CN111476411B - 一种光伏电站发电量计算方法及服务器 - Google Patents
一种光伏电站发电量计算方法及服务器 Download PDFInfo
- Publication number
- CN111476411B CN111476411B CN202010249804.0A CN202010249804A CN111476411B CN 111476411 B CN111476411 B CN 111476411B CN 202010249804 A CN202010249804 A CN 202010249804A CN 111476411 B CN111476411 B CN 111476411B
- Authority
- CN
- China
- Prior art keywords
- loss
- series data
- time
- power generation
- power station
- 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.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 63
- 238000010248 power generation Methods 0.000 claims description 151
- 238000012549 training Methods 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 27
- 238000004891 communication Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000012888 cubic function Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的光伏电站发电量计算方法及服务器，应用于光伏发电技术领域，该方法将目标电站的实际光伏电站发电量计算分为两部分，在获取指定时间段内目标电站的预设气象参数的时间序列数据后，基于系统物理模型计算目标电站的理论发电功率的时间序列数据，同时，基于损耗模型计算目标电站的发电损耗的时间序列数据，最终根据目标电站的理论发电功率的时间序列数据和发电损耗的时间序列数据计算得到目标电站在指定时间段内的预估发电量，本方法将理论发电功率与发电损耗分开计算，对光伏电站发电量的计算更为细致，能够提高发电量预估计算的准确度，对光伏电站经济效益评估提供有力的基础数据支持，满足实际应用需求。
Description
技术领域
本发明涉及光伏发电技术领域，特别涉及一种光伏电站发电量计算方法及服务器。
背景技术
随着光伏发电技术的不断发展，光伏电站接入供电网络与传统电站配合共同为负载供电已经得到广泛应用。在大量的光伏电站接入供电网络的情况下，光伏电站提供的电能势必会对供电网络的运行、调度产生较大的影响，因此，预估计算光伏电站在指定时间区间内的发电量，是为供电网络运行、调度提供参考依据的重要手段，同时也是考核光伏电站预期经济效益、运行性能的有效途径之一。
现有技术中的光伏电站发电量预估计算方法，大都将光伏电站作为整体进行分析，并以此为基础建立预测模型。在实际使用时，通过向所得预测模型中输入预设的气象、电站参数，预测得到光伏电站的发电量。
然而，发明人研究发现，将光伏电站整体作为分析对象，虽然能够极大的降低预测模型的难度，但往往预测得到的光伏电站的发电量不够准确，难以对供电网络运行调度，以及光伏电站经济效益评估提供有力的基础数据支持，不能满足实际应用需求。
发明内容
本发明提供一种光伏电站发电量计算方法及服务器，结合光伏电站的系统物理模型和损耗模型对光伏电站的发电量进行计算，提高发电量预估计算的准确度，对供电网络运行调度，以及光伏电站经济效益评估提供有力的基础数据支持，满足实际应用需求。
为实现上述目的，本发明提供的技术方案如下：
第一方面，本发明提供一种光伏电站发电量计算方法，包括：
获取指定时间段内目标电站的预设气象参数的时间序列数据；
调用所述目标电站的系统物理模型和损耗模型，其中，所述系统物理模型基于所述目标电站的设置信息搭建，所述损耗模型用于计算所述目标电站的发电损耗；
将所述预设气象参数的时间序列数据分别输入所述系统物理模型，得到所述目标电站的理论发电功率的时间序列数据；
将所述理论发电功率的时间序列数据以及所述预设气象参数的时间序列数据输入所述损耗模型，得到所述目标电站的发电损耗的时间序列数据；
根据所述理论发电功率的时间序列数据以及所述发电损耗的时间序列数据，计算得到所述目标电站在所述指定时间段内的预估发电量。
可选的，所述损耗模型包括物理损耗模型和随机损耗模型，其中，
所述物理损耗模型基于所述目标电站中各光伏设备的设备参数搭建，用于计算所述目标电站中可线性描述的损耗；
所述随机损耗模型用于计算所述目标电站的随机损耗。
可选的，所述将所述理论发电功率的时间序列数据以及所述预设气象参数的时间序列数据输入所述损耗模型，得到所述目标电站的发电损耗的时间序列数据，包括：
将所述理论发电功率的时间序列数据以及所述预设气象参数的时间序列数据输入所述物理损耗模型，得到所述发电损耗的第一时间序列数据；
将所述理论发电功率的时间序列数据以及所述预设气象参数的时间序列数据输入所述随机损耗模型，得到所述发电损耗的第二时间序列数据。
可选的，所述随机损耗模型包括：基于自回归移动平均模型训练得到的第一随机损耗模型、基于长短期记忆网络训练得到的第二随机损耗模型、基于深度神经网络训练得到的第三随机损耗模型中的至少一个。
可选的，若所述随机损耗模型包括多个，所述将所述理论发电功率的时间序列数据以及所述预设气象参数的时间序列数据输入所述随机损耗模型，得到所述发电损耗的第二时间序列数据，包括:
将所述理论发电功率的时间序列数据以及所述预设气象参数的时间序列数据分别输入各所述随机损耗模型，得到多组所述发电损耗的第二时间序列数据；
计算各组所述第二时间序列数据中发电损耗值的均方根误差；
选取各组所述第二时间序列数据中，所述均方根误差最小的第二时间序列数据作为最终的发电损耗的第二时间序列数据。
可选的，若所述随机损耗模型包括多个，所述将所述理论发电功率的时间序列数据以及所述预设气象参数的时间序列数据输入所述随机损耗模型，得到所述发电损耗的第二时间序列数据，包括:
将所述理论发电功率的时间序列数据以及所述预设气象参数的时间序列数据分别输入各所述随机损耗模型，得到多组所述发电损耗的第二时间序列数据；
获取各组所述第二时间序列数据的对应的预设权重系数，且各所述预设权重系数之和为1；
根据各组所述第二时间序列数据，以及与各组所述第二时间序列数据对应的预设权重系数，组合各组所述第二时间序列数据，并将组合结果作为最终的所述发电损耗的第二时间序列数据。
可选的，所述根据各组所述第二时间序列数据，以及与各组所述第二时间序列数据对应的预设权重系数，组合各组所述第二时间序列数据，包括：
针对每一组所述第二时间序列数据，根据所述第二时间序列数据相应的预设权重系数，计算所述第二时间序列数据中各发电损耗值对应的发电损耗权重值，得到发电损耗权重值的时间序列数据；
分别计算各所述发电损耗权重值的时间序列数据中，对应同一时间区间的发电损耗权重值的和值，得到按照各所述时间区间先后顺序排列的和值。
可选的，所述获取指定时间段内目标电站的预设气象参数的时间序列数据，包括：
获取目标电站在前N年度中，所述指定时间段内的预设气象参数的历史时间序列数据，其中，N≥2；
在N个所述历史时间序列数据中，按照预设筛选规则，选择时间序列数据中每一时间区间对应的所述预设气象参数的典型值；
按照各所述时间区间的先后顺序，建立各所述典型值的集合，得到目标电站在所述指定时间段内的预设气象参数的时间序列数据。
可选的，所述预设筛选规则包括：选取最大值作为典型值、选取最小值作为典型值、选取出现概率最高的值作为典型值中的任意一种。
可选的，训练所述随机损耗模型的过程包括：
调用所述样本电站的系统物理模型，并基于所述样本电站的系统物理模型计算所述样本电站的理论发电功率的时间序列数据，其中，所述样本电站的系统物理模型基于所述样本电站的设置信息搭建；
获取样本电站在目标时间段内所述预设气象参数的历史时间序列数据，以及随机损耗标准值的时间序列数据；
以所述预设气象参数的历史时间序列数据、所述样本电站的理论发电功率的时间序列数据，以及所述随机损耗标准值的时间序列数据为输入，以随机损耗估计值的时间序列数据为输出，训练待训练模型，直至达到预设收敛条件，得到所述随机损耗模型。
可选的，获取所述随机损耗标准值的时间序列数据的过程，包括：
调用所述样本电站的物理损耗模型；
将所述样本电站在所述目标时间段内的实际发电功率的时间序列数据，以及所述预设气象参数的历史时间序列数据输入所述物理损耗模型，得到所述样本电站的物理损耗的时间序列数据；
根据所述样本电站的理论发电功率的时间序列数据、所述实际发电功率的时间序列数据，以及所述样本电站的物理损耗的时间序列数据，计算得到所述随机损耗标准值的时间序列数据。
可选的，所述根据所述样本电站的理论发电功率的时间序列数据、所述实际发电功率的时间序列数据，以及所述样本电站的物理损耗的时间序列数据，计算得到所述随机损耗标准值的时间序列数据，包括：
将所述样本电站的理论发电功率的时间序列数据、所述实际发电功率的时间序列数据，以及所述样本电站的物理损耗的时间序列数据中，对应同一时间区间的各数据值分别代入如下公式，得到与各所述时间区间对应的随机损耗标准值：
其中，lossrandom表示随机损耗标准值；
Preal表示实际发电功率值；
Pideal表示理论发电功率值；
lossphysics表示物理损耗值；
按照各所述时间区间的先后顺序，建立各所述随机损耗标准值的集合，得到所述随机损耗标准值的时间序列数据。
第二方面，本发明提供一种服务器，包括：存储器和处理器；所述存储器存储有适于所述处理器执行的程序，以实现本发明第一方面任一项所述的光伏电站发电量计算方法。
本发明提供的光伏电站发电量计算方法，将目标电站的实际光伏电站发电量计算分为两部分，在获取指定时间段内目标电站的预设气象参数的时间序列数据后，基于系统物理模型计算目标电站的理论发电功率的时间序列数据，同时，基于损耗模型计算目标电站的发电损耗的时间序列数据，最终根据目标电站的理论发电功率的时间序列数据和发电损耗的时间序列数据计算得到目标电站在指定时间段内的预估发电量，本发明所提供的光伏电站发电量计算方法，选用两个预设模型对光伏电站的发电过程进行分析，将理论发电功率与发电损耗分开计算，与现有技术中将光伏电站作为整体考虑的方法相比，对光伏电站发电量的计算更为细致，因此，能够提高发电量预估计算的准确度，对供电网络运行调度，以及光伏电站经济效益评估提供有力的基础数据支持，满足实际应用需求。
附图说明
为了更清楚地说明本发明实施例或现有技术内的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述内的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种光伏电站发电量计算方法的流程图；
图2是本发明实施例提供的一种服务器的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
可选的，参见图1，图1为本发明实施例提供的一种光伏电站发电量计算方法的流程图，该方法可应用于电子设备，该电子设备可选如笔记本电脑、PC(个人计算机)等具有数据处理能力的电子设备，显然，该电子设备在某些情况下也可选用网络侧的服务器实现；参照图1，本发明实施例提供的光伏电站发电量计算方法可以包括：
S100、获取指定时间段内目标电站的预设气象参数的时间序列数据。
在本发明实施例所提供的电量计算方法中，目标电站指的是希望进行发电量预估计算的光伏电站，因此，目标电站可以是实际应用中任何有发电量预估需求的光伏电站。进一步的，在对目标电站进行发电量预估计算前，用户往往都会明确要求对一定时间段内光伏电站的发电量进行计算，本发明实施例中述及的指定时间段即为实际应用中提前获知的时长，比如，可以是一年、一个季度、一个月，甚至是更短的时间跨度，对于指定时间段的选取，可以根据用户的实际使用需求确定，本发明对于指定时间段的具体设置不做限定。
基于光伏电站的基本原理，对于确定的光伏电站而言，在理想情况下，气象环境的变化直接影响电站的发电量，基于此，本发明实施例中所述及的预设气象参数，即在光伏电站实际应用中，有可能影响光伏电站发电量的气象参数，比如辐照度、风速、日照时长等，对于预设气象参数的具体选取，可以结合现有技术，以及光伏电站的具体运行情况确定，在不超出本发明核心思想范围的前提下，可能对光伏电站发电量预估计算的气象参数都属于本发明的保护范围内。
公知的，时间序列数据指的是在不同时间收集到的数据，主要用于描述现象(本方案中具体指任一预设气象参数，比如辐照)随时间变化的情况，在某种程度上可以将时间序列数据理解为数组的集合，集合中的每一个数组都包含着两值，一个是时间区间，另外一个是该时间区间所对应的参数值。基于此，时间序列数据的参考价值往往与时间区间的长度，即时间序列数据的颗粒度，有着直接的关系，颗粒度越细，参数值越细致，对于相应参数的描述也就越准确。当然，从数据处理的角度看，颗粒度越细，数据量也就越大，对于设备的算力要求也就更高。具体到本发明实施例中，时间序列数据中各个时间区间之和，即为指定时间段的长度。
基于此，在本发明实施例中确定的指定时间段的情况下，如何对指定时间段进行划分，即如何设置时间颗粒度，需要综合考虑电量计算结果的准确度，以及设备算力设置，本发明对于预设气象参数的时间序列数据的颗粒度不做具体限定。
进一步的，对于目标电站指定时间段内的预设气象参数的时间序列数据，可以通过向专业的气象预报机构购买的方式得到，然而，在实际应用中，用户往往希望获知较长时间段内目标电站的预估发电量，比如，预估目标电站在未来一年之内的发电量。此种情况下，购买气象数据显然成本是比较高的。基于实际应用中的这一情况，本发明实施例给出一种预测指定时间段内的气象数据的方法：
获取目标电站在前N年度中，指定时间段内的预设气象参数的历史时间序列数据，其中，N≥2。这里需要说明的是，在获取历史数据时，指定时间段的选取应该与实际需要预测的指定时间段相同，比如，用户希望预测1月份到6月份的发电量，那么在获取N年度的历史气象数据时，也应相应的获取1月份至6月份的预设气象参数的历史时间序列数据。
进一步的，在N组预设气象参数的历史时间序列数据中，按照预设筛选规则，选择时间序列数据中每一时间区间对应的预设气象参数的典型值，并将该典型值作为对应的时间区间的预设气象参数的参数值。
在得到指定时间段内各时间区间所对应的典型值之后，按照各时间区间的先后顺序，建立各典型值的集合，所得集合即目标电站在指定时间段内的预设气象参数的时间序列数据。
可选的，本发明实施例提供的预设筛选规则包括：选取最大值作为典型值、选取最小值作为典型值、选取出现概率最高的值作为典型值中的任意一种。具体的，以辐照强度为例，如果选取最大值作为典型值，将得到指定时间段的典型最优数据；如果选取最小值作为典型值，将得到指定时间段的典型最差数据；如果选择出现概率最高的值作为典型值，将得到指定时间段的典型最常见数据。基于这些数据进行发电量预估计算时，相应的就可以得到在该指定时间段内，最优气象数据情况下的发电量、最差气象数据情况下的发电量，以及平均水平的发电量。当然，用户也可以根据自身的评估需求，对这三种情况的发电量分别进行预估计算。
下面举例说明本发明实施例提供的预设气象参数的时间序列数据的获取过程，仍以辐照强度为例，其他气象参数的获取过程是一样的，不再复述：
比如，指定时间段内包括1月份，获取到2010-2019年10年的辐照数据，把十年内每年的1月1日的日总辐照进行从大到小排序，选最高辐照作为预测的指定时间段的1月1日的辐照。以此类推，把1月份的每天都选历史数据中当天的最高辐照，最终可以得到1月份31天每一天的辐照，将所有数据作为一个集合，即得到1月份中辐照的时间序列数据。选取最小值作为典型值的过程与上述过程是一致的，不再赘述。
对于最大概率辐照典型值，基本思路和最高辐照是一样的，只不过是对历史每天的辐照进行分布函数拟合，选取高概率分布的辐照数据作为指定时间段内当天的数据。需要说明的是，对于预设气象参数的参数值的分布函数拟合，可以根据现有技术中的统计学基本原理实现，本发明对于具体的采用的分布拟合函数，最大概率典型值的最终选取不做限定。
如果指定时间段选取为一年，按照上述方法，则可以得到典型最优年数据、典型最差年数据和典型最常见数据，具体应用时，最优气象数据输入得到的最优发电数据，相似的，如果输入数据是典型最差气象数据，那么最终得到的是该电站最差发电数据。通过这种方式，可以有效避免出现“严重高估”，或者“严重低估”发电量的风险。
S110、调用目标电站的系统物理模型和损耗模型。
对于一个确定的目标电站而言，能够描述其系统特性以及物理特性的系统物理模型基本也是确定的，当然，在系统物理模型的具体构成上，会因为模型搭建思路或建模方式的不同而存在一定的差异，但不论系统物理模型的具体结构如何，在具体应用时，系统物理模型都应该是基于目标电站的设置信息搭建的，目标电站中光伏组件、逆变设备、储能设备等关键构成部分的物理特性在模型中应均有体现，通过系统物理模型能够直观的反应目标电站的运行效果。在确定使用的系统物理模型之后，需要根据目标电站的基本配置数据对系统物理模型进行必要的设置，此过程可以根据现有技术实现，此处不再赘述。
可选的，系统物理模型至少包括辐照分解物理模型、组件法定物理仿真模型、阴影遮挡物理模型(包括进场遮挡、组串遮挡，以及组件间遮挡等)，以及逆变器功率转换物理模型。
损耗模型主要用于计算目标电站在运行过程中的发电损耗。可选的，本发明实施例中，损耗模型包括物理损耗模型和随机损耗模型，其中，
物理损耗模型基于目标电站中各光伏设备的设备参数搭建，用于计算目标电站中可线性描述的损耗，对于这类损耗，可以理解为“物理模型”支撑的损耗，比如，光伏组件受温度影响的损耗、直流线缆损耗和交流线缆损耗等。在实际应用中，每一种具体的“物理模型”支撑的损耗都有着自己对应的损耗计算模型，因此，物理损耗模型其实质是多个具体模型的集合。而集合中各个模型之间的配合和联系，则可以参照现有技术实现。
在对光伏电站的发电损耗模拟中，存在很多难以通过准确的、线性的物理模型来描述的损耗，比如上午各个物理损耗模型中模型自身建模过程导致的误差，以及计算过程中因为各种原因产生的随机误差，当然，还包括一些没有明确的物理意义的损耗，比如积尘对于发电损耗的影响等，很难将这些原因导致的损耗一一分开，并准确的描述。为解决这一问题，本发明将这类损耗看作是“黑盒模型”进行计算，并提供一种随机损耗模型，通过随机损耗模型计算目标电站的随机损耗。
考虑到随机损耗的非线性特征，本发明实施例提供的随机损耗模型都是基于对非线性问题具有特别优势的算法训练得到的。比如，基于自回归移动平均模型训练得到的第一随机损耗模型、基于长短期记忆网络训练得到的第二随机损耗模型，以及基于深度神经网络训练得到的第三随机损耗模型，在实际使用中，可以选用三者中的任意一个，也可以根据需要选择其中的多个同时进行使用。下述内容中将对各种情况下的随机损耗模型的使用过程进行介绍，此处暂不详述。
S120、将预设气象参数的时间序列数据分别输入系统物理模型，得到目标电站的理论发电功率的时间序列数据。
调用系统物理模型之后，即可将各预设气象参数的时间序列数据分别输入系统物理模型，所得输出即目标电站的理论发电功率的时间序列数据。需要说明的是，此处得到的理论发电功率，是没有考虑任何损耗类型的前提下得到的，可以理解为光伏电站发电功率的理想值。
选用系统物理模型对目标电站的理论发电功率的时间序列数据进行预估的原因在于：对于确定的系统物理模型而言，其内置的物理逻辑函数是固定的，而且系统物理模型中不存在概率函数，真实的电站信息决定物理模型的参数，因此在相同输入参数的前提下，输出也是确定的，具备极高的稳定性。进一步的，系统物理模型不受历史数据的“全面性与否”影响，只要确保物理建模的精细度，便可以保证仿真精度。
S130、将理论发电功率的时间序列数据以及预设气象参数的时间序列数据输入损耗模型，得到目标电站的发电损耗的时间序列数据。
本发明实施例所提供的损耗模型需要同时结合系统物理模型的输出结果，以及指定时间段内的预设气象参数的时间序列数据作为输入，才能得到目标电站的发电损耗的时间序列数据。
如前所述，损耗模型具体包括物理损耗模型和随机损耗模型，在具体计算过程中，将理论发电功率的时间序列数据以及预设气象参数的时间序列数据输入物理损耗模型，相应得到可以线性计算描述的损耗值，作为目标电站总的发电损耗的第一时间序列数据。
具体的，针对发电损耗的第一时间序列数据中每一个时间区间所对应的发电损耗值，都可以采用如下公式计算：
其中，lossphysics表示最终计算得到的总的发电损耗值；
表示第i种具体的物理损耗。
需要说明的是，本发明实施例中所述及的“物理模型”支撑的损耗类型，其计算结果都是以百分比表示的，并且通过累乘的方式进行最终损耗的计算，与累加的方式相比，可以避免损耗之间的抵消或者助长，通过上述公式的计算，会让抵消的情况得到有效的缓解。
进一步的，将理论发电功率的时间序列数据以及预设气象参数的时间序列数据输入随机损耗模型，相应得到难以线性描述的损耗值，作为目标电站总的发电损耗的第二时间序列数据。
考虑到本发明实施例提供的随机损耗模型可以是前述三种损耗计算模型中的一种或多种，本发明实施例针对随机损耗模型的不同使用情况提供不同的随机损耗计算方法。
可选的，如果选用三种随机损耗模型之一的计算结果作为最终的计算结果，可以将理论发电功率的时间序列数据以及预设气象参数的时间序列数据分别输入各随机损耗模型，得到多组发电损耗的第二时间序列数据，每一组发电损耗的第二时间序列数据对应一种随机损耗模型的计算结果。
然后分别计算各组第二时间序列数据中发电损耗值的均方根误差，在所得各组发电损耗的第二时间序列数据中，选取均方根误差最小的第二时间序列数据作为最终的发电损耗的第二时间序列数据。
可选的，本发明实施例还提供另外一种根据多中随机损耗模型计算发电损耗的第二时间序列数据的方法。
将理论发电功率的时间序列数据以及预设气象参数的时间序列数据分别输入前述各类型的随机损耗模型，得到多组发电损耗的第二时间序列数据。
然后，获取各组第二时间序列数据的对应的预设权重系数，当然，为保证数据的有效性，各预设权重系数之和为1。需要说明的是，对于各预设权重系数的选取可以根据设计经验人为给定，本发明对于各预设权重系数的具体取值不做限定。
确定各预设权重系数之后，针对每一组第二时间序列数据，根据第二时间序列数据相应的预设权重系数，计算该组第二时间序列数据中各发电损耗值对应的发电损耗权重值，得到发电损耗权重值的时间序列数据。
分别计算各发电损耗权重值的时间序列数据中，对应同一时间区间的发电损耗权重值的和值，得到按照时间序列中各时间区间先后顺序排列的和值，其中，每一个和值即相应时间区间对应的最终发电损耗值，各个和值按照时间顺序排列所得的集合，即可作为最终的发电损耗的第二时间序列数据。
根据上述计算过程可知，本发明实施例所提供的方法中，综合了各种随机损耗模型的计算结果，可以更为全面的体现各种随机因素对最终计算结果的影响。
对于各种随机损耗模型中所涉及的计算公式，将在后续模型训练过程中予以展开，此处暂不详述。
S140、根据理论发电功率的时间序列数据以及发电损耗的时间序列数据，计算得到目标电站在指定时间段内的预估发电量。
经过前述步骤，已经得到了目标电站在指定时间段内的理论发电功率的时间序列数据，以及发电损耗的时间序列数据，继而可以根据二者进行目标电站在指定时间段内的预估发电量的计算。这里需要再次强调的是，理论发电功率是以功率为单位表示的，而发电损耗，则是以百分比表示的。
具体的，采用如下公式预估计算目标电站在指定时间段内的预估发电量：
其中，
表示目标电站的发电损耗；
表示发电损耗中基于物理损耗模型计算得到的损耗；
表示发电损耗中基于随机损耗模型计算得到的损耗；
t表示时间序列数据中相应的时间区间。
综上所述，通过本发明实施例提供的电量计算方法，选用两个预设模型对光伏电站的发电过程进行分析，将理论发电功率与发电损耗分开计算，与现有技术中将光伏电站作为整体考虑的方法相比，对光伏电站发电量的计算更为细致，因此，能够提高发电量预估计算的准确度，对供电网络运行调度，以及光伏电站经济效益评估提供有力的基础数据支持，满足实际应用需求。
进一步的，在基于系统物理模型高稳定性的基础上，本发明实施例所提供的方法还将发电损耗的计算进一步采用物理损耗模型和随机损耗模型进行细分计算，充分衡量发电损耗中可线性描述的部分，以及随机不可控部分，既发挥了物理模型的准确性，又具备随机不可控因素对发电量影响的预测性，既保证了发电量预估的整体物理逻辑性，又对琐碎的不稳定随机误差造成的损耗进行了规律预测，使得计算结果更加准确可靠。
下面对随机损耗模型中的三种具体模型的训练过程进行介绍：
如前所述，根据现有技术提供的方法，是没有办法对随机不可控损耗进行量化计算的，而训练模型的过程，又必须依靠相应的损耗标准值作为训练效果的参考，为此，在介绍具体训练方法前，先介绍本发明实施例提供的一种随机损耗标准值的折合算法，在后续的训练过程中，将均以折合算法计算得到的随机损耗标准值作为训练效果的校验依据。
选定实际应用中的任一光伏电站作为样本电站，与前述目标电站类似，首先需要基于样本电站的设置信息搭建样本电站的系统物理模型，对于系统物理模型的具体选择，以及模型中各个子模型的构成，都可以参照前述内容，或参照现有技术中电站物理模型的搭建过程实现，此处不再赘述。
进一步的，还需设置样本电站的物理损耗模型，与系统物理模型一样，样本电站的物理损耗模型的搭建过程以及具体构成，可以参照前述内容中目标电站的物理损耗模型的搭建过程实现，此处不再复述。
在得到样本电站的系统物理模型以及物理损耗模型之后，需要进一步获取样本电站的历史数据，具体包括样本电站在目标时间段内的预设气象参数的历史时间序列数据，以及样本电站在该目标时间段内实际发电功率的历史时间序列数据。
需要说明的是，在准备训练数据的阶段，本发明实施例述及的目标时间段可以根据训练需求灵活选取，可以是一年，也可以是一个季度，一个月等，本发明实施例对此不做具体限定。
基于上述预先准备的信息，调用样本电站的系统物理模型，将目标时间段内的预设气象参数的历史时间序列数据输入样本电站的系统物理模型，从而得到样本电站的理论发电功率的时间序列数据。
进一步的，调用样本电站的物理损耗模型，并将样本电站在目标时间段内的实际发电功率的时间序列数据，以及预设气象参数的历史时间序列数据输入到样本电站的物理损耗模型，经过物理损耗模型的计算，即可得到样本电站的物理损耗的时间序列数据，由于此时模型中输入的数据都是实际的历史数据，所以模型输出的物理损耗的时间序列数据也相应的可以看作是实际损耗。
最后，即可根据样本电站的理论发电功率的时间序列数据、实际发电功率的时间序列数据，以及样本电站的物理损耗的时间序列数据，计算得到样本电站在目标时间段内的随机损耗标准值的时间序列数据。
具体的，将样本电站的理论发电功率的时间序列数据、实际发电功率的时间序列数据，以及样本电站的物理损耗的时间序列数据中，对应同一时间区间的各数据值分别代入如下公式，得到与各时间区间对应的随机损耗标准值：
其中，lossrandom表示随机损耗标准值；
Preal表示实际发电功率值；
Pideal表示理论发电功率值；
lossphysics表示物理损耗值；
然后，按照各时间区间的先后顺序，建立各随机损耗标准值的集合，即可得到随机损耗标准值的时间序列数据。
可以想到的是，为了提高模型的训练效果，可以在前期准备过程中，选取不同的光伏电站、不同历史时段的气象数据以及发电数据，按照上述方法，计算得到更多的随机损耗标准值的时间序列数据，以丰富训练样本。当然，对于所得随机损耗标准值的时间序列数据，以及为计算随机损耗标准值的时间序列数据所获取的样本电站的预设气象参数的时间序列数据等基础数据，可以按照一定的比例分为两部分，一部分用于训练模型，另一部分作为校验样本使用，从而缩短准备基础数据的耗时，更快的完成训练。
基于上述内容，在得到上述基础数据后，即可以预设气象参数的历史时间序列数据、样本电站的理论发电功率的时间序列数据，以及随机损耗标准值的时间序列数据为输入，以随机损耗估计值的时间序列数据为输出，训练待训练模型，直至满足预设收敛条件，得到随机损耗模型。
如前所述，本发明实施例中提供的随机损耗模型包括：基于自回归移动平均模型训练得到的第一随机损耗模型、基于长短期记忆网络训练得到的第二随机损耗模型、基于深度神经网络训练得到的第三随机损耗模型，下面简要介绍三个模型的训练过程。
对于基于ARIMA(Autoregressive Integrated Moving Average Model，自回归移动平均模型)训练得到的第一随机损耗模型，光伏电站中的随机损耗的时间序列数据，即前述发电损耗的第二时间序列数据，和其他时间序列数据一样，一般包括三种属性，趋势、季节性(包括周期性)、随机波动性。本发明认为光伏电站的随机损耗因受到多重不可控因素的共同作用，使其变得极其不稳定，而让数据变得不稳定的原因主要包含两方面：趋势和季节性。“趋势”的定义是数据随着时间的变化上升或下降。“季节性”的定义是数据在特定的时间段内变动，比如雨季或者特殊情况导致的数据异常。同时，对于随机损耗的时间序列数据进行数据分解，本实施例采用相加模型，如下列公式所示。
其中，“趋势”部分用trendloss表示，t表示时间序列数据中的时间区间。趋势的分解方法主要有两种：平滑法和趋势拟合法。对于平滑法，本实施例采用“加权移动平均法”，考虑到近期的数据包含更多关于未来的信息，因此应对近期数据给予更高的权重w。通过设置移动计算窗口的大小n和移动步长为1。
对于趋势拟合法，如果是线性趋势，则使用时间作为自变量通过“最小二乘法”进行线性回归拟合，对于非线性趋势，有两种方法进行拟合，一种是设法将其转为线性趋势，通过“最小二乘法”进行线性回归拟合，另一种是尝试不同的目标函数，包括二次函数、三次函数等等高次幂函数，通过“梯度下降法”求解最优权重{w1,w2,…,wn}，n表示时间序列数据中时间区间的总数，公式如下。
其中，
“季节性”部分用seasonalityloss表示，对于光伏发电来说，这部分可以理解为周期性，其时间颗粒度可以根据电站的历史发电情况而定。在计算步骤上，首先将总的损耗减去“趋势”损失得到“季节性”损耗与“随机波动”损耗的总和，其次以提前确定好的周期为计算区间m，通过“移动平均法”，计算出“去噪声”后的数据，最后对其进行归一化处理。具体的计算公式如下：
“随机波动性”部分用irregularloss表示，计算方法如下。“随机波动性”，也就是“白噪声”。工业“白噪声”与电站周边的环境、电站实际的设备配置等因素息息相关，因此，将这些计算获得的“白噪声”进行波形特征提取，与电站特征进行关联，生成“白噪声”仿真器。
基于上述子模型，以及前述准备的随机损耗标准值的时间序列数据，将样本电站相关的历史数据输入值前述模型中，即可得到模型的输出结果。
对于基于LSTM(Long Short-Term Memory，长短期记忆网络)训练得到的第二随机损耗模型，LSTM模型是在RNN神经网络模型基础上做出的升级，大致的计算框架相同，但是在具体细节上，通过加入时序特征参数传递逻辑，使得LSTM对于趋势性和周期性问题较为敏感。可选的，可选用4个batch作为输入层、8640作为单位时间长度，5个隐藏层、1个输出层，第二随机损耗模型可基于此基本设置训练得到。需要说明的是，本发明对于模型的具体训练过程不做限定，现有技术中能够对LSTM进行训练，并满足上述使用要求的训练方法都是可选的。
对于基于深度神经网络训练得到的第三随机损耗模型，可选的，可采用RNN深度学习神经网络模型训练得到。光伏电站的随机损耗，具备了短期相互映射的内在的关系，例如，突然出现的遮挡，例如云层或遮挡物对辐照的遮挡导致光伏发电突然降低，长期对发电影响较低，但短期却无法保证理应保持的发电量，这部分发电量损失即可描述为随机损耗。因此，RNN模型对于此类具有记忆功能，对随机损耗的评估能起到很好的仿真预测效果。
需要说明的是，本质上第二随机损耗模型和第三随机损耗模型都采用了神经网络的前向传播和反向传播，具体的训练过程此处不再赘述，可以参照现有技术实现。
还需要进一步说明的是，在对任一模型进行训练时，将样本电站的基础数据输入模型中，得到相应的输出结果，然后，将所得输出结果与随机损耗标准值进行误差计算，如果误差小于预设的误差阈值，则可判定模型训练结束。当然，还可以设定其他退出训练过程的预设条件，比如训练次数，训练时长等都是可选的。
综上，本发明实施例提供的随机损耗模型，充分衡量发电损耗中的随机不可控部分，具备随机不可控因素对发电量影响的预测性，对琐碎的不稳定随机误差造成的损耗进行了规律预测，使得计算结果更加准确可靠。
可选的，图2为本发明实施例提供的服务器的结构框图，参见图2所示，可以包括：至少一个处理器100，至少一个通信接口200，至少一个存储器300和至少一个通信总线400；
在本发明实施例中，处理器100、通信接口200、存储器300、通信总线400的数量为至少一个，且处理器100、通信接口200、存储器300通过通信总线400完成相互间的通信；显然，图2所示的处理器100、通信接口200、存储器300和通信总线400所示的通信连接示意仅是可选的；
可选的，通信接口200可以为通信模块的接口，如GSM模块的接口；
处理器100可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器300，存储有应用程序，可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
其中，处理器100具体用于执行存储器内的应用程序，以实现上述所述的光伏电站发电量计算方法的任一实施例。
专业人员还可以进一步意识到，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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的核心思想或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (13)
1.一种光伏电站发电量计算方法，其特征在于，包括：
获取指定时间段内目标电站的预设气象参数的时间序列数据，所述时间序列数据指在不同时间收集到的数据，所述时间序列数据为数组的集合，每一个数组包含两个值，一个值为时间区间，另一个值为所述时间区间对应的参数值；
调用所述目标电站的系统物理模型和损耗模型，其中，所述系统物理模型基于所述目标电站的设置信息搭建，所述损耗模型用于计算所述目标电站的发电损耗；
将所述预设气象参数的时间序列数据分别输入所述系统物理模型，得到所述目标电站的理论发电功率的时间序列数据；
将所述理论发电功率的时间序列数据以及所述预设气象参数的时间序列数据输入所述损耗模型，得到所述目标电站的发电损耗的时间序列数据；
根据所述理论发电功率的时间序列数据以及所述发电损耗的时间序列数据，计算得到所述目标电站在所述指定时间段内的预估发电量。
2.根据权利要求1所述的光伏电站发电量计算方法，其特征在于，所述损耗模型包括物理损耗模型和随机损耗模型，其中，
所述物理损耗模型基于所述目标电站中各光伏设备的设备参数搭建，用于计算所述目标电站中可线性描述的损耗；
所述随机损耗模型用于计算所述目标电站的随机损耗。
3.根据权利要求2所述的光伏电站发电量计算方法，其特征在于，所述将所述理论发电功率的时间序列数据以及所述预设气象参数的时间序列数据输入所述损耗模型，得到所述目标电站的发电损耗的时间序列数据，包括：
将所述理论发电功率的时间序列数据以及所述预设气象参数的时间序列数据输入所述物理损耗模型，得到所述发电损耗的第一时间序列数据；
将所述理论发电功率的时间序列数据以及所述预设气象参数的时间序列数据输入所述随机损耗模型，得到所述发电损耗的第二时间序列数据。
4.根据权利要求3所述的光伏电站发电量计算方法，其特征在于，所述随机损耗模型包括：基于自回归移动平均模型训练得到的第一随机损耗模型、基于长短期记忆网络训练得到的第二随机损耗模型、基于深度神经网络训练得到的第三随机损耗模型中的至少一个。
5.根据权利要求4所述的光伏电站发电量计算方法，其特征在于，若所述随机损耗模型包括多个，所述将所述理论发电功率的时间序列数据以及所述预设气象参数的时间序列数据输入所述随机损耗模型，得到所述发电损耗的第二时间序列数据，包括:
将所述理论发电功率的时间序列数据以及所述预设气象参数的时间序列数据分别输入各所述随机损耗模型，得到多组所述发电损耗的第二时间序列数据；
计算各组所述第二时间序列数据中发电损耗值的均方根误差；
选取各组所述第二时间序列数据中，所述均方根误差最小的第二时间序列数据作为最终的发电损耗的第二时间序列数据。
6.根据权利要求4所述的光伏电站发电量计算方法，其特征在于，若所述随机损耗模型包括多个，所述将所述理论发电功率的时间序列数据以及所述预设气象参数的时间序列数据输入所述随机损耗模型，得到所述发电损耗的第二时间序列数据，包括:
将所述理论发电功率的时间序列数据以及所述预设气象参数的时间序列数据分别输入各所述随机损耗模型，得到多组所述发电损耗的第二时间序列数据；
获取各组所述第二时间序列数据的对应的预设权重系数，且各所述预设权重系数之和为1；
根据各组所述第二时间序列数据，以及与各组所述第二时间序列数据对应的预设权重系数，组合各组所述第二时间序列数据，并将组合结果作为最终的所述发电损耗的第二时间序列数据。
7.根据权利要求6所述的光伏电站发电量计算方法，其特征在于，所述根据各组所述第二时间序列数据，以及与各组所述第二时间序列数据对应的预设权重系数，组合各组所述第二时间序列数据，包括：
针对每一组所述第二时间序列数据，根据所述第二时间序列数据相应的预设权重系数，计算所述第二时间序列数据中各发电损耗值对应的发电损耗权重值，得到发电损耗权重值的时间序列数据；
分别计算各所述发电损耗权重值的时间序列数据中，对应同一时间区间的发电损耗权重值的和值，得到按照各所述时间区间先后顺序排列的和值。
8.根据权利要求1所述的光伏电站发电量计算方法，其特征在于，所述获取指定时间段内目标电站的预设气象参数的时间序列数据，包括：
获取目标电站在前N年度中，所述指定时间段内的预设气象参数的历史时间序列数据，其中，N≥2；
在N个所述历史时间序列数据中，按照预设筛选规则，选择时间序列数据中每一时间区间对应的所述预设气象参数的典型值；
按照各所述时间区间的先后顺序，建立各所述典型值的集合，得到目标电站在所述指定时间段内的预设气象参数的时间序列数据。
9.根据权利要求8所述的光伏电站发电量计算方法，其特征在于，所述预设筛选规则包括：选取最大值作为典型值、选取最小值作为典型值、选取出现概率最高的值作为典型值中的任意一种。
10.根据权利要求2所述的光伏电站发电量计算方法，其特征在于，训练所述随机损耗模型的过程包括：
调用样本电站的系统物理模型，并基于所述样本电站的系统物理模型计算所述样本电站的理论发电功率的时间序列数据，其中，所述样本电站的系统物理模型基于所述样本电站的设置信息搭建；
获取样本电站在目标时间段内所述预设气象参数的历史时间序列数据，以及随机损耗标准值的时间序列数据；
以所述预设气象参数的历史时间序列数据、所述样本电站的理论发电功率的时间序列数据，以及所述随机损耗标准值的时间序列数据为输入，以随机损耗估计值的时间序列数据为输出，训练待训练模型，直至达到预设收敛条件，得到所述随机损耗模型。
11.根据权利要求10所述的光伏电站发电量计算方法，其特征在于，获取所述随机损耗标准值的时间序列数据的过程，包括：
调用所述样本电站的物理损耗模型；
将所述样本电站在所述目标时间段内的实际发电功率的时间序列数据，以及所述预设气象参数的历史时间序列数据输入所述物理损耗模型，得到所述样本电站的物理损耗的时间序列数据；
根据所述样本电站的理论发电功率的时间序列数据、所述实际发电功率的时间序列数据，以及所述样本电站的物理损耗的时间序列数据，计算得到所述随机损耗标准值的时间序列数据。
12.根据权利要求11所述的光伏电站发电量计算方法，其特征在于，所述根据所述样本电站的理论发电功率的时间序列数据、所述实际发电功率的时间序列数据，以及所述样本电站的物理损耗的时间序列数据，计算得到所述随机损耗标准值的时间序列数据，包括：
将所述样本电站的理论发电功率的时间序列数据、所述实际发电功率的时间序列数据，以及所述样本电站的物理损耗的时间序列数据中，对应同一时间区间的各数据值分别代入如下公式，得到与各所述时间区间对应的随机损耗标准值：
其中，lossrandom表示随机损耗标准值；
Preal表示实际发电功率值；
Pideal表示理论发电功率值；
lossphysics表示物理损耗值；
按照各所述时间区间的先后顺序，建立各所述随机损耗标准值的集合，得到所述随机损耗标准值的时间序列数据。
13.一种服务器，其特征在于，包括：存储器和处理器；所述存储器存储有适于所述处理器执行的程序，以实现权利要求1至12任一项所述的光伏电站发电量计算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010249804.0A CN111476411B (zh) | 2020-04-01 | 2020-04-01 | 一种光伏电站发电量计算方法及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010249804.0A CN111476411B (zh) | 2020-04-01 | 2020-04-01 | 一种光伏电站发电量计算方法及服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111476411A CN111476411A (zh) | 2020-07-31 |
| CN111476411B true CN111476411B (zh) | 2023-10-31 |
Family
ID=71749441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010249804.0A Active CN111476411B (zh) | 2020-04-01 | 2020-04-01 | 一种光伏电站发电量计算方法及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111476411B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115036922B (zh) * | 2022-08-10 | 2022-10-21 | 四川中电启明星信息技术有限公司 | 一种分布式光伏发电电量预测方法及系统 |
| CN116205380B (zh) * | 2023-05-05 | 2023-07-18 | 北京东润环能科技股份有限公司 | 新能源电场站内损耗预测模型构建方法、预测方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846488A (zh) * | 2018-06-26 | 2018-11-20 | 新疆金风科技股份有限公司 | 风电场的检修调度方法和装置 |
| CN108985625A (zh) * | 2018-07-16 | 2018-12-11 | 浙江电腾云光伏科技有限公司 | 一种光伏设备运行分析方法 |
| CN109272134A (zh) * | 2017-07-17 | 2019-01-25 | 国网青海省电力公司经济技术研究院 | 一种考虑系统损耗的区域光伏电站并网功率预测方法 |
| CN109767353A (zh) * | 2019-01-14 | 2019-05-17 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于概率分布函数的光伏发电功率预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2020
- 2020-04-01 CN CN202010249804.0A patent/CN111476411B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272134A (zh) * | 2017-07-17 | 2019-01-25 | 国网青海省电力公司经济技术研究院 | 一种考虑系统损耗的区域光伏电站并网功率预测方法 |
| CN108846488A (zh) * | 2018-06-26 | 2018-11-20 | 新疆金风科技股份有限公司 | 风电场的检修调度方法和装置 |
| CN108985625A (zh) * | 2018-07-16 | 2018-12-11 | 浙江电腾云光伏科技有限公司 | 一种光伏设备运行分析方法 |
| CN109767353A (zh) * | 2019-01-14 | 2019-05-17 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于概率分布函数的光伏发电功率预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 奚霁仲等.《基于集中损耗的光伏发电单元年发电量RT-LAB仿真分析》.《电力系统自动化》.2018,第42卷(第42期),说明书第156页右栏倒数第一段-第159页右栏倒数第二段. * |
| 王少义等.《太阳能光伏并网系统发电量预测方法》.《北京建筑工程学院学报》.2013,第29卷(第29期),第66页左栏2.2.2时间序列分析法. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111476411A (zh) | 2020-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108734331B (zh) | 基于lstm的短期光伏发电功率预测方法及系统 | |
| Zhao et al. | Auto regressive and ensemble empirical mode decomposition hybrid model for annual runoff forecasting | |
| Tabone et al. | Modeling variability and uncertainty of photovoltaic generation: A hidden state spatial statistical approach | |
| CN112686464A (zh) | 短期风电功率预测方法及装置 | |
| CN110556820A (zh) | 用于确定能量系统操作场景的方法和设备 | |
| CN111476411B (zh) | 一种光伏电站发电量计算方法及服务器 | |
| CN111967696B (zh) | 基于神经网络的电动汽车充电需求预测方法、系统及装置 | |
| KR20200128232A (ko) | 전력 수요 예측 장치 및 그 방법 | |
| CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
| CN113256033B (zh) | 基于模态互补的发电站选址定容方法、装置、系统及介质 | |
| Sundararajan et al. | Case study on the effects of partial solar eclipse on distributed PV systems and management areas | |
| US20240014651A1 (en) | Probability estimation method for photovoltaic power based on optimized copula function and photovoltaic power system | |
| Elkholy et al. | Artificial ecosystem‐based optimiser to electrically characterise PV generating systems under various operating conditions reinforced by experimental validations | |
| Li et al. | States prediction for solar power and wind speed using BBA‐SVM | |
| 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 | |
| CN115660233A (zh) | 光伏功率预测方法、装置、电子设备及存储介质 | |
| CN111310963A (zh) | 电站的发电数据预测方法、装置、计算机设备和存储介质 | |
| CN112308335A (zh) | 一种基于xgboost算法的短期电价预测方法及装置 | |
| CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
| CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
| CN114971736A (zh) | 电力计量物资需求预测方法、装置、电子设备和存储介质 | |
| CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
| Zhang et al. | Power forecasting of solar photovoltaic power systems based on similar day and M5'model trees | |
| CN114611805A (zh) | 一种净负荷预测方法、装置、电子设备及存储介质 | |
| CN105260789A (zh) | 一种面向风电功率超短期预测的风电数据时间尺度优选方法 |
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 |