CN111699414B - 一种太阳辐射量出现概率分布解析方法、太阳辐射量出现概率分布解析系统 - Google Patents

一种太阳辐射量出现概率分布解析方法、太阳辐射量出现概率分布解析系统 Download PDF

Info

Publication number
CN111699414B
CN111699414B CN201980003906.XA CN201980003906A CN111699414B CN 111699414 B CN111699414 B CN 111699414B CN 201980003906 A CN201980003906 A CN 201980003906A CN 111699414 B CN111699414 B CN 111699414B
Authority
CN
China
Prior art keywords
solar radiation
radiation amount
density function
probability density
probability distribution
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
Application number
CN201980003906.XA
Other languages
English (en)
Other versions
CN111699414A (zh
Inventor
高桥秀幸
堀内良雄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Show House Co ltd
Original Assignee
Show House Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from JP2019006477A external-priority patent/JP6552077B1/ja
Priority claimed from JP2019006476A external-priority patent/JP6552076B1/ja
Application filed by Show House Co ltd filed Critical Show House Co ltd
Publication of CN111699414A publication Critical patent/CN111699414A/zh
Application granted granted Critical
Publication of CN111699414B publication Critical patent/CN111699414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/12—Sunshine duration recorders
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Ecology (AREA)
  • Atmospheric Sciences (AREA)
  • Environmental Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Complex Calculations (AREA)

Abstract

本发明要解决的问题是：简化太阳辐射量数据的统计处理，或基于随机性解释来解析直方图化的太阳辐射量出现概率分布并将太阳辐射量数学建模为计算式，所述太阳辐射量数据用于计算预测，所述计算预测需要将太阳辐射量作为变量的情况计算。本发明使计算机的处理器执行以下步骤：接受太阳辐射量数据的输入并存储在数据库中；基于所述太阳辐射量数据来确定太阳辐射量出现概率分布；基于所述太阳辐射量出现概率分布、和第一概率密度函数及第二概率密度函数，来确定太阳辐射量估计模型并存储在所述数据库中，所述太阳辐射量估计模型由与所述第一概率密度函数关联的第一众数及第一偏差、与所述第二概率密度函数关联的第二众数及第二偏差、所述第一概率密度函数的分配系数、和所述第二概率密度函数的分配系数组成；将积分值作为重叠度存储在所述数据库中，所述积分值表示基于所述太阳辐射量估计模型的概率分布的重叠。本发明使计算机的处理器执行以下步骤：管理步骤，接受太阳辐射量数据的输入；分析步骤，基于太阳辐射量数据来确定太阳辐射量出现概率分布；其中，太阳辐射量出现概率分布将无量纲量作为随机变量。

Description

一种太阳辐射量出现概率分布解析方法、太阳辐射量出现概 率分布解析系统
技术领域
本发明涉及一种太阳辐射量出现概率分布解析方法、太阳辐射量出现概率分布解析系统、太阳辐射量出现概率分布解析程序、太阳辐射量归一化统计解析方法、太阳辐射量归一化统计解析系统及太阳辐射量归一化统计解析程序。
背景技术
太阳光是地球环境中的能源，也是重要的生物学、气象学以及工程学因素之一。工程领域中太阳能的利用以光伏发电的形式来实施。在光伏发电中，为了高精度地计算预测发电量，建立太阳辐射量评估方法被定位为重要的课题之一。
光伏发电量由气象学因素和电子工程学因素共同决定。这里的气象学因素包括天气对太阳辐射量的影响和气溶胶对太阳辐射量的影响。另外，电子工程学因素包括与太阳能光伏板等相对应的发电特性和与逆变器装置等相对应的功率转换特性。
现有技术文献
专利文献
专利文献1:日本特开2017-053804号公报
发明内容
光伏发电量的精确预测通过综合考虑了气象学因素和电子工程学因素的情况计算来实现。具体地，当产生发电系统具有的超过正交变换效率的直流电时，需要进行考虑了该正交变换效率的情况计算。因此，与发电量相关的太阳辐射量需要如专利文献1那样以概率分布的形式来量化，而不是以每个单位时间的平均值的形式来量化。
由于太阳辐射量的出现概率分布受由若干因素组成的气象学因素的影响，因此期望一种能够清楚地评估该若干因素中的各个因素的简化了的方法。
鉴于上述情况而完成的，本发明要解决的问题是：简化太阳辐射量数据的统计处理，或基于随机性解释来解析直方图化的太阳辐射量出现概率分布并将太阳辐射量数学建模为计算式，所述太阳辐射量数据用于计算预测，所述计算预测需要将太阳辐射量作为变量的情况计算。
为了解决上述问题，本发明提供一种太阳辐射量出现概率分布解析方法，其特征在于，使计算机的处理器执行以下步骤：接受太阳辐射量数据的输入并存储在数据库中；基于太阳辐射量数据来确定太阳辐射量出现概率分布；基于太阳辐射量出现概率分布、和第一概率密度函数及第二概率密度函数，来确定太阳辐射量估计模型并存储在数据库中，所述太阳辐射量估计模型由与第一概率密度函数关联的第一众数及第一偏差、与第二概率密度函数关联的第二众数及第二偏差、第一概率密度函数的分配系数、和第二概率密度函数的分配系数组成；将积分值作为重叠度存储在数据库中，所述积分值表示基于太阳辐射量估计模型的概率分布的重叠；其中，第一概率密度函数及第二概率密度函数为高斯函数。
通过设定为这样的配置，本发明基于随机性解释能够数学建模并简化太阳辐射量。另外，通过设定为这样的配置，本发明具有进一步的技术效果，即能够有效地演算基于数学模型的太阳辐射量以及将太阳辐射量作为变量的计算值的期望值。通过设定为这样的配置，本发明能够将太阳辐射量的统计数据表现为简单的数学模型，作为基于高斯函数的混合高斯分布，所述高斯函数为根据中心极限定理的概率分布。另外，通过设定为这样的配置，本发明具有进一步的技术效果，即作为简单的数学模型，能够使太阳辐射量出现概率分布的近似处理高效化，所述简单的数学模型不包含表示分布曲线中的不对称性的目标变量。
在本发明的优选方式中，一种太阳辐射量出现概率分布解析方法，其特征在于，使计算机的处理器执行以下评估步骤：基于存储在数据库中的太阳辐射量估计模型所包含的第一众数、第一偏差、第二众数、第二偏差、第一概率密度函数的分配系数及第二概率密度函数的分配系数中的至少一个，和第一概率密度函数及第二概率密度函数，由演算设备来确定与太阳辐射量数据关联的太阳辐射量的加权平均数并存储在数据库中。通过设定为这样的配置，本发明基于太阳辐射量估计模型，能够简单地评估太阳辐射量的期望值。另外，通过设定为这样的配置，本发明具有进一步的技术效果，即能够降低与数据库中的太阳辐射量的统计数据有关的参考处理的频率，并且能够减轻数据库负载。
在本发明的优选方式中，一种太阳辐射量出现概率分布解析方法，其特征在于，使计算机的处理器执行以下显示步骤：由输出设备对存储在数据库中的太阳辐射量出现概率分布及基于太阳辐射量估计模型的概率分布进行重叠显示处理。通过设定为这样的配置，本发明能够直观地将太阳辐射量的统计数据信息传递给用户。另外，通过设定为这样的配置，本发明具有进一步的技术效果，即能够通过以概率密度分布的形式参考数据而无需参考与太阳辐射量的统计数据有关的所有数据表来减轻数据库负载。
本发明是一种太阳辐射量出现概率分布解析系统，其特征在于，具有：用于接受太阳辐射量数据的输入并存储在数据库中的单元；用于基于太阳辐射量数据来确定太阳辐射量出现概率分布的单元；用于基于太阳辐射量出现概率分布、和第一概率密度函数及第二概率密度函数，来确定太阳辐射量估计模型并存储在数据库中的单元，所述太阳辐射量估计模型由与第一概率密度函数关联的第一众数及第一偏差、与第二概率密度函数关联的第二众数及第二偏差、第一概率密度函数的分配系数、和第二概率密度函数的分配系数组成；用于将积分值作为重叠度存储在数据库中的单元，所述积分值表示基于太阳辐射量估计模型的概率分布的重叠；其中，第一概率密度函数及第二概率密度函数为高斯函数。
本发明是一种太阳辐射量出现概率分布解析程序，其特征在于，将计算机用作以下单元：用于接受太阳辐射量数据的输入并存储在数据库中的单元；用于基于太阳辐射量数据来确定太阳辐射量出现概率分布的单元；用于基于太阳辐射量出现概率分布、和第一概率密度函数及第二概率密度函数，来确定太阳辐射量估计模型并存储在数据库中的单元，所述太阳辐射量估计模型由与第一概率密度函数关联的第一众数及第一偏差、与第二概率密度函数关联的第二众数及第二偏差、第一概率密度函数的分配系数、和第二概率密度函数的分配系数组成；用于将积分值作为重叠度存储在数据库中的单元，所述积分值表示基于太阳辐射量估计模型的概率分布的重叠；其中，第一概率密度函数及第二概率密度函数为高斯函数。
为了解决上述问题，本发明提供一种太阳辐射量归一化统计解析方法，其特征在于，使计算机的处理器执行以下步骤：管理步骤，接受太阳辐射量数据的输入；分析步骤，通过对太阳辐射量数据进行基于多项式近似的内插来提取基准太阳辐射量，并确定无量纲量，所述无量纲量为太阳辐射量和基准太阳辐射量的比，并且基于太阳辐射量数据来确定太阳辐射量出现概率分布，所述太阳辐射量出现概率分布将无量纲量作为随机变量。
通过设定为这样的配置，本发明基于随机性解释能够评估太阳辐射量。另外，通过设定为这样的配置，本发明具有进一步的技术效果，即能够简化大量的太阳辐射量的统计数据，并能够减轻包括数据参考和数据存储的数据库负载。另外，通过设定为这样的配置，本发明能够以相对值的形式评估太阳辐射量，所述相对值包括与基准太阳辐射量的偏差。
在本发明的优选方式中，其特征在于，基准太阳辐射量为日或月平均太阳辐射量。
在本发明的优选方式中，一种太阳辐射量归一化统计解析方法，其特征在于，使计算机的处理器执行以下显示步骤：对太阳辐射量出现概率分布进行显示处理。
在本发明的优选方式中，太阳辐射量出现概率分布与估计太阳辐射量出现概率分布相对应，所述估计太阳辐射量出现概率分布通过基于由第一高斯函数和第二高斯函数组成的混合高斯函数的曲线拟合处理来确定。
本发明是一种太阳辐射量归一化统计解析系统，其特征在于，具有：管理单元，用于接受太阳辐射量数据的输入；分析单元，用于通过对太阳辐射量数据进行基于多项式近似的内插来提取基准太阳辐射量，并确定无量纲量，所述无量纲量为太阳辐射量和基准太阳辐射量的比，并且基于太阳辐射量数据来确定太阳辐射量出现概率分布，所述太阳辐射量出现概率分布将无量纲量作为随机变量。
本发明是一种太阳辐射量归一化统计解析程序，其特征在于，使计算机充当管理单元和分析单元，所述管理单元用于接受太阳辐射量数据的输入，所述分析单元用于通过对太阳辐射量数据进行基于多项式近似的内插来提取基准太阳辐射量，并确定无量纲量，所述无量纲量为太阳辐射量和基准太阳辐射量的比，并且基于太阳辐射量数据来确定太阳辐射量出现概率分布，所述太阳辐射量出现概率分布将无量纲量作为随机变量。
发明效果
本发明可以着眼于太阳辐射量出现概率分布而不着眼于时间轴上的太阳辐射量的变化。另外，本发明可以将太阳辐射量与太阳辐射量平均线的偏差计算为相对值，并可以直方图化太阳辐射量出现概率分布。
附图说明
图1是根据本发明实施方式的功能框图；
图2是根据本发明实施方式的硬件配置图；
图3是根据本发明实施方式的处理流程图；
图4是示出根据本发明实施方式的太阳辐射量数据及其近似例的图；
图5是示出根据本发明实施方式的太阳辐射量出现概率分布的显示例的图。
具体实施方式
下面，结合附图对根据本发明的系统1进行说明。需要说明的是，以下所示的实施方式是本发明的一个示例，本发明并不限于以下的实施方式，也可以采用各种配置。
在本实施方式中，对系统1的配置、动作等进行了说明，但相同的配置方法、程序、记录介质等也具有相同的作用效果。
本实施方式中的太阳辐射量归一化统计解析程序2001优选地记录在非暂时性记录介质中。通过使用该记录介质能够将太阳辐射量归一化统计解析程序2001导入计算机设备2中。
系统1所涉及的功能在解析应用程序中通过该计算机设备2的计算机资源来实现，该应用程序包括计算机设备2所存储的太阳辐射量归一化统计解析程序2001。该应用程序以安装型软件或者云型软件的形式来实现。
图1示出了根据本发明实施方式的系统1的功能框图。
系统1中的计算机设备2具有输入单元21、测量单元22、分析单元 23、解析单元24、估计单元25、显示单元26和管理单元27。
输入单元21用于系统1的输入处理。作为一个示例，输入单元21用于太阳辐射量数据的输入处理。在本实施方式中，由输入单元21输入处理的数据存储在计算机设备2中的数据库DB中。
输入单元21可以配置为在多个计算机设备2中经由网络NW及应用程序界面进行输入处理。
测量单元22用于测量全天太阳辐射量。每秒钟、每分钟、每小时、每天、每月、每个季节或每年测量一次该太阳辐射量。此时，该太阳辐射量可以是测量时的瞬时太阳辐射量，也可以是自上次测量以来的总计太阳辐射量，还可以是每个单位时间的平均太阳辐射量。
解析单元23用于确定太阳辐射量出现概率分布D1。该太阳辐射量出现概率分布D1是基于太阳辐射量数据来确定的。此时，该太阳辐射量数据可以为由测量单元22测量的太阳辐射量，也可以为外部服务中公开的太阳辐射量的统计数据所包含的平均太阳辐射量。此时，太阳辐射量数据包括太阳辐射量或平均太阳辐射量的时间序列数据。
分析单元23优选地配置为以数据表的形式将与太阳辐射量出现概率分布D1有关的数据存储在数据库DB中，所述数据表具有无量纲量及与该太阳辐射量关联的太阳辐射量出现概率，所述无量纲量表示基于基准太阳辐射量而归一化的太阳辐射量(标准太阳辐射量)。
该基准太阳辐射量优选为太阳辐射量数据所包含的全天太阳辐射量的平均值。需要说明的是，该基准太阳辐射量也可以基于外部服务中公开的太阳辐射量的统计数据来进行配置。
分析单元23优选地配置为对太阳辐射量数据R1进行多项式近似来确定太阳辐射量插补数据R2，并提取日基准太阳辐射量。该多项式近似优选地被配置为基于多项式来执行，所述多项式包括多个三角函数。需要说明的是，本实施方式中的对太阳辐射量数据的内插可以以样条插补的形式来执行，对其方法没有限制。
解析单元24基于混合高斯函数(P(x))对与太阳辐射量出现概率分布D1有关的数据进行曲线拟合处理，所述混合高斯函数(P(x))由下述算式1所表示的第一高斯函数和第二高斯函数组成。该混合高斯函数中的随机变量(x)是指作为归一化的太阳辐射量的无量纲量。
Figure BDA0002384355480000071
解析单元24将目标变量作为未知目标变量进行曲线拟合处理，所述目标变量包括：与第一高斯函数关联的第一众数(μ_a)及第一偏差(σ_a)、与第二高斯函数关联的第二众数(μ_b)及第二偏差(σ_b)、和第一高斯函数的分配系数(α)及第二高斯函数的分配系数(β)。此时，解析单元 24将第一众数、第一偏差及第一高斯函数的分配系数作为第一目标变量集，将第二众数、第二偏差及第二高斯函数的分配系数作为第二目标变量集存储在数据库DB中。需要说明的是，本实施方式中的分配系数与混合系数同义。
解析单元24优选地基于非线性最小二乘法进行曲线拟合处理。该曲线拟合处理中的解探索是基于广义简约梯度法或单纯形法来执行的。
在本实施方式中，可以配置为：在由解析单元24进行的曲线拟合处理中执行背景消除。此时，解析单元24基于直线法或Shirley法对太阳辐射量出现概率分布D1进行背景消除，以提取任意无量纲量邻近的太阳辐射量出现概率分布。
本实施方式中的概率密度函数可以是洛伦兹函数或分叉函数。如果本实施方式中的概率密度函数为与可表现连续概率分布的峰形函数相对应的目标变量，则其可以是本实施方式中的太阳辐射量估计模型。
解析单元24可以配置为将与第一高斯函数关联的第一众数(μ_a)及第一偏差(σ_a)、与第二高斯函数关联的第二众数(μ_b)及第二偏差(σ_b)、和第一高斯函数及第二高斯函数的分配系数(α)及(β)中的一个作为已知目标变量来执行曲线拟合处理。
估计单元25基于解析单元24确定的太阳辐射量估计模型中目标变量中的至少一个和混合高斯函数(P(x))，来确定估计太阳辐射量出现概率分布D2。此时，估计单元25基于估计太阳辐射量出现概率分布D2确定太阳辐射量的加权平均数，并存储在数据库DB中。
显示单元26用于系统1的显示处理。作为一个示例，显示单元26执行基于太阳辐射量出现概率分布D1或估计太阳辐射量出现概率分布D2 的显示处理。本实施方式中的概率分布以坐标图、图表或标绘图的形式来显示处理。需要说明的是，该显示处理可以配置为基于以JavaScript(注册商标)语言为例的面向对象脚本语言由多个计算机设备2来协作执行。
管理单元27用于管理系统1的数据库DB。管理单元27接受太阳辐射量数据的输入处理并存储在数据库DB中。管理单元27将表示与太阳辐射量的测量地点有关的信息的地域数据、表示与太阳辐射量的测量时间有关的信息的时间数据、和太阳辐射量数据、太阳辐射量出现概率分布D1、太阳辐射量估计模型、估计太阳辐射量出现概率分布D2及加权平均数关联，并更新数据库DB。数据库DB以关系数据库、列型数据库、或键值存储的形式构建。需要说明的是，本实施方式中的数据库DB所包含的数据可以基于单向函数进行加密。
管理单元27可以配置为将基于第一概率密度函数及第二概率密度函数的重叠度存储在数据库DB中。该重叠度是指估计太阳辐射量出现概率分布D2中的、基于第一高斯函数的概率分布和基于第二高斯函数的概率分布的重叠以积分值的形式表示的值。该重叠度优选地与地域数据及/或时间数据相关联。
管理单元27可以配置为将基于第一概率密度函数及第二概率密度函数的分离度存储在数据库DB中。该分离度是指表示估计太阳辐射量出现概率分布D2中的、与第一众数及第二众数的差的值。该分离度优选地与地域数据及/或时间数据相关联。
图2示出了根据本发明实施方式的系统1的硬件配置图。
计算机设备2包括：演算设备201、主存储设备202、辅助存储设备 203、输入设备204、输出设备205、通信设备206、测量设备207、和用于互连的总线接口。
演算设备201包括可执行指令集的处理器。主存储设备202包括易失性存储器，例如RAM(Random Access Memory)。在本实施方式中，包括演算设备201和主存储设备202的SoC(System-on-Chip)也可以包括在计算机设备2中。该SoC可以配置为包括协处理器，所述协处理器包括特定用途被最优化了的集成电路，所述特定用途包括编码和机器学习。
辅助存储设备203用作数据库DB，其是与系统1有关的各种数据的存储位置。辅助存储设备203包括非易失性存储器。该非易失性存储器除了使用半导体存储器，例如快闪存储器之外，还可以使用硬盘驱动器，对其记录方式没有限制。
辅助存储设备203中除了存储太阳辐射量归一化统计解析程序2001 之外，还存储与操作系统(OS2002)、输入设备204、输出设备205、通信设备206或测量设备207相对应的设备驱动器。
辅助存储设备203可以被配置为存储浏览器应用程序和邮件应用程序，所述浏览器应用程序用于利用太阳辐射量归一化统计解析系统的网页，所述邮件应用程序用于确认与系统1有关的通知。
输入设备204用于用户执行由输入单元21执行的输入处理。输入设备 204包括键盘或触摸屏，对其输入方式没有限制。输出设备205用于由显示单元26执行的显示处理。输出设备205包括视频存储器和显示器，所述视频存储器用于存储与显示处理有关的帧缓存。需要说明的是，对显示器的驱动方式没有限制。
通信设备206用于经由无线WAN(Wide Area Network)、LAN(Local Area Network)和PAN(Personal Area Network)中的至少一个来执行网络 NW中的通信处理。该通信处理基于有线通信标准或无线通信标准。作为一个示例，该有线通信标准中使用了Ethernet(注册商标)。该无线通信标准中使用了Wi-Fi(注册商标)，该无线通信标准的通信介质中可以使用电波、声波或光波。
本实施方式中的网络NW例如使用TCP/IP(Transmission Control Protocol/Internet Protocol)作为通信协议。需要说明的是，网络NW可以使用CATV(CommunityAntenna Television)线路、移动通信网、航空通信网、卫星通信网，对其类型没有限制。
测量设备207包括全天日射表，所述全天日射表包括热电元件或光电元件。在本实施方式中，测量设备207可以配置为经由网络NW由计算机设备2进行远程控制。此时，与由测量设备207获得的全天太阳辐射量有关的数据经由网络NW被发送并存储在数据库DB中。该数据可以配置为包含于太阳辐射量数据中。
需要说明的是，本实施方式中的计算机设备2除了采取工作站的形式之外，还可以采取移动终端的形式，所述移动终端包括智能手机、平板电脑。该计算机设备2可以是以Raspberry Pi(注册商标)为例的单板型设备。
图3示出了系统1中的处理流程图。
如图3(a)所示，在本实施方式中，首先，通过输入单元21、或输入单元21和测量单元22输入处理太阳辐射量数据，并通过管理单元27接受太阳辐射量数据(第一步骤S10)。接着，通过分析单元23确定太阳辐射量出现概率分布D1(第二步骤S20)。然后，通过解析单元24确定太阳辐射量估计模型(第三步骤S30)。最后，通过估计单元25确定估计太阳辐射量出现概率分布D2和太阳辐射量的加权平均数(第四步骤S40)。需要说明的是，显示单元26和管理单元27优选地配置为在各步骤中依次发挥其功能。
如图3(b)所示，在第三步骤S30中，基于太阳辐射量出现概率分布 D1、和第一概率密度函数及第二概率密度函数，来执行未知目标变量的解探索(第一解析步骤S31)。当基于该解探索的过程中获得的候选解的概率分布与太阳辐射量出现概率分布D1的残差平方和低于预定值时(在第二解析步骤S32中为Yes(Y))，将该候选解作为太阳辐射量估计模型存储在数据库DB中(第三解析步骤S33)。当该残差平方和不低于预定值时(在第二解析步骤S32中为No(N))，转移到将要进行第二解析步骤S32之前的状态。
图4示出了太阳辐射量数据及其近似例。
如前所述，分析单元23执行基于太阳辐射量数据R1的多项式插补，并确定太阳辐射量插补数据R2。此时，优选地配置为从该太阳辐射量插补数据R2中提取日基准太阳辐射量。
图5示出了太阳辐射量出现概率分布D1和估计太阳辐射量出现概率分布D2的显示例。
如前所述，估计太阳辐射量出现概率分布D2通过对太阳辐射量出现概率分布D1的曲线拟合处理来确定。估计太阳辐射量出现概率分布D2 包括基于第一概率密度函数的概率分布与基于第二概率密度函数的概率分布的线性组合。此时，图5中的与第一概率密度函数(高斯函数)关联的第一众数(μ_a)及第一偏差(σ_a)、与第二概率密度函数(高斯函数)关联的第二众数(μ_b)及第二偏差(σ_b)、和第一概率密度函数(高斯函数)的分配系数(α)及第二概率密度函数(高斯函数)的分配系数(β) 分别为-50.3、38.6、1.1、42.8、21.3和1.0，分配系数基于太阳辐射量出现次数的绝对值适当地加倍。与图5中的重叠部D2A有关的积分值与前述重叠度相对应。
需要说明的是，图5中的太阳辐射量出现概率分布D1和估计太阳辐射量出现概率分布D2具有相对于整个估计太阳辐射量出现概率分布D2 比例为6.1％的重叠部D2A和相对于估计太阳辐射量出现概率分布D2的平均值比例为14.5％的标准误差。另外，基于无量纲量大于或等于1.0的太阳辐射量出现次数的总期望值和无量纲量小于或等于1.0的太阳辐射量出现次数的总期望值的误差率为0.075％。此时，估计太阳辐射量出现概率分布D2不包括与图5中无量纲量小于0.0的出现概率相对应的除外部。
本实施方式中的基于第一概率密度函数的概率分布和基于第二概率密度函数的概率分布，例如分别可以解释为不同因素对太阳辐射量的影响，所述不同因素对太阳辐射量的影响包括天气对太阳辐射量的影响或气溶胶对太阳辐射量的影响。此时，第一目标变量集、第二目标变量集以及重叠度作为量化该因素的信息存储在数据库DB中。
本实施方式中的概率分布可以配置为作为随机变量、出现次数(发生次数)或出现概率的对应关系存储在数据库DB中，并进行显示处理。当然，此时，出现概率基于出现次数的总数来确定。
本发明使计算机的处理器执行以下步骤：管理步骤，接受太阳辐射量数据的输入；分析步骤，基于太阳辐射量数据来确定太阳辐射量出现概率分布；其中，太阳辐射量出现概率分布将无量纲量作为随机变量。由此，本发明可以着眼于太阳辐射量出现概率分布而不着眼于时间轴上的太阳辐射量的变化。另外，本发明可以将太阳辐射量与太阳辐射量平均线的偏差计算为相对值，并可以将太阳辐射量出现概率分布直方图化。
符号说明
1 系统
2 计算机设备
21 输入单元
22 测量单元
23 分析单元
24 解析单元
25 估计单元
26 显示单元
27 管理单元
201 演算设备
202 主存储设备
203 辅助存储设备
204 输入设备
205 输出设备
206 通信设备
207 测量设备
2001 太阳辐射量归一化统计解析程序
2002 OS
DB 数据库
D1 太阳辐射量出现概率分布
D2 估计太阳辐射量出现概率分布
D2A 重叠部
D2B 除外部
NW 网络
R1 太阳辐射量数据
R2 太阳辐射量插补数据
S10 第一步骤
S20 第二步骤
S30 第三步骤
S40 第四步骤
S31 第一解析步骤
S32 第二解析步骤
S33 第三解析步骤。

Claims (5)

1.一种太阳辐射量出现概率分布解析方法，其中，
使计算机的处理器执行以下步骤：
接受太阳辐射量数据的输入并存储在数据库中；
基于预先存储在所述数据库中的反映太阳辐射量数据与太阳辐射量出现概率之间的关联性的信息来确定太阳辐射量出现概率分布；
基于第一概率密度函数和第二概率密度函数的混合高斯函数对所述太阳辐射量出现概率分布进行曲线拟合处理来确定太阳辐射量估计模型并存储在所述数据库中，所述太阳辐射量估计模型由与所述第一概率密度函数关联的第一众数及第一偏差、与所述第二概率密度函数关联的第二众数及第二偏差、所述第一概率密度函数的分配系数、和所述第二概率密度函数的分配系数组成；
根据所述太阳辐射量估计模型计算基于第一概率密度函数的概率分布与基于第二概率密度函数的概率分布的重叠的以积分值的形式表示的重叠度，并将所述重叠度存储在所述数据库中；
其中，所述第一概率密度函数及第二概率密度函数为高斯函数。
2.根据权利要求1所述的太阳辐射量出现概率分布解析方法，其中，
使计算机的处理器执行以下步骤：基于所述太阳辐射量估计模型所包含的所述第一众数、第一偏差、第二众数、第二偏差、所述第一概率密度函数的分配系数及所述第二概率密度函数的分配系数中的至少一个，和所述第一概率密度函数及第二概率密度函数，来确定与所述太阳辐射量数据关联的太阳辐射量的加权平均数。
3.根据权利要求1或2所述的太阳辐射量出现概率分布解析方法，其中，
使计算机的处理器执行以下步骤：对所述太阳辐射量出现概率分布及基于所述太阳辐射量估计模型的概率分布进行重叠显示处理。
4.一种太阳辐射量出现概率分布解析系统，其中，具有：
用于接受太阳辐射量数据的输入并存储在数据库中的单元；
用于基于预先存储在所述数据库中的反映太阳辐射量数据与太阳辐射量出现概率之间的关联性的信息来确定太阳辐射量出现概率分布的单元；
用于基于第一概率密度函数和第二概率密度函数的混合高斯函数对所述太阳辐射量出现概率分布进行曲线拟合处理来确定太阳辐射量估计模型并存储在所述数据库中的单元，所述太阳辐射量估计模型由与所述第一概率密度函数关联的第一众数及第一偏差、与所述第二概率密度函数关联的第二众数及第二偏差、所述第一概率密度函数的分配系数、和所述第二概率密度函数的分配系数组成；
用于根据所述太阳辐射量估计模型计算基于第一概率密度函数的概率分布与基于第二概率密度函数的概率分布的重叠的以积分值的形式表示的重叠度并将所述重叠度存储在所述数据库中的单元；
其中，所述第一概率密度函数及第二概率密度函数为高斯函数。
5.一种非易失性计算机可读存储介质，存储有太阳辐射量出现概率分布解析程序，其中，所述太阳辐射量出现概率分布解析程序当被计算机调用时执行以下步骤：
接受太阳辐射量数据的输入并存储在数据库中；
基于预先存储在所述数据库中的反映太阳辐射量数据与太阳辐射量出现概率之间的关联性的信息来确定太阳辐射量出现概率分布；
基于第一概率密度函数和第二概率密度函数的混合高斯函数对所述太阳辐射量出现概率分布进行曲线拟合处理来确定太阳辐射量估计模型并存储在所述数据库中，所述太阳辐射量估计模型由与所述第一概率密度函数关联的第一众数及第一偏差、与所述第二概率密度函数关联的第二众数及第二偏差、所述第一概率密度函数的分配系数、和所述第二概率密度函数的分配系数组成；
根据所述太阳辐射量估计模型计算基于第一概率密度函数的概率分布与基于第二概率密度函数的概率分布的重叠的以积分值的形式表示的重叠度，并将所述重叠度存储在所述数据库中；
其中，所述第一概率密度函数及第二概率密度函数为高斯函数。
CN201980003906.XA 2019-01-18 2019-09-13 一种太阳辐射量出现概率分布解析方法、太阳辐射量出现概率分布解析系统 Active CN111699414B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
JP2019006477A JP6552077B1 (ja) 2019-01-18 2019-01-18 日射量正規化統計解析システム、日射量正規化統計解析法および日射量正規化統計解析プログラム
JP2019-006476 2019-01-18
JP2019006476A JP6552076B1 (ja) 2019-01-18 2019-01-18 日射量出現確率分布解析法、日射量出現確率分布解析システムおよび日射量出現確率分布解析プログラム
JP2019-006477 2019-01-18
PCT/JP2019/036016 WO2020148940A1 (ja) 2019-01-18 2019-09-13 日射量出現確率分布解析法、日射量出現確率分布解析システム、日射量出現確率分布解析プログラム、日射量正規化統計解析システム、日射量正規化統計解析法および日射量正規化統計解析プログラム

Publications (2)

Publication Number Publication Date
CN111699414A CN111699414A (zh) 2020-09-22
CN111699414B true CN111699414B (zh) 2022-03-08

Family

ID=71614127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980003906.XA Active CN111699414B (zh) 2019-01-18 2019-09-13 一种太阳辐射量出现概率分布解析方法、太阳辐射量出现概率分布解析系统

Country Status (3)

Country Link
US (1) US10977341B2 (zh)
CN (1) CN111699414B (zh)
WO (1) WO2020148940A1 (zh)

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4245583B2 (ja) 2005-04-15 2009-03-25 日本電信電話株式会社 分散型エネルギーシステムの制御装置、制御方法、プログラム、および記録媒体
CN101718880B (zh) * 2009-11-30 2011-05-04 苏州阿特斯阳光电力科技有限公司 一种峰值日照时数的测定方法
JP2013036820A (ja) * 2011-08-05 2013-02-21 Fuji Electric Co Ltd 日射量予測装置、プログラム
WO2013042213A1 (ja) 2011-09-20 2013-03-28 富士通株式会社 計算機、計算機システム、および探索プログラム
CN102663263B (zh) * 2012-04-28 2014-11-05 西安交通大学 一种连续时间太阳辐射能预测方法
JP5746098B2 (ja) 2012-06-11 2015-07-08 トヨタ自動車株式会社 自然エネルギーを利用した発電システムの劣化診断装置
JP5940922B2 (ja) * 2012-07-12 2016-06-29 トヨタ自動車株式会社 自然エネルギー量予測装置
CA2921990C (en) * 2013-09-04 2018-08-28 United Parcel Service Of America, Inc. X-ray scanning system and method
JP5977272B2 (ja) * 2014-01-21 2016-08-24 関西電力株式会社 日射強度推定装置、日射強度推定システム及び日射強度推定方法
JP6355491B2 (ja) * 2014-09-05 2018-07-11 関西電力株式会社 日射計性能低下状態推定装置、日射計性能低下状態推定システム及び日射計性能低下状態推定方法
JP6552928B2 (ja) * 2015-09-11 2019-07-31 株式会社東芝 気象予測装置、気象予測方法およびプログラム
CN106557828A (zh) * 2015-09-30 2017-04-05 中国电力科学研究院 一种长时间尺度光伏出力时间序列建模方法和装置
US10103548B2 (en) * 2015-10-23 2018-10-16 Fujitsu Limited Operating a solar power generating system
JP6720544B2 (ja) 2016-01-14 2020-07-08 株式会社大林組 太陽光発電量予測方法及び太陽光発電量予測装置、並びに太陽光発電量予測システム
CN107732970B (zh) * 2017-11-10 2020-03-17 国网甘肃省电力公司经济技术研究院 一种新能源并网电力系统的静态安全概率评估方法

Also Published As

Publication number Publication date
WO2020148940A1 (ja) 2020-07-23
US10977341B2 (en) 2021-04-13
CN111699414A (zh) 2020-09-22
US20200394255A1 (en) 2020-12-17

Similar Documents

Publication Publication Date Title
Nogales et al. Electricity price forecasting through transfer function models
Lin et al. An improved statistical approach for consistency test in AHP
Wang et al. Short-term cloud coverage prediction using the ARIMA time series model
Porteiro et al. Electricity demand forecasting in industrial and residential facilities using ensemble machine learning
Tang et al. Efficient scenario generation of multiple renewable power plants considering spatial and temporal correlations
CN114285728A (zh) 一种预测模型训练方法、流量预测方法、装置及存储介质
EP4216395A1 (en) Dynamic hosting capacity analysis framework for distribution system planning
CN111602156B (zh) 根据期望值计算的发电量精密预测法、根据期望值计算的发电量精密预测系统及根据期望值计算的发电量精密预测程序
Sun et al. Quantification of model form uncertainty in the calculation of solar diffuse irradiation on inclined surfaces for building energy simulation
Luini et al. The SC EXCELL model for prediction of rain attenuation on terrestrial radio links
CN111699414B (zh) 一种太阳辐射量出现概率分布解析方法、太阳辐射量出现概率分布解析系统
CN116756522B (zh) 概率预报方法、装置、存储介质及电子设备
Li et al. Bayesian-based dynamic forecasting of infrastructure restoration progress following extreme events
JP6552077B1 (ja) 日射量正規化統計解析システム、日射量正規化統計解析法および日射量正規化統計解析プログラム
WO2023235798A2 (en) Method for determination of phase labels in a three phase electric power distribution network
JP6552076B1 (ja) 日射量出現確率分布解析法、日射量出現確率分布解析システムおよび日射量出現確率分布解析プログラム
CN114708081A (zh) 信用风险预测方法及装置、电子设备和可读存储介质
JP2020088944A (ja) 電力需要予測装置、電力需要予測方法、そのプログラム
Razlighi et al. Fast computation methods for estimation of image spatial entropy
Deschatre et al. A joint model for electricity spot prices and wind penetration with dependence in the extremes
CN112732777A (zh) 基于时间序列的头寸预测方法、装置、设备和介质
US10498630B1 (en) Intelligent device selection for pilot testing
EP3913514A1 (en) Data processing device, data processing method, data processing program, terminal device, and data processing system
Xu et al. Data transformation models utilized in Bayesian probabilistic forecast considering inflow forecasts
Vijayvargia et al. VARMA model parameterization using MLLE approach for intraday wind power forecasting application

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