包括：
获取历史气象数据和历史发电数据；
基于历史气象数据和历史发电数据，训练SVC回归模型；
获取当前气象数据；
利用所述SVC回归模型和所述当前气象数据进行发电量预测，获得预测值。
2.根据权利要求1所述的预测方法，其特征在于，所述基于历史气象数据和历史发电数据，训练SVC回归模型，包括：
对所述历史发电数据进行预处理，得到训练数据；
对所述历史气象数据和所述训练数据，进行归一化处理；
基于归一化处理后得到的数据，训练SVC回归模型。
3.根据权利要求2所述的预测方法，其特征在于，
利用消抖滤波法，对所述历史发电数据进行预处理，得到训练数据。
4.根据权利要求3所述的预测方法，其特征在于，所述消抖滤波法，包括：
设置滤波计数器，将每次采样数据与当前有效数据范围进行比较：
若采样数据在当前有效数据范围内，则所述滤波计数器清零；
若采样数据超出当前有效数据范围，则所述滤波计数器加1；
若所述滤波计数器大于上限N，则将本次值替换当前有效值，并清除计数器。
5.根据权利要求2所述的预测方法，其特征在于，所述对历史气象数据和预处理后得到的所述训练数据，进行归一化处理，包括：
将所述历史气象数据和所述历史发电数据对应的时间数据转换为每天从0点计数的秒值；
将所述时间数据的秒值、所述历史气象数据和预处理后得到的所述训练数据进行均值与方差的归一化处理。
6.根据权利要求1所述的预测方法，其特征在于，利用所述当前气象数据进行发电量预测，包括：
转换所述当前气象数据对应的时间数据；
对所述当前气象数据进行归一化处理。
7.根据权利要求1所述的预测方法，其特征在于，所述SVC回归模型，如下所示：
f(xi)＝ωTxi+b；
其中，xi为预处理后的当前气象数据，f(xi)为输出的发电量数据的预测值，ω为权重和b为偏置。
8.根据权利要求7所述的预测方法，其特征在于，所述权重ω和所述偏置b由回归损失算法基于所述历史发电数据的学习确定，包括：
所述回归损失算法，如下所示：
其中，yi为历史气象数据，C为正则化常数，lε为ε不敏感损失函数，ε为损失函数的敏感度，z为函数间隔；
9.根据权利要求1所述的预测方法，其特征在于，
所述气象数据包括：辐照度、温度、风速和风向中至少一种；
所述历史发电数据包括：发电电流、发电电压和发电功率中至少一种。
10.一种发电量的预测系统，其特征在于，包括：历史数据获取模块、模型训练模块、当前气象数据获取模块和数据预测模块；
所述历史数据获取模块，用于获取历史气象数据和历史发电数据；
所述模型训练模块，用于基于历史气象数据和历史发电数据，训练SVC回归模型；
所述当前气象数据获取模块，用于获取当前气象数据；
所述数据预测模块，用于利用所述SVC回归模型和所述当前气象数据进行发电量预测，获得预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811526933.9A CN111325373A (zh) | 2018-12-13 | 2018-12-13 | 一种发电量的预测方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811526933.9A CN111325373A (zh) | 2018-12-13 | 2018-12-13 | 一种发电量的预测方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111325373A true CN111325373A (zh) | 2020-06-23 |
Family
ID=71163009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811526933.9A Pending CN111325373A (zh) | 2018-12-13 | 2018-12-13 | 一种发电量的预测方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111325373A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202455275U (zh) * | 2012-01-05 | 2012-09-26 | 煤炭科学研究总院 | 一种本安电源 |
| CN104378115A (zh) * | 2013-08-12 | 2015-02-25 | 上海辰竹仪表有限公司 | 一种ad采样的软件滤波方法 |
| CN107218988A (zh) * | 2017-06-22 | 2017-09-29 | 中山天业智能装备科技有限公司 | 一种快速高精度的称重仪及其检测方法 |
| CN107785079A (zh) * | 2017-11-16 | 2018-03-09 | 东南大学 | 一种基于弥散张量成像的抑郁症患者疾病恢复的评估方法 |
| CN108053048A (zh) * | 2017-11-06 | 2018-05-18 | 中国电力科学研究院有限公司 | 一种单步渐进式光伏电站超短期功率预测方法及系统 |
| CN108151889A (zh) * | 2017-12-01 | 2018-06-12 | 北京科益虹源光电技术有限公司 | 一种准分子激光器能量探测器的能量值标定系统及方法 |
-
2018
- 2018-12-13 CN CN201811526933.9A patent/CN111325373A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202455275U (zh) * | 2012-01-05 | 2012-09-26 | 煤炭科学研究总院 | 一种本安电源 |
| CN104378115A (zh) * | 2013-08-12 | 2015-02-25 | 上海辰竹仪表有限公司 | 一种ad采样的软件滤波方法 |
| CN107218988A (zh) * | 2017-06-22 | 2017-09-29 | 中山天业智能装备科技有限公司 | 一种快速高精度的称重仪及其检测方法 |
| CN108053048A (zh) * | 2017-11-06 | 2018-05-18 | 中国电力科学研究院有限公司 | 一种单步渐进式光伏电站超短期功率预测方法及系统 |
| CN107785079A (zh) * | 2017-11-16 | 2018-03-09 | 东南大学 | 一种基于弥散张量成像的抑郁症患者疾病恢复的评估方法 |
| CN108151889A (zh) * | 2017-12-01 | 2018-06-12 | 北京科益虹源光电技术有限公司 | 一种准分子激光器能量探测器的能量值标定系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | A PV power interval forecasting based on seasonal model and nonparametric estimation algorithm | |
| US10396710B2 (en) | Monitoring and evaluating performance and aging of solar photovoltaic generation systems and power inverters | |
| US20170286838A1 (en) | Predicting solar power generation using semi-supervised learning | |
| Trigo-González et al. | Hourly PV production estimation by means of an exportable multiple linear regression model | |
| CN107491833B (zh) | 一种光伏发电功率预测的方法和装置 | |
| US20160190984A1 (en) | System and method for performance analysis and classification of losses for solar power systems | |
| CN105260800A (zh) | 一种光伏组件温度预测方法及装置 | |
| WO2016166991A1 (ja) | 太陽光発電設備の診断システムおよびプログラム | |
| CN110161860B (zh) | 一种光伏组件智能清扫策略的方法及控制系统 | |
| CN107064165B (zh) | 一种光伏组件表面积灰度在线检测装置及清洗方法 | |
| CN114048896B (zh) | 光伏发电数据的预测方法、系统、设备及介质 | |
| CN117220597B (zh) | 一种光伏电站快速频率响应速率监测系统 | |
| Olalla et al. | A cell-level photovoltaic model for high-granularity simulations | |
| CN116341728A (zh) | 一种基于数据驱动的超短期光伏输出功率预测方法 | |
| Khalyasmaa et al. | Averaged errors as a risk factor for intelligent forecasting systems operation in the power industry | |
| KR102473018B1 (ko) | 태양광 발전 시스템 이상 감지 장치 및 방법 | |
| CN111325373A (zh) | 一种发电量的预测方法及其系统 | |
| Curran et al. | Determining the power rate of change of 353 plant inverters time-series data across multiple climate zones, using a month-by-month data science analysis | |
| Su | A comparative analysis of the performance of a grid-connected photovoltaic system based on low-and high-frequency solar data | |
| CN108280546A (zh) | 光伏发电功率预测方法及预测系统 | |
| CN116701481A (zh) | 一种电采暖用电量波动分析系统及方法 | |
| CN114301091A (zh) | 一种光伏阵列输出功率控制方法和装置 | |
| EP3910435A1 (en) | System, device and method for determining soiling of pv modules | |
| De et al. | Improved shadow filtering and change-point detection methods to extract soiling loss from PV-SCADA data | |
| CN117937478B (zh) | 光伏功率预测方法、装置、计算机设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201223 Address after: 101400 Yanqi Street, Yanqi Economic Development Zone, Huairou District, Beijing Applicant after: Beijing Huihong Technology Co.,Ltd. Address before: Room 107, building 2, Olympic Village street, Chaoyang District, Beijing Applicant before: HANERGY MOBILE ENERGY HOLDING GROUP Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211028 Address after: No.31 Yanqi street, Yanqi Economic Development Zone, Huairou District, Beijing Applicant after: Dongjun new energy Co.,Ltd. Address before: 101400 Yanqi Street, Yanqi Economic Development Zone, Huairou District, Beijing Applicant before: Beijing Huihong Technology 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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200623 |
|
| WD01 | Invention patent application deemed withdrawn after publication |