CN111934358B - 一种微电网中光伏发电系统输出功率平均值的计算方法 - Google Patents

一种微电网中光伏发电系统输出功率平均值的计算方法 Download PDF

Info

Publication number
CN111934358B
CN111934358B CN202010596828.3A CN202010596828A CN111934358B CN 111934358 B CN111934358 B CN 111934358B CN 202010596828 A CN202010596828 A CN 202010596828A CN 111934358 B CN111934358 B CN 111934358B
Authority
CN
China
Prior art keywords
sunlight
matrix
power generation
duration
intensity
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
CN202010596828.3A
Other languages
English (en)
Other versions
CN111934358A (zh
Inventor
潘沪明
吴杰康
张宁恺
陈文浩
林晓莹
苏立伟
晏雷
杜伟斌
吴敬慧
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.)
Guangdong Power Grid Co Ltd
Foshan Power Supply Bureau of Guangdong Power Grid Corp
Original Assignee
Guangdong Power Grid Co Ltd
Foshan Power Supply Bureau of Guangdong Power Grid Corp
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
Application filed by Guangdong Power Grid Co Ltd, Foshan Power Supply Bureau of Guangdong Power Grid Corp filed Critical Guangdong Power Grid Co Ltd
Priority to CN202010596828.3A priority Critical patent/CN111934358B/zh
Publication of CN111934358A publication Critical patent/CN111934358A/zh
Application granted granted Critical
Publication of CN111934358B publication Critical patent/CN111934358B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明提出一种微电网中光伏发电系统输出功率平均值的计算方法，解决现有仅以单一因素作为不确定性影响因素的光伏发电的输出功率计算方法无法反映光伏发电系统实际功率输出情况的问题，包括：采集微电网中日照强度、日照时长、日照阴影及日照偏角的数据信息；构建数据矩阵，求得已采集数据的平均值；构建模糊聚类中心矩阵；模糊聚类中心矩阵初始化；通过模糊聚类分析法，迭代计算模糊聚类中心矩阵对应的模糊聚类矩阵的元素最优值及模糊中心矩阵的最优值；求取当前日照强度、日照时长、日照阴影及日照偏角的平均值及光伏发电系统输出功率的平均值，本发明提出的方法为微电网中光伏发电系统的出力预测及运行调度提供理论指导。

Description

一种微电网中光伏发电系统输出功率平均值的计算方法
技术领域
本发明涉及光伏发电系统输出功率计算的技术领域，更具体地，涉及一种微电网中光伏发电系统输出功率平均值的计算方法。
背景技术
光伏微电网是一种集成光伏发电系统等分布式电源、一定容量负荷并以一定方式将分布式电源和负荷联接起来的微电网，在光伏微电网中，日照强度越大，光伏发电系统的输出功率越大。
一年中不同季节的日照强度完全不同，一天中不同时段的日照强度也完全不同，日照强度具有随机性、波动性和间歇性。因此，光伏发电站日照强度往往也表现为最小日照强度、最大日照强度、平均日照强度、多年平均日照强度、计算平均日照强度、加权平均日照强度、数学平均日照强度等表示形式，采用不同日照强度的表示形式，光伏发电系统会获得不同的装机容量水平，而不同装机容量水平光伏发电系统在不同季节的输出功率及发电量也往往不同。
现有微电网中光伏发电系统的输出功率和发电量通常采用确定性的计算方法，假设区域内日照强度是确定的，因此，光伏发电系统输出功率的计算结果也是唯一确定的，但这种情况往往不能反映光伏系统发电的实际情况，华北电力大学韩敏晓等在2011年12月1日公开的“含高渗透率分布式光伏发电系统的配电网概率潮流分析”的文章中提出采用概率分析的方法，假设区域内日照强度等单一因素为不确定性因素，计算光伏发电系统的输出功率，计算结果为具有一定置信水平的概率值，克服了确定性计算方法不能反映光伏发电系统实际情况的弊端，但微电网中光伏发电系统的输出功率受多种不确定性因素的影响，不确定性因素具有随机不确定性或模糊不确定性，现有方法没有全面地考虑影响因素的这些特征，也无法反映光伏发电系统实际的功率输出情况。
发明内容
为解决现有仅以单一因素作为不确定性影响因素的光伏发电系统的输出功率计算方法无法反映光伏发电系统实际功率输出情况的问题，本发明提出一种微电网中光伏发电系统输出功率平均值的计算方法，综合考虑日照强度、日照时长、日照阴影和日照偏角的不确定性和随机性，反映光伏发电系统实际的功率输出情况，为微电网中光伏发电系统的出力预测及运行调度提供理论指导。
为了达到上述技术效果，本发明的技术方案如下：
一种微电网中光伏发电系统输出功率平均值的计算方法，至少包括以下步骤：
S1.采集微电网中日照强度、日照时长、日照阴影及日照偏角的数据信息；
S2.利用步骤S1中采集的数据信息构建数据矩阵，求得已采集的日照强度、日照时长、日照阴影及日照偏角的平均值；
S3.构建日照强度、日照时长、日照阴影及日照偏角的模糊聚类中心矩阵C；
S4.利用日照强度平均值、日照时长平均值、日照阴影平均值及日照偏角平均值，将模糊聚类中心矩阵C初始化；
S5.通过模糊聚类分析法，迭代计算模糊聚类中心矩阵C对应的模糊聚类矩阵U的元素最优值，根据模糊聚类矩阵U的最优值元素计算模糊中心矩阵C的最优值；
S6.基于模糊聚类矩阵U的元素最优值和模糊中心矩阵C的最优值，分别求取当前日照强度、日照时长、日照阴影及日照偏角的平均值；
S7.根据当前日照强度、日照时长、日照阴影及日照偏角的平均值，求得光伏发电系统输出功率的平均值。
优选地，步骤S1所述的微电网中日照强度、日照时长、日照阴影及日照偏角的数据信息包括：
微电网中日照强度、日照时长、日照阴影及日照偏角的历史光伏发电数据，从历史数据库中采集；
微电网中日照强度、日照时长、日照阴影及日照偏角的实时光伏发电数据，从实时数据采集系统中采集；
微电网中日照强度、日照时长、日照阴影及日照偏角的预测光伏发电数据，从未来预测系统中采集。
优选地，利用步骤S1中采集的数据信息构建的数据矩阵包括历史光伏发电数据
Figure BDA0002557696660000021
实时光伏发电数据矩阵/>
Figure BDA0002557696660000022
及预测光伏发电数据矩阵/>
Figure BDA0002557696660000023
所述历史光伏发电数据
Figure BDA0002557696660000024
表示为：
Figure BDA0002557696660000031
其中，
Figure BDA0002557696660000032
表示历史光伏发电数据矩阵中日照强度的第j个元素数据集，/>
Figure BDA0002557696660000033
表示历史光伏发电数据矩阵中日照时长的第j个元素数据集，/>
Figure BDA0002557696660000034
表示历史光伏发电数据矩阵中日照阴影的第j个元素数据集，/>
Figure BDA0002557696660000035
表示历史光伏发电数据矩阵中日照偏角的第j个元素数据集，j＝1，…，j…,n，n表示微电网的历史光伏发电数据矩阵中日照强度、日照时长、日照阴影及日照偏角任意一个对应数据集的数量；/>
Figure BDA0002557696660000036
的第j个元素在时段t的数据值分别表示为：
Figure BDA0002557696660000037
Figure BDA0002557696660000038
Figure BDA0002557696660000039
Figure BDA00025576966600000310
其中，
Figure BDA00025576966600000311
分别为微电网中历史光伏发电数据矩阵/>
Figure BDA00025576966600000312
里日照强度、日照时长、日照阴影及日照偏角的第j个元素在时段t的数据值；
实时光伏发电数据矩阵
Figure BDA00025576966600000313
表示为：
Figure BDA00025576966600000314
其中,
Figure BDA00025576966600000315
表示实时光伏发电数据矩阵中日照强度的数据集；/>
Figure BDA00025576966600000316
表示实时光伏发电数据矩阵中日照时长的数据集；/>
Figure BDA00025576966600000317
表示实时光伏发电数据矩阵中日照阴影的数据集；
Figure BDA00025576966600000318
表示实时光伏发电数据矩阵中日照偏角的数据集；微电网的实时光伏发电数据矩阵中日照强度、日照时长、日照阴影及日照偏角任意一个对应数据集的数量均为n；
Figure BDA00025576966600000319
及/>
Figure BDA00025576966600000320
的第j个元素在时段t的数据值分别表示为：
Figure BDA00025576966600000321
Figure BDA00025576966600000322
Figure BDA00025576966600000327
Figure BDA00025576966600000323
其中，
Figure BDA00025576966600000324
分别为微电网中实时光伏发电数据矩阵/>
Figure BDA00025576966600000325
里日照强度、日照时长、日照阴影、日照偏角的第j个元素在时段t的数据值；
预测光伏发电数据矩阵
Figure BDA00025576966600000326
表示为：
Figure BDA0002557696660000041
其中，
Figure BDA0002557696660000042
表示预测光伏发电数据矩阵中日照强度的数据集；/>
Figure BDA0002557696660000043
表示预测光伏发电数据矩阵中日照时长的数据集；/>
Figure BDA0002557696660000044
表示预测光伏发电数据矩阵中日照阴影的数据集；
Figure BDA0002557696660000045
表示预测光伏发电数据矩阵中日照偏角的数据集；微电网的预测光伏发电数据矩阵中日照强度、日照时长、日照阴影及日照偏角任意一个对应数据集的数量均为n；
Figure BDA0002557696660000046
及/>
Figure BDA0002557696660000047
的第j个元素在时段t的数据值分别表示为：
Figure BDA0002557696660000048
Figure BDA0002557696660000049
Figure BDA00025576966600000410
Figure BDA00025576966600000411
其中，
Figure BDA00025576966600000412
分别表示为微电网中预测光伏发电数据矩阵/>
Figure BDA00025576966600000413
里日照强度、日照时长、日照阴影、日照偏角在时段t的预测数据值；t＝1,2,...,T，T为微电网日运行的时段数。
优选地，步骤S2所述的已采集的日照强度、日照时长、日照阴影及日照偏角的平均值分别为：
已采集的日照强度的平均值为：
Figure BDA00025576966600000414
其中，SMA表示采集的a年日照强度的平均值；a表示采集日照强度的年数；
已采集的日照时长的平均值为：
Figure BDA00025576966600000415
其中，BMA表示采集的a年日照时长的平均值；a表示采集日照时长的年数；
已采集的日照阴影的平均值为：
Figure BDA00025576966600000416
其中，YMA表示采集的a年日照阴影的平均值；a表示采集日照阴影的年数；
已采集的日照偏角的平均值为：
Figure BDA00025576966600000417
其中，AMA表示采集的a年日照偏角的平均值；a表示采集日照偏角的年数。
优选地，步骤S3所述的模糊聚类中心矩阵C为：
C＝{C1,C2,C3}
其中，C1表示微电网中日照强度、日照时长、日照阴影、日照偏角的最小量模糊聚类中心矩阵；C2表示微电网中日照强度、日照时长、日照阴影、日照偏角的平均量模糊聚类中心矩阵；C3表示微电网中日照强度、日照时长、日照阴影、日照偏角的最大量模糊聚类中心矩阵。
优选地，步骤S4所述的将模糊聚类中心矩阵C初始化的过程为：
S41.设微电网中日照强度、日照时长、日照阴影、日照偏角的最小量模糊聚类中心矩阵C1的初始值为
Figure BDA0002557696660000051
平均量模糊聚类中心矩阵C2的初始值为/>
Figure BDA0002557696660000052
及最大量模糊聚类中心矩阵C3的初始值为/>
Figure BDA0002557696660000053
S42.分别求取最小量模糊聚类中心矩阵C1的初始值
Figure BDA0002557696660000054
平均量模糊聚类中心矩阵C2的初始值/>
Figure BDA0002557696660000055
及最大量模糊聚类中心矩阵C3的初始值/>
Figure BDA0002557696660000056
Figure BDA0002557696660000057
其中，kMAS1、kMAB1、kMAY1、kMAA1分别表示最小量模糊聚类中心矩阵C1中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数；
Figure BDA0002557696660000058
其中，kMAS2、kMAB2、kMAY2、kMAA2分别表示平均量模糊聚类中心矩阵C2中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数；
Figure BDA0002557696660000059
其中，kMAS3、kMAB3、kMAY3、kMAA3分别表示最大量模糊聚类中心矩阵C3中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数；
优选地，最小量、平均量最大量模糊聚类中心矩阵中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数分别满足：
kMAS1＝kMAB1＝kMAY1＝kMAA1＝0.2
kMAS2＝kMAB2＝kMAY2＝kMAA2＝1.0
kMAS3＝kMAB3＝kMAY3＝kMAA3＝1.5。
优选地，步骤S5所述迭代计算模糊聚类中心矩阵C对应的模糊聚类矩阵U的元素最优值，并根据模糊聚类矩阵U的最优值元素计算模糊中心矩阵C的最优值过程为：
S51.设模糊系数
Figure BDA00025576966600000510
迭代计算结束判定误差值为ε；
S52.利用随机函数在[0,1]范围内产生随机数，初始化模糊聚类矩阵U(0)；
S53.令迭代次数t＝1；
S54.在第t次迭代中计算模糊聚类矩阵U(t)的元素值
Figure BDA00025576966600000511
元素值/>
Figure BDA00025576966600000512
迭代更新公式为：
Figure BDA00025576966600000513
其中，d(.)表示距离函数,cij,xjk均表示距离函数的参数变量，i、j分别表示模糊聚类矩阵元素的行与列；k为不同于i、j的数；i＝1,2,...,c，c表示最大行数；j＝1,2,...,m，m表示最大列数；
S55.计算第t次迭代中模糊聚类中心矩阵C(t)的元素值，最小量、平均量、最大量模糊聚类中心矩阵元素值
Figure BDA0002557696660000061
迭代更新公式均满足：
Figure BDA0002557696660000062
其中，f表示模糊系数；
Figure BDA0002557696660000063
表示第t次迭代中模糊聚类矩阵U(t)的第i行第k列元素；
S56.判断
Figure BDA0002557696660000064
是否成立，若是，结束，否则令t的值加1，返回步骤S54；
模糊聚类矩阵U的元素最优值为:
Figure BDA0002557696660000065
其中，u11、u12、u13、u14分别表示模糊中心矩阵C中的微电网中日照强度、日照时长、日照阴影、日照偏角的最小量模糊聚类中心矩阵C1对应的元素最优值；u21、u22、u23、u24分别表示模糊中心矩阵C中的微电网中日照强度、日照时长、日照阴影、日照偏角的平均量模糊聚类中心矩阵C2对应的元素最优值；u31、u32、u33、u34分别表示模糊中心矩阵C中的微电网中日照强度、日照时长、日照阴影、日照偏角的最大量模糊聚类中心矩阵C3对应的元素最优值；
根据模糊聚类矩阵U的最优值元素计算模糊中心矩阵C的最优值为：
Figure BDA0002557696660000066
其中，SC1、SC2、SC3分别为微电网日照强度最小量、平均量、最大量模糊聚类中心矩阵C的最优值，BC1、BC2、BC3分别为微电网日照时长最小量、平均量、最大量模糊聚类中心矩阵C的最优值，YC1、YC2、YC3分别为微电网日照阴影最小量、平均量、最大量模糊聚类中心矩阵C的最优值，AC1、AC2、AC3分别为微电网日照偏角最小量、平均量、最大量模糊聚类中心矩阵C的最优值。
优选地，步骤S6所述当前日照强度、日照时长、日照阴影及日照偏角的平均值分别为：
1)当前日照强度平均值：
Figure BDA0002557696660000067
其中，SA表示当前日照强度平均值；kSX、kSA、kSD分别为当前日照强度最小量、平均量、最大量的权重系数；
2)当前日照时长平均值：
Figure BDA0002557696660000071
其中，BA表示当前日照时长平均值；kBX、kBA、kBD分别为当前日照时长最小量、平均量、最大量的权重系数；
3)当前日照阴影平均值：
Figure BDA0002557696660000072
其中,YA表示当前日照阴影平均值；kYX、kYA、kYD分别为当前日照阴影最小量、平均量、最大量的权重系数；
4)当前日照偏角平均值：
Figure BDA0002557696660000073
其中，AA表示当前日照偏角平均值；kAX、kAA、kAD分别为日照偏角最小量、平均量、最大量的权重系数。
优选地，步骤S7所述的光伏发电系统输出功率的平均值计算公式为：
Figure BDA0002557696660000074
其中，PPV表示光伏发电系统输出功率的平均值；kS表示光伏发电系统日照强度的发电系数，kY为日照阴影对光伏发电系统发电的影响系数,BA、BS分别为日照时长的平均值和标准值，AA、AS分别为日照偏角的平均值和标准值。
与现有技术相比，本发明技术方案的有益效果是：
本发明提出一种微电网中光伏发电系统输出功率平均值的计算方法，综合考虑影响光伏发电系统输出功率的多种不确定性因素：日照强度、日照时长、日照阴影和日照偏角，构建模糊聚类中心矩阵，通过模糊聚类分析法迭代计算后求出光伏发电系统输出功率的平均值，解决了现有仅以单一因素作为不确定性影响因素的光伏发电系统的输出功率计算方法无法反映光伏发电系统实际功率输出情况的问题，为微电网中光伏发电系统的出力预测及运行调度提供理论指导。
附图说明
图1为本发明提出的微电网中光伏发电系统输出功率平均值计算发方法的流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部位会有省略、放大或缩小，并不代表实际的尺寸；
对于本领域技术人员来说，附图中某些公知说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示的一种微电网中光伏发电系统输出功率平均值的计算方法的流程图，参见图1，所述方法包括以下步骤：
S1.采集微电网中日照强度、日照时长、日照阴影及日照偏角的数据信息，包括：
微电网中日照强度、日照时长、日照阴影及日照偏角的历史光伏发电数据，从历史数据库中采集；
微电网中日照强度、日照时长、日照阴影及日照偏角的实时光伏发电数据，从实时数据采集系统中采集；
微电网中日照强度、日照时长、日照阴影及日照偏角的预测光伏发电数据，从未来预测系统中采集；
S2.利用步骤S1中采集的数据信息构建数据矩阵，求得已采集的日照强度、日照时长、日照阴影及日照偏角的平均值；采集的数据信息构建的数据矩阵包括历史光伏发电数据
Figure BDA0002557696660000081
实时光伏发电数据矩阵/>
Figure BDA0002557696660000082
及预测光伏发电数据矩阵/>
Figure BDA0002557696660000083
所述历史光伏发电数据
Figure BDA0002557696660000084
表示为：
Figure BDA0002557696660000085
其中，
Figure BDA0002557696660000086
表示历史光伏发电数据矩阵中日照强度的第j个元素数据集，/>
Figure BDA0002557696660000087
表示历史光伏发电数据矩阵中日照时长的第j个元素数据集，/>
Figure BDA0002557696660000088
表示历史光伏发电数据矩阵中日照阴影的第j个元素数据集，/>
Figure BDA0002557696660000089
表示历史光伏发电数据矩阵中日照偏角的第j个元素数据集，j＝1，…，j…,n，n表示微电网的历史光伏发电数据矩阵中日照强度、日照时长、日照阴影及日照偏角任意一个对应数据集的数量；/>
Figure BDA00025576966600000810
及/>
Figure BDA00025576966600000811
的第j个元素在时段t的数据值分别表示为：
Figure BDA00025576966600000812
Figure BDA00025576966600000813
Figure BDA0002557696660000091
Figure BDA0002557696660000092
其中，
Figure BDA0002557696660000093
分别为微电网中历史光伏发电数据矩阵/>
Figure BDA0002557696660000094
里日照强度、日照时长、日照阴影及日照偏角的第j个元素在时段t的数据值；
实时光伏发电数据矩阵
Figure BDA0002557696660000095
表示为：
Figure BDA0002557696660000096
其中,
Figure BDA0002557696660000097
表示实时光伏发电数据矩阵中日照强度的数据集；/>
Figure BDA0002557696660000098
表示实时光伏发电数据矩阵中日照时长的数据集；/>
Figure BDA0002557696660000099
表示实时光伏发电数据矩阵中日照阴影的数据集；
Figure BDA00025576966600000910
表示实时光伏发电数据矩阵中日照偏角的数据集；微电网的实时光伏发电数据矩阵中日照强度、日照时长、日照阴影及日照偏角任意一个对应数据集的数量均为n；
Figure BDA00025576966600000911
及/>
Figure BDA00025576966600000912
的第j个元素在时段t的数据值分别表示为：
Figure BDA00025576966600000913
Figure BDA00025576966600000914
Figure BDA00025576966600000915
Figure BDA00025576966600000916
/>
其中，
Figure BDA00025576966600000917
分别为微电网中实时光伏发电数据矩阵/>
Figure BDA00025576966600000918
里日照强度、日照时长、日照阴影、日照偏角的第j个元素在时段t的数据值；
预测光伏发电数据矩阵
Figure BDA00025576966600000919
表示为：
Figure BDA00025576966600000920
其中，
Figure BDA00025576966600000921
表示预测光伏发电数据矩阵中日照强度的数据集；/>
Figure BDA00025576966600000922
表示预测光伏发电数据矩阵中日照时长的数据集；/>
Figure BDA00025576966600000923
表示预测光伏发电数据矩阵中日照阴影的数据集；
Figure BDA00025576966600000924
表示预测光伏发电数据矩阵中日照偏角的数据集；微电网的预测光伏发电数据矩阵中日照强度、日照时长、日照阴影及日照偏角任意一个对应数据集的数量均为n；
Figure BDA00025576966600000925
及/>
Figure BDA00025576966600000926
的第j个元素在时段t的数据值分别表示为：
Figure BDA00025576966600000927
Figure BDA00025576966600000928
Figure BDA00025576966600000929
Figure BDA00025576966600000930
其中，
Figure BDA00025576966600000931
分别表示为微电网中预测光伏发电数据矩阵/>
Figure BDA00025576966600000932
里日照强度、日照时长、日照阴影、日照偏角在时段t的预测数据值；t＝1,2,...,T，T为微电网日运行的时段数；已采集的日照强度的平均值为：
Figure BDA0002557696660000101
其中，SMA表示采集的a年日照强度的平均值；a表示采集日照强度的年数；
已采集的日照时长的平均值为：
Figure BDA0002557696660000102
其中，BMA表示采集的a年日照时长的平均值；a表示采集日照时长的年数；
已采集的日照阴影的平均值为：
Figure BDA0002557696660000103
其中，YMA表示采集的a年日照阴影的平均值；a表示采集日照阴影的年数；
已采集的日照偏角的平均值为：
Figure BDA0002557696660000104
其中，AMA表示采集的a年日照偏角的平均值；a表示采集日照偏角的年数；
S3.构建日照强度、日照时长、日照阴影及日照偏角的模糊聚类中心矩阵C；步骤S3所述的模糊聚类中心矩阵C为：
C＝{C1,C2,C3}
其中，C1表示微电网中日照强度、日照时长、日照阴影、日照偏角的最小量模糊聚类中心矩阵；C2表示微电网中日照强度、日照时长、日照阴影、日照偏角的平均量模糊聚类中心矩阵；C3表示微电网中日照强度、日照时长、日照阴影、日照偏角的最大量模糊聚类中心矩阵；
S4.利用日照强度平均值、日照时长平均值、日照阴影平均值及日照偏角平均值，将模糊聚类中心矩阵C初始化，过程为：
S41.设微电网中日照强度、日照时长、日照阴影、日照偏角的最小量模糊聚类中心矩阵C1的初始值为
Figure BDA0002557696660000105
平均量模糊聚类中心矩阵C2的初始值为/>
Figure BDA0002557696660000106
及最大量模糊聚类中心矩阵C3的初始值为/>
Figure BDA0002557696660000107
S42.分别求取最小量模糊聚类中心矩阵C1的初始值
Figure BDA0002557696660000108
平均量模糊聚类中心矩阵C2的初始值/>
Figure BDA0002557696660000109
及最大量模糊聚类中心矩阵C3的初始值/>
Figure BDA00025576966600001010
Figure BDA00025576966600001011
其中，kMAS1、kMAB1、kMAY1、kMAA1分别表示最小量模糊聚类中心矩阵C1中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数；
Figure BDA00025576966600001012
其中，kMAS2、kMAB2、kMAY2、kMAA2分别表示平均量模糊聚类中心矩阵C2中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数；
Figure BDA0002557696660000111
其中，kMAS3、kMAB3、kMAY3、kMAA3分别表示最大量模糊聚类中心矩阵C3中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数；最小量、平均量最大量模糊聚类中心矩阵中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数分别满足：
kMAS1＝kMAB1＝kMAY1＝kMAA1＝0.2
kMAS2＝kMAB2＝kMAY2＝kMAA2＝1.0
kMAS3＝kMAB3＝kMAY3＝kMAA3＝1.5；
S5.通过模糊聚类分析法，迭代计算模糊聚类中心矩阵C对应的模糊聚类矩阵U的元素最优值，根据模糊聚类矩阵U的最优值元素计算模糊中心矩阵C的最优值，过程为：
S51.设模糊系数
Figure BDA0002557696660000112
迭代计算结束判定误差值为ε；
S52.利用随机函数在[0,1]范围内产生随机数，初始化模糊聚类矩阵U(0)；
S53.令迭代次数t＝1；
S54.在第t次迭代中计算模糊聚类矩阵U(t)的元素值
Figure BDA0002557696660000113
元素值/>
Figure BDA0002557696660000114
迭代更新公式为：/>
Figure BDA0002557696660000115
其中，d(.)表示距离函数,cij,xjk均表示距离函数的参数变量，i、j分别表示模糊聚类矩阵元素的行与列；k为不同于i、j的数；i＝1,2,...,c，c表示最大行数；j＝1,2,...,m，m表示最大列数；
S55.计算第t次迭代中模糊聚类中心矩阵C(t)的元素值，最小量、平均量、最大量模糊聚类中心矩阵元素值
Figure BDA0002557696660000116
迭代更新公式均满足：
Figure BDA0002557696660000117
其中，f表示模糊系数；
Figure BDA0002557696660000118
表示第t次迭代中模糊聚类矩阵U(t)的第i行第k列元素；
S56.判断
Figure BDA0002557696660000119
是否成立，若是，结束，否则令t的值加1，返回步骤S54；
模糊聚类矩阵U的元素最优值为:
Figure BDA0002557696660000121
其中，u11、u12、u13、u14分别表示模糊中心矩阵C中的微电网中日照强度、日照时长、日照阴影、日照偏角的最小量模糊聚类中心矩阵C1对应的元素最优值；u21、u22、u23、u24分别表示模糊中心矩阵C中的微电网中日照强度、日照时长、日照阴影、日照偏角的平均量模糊聚类中心矩阵C2对应的元素最优值；u31、u32、u33、u34分别表示模糊中心矩阵C中的微电网中日照强度、日照时长、日照阴影、日照偏角的最大量模糊聚类中心矩阵C3对应的元素最优值；
根据模糊聚类矩阵U的最优值元素计算模糊中心矩阵C的最优值为：
Figure BDA0002557696660000122
其中，SC1、SC2、SC3分别为微电网日照强度最小量、平均量、最大量模糊聚类中心矩阵C的最优值，BC1、BC2、BC3分别为微电网日照时长最小量、平均量、最大量模糊聚类中心矩阵C的最优值，YC1、YC2、YC3分别为微电网日照阴影最小量、平均量、最大量模糊聚类中心矩阵C的最优值，AC1、AC2、AC3分别为微电网日照偏角最小量、平均量、最大量模糊聚类中心矩阵C的最优值；
S6.基于模糊聚类矩阵U的元素最优值和模糊中心矩阵C的最优值，分别求取当前日照强度、日照时长、日照阴影及日照偏角的平均值；
1)当前日照强度平均值：
Figure BDA0002557696660000123
其中，SA表示当前日照强度平均值；kSX、kSA、kSD分别为当前日照强度最小量、平均量、最大量的权重系数；
2)当前日照时长平均值：
Figure BDA0002557696660000124
其中，BA表示当前日照时长平均值；kBX、kBA、kBD分别为当前日照时长最小量、平均量、最大量的权重系数；
3)当前日照阴影平均值：
Figure BDA0002557696660000125
其中,YA表示当前日照阴影平均值；kYX、kYA、kYD分别为当前日照阴影最小量、平均量、最大量的权重系数；
4)当前日照偏角平均值：
Figure BDA0002557696660000131
其中，AA表示当前日照偏角平均值；kAX、kAA、kAD分别为日照偏角最小量、平均量、最大量的权重系数。
S7.根据当前日照强度、日照时长、日照阴影及日照偏角的平均值，求得光伏发电系统输出功率的平均值，光伏发电系统输出功率的平均值计算公式为：
Figure BDA0002557696660000132
其中，PPV表示光伏发电系统输出功率的平均值；kS表示光伏发电系统日照强度的发电系数，kY为日照阴影对光伏发电系统发电的影响系数,BA、BS分别为日照时长的平均值和标准值，AA、AS分别为日照偏角的平均值和标准值。
附图中描述仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (1)

1.一种微电网中光伏发电系统输出功率平均值的计算方法，其特征在于，至少包括以下步骤：
S1.采集微电网中日照强度、日照时长、日照阴影及日照偏角的数据信息；
步骤S1所述的微电网中日照强度、日照时长、日照阴影及日照偏角的数据信息包括：
微电网中日照强度、日照时长、日照阴影及日照偏角的历史光伏发电数据，从历史数据库中采集；
微电网中日照强度、日照时长、日照阴影及日照偏角的实时光伏发电数据，从实时数据采集系统中采集；
微电网中日照强度、日照时长、日照阴影及日照偏角的预测光伏发电数据，从未来预测系统中采集；
利用步骤S1中采集的数据信息构建的数据矩阵包括历史光伏发电数据
Figure FDA0004180782420000011
实时光伏发电数据矩阵/>
Figure FDA0004180782420000012
及预测光伏发电数据矩阵/>
Figure FDA0004180782420000013
所述历史光伏发电数据/>
Figure FDA0004180782420000014
表示为：
Figure FDA0004180782420000015
其中，
Figure FDA0004180782420000016
表示历史光伏发电数据矩阵中日照强度的第j个元素数据集，/>
Figure FDA0004180782420000017
表示历史光伏发电数据矩阵中日照时长的第j个元素数据集，/>
Figure FDA0004180782420000018
表示历史光伏发电数据矩阵中日照阴影的第j个元素数据集，/>
Figure FDA0004180782420000019
表示历史光伏发电数据矩阵中日照偏角的第j个元素数据集，j＝1，…，j…,n，n表示微电网的历史光伏发电数据矩阵中日照强度、日照时长、日照阴影及日照偏角任意一个对应数据集的数量；/>
Figure FDA00041807824200000110
及/>
Figure FDA00041807824200000111
的第j个元素在时段t的数据值分别表示为：
Figure FDA00041807824200000112
Figure FDA00041807824200000113
Figure FDA00041807824200000114
Figure FDA00041807824200000115
其中，
Figure FDA0004180782420000021
分别为微电网中历史光伏发电数据矩阵/>
Figure FDA0004180782420000022
里日照强度、日照时长、日照阴影及日照偏角的第j个元素在时段t的数据值；
实时光伏发电数据矩阵
Figure FDA0004180782420000023
表示为：
Figure FDA0004180782420000024
其中,
Figure FDA0004180782420000025
表示实时光伏发电数据矩阵中日照强度的数据集；/>
Figure FDA0004180782420000026
表示实时光伏发电数据矩阵中日照时长的数据集；/>
Figure FDA0004180782420000027
表示实时光伏发电数据矩阵中日照阴影的数据集；/>
Figure FDA0004180782420000028
表示实时光伏发电数据矩阵中日照偏角的数据集；微电网的实时光伏发电数据矩阵中日照强度、日照时长、日照阴影及日照偏角任意一个对应数据集的数量均为n；
Figure FDA0004180782420000029
及/>
Figure FDA00041807824200000210
的第j个元素在时段t的数据值分别表示为：
Figure FDA00041807824200000211
Figure FDA00041807824200000212
Figure FDA00041807824200000213
Figure FDA00041807824200000214
其中，
Figure FDA00041807824200000215
分别为微电网中实时光伏发电数据矩阵/>
Figure FDA00041807824200000216
里日照强度、日照时长、日照阴影、日照偏角的第j个元素在时段t的数据值；
预测光伏发电数据矩阵
Figure FDA00041807824200000217
表示为：
Figure FDA00041807824200000218
其中，
Figure FDA00041807824200000219
表示预测光伏发电数据矩阵中日照强度的数据集；/>
Figure FDA00041807824200000220
表示预测光伏发电数据矩阵中日照时长的数据集；/>
Figure FDA00041807824200000221
表示预测光伏发电数据矩阵中日照阴影的数据集；/>
Figure FDA00041807824200000222
表示预测光伏发电数据矩阵中日照偏角的数据集；微电网的预测光伏发电数据矩阵中日照强度、日照时长、日照阴影及日照偏角任意一个对应数据集的数量均为n；/>
Figure FDA00041807824200000223
及
Figure FDA00041807824200000224
的第j个元素在时段t的数据值分别表示为：
Figure FDA00041807824200000225
Figure FDA00041807824200000226
Figure FDA00041807824200000227
Figure FDA00041807824200000228
其中，
Figure FDA00041807824200000229
分别表示为微电网中预测光伏发电数据矩阵/>
Figure FDA00041807824200000230
里日照强度、日照时长、日照阴影、日照偏角在时段t的预测数据值；t＝1,2,...,T，T为微电网日运行的时段数；
S2.利用步骤S1中采集的数据信息构建数据矩阵，求得已采集的日照强度、日照时长、日照阴影及日照偏角的平均值；
步骤S2所述的已采集的日照强度、日照时长、日照阴影及日照偏角的平均值分别为：
已采集的日照强度的平均值为：
Figure FDA0004180782420000031
其中，SMA表示采集的a年日照强度的平均值；a表示采集日照强度的年数；
已采集的日照时长的平均值为：
Figure FDA0004180782420000032
其中，BMA表示采集的a年日照时长的平均值；a表示采集日照时长的年数；
已采集的日照阴影的平均值为：
Figure FDA0004180782420000033
其中，YMA表示采集的a年日照阴影的平均值；a表示采集日照阴影的年数；
已采集的日照偏角的平均值为：
Figure FDA0004180782420000034
其中，AMA表示采集的a年日照偏角的平均值；a表示采集日照偏角的年数；
S3.构建日照强度、日照时长、日照阴影及日照偏角的模糊聚类中心矩阵C；
步骤S3所述的模糊聚类中心矩阵C为：
C＝{C1,C2,C3}
其中，C1表示微电网中日照强度、日照时长、日照阴影、日照偏角的最小量模糊聚类中心矩阵；C2表示微电网中日照强度、日照时长、日照阴影、日照偏角的平均量模糊聚类中心矩阵；C3表示微电网中日照强度、日照时长、日照阴影、日照偏角的最大量模糊聚类中心矩阵；
S4.利用日照强度平均值、日照时长平均值、日照阴影平均值及日照偏角平均值，将模糊聚类中心矩阵C初始化；
步骤S4所述的将模糊聚类中心矩阵C初始化的过程为：
S41.设微电网中日照强度、日照时长、日照阴影、日照偏角的最小量模糊聚类中心矩阵C1的初始值为
Figure FDA0004180782420000035
平均量模糊聚类中心矩阵C2的初始值为/>
Figure FDA0004180782420000036
及最大量模糊聚类中心矩阵C3的初始值为/>
Figure FDA0004180782420000037
S42.分别求取最小量模糊聚类中心矩阵C1的初始值
Figure FDA0004180782420000038
平均量模糊聚类中心矩阵C2的初始值/>
Figure FDA0004180782420000039
及最大量模糊聚类中心矩阵C3的初始值/>
Figure FDA00041807824200000310
Figure FDA0004180782420000041
其中，kMAS1、kMAB1、kMAY1、kMAA1分别表示最小量模糊聚类中心矩阵C1中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数；
Figure FDA0004180782420000042
其中，kMAS2、kMAB2、kMAY2、kMAA2分别表示平均量模糊聚类中心矩阵C2中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数；
Figure FDA0004180782420000043
其中，kMAS3、kMAB3、kMAY3、kMAA3分别表示最大量模糊聚类中心矩阵C3中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数；
最小量、平均量最大量模糊聚类中心矩阵中日照强度、日照时长、日照阴影、日照偏角的初始值权重系数分别满足：
kMAS1＝kMAB1＝kMAY1＝kMAA1＝0.2
kMAS2＝kMAB2＝kMAY2＝kMAA2＝1.0
kMAS3＝kMAB3＝kMAY3＝kMAA3＝1.5；
S5.通过模糊聚类分析法，迭代计算模糊聚类中心矩阵C对应的模糊聚类矩阵U的元素最优值，根据模糊聚类矩阵U的最优值元素计算模糊中心矩阵C的最优值；
步骤S5所述迭代计算模糊聚类中心矩阵C对应的模糊聚类矩阵U的元素最优值，并根据模糊聚类矩阵U的最优值元素计算模糊中心矩阵C的最优值的过程为：
S51.设模糊系数
Figure FDA0004180782420000044
迭代计算结束判定误差值为ε；
S52.利用随机函数在[0,1]范围内产生随机数，初始化模糊聚类矩阵U(0)；
S53.令迭代次数t＝1；
S54.在第t次迭代中计算模糊聚类矩阵U(t)的元素值
Figure FDA0004180782420000045
元素值/>
Figure FDA0004180782420000046
迭代更新公式为：
Figure FDA0004180782420000047
其中，d(.)表示距离函数,cij,xjk均表示距离函数的参数变量，i、j分别表示模糊聚类矩阵元素的行与列；k为不同于i、j的数；i＝1,2,...,c，c表示最大行数；j＝1,2,...,m，m表示最大列数；
S55.计算第t次迭代中模糊聚类中心矩阵C(t)的元素值，最小量、平均量、最大量模糊聚类中心矩阵元素值
Figure FDA0004180782420000051
迭代更新公式均满足：
Figure FDA0004180782420000052
其中，f表示模糊系数；
Figure FDA0004180782420000053
表示第t次迭代中模糊聚类矩阵U(t)的第i行第k列元素；
S56.判断
Figure FDA0004180782420000054
是否成立，若是，结束，否则令t的值加1，返回步骤S54；
模糊聚类矩阵U的元素最优值为:
Figure FDA0004180782420000055
其中，u11、u12、u13、u14分别表示模糊中心矩阵C中的微电网中日照强度、日照时长、日照阴影、日照偏角的最小量模糊聚类中心矩阵C1对应的元素最优值；u21、u22、u23、u24分别表示模糊中心矩阵C中的微电网中日照强度、日照时长、日照阴影、日照偏角的平均量模糊聚类中心矩阵C2对应的元素最优值；u31、u32、u33、u34分别表示模糊中心矩阵C中的微电网中日照强度、日照时长、日照阴影、日照偏角的最大量模糊聚类中心矩阵C3对应的元素最优值；
根据模糊聚类矩阵U的最优值元素计算模糊中心矩阵C的最优值为：
Figure FDA0004180782420000056
其中，SC1、SC2、SC3分别为微电网日照强度最小量、平均量、最大量模糊聚类中心矩阵C的最优值，BC1、BC2、BC3分别为微电网日照时长最小量、平均量、最大量模糊聚类中心矩阵C的最优值，YC1、YC2、YC3分别为微电网日照阴影最小量、平均量、最大量模糊聚类中心矩阵C的最优值，AC1、AC2、AC3分别为微电网日照偏角最小量、平均量、最大量模糊聚类中心矩阵C的最优值；
S6.基于模糊聚类矩阵U的元素最优值和模糊中心矩阵C的最优值，分别求取当前日照强度、日照时长、日照阴影及日照偏角的平均值；
步骤S6所述当前日照强度、日照时长、日照阴影及日照偏角的平均值分别为：
1)当前日照强度平均值：
Figure FDA0004180782420000057
其中，SA表示当前日照强度平均值；kSX、kSA、kSD分别为当前日照强度最小量、平均量、最大量的权重系数；
2)当前日照时长平均值：
Figure FDA0004180782420000061
其中，BA表示当前日照时长平均值；kBX、kBA、kBD分别为当前日照时长最小量、平均量、最大量的权重系数；
3)当前日照阴影平均值：
Figure FDA0004180782420000062
其中,YA表示当前日照阴影平均值；kYX、kYA、kYD分别为当前日照阴影最小量、平均量、最大量的权重系数；
4)当前日照偏角平均值：
Figure FDA0004180782420000063
其中，AA表示当前日照偏角平均值；kAX、kAA、kAD分别为日照偏角最小量、平均量、最大量的权重系数；
S7.根据当前日照强度、日照时长、日照阴影及日照偏角的平均值，求得光伏发电系统输出功率的平均值；
步骤S7所述的光伏发电系统输出功率的平均值计算公式为：
Figure FDA0004180782420000064
其中，PPV表示光伏发电系统输出功率的平均值；kS表示光伏发电系统日照强度的发电系数，kY为日照阴影对光伏发电系统发电的影响系数,BA、BS分别为日照时长的平均值和标准值，AA、AS分别为日照偏角的平均值和标准值。
CN202010596828.3A 2020-06-28 2020-06-28 一种微电网中光伏发电系统输出功率平均值的计算方法 Active CN111934358B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010596828.3A CN111934358B (zh) 2020-06-28 2020-06-28 一种微电网中光伏发电系统输出功率平均值的计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010596828.3A CN111934358B (zh) 2020-06-28 2020-06-28 一种微电网中光伏发电系统输出功率平均值的计算方法

Publications (2)

Publication Number Publication Date
CN111934358A CN111934358A (zh) 2020-11-13
CN111934358B true CN111934358B (zh) 2023-05-26

Family

ID=73316680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010596828.3A Active CN111934358B (zh) 2020-06-28 2020-06-28 一种微电网中光伏发电系统输出功率平均值的计算方法

Country Status (1)

Country Link
CN (1) CN111934358B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112862215B (zh) * 2021-03-10 2023-04-07 广东电网有限责任公司 一种微电网能源需求预测方法、系统及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101424165B1 (ko) * 2013-12-05 2014-08-01 한빛이디에스(주) 최적화된 모니터링 네트워크 환경을 가지는 태양광 발전 모니터링 시스템
CN107292768A (zh) * 2017-07-12 2017-10-24 广东工业大学 一种光伏发电系统日发电量模糊概率计算方法及装置
CN110490421A (zh) * 2019-07-22 2019-11-22 广东工业大学 一种基于模糊c-均值聚类的微电网中小水电站容量配置方法
CN110707754A (zh) * 2019-08-28 2020-01-17 广东工业大学 微电网中水风光电源容量配置的优化方法
CN110707682A (zh) * 2019-08-28 2020-01-17 广东工业大学 基于模糊c-均值聚类的微电网中水风光电源容量配置方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101424165B1 (ko) * 2013-12-05 2014-08-01 한빛이디에스(주) 최적화된 모니터링 네트워크 환경을 가지는 태양광 발전 모니터링 시스템
CN107292768A (zh) * 2017-07-12 2017-10-24 广东工业大学 一种光伏发电系统日发电量模糊概率计算方法及装置
CN110490421A (zh) * 2019-07-22 2019-11-22 广东工业大学 一种基于模糊c-均值聚类的微电网中小水电站容量配置方法
CN110707754A (zh) * 2019-08-28 2020-01-17 广东工业大学 微电网中水风光电源容量配置的优化方法
CN110707682A (zh) * 2019-08-28 2020-01-17 广东工业大学 基于模糊c-均值聚类的微电网中水风光电源容量配置方法

Also Published As

Publication number Publication date
CN111934358A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
Agga et al. CNN-LSTM: An efficient hybrid deep learning architecture for predicting short-term photovoltaic power production
CN108388956B (zh) 考虑辐射衰减的光伏功率预测方法
CN113378459B (zh) 基于卫星和物联网信息的光伏电站超短期功率预测方法
Carneiro et al. Review on photovoltaic power and solar resource forecasting: current status and trends
Krishnan et al. How solar radiation forecasting impacts the utilization of solar energy: A critical review
CN110929953A (zh) 基于聚类分析的光伏电站超短期出力预测方法
CN113052469B (zh) 一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法
CN111626473A (zh) 一种考虑误差修正的两阶段光伏功率预测方法
CN112200377A (zh) 基于sarimax模型的光伏中长期发电量预报方法及装置
CN109255728A (zh) 混沌相空间优化重构的光伏发电功率神经网络预测法
CN111242355A (zh) 一种基于贝叶斯神经网络的光伏概率预测方法及系统
CN112418346A (zh) 一种数值天气预报总辐射系统误差分类计算方法
Li et al. Sizing ramping reserve using probabilistic solar forecasts: A data-driven method
CN111934358B (zh) 一种微电网中光伏发电系统输出功率平均值的计算方法
Hatanaka et al. Diffusion models for high-resolution solar forecasts
Khademi et al. Power prediction and technoeconomic analysis of a solar PV power plant by MLP-ABC and COMFAR III, considering cloudy weather conditions
Girimurugan et al. Application of Deep Learning to the Prediction of Solar Irradiance through Missing Data
Maldonado-Salguero et al. Spatio-temporal dynamic clustering modeling for solar irradiance resource assessment
Jazayeri et al. Artificial neural network-based all-sky power estimation and fault detection in photovoltaic modules
Azka et al. Modelling of photovoltaic system power prediction based on environmental conditions using neural network single and multiple hidden layers
CN116341728A (zh) 一种基于数据驱动的超短期光伏输出功率预测方法
Aupke et al. Impact of clustering methods on machine learning-based solar power prediction models
Khalyasmaa et al. Very-short term forecasting of photovoltaic plants generation based on meteorological data from open sources using machine learning
Munshi Evaluation of Grid-Connected Photovoltaic Plants Based on Clustering Methods.
Anand et al. Analysis of the quality of long-term synthetic solar radiation data generated from stochastic models

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