CN111382763A - 一种光伏集群划分方法及系统 - Google Patents
一种光伏集群划分方法及系统 Download PDFInfo
- Publication number
- CN111382763A CN111382763A CN201811632903.6A CN201811632903A CN111382763A CN 111382763 A CN111382763 A CN 111382763A CN 201811632903 A CN201811632903 A CN 201811632903A CN 111382763 A CN111382763 A CN 111382763A
- Authority
- CN
- China
- Prior art keywords
- cluster
- clustering
- data
- nodes
- node
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000010606 normalization Methods 0.000 claims abstract description 23
- 235000018185 Betula X alpestris Nutrition 0.000 claims abstract description 13
- 235000018212 Betula X uliginosa Nutrition 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000013450 outlier detection Methods 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000001556 precipitation Methods 0.000 claims description 12
- 238000000638 solvent extraction Methods 0.000 claims description 12
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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—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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种光伏集群划分方法及系统,基于预先获取的气象特征参数,计算区域内各场站的样本向量,并对所述样本向量进行归一化处理;利用BIRCH算法,基于归一化处理后的样本向量建立聚类特征树,获得初始集群划分结果;检测初始集群划分结果中的离群点,基于离群点检测结果对初始集群划分结果进行优化,获得集群划分结果;实现区域光伏电站集群的合理划分。
Description
技术领域
本发明属于太阳能利用技术领域,具体涉及一种光伏集群划分方法及系统。
背景技术
随着我国光伏发电产业的快速发展,光伏电站的大量并网对电网的安全稳定运行造成影响。光伏功率预测技术可以有效降低光伏输出功率的不确定性影响。当区域内光伏电站数量众多时,单个光伏电站的功率预测已不能完全满足调度部门的应用需求,亟需实现区域光伏电站群的功率预测。
光伏电站的集群划分是区域光伏功率预测技术中的重要环节。目前的区域预测方法大多以单个光伏电站的预测结果为最小单元,通过累加法或统计升尺度方法计算得到区域的预测结果。随着预测区域的增大,光伏电站数量的增多,预测模型的计算效率会逐渐降低,因此有必要进行合理的光伏电站集群划分,在不影响预测精度的前提下显著提高建模效率。
比较常用的光伏集群划分方法是根据光伏电站所在行政区域或所在线路进行划分,该方法没有考虑电站区域气象要素的影响,区域内的光伏电站的气象特征可能存在较大差异,这对区域集群功率预测精度带来一定的影响。
发明内容
为了解决上述问题,本发明提出一种光伏集群划分方法及系统,将地理信息与气象信息相融合,实现区域光伏电站集群的合理划分。
本发明的目的是采用下述技术方案实现的:
一种光伏集群划分方法,所述方法包括:
基于预先获取的气象特征参数,计算区域内各场站的样本向量,并对所述样本向量进行归一化处理;
利用BIRCH算法,基于归一化处理后的样本向量建立聚类特征树,获得初始集群划分结果;
检测所述初始集群划分结果中的离群点,基于离群点检测结果对初始集群划分结果进行优化,获得集群划分结果。
优选的,所述气象特征参数的预先获取包括:
采集区域内各光伏电站的经纬度、海拔信息以及各站点的历史气象监测数据;
基于采集的数据,获取在指定时间段内,各光伏电站的气象特征参数;
其中,所述各站点的历史气象监测数据包括:单位时间段内,各光伏电站监测的总辐射、气温和降水量数据。
优选的,所述气象特征参数,包括指定时间段内的平均辐照度、辐照度峰值、平均气温、最高气温、最低气温、累积降水量的统计量。
优选的,所述区域内各场站的样本向量包括:经度,纬度,海拔,平均辐照度,辐照度峰值,平均气温,最高气温,最低气温,累积降水量。
优选的,通过下式确定归一化处理后的样本向量:
优选的,所述利用BIRCH算法,基于归一化处理后的样本向量建立聚类特征树,获得初始集群划分结果包括:
聚类初始时,将各站点归一化处理后的样本向量表定义为数据簇;
获取采样点站点位置为聚类特征树根节点,读取所述根节点对应数据簇的聚类特征,包括内部各层的最大子节点数B,叶节点的所包含的最大站点数L以及数据簇的最大样本半径阈值T;
依次读入其他站点数据簇的聚类特征,计算当前数据簇与前一个数据簇形心之间的欧式距离;若所述距离小于数据簇的最大样本半径阈值T,则合并当前站点并更新数据簇的聚类特征;若大于数据簇的最大样本半径阈值T,则判断聚类特征树节点所包含的叶节点数,若小于叶节点的所包含的最大站点数L,则将该节点作为新的子节点;否则对聚类特征进行分裂。
进一步地,通过下式确定当前数据簇与前一个数据簇形心之间的欧式距离:
式中,Di0表示数据簇xi到数据簇形心x0之间的欧式距离。
进一步地,所述对聚类特征进行分裂包括:
将聚类特征树节点下距离最远的两个叶节点作为新的节点,将原节点下的其他站点以及新站点按照距离划分到两个新节点下;
依次检查上级节点的子节点数,若所述子节点数超过预先定义的内部各层的最大子节点数B,则返回上一步骤继续进行分裂;否则依次读入每个站点的特征向量,获得所有站点的聚类特征树。
优选的,所述检测离群点包括:
检测任意节点下的叶子节点数目,当叶子节点数目小于预设阈值L时,将所述节点下的所有叶子节点定义为离群点。
优选的,所述基于离群点检测结果对初始集群划分结果进行优化,获得集群划分结果集群划分结果优化包括:
将离群点进行聚类合并,若无法归入已有数据簇,则将其作为独立节点;
计算各数据簇形心之间的欧氏距离,将距离相近的数据簇进行聚类合并直至达到根据实际工况设定的集群数量。
一种光伏集群划分系统,所述系统包括:
计算模块,用于基于预先获取的气象特征参数,计算区域内各场站的样本向量,并对所述样本向量进行归一化处理;
获取模块,用于利用BIRCH算法,基于归一化处理后的样本向量建立聚类特征树,获得初始集群划分结果;
优化模块,用于检测所述初始集群划分结果中的离群点,基于离群点检测结果对初始集群划分结果进行优化,获得集群划分结果。
与最接近的现有技术比,本发明的有益效果为:
本发明提出的一种光伏集群划分方法及系统,首先基于预先获取的气象特征参数,计算区域内各场站的样本向量,并对所述样本向量进行归一化处理;综合考虑地理因素与气象因素的光伏集群划分方法,实现对区域光伏电站的集群划分。
其次利用BIRCH算法,基于归一化处理后的样本向量建立聚类特征树,获得初始集群划分结果;引入BIRCH算法可以实现高效的集群划分,且同时支持增量聚类,能够较好地适应新增站点的集群划分。
最后检测所述初始集群划分结果中的离群点,基于离群点检测结果对初始集群划分结果进行优化,获得集群划分结果。通过离群点的检测以及簇的合并可以实现聚类结果的优化。
附图说明
图1为具体实施方式提供的光伏集群划分方法总流程图;
图2为具体实施方式提供的聚类特征树示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细的说明。
针对目前光伏电站集群划分方法没有考虑气象条件的影响,集群内光伏站点的气象特征可能存在较大的差异,影响区域光伏功率预测精度这一问题,本发明提出了一种光伏集群划分方法及系统,考虑地理位置与气象要素的影响,同时通过BIRCH算法的引入,提高集群划分效率。
结合图1提出的一种光伏集群划分方法,主要方法步骤包括:
S1基于预先获取的气象特征参数,计算区域内各场站的样本向量,并对所述样本向量进行归一化处理;
S2利用BIRCH算法,基于归一化处理后的样本向量建立聚类特征树,获得初始集群划分结果;
S3检测所述初始集群划分结果中的离群点,基于离群点检测结果对初始集群划分结果进行优化,获得集群划分结果。
步骤S1获取的气象特征参数是根据历史气象监测数据计算气象特征参数,气象特征参数包括指定时间段内的平均辐照度、辐照度峰值、平均气温、最高气温、最低气温、累积降水量等统计量。而历史气象监测数据是通过获取区域内各站点历史气象监测信息,主要包括一定时间段内的各光伏电站监测的总辐射、气温、降水量数据。
此外,步骤S1中的样本向量即d维特征向量,可表示为:<经度,纬度,海拔,平均辐照度,辐照度峰值,平均气温,最高气温,最低气温,累积降水量,……>
步骤S2中,通过下式确定归一化处理后的样本向量:
步骤S2,利用BIRCH算法,基于归一化处理后的样本向量建立聚类特征(Clustering Feature,CF)树,CF树中的节点都是由CF组成,一个CF是一个三维向量,汇总了对象簇的信息,定义为CF=<n,LS,SS>,其中LS是n个点的线性和,即SS是数据点的平方和,即
其中,建立聚类特征(Clustering Feature,CF)树,获得初始集群划分结果包括以下步骤:
聚类初始时,将各站点归一化处理后的样本向量表定义为数据簇;
获取采样点站点位置为聚类特征树根节点,读取所述根节点对应数据簇的聚类特征;包括内部各层的最大子节点数B,叶节点的所包含的最大站点数L以及数据簇的最大样本半径阈值T;
依次读入其他站点数据簇的聚类特征,计算当前数据簇与前一个数据簇形心之间的欧式距离;通过下式确定当前数据簇与前一个数据簇形心之间的欧式距离:
式中,Di0表示数据簇xi到数据簇形心x0之间的欧式距离。
若所述距离小于数据簇的最大样本半径阈值T,则合并当前站点并更新数据簇的聚类特征;若大于数据簇的最大样本半径阈值T,则判断聚类特征树节点所包含的叶节点数,若小于叶节点的所包含的最大站点数L,则将该节点作为新的子节点;否则对聚类特征进行分裂,其包括:
将聚类特征树节点下距离最远的两个叶节点作为新的节点,将原节点下的其他站点以及新站点按照距离划分到两个新节点下;
依次检查上级节点的子节点数,若所述子节点数超过预先定义的内部各层的最大子节点数B,则返回上一步骤继续进行分裂;否则依次读入每个站点的特征向量,获得所有站点的聚类特征树。依次读入每个站点的特征向量,即可建立所有站点的聚类特征树。该方法的优点在于可以支持增量聚类,当区域内有新增站点时,不需要重新读取已有站点的数据信息。
步骤S3,检测离群点包括:
检测任意节点下的叶子节点数目,当叶子节点数目小于预设阈值L时,将所述节点下的所有叶子节点定义为离群点。
步骤S3,基于离群点检测结果对初始集群划分结果进行优化,获得集群划分结果集群划分结果优化包括:
将离群点进行聚类合并,若无法归入已有数据簇,则将其作为独立节点;
计算各数据簇形心之间的欧氏距离,将距离相近的数据簇进行聚类合并直至达到根据实际工况设定的集群数量。
上述步骤S1-S3可通过以下具体实施例实现:
首先获取区域内各光伏电站的经纬度、海拔信息、以及各站点一段时间的历史气象监测数据。其中,历史气象数据主要包括各光伏电站所在位置的总辐射、气温、降水量等监测数据,可以反映当地的太阳能资源状况以及光伏发电的相关影响因素。
建立区域内每个场站的n维特征向量,并进行归一化处理。特征向量表示为:<经度,纬度,海拔,平均辐照度,辐照度峰值,平均气温,最高气温,最低气温,累积降水量>,所述归一化处理按如下方法实施:
表示归一化处理后的特征参数值,x表示原始的特征参数值,xmax、xmin分别表示所有光伏电站的对应特征参数的最大值和最小值。该步骤所建立的d维特征向量的特点在于将地理信息与气象信息同时作为集群划分的参考量。
利用BIRCH算法建立聚类特征树,得到初始集群划分结果。CF树中的节点都是由CF组成,一个CF是一个三维向量,汇总了对象簇的信息,定义为CF=<n,LS,SS>,其中LS是n个点的线性和,即SS是数据点的平方和,即
聚类特征CF具有可加的性质,对于两个不相交的簇C1和C2,其聚类特征分别是CF1=<n1,LS1,SS1>和CF2=<n2,LS2,SS2>,两个簇合并之后的聚类特征可表示为:
CF1+CF2=<n1+n2,LS1+LS2,SS1+SS2>
此外利用聚类特征,我们可以得到簇的统计特征,包括簇的形心x0、半径R等。
其中,R表示簇中各成员对象到形心的平均距离,可以反映簇的紧凑程度。
聚类特征树的形态如图2所示,而生成聚类特征树的过程如下:
首先定义聚类特征树的参数,内部各层的最大子节点数B,叶节点的所包含的最大站点数L以及数据簇的最大样本半径阈值T。聚类初始时,每一个站点的d维特征向量表示一个数据簇。
读入一个站点的特征向量,计算CF。以该站点为根节点,依次读入其他站点信息,计算新插入数据与已有数据簇形心之间的距离,利用欧氏距离进行计算。计算公式如下:
其中,Di0表示数据向量xi到形心x0之间的欧式距离。
若该距离小于半径阈值T,则吸收当前站点并更新簇的聚类特征CF;若大于半径阈值T,则判断该节点所包含的叶节点数,若小于L,则将该数据点作为新的子节点;否则进行CF树的分裂,将该节点下距离最远的两个叶节点作为新的节点,然后将原节点下的其他站点以及新站点按照距离划分到两个新节点下。依次检查上级节点的子节点数,如超过B,则按同样方法进行分裂。
依次读入每个站点的特征向量,即可建立所有站点的聚类特征树。
根据建立的聚类特征树,进行离群点的检测及聚类优化。当某节点下的叶子节点数远小于L时,将该节点下的叶子节点作为离群点,重新读入离群点数据,进行聚类合并,若无法归入已有簇,则将其作为独立节点。计算各簇形心之间的欧式距离,将距离相近的簇进行合并,根据需要生成适当的集群数量,最终实现光伏电站的集群划分。
基于同一发明构思,本申请还提出一种光伏集群划分系统,包括:
计算模块,用于基于预先获取的气象特征参数,计算区域内各场站的样本向量,并对所述样本向量进行归一化处理;
获取模块,用于利用BIRCH算法,基于归一化处理后的样本向量建立聚类特征树,获得初始集群划分结果;
优化模块,用于检测所述初始集群划分结果中的离群点,基于离群点检测结果对初始集群划分结果进行优化,获得集群划分结果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,这些变更、修改或者等同替换,其均在其申请待批的权利要求范围之内。
Claims (11)
1.一种光伏集群划分方法,其特征在于,所述方法包括:
基于预先获取的气象特征参数,计算区域内各场站的样本向量,并对所述样本向量进行归一化处理;
利用BIRCH算法,基于归一化处理后的样本向量建立聚类特征树,获得初始集群划分结果;
检测所述初始集群划分结果中的离群点,基于离群点检测结果对初始集群划分结果进行优化,获得集群划分结果。
2.如权利要求1所述的方法,其特征在于,所述气象特征参数的预先获取包括:
采集区域内各光伏电站的经纬度、海拔信息以及各站点的历史气象监测数据;
基于采集的数据,获取在指定时间段内,各光伏电站的气象特征参数;
其中,所述各站点的历史气象监测数据包括:单位时间段内,各光伏电站监测的总辐射、气温和降水量数据。
3.如权利要求1所述的方法,其特征在于,所述气象特征参数,包括指定时间段内的平均辐照度、辐照度峰值、平均气温、最高气温、最低气温、累积降水量的统计量。
4.如权利要求1所述的方法,其特征在于,所述区域内各场站的样本向量包括:经度,纬度,海拔,平均辐照度,辐照度峰值,平均气温,最高气温,最低气温,累积降水量。
6.如权利要求1所述的方法,其特征在于,所述利用BIRCH算法,基于归一化处理后的样本向量建立聚类特征树,获得初始集群划分结果包括:
聚类初始时,将各站点归一化处理后的样本向量表定义为数据簇;
获取采样点站点位置为聚类特征树根节点,读取所述根节点对应数据簇的聚类特征,包括内部各层的最大子节点数B,叶节点的所包含的最大站点数L以及数据簇的最大样本半径阈值T;
依次读入其他站点数据簇的聚类特征,计算当前数据簇与前一个数据簇形心之间的欧式距离;若所述距离小于数据簇的最大样本半径阈值T,则合并当前站点并更新数据簇的聚类特征;若大于数据簇的最大样本半径阈值T,则判断聚类特征树节点所包含的叶节点数,若小于叶节点的所包含的最大站点数L,则将该节点作为新的子节点;否则对聚类特征进行分裂。
8.如权利要求6所述的方法,其特征在于,所述对聚类特征进行分裂包括:
将聚类特征树节点下距离最远的两个叶节点作为新的节点,将原节点下的其他站点以及新站点按照距离划分到两个新节点下;
依次检查上级节点的子节点数,若所述子节点数超过预先定义的内部各层的最大子节点数B,则返回上一步骤继续进行分裂;否则依次读入每个站点的特征向量,获得所有站点的聚类特征树。
9.如权利要求1所述的方法,其特征在于,所述检测离群点包括:
检测任意节点下的叶子节点数目,当叶子节点数目小于预设阈值L时,将所述节点下的所有叶子节点定义为离群点。
10.如权利要求1所述的方法,其特征在于,所述基于离群点检测结果对初始集群划分结果进行优化,获得集群划分结果集群划分结果优化包括:
将离群点进行聚类合并,若无法归入已有数据簇,则将其作为独立节点;
计算各数据簇形心之间的欧氏距离,将距离相近的数据簇进行聚类合并直至达到根据实际工况设定的集群数量。
11.一种光伏集群划分系统,其特征在于,所述系统包括:
计算模块,用于基于预先获取的气象特征参数,计算区域内各场站的样本向量,并对所述样本向量进行归一化处理;
获取模块,用于利用BIRCH算法,基于归一化处理后的样本向量建立聚类特征树,获得初始集群划分结果;
优化模块,用于检测所述初始集群划分结果中的离群点,基于离群点检测结果对初始集群划分结果进行优化,获得集群划分结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811632903.6A CN111382763A (zh) | 2018-12-29 | 2018-12-29 | 一种光伏集群划分方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811632903.6A CN111382763A (zh) | 2018-12-29 | 2018-12-29 | 一种光伏集群划分方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111382763A true CN111382763A (zh) | 2020-07-07 |
Family
ID=71217954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811632903.6A Pending CN111382763A (zh) | 2018-12-29 | 2018-12-29 | 一种光伏集群划分方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382763A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268554A (zh) * | 2021-05-17 | 2021-08-17 | 阳光新能源开发有限公司 | 光伏电站的区域划分方法、装置以及计算机可读存储介质 |
CN117664534A (zh) * | 2024-01-31 | 2024-03-08 | 山东电力建设第三工程有限公司 | 一种塔式光热镜场进行分组bcs打靶校验方法 |
-
2018
- 2018-12-29 CN CN201811632903.6A patent/CN111382763A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268554A (zh) * | 2021-05-17 | 2021-08-17 | 阳光新能源开发有限公司 | 光伏电站的区域划分方法、装置以及计算机可读存储介质 |
CN113268554B (zh) * | 2021-05-17 | 2024-05-17 | 阳光新能源开发股份有限公司 | 光伏电站的区域划分方法、装置以及计算机可读存储介质 |
CN117664534A (zh) * | 2024-01-31 | 2024-03-08 | 山东电力建设第三工程有限公司 | 一种塔式光热镜场进行分组bcs打靶校验方法 |
CN117664534B (zh) * | 2024-01-31 | 2024-04-16 | 山东电力建设第三工程有限公司 | 一种塔式光热镜场进行分组bcs打靶校验方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145957B (zh) | 基于大数据的配电网异常指标的识别与处理方法及装置 | |
CN110570012B (zh) | 一种基于Storm的电厂生产设备故障预警方法及系统 | |
CN108667005B (zh) | 一种计及新能源影响的电网静动态结合脆弱性评估方法 | |
CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
CN113496316B (zh) | 基于源荷时序耦合的容量配置方法、装置、系统及介质 | |
CN113065278B (zh) | 一种基于频繁模式挖掘的富风期风电小发事件统计特性模型的预测方法 | |
CN114202129A (zh) | 风电出力预测方法、电子设备、存储介质及系统 | |
CN111382763A (zh) | 一种光伏集群划分方法及系统 | |
CN116826979B (zh) | 一种分布式光伏电站的电能质量控制方法及系统 | |
CN107798434A (zh) | 一种基于树回归的二次优化光伏发电功率预测值的实现方法 | |
CN105654392A (zh) | 一种基于聚类算法的设备家族性缺陷的分析方法 | |
CN107977898A (zh) | 一种光伏电站的发电量保险定价评估方法 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
CN115034422A (zh) | 基于波动识别和误差修正的风电短期功率预测方法和系统 | |
CN109344875B (zh) | 基于聚类分析的日风电出力时序生成方法及装置 | |
CN115329899A (zh) | 一种聚类等效模型构建方法、系统、设备和存储介质 | |
CN111325368A (zh) | 一种光储式电动汽车充电站光伏功率预测方法和装置 | |
Özkan et al. | A data mining-based wind power forecasting method: results for wind power plants in turkey | |
CN111178593A (zh) | 一种光伏系统输出功率预测方法及装置 | |
CN117353302B (zh) | 新能源发电功率的预测方法、装置、设备及介质 | |
CN110210657A (zh) | 一种基于单机模型的风机功率预测方法、系统及计算机存储介质 | |
Ling et al. | Stochastic Scenario Generation for Wind Power and Photovoltaic System Based on Wasserstein Distance Metric | |
CN114418194B (zh) | 基于数据驱动和模型驱动的杆塔损毁预测方法及装置 | |
CN108376316B (zh) | 一种风电功率预测方法和系统 | |
CN113792778B (zh) | 一种风电场分区及其出力相关系数计算方法和系统 |
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 |