CN112200464B - 计及空间相关性的光伏电站出力数据的修正方法及系统 - Google Patents

计及空间相关性的光伏电站出力数据的修正方法及系统 Download PDF

Info

Publication number
CN112200464B
CN112200464B CN202011096717.2A CN202011096717A CN112200464B CN 112200464 B CN112200464 B CN 112200464B CN 202011096717 A CN202011096717 A CN 202011096717A CN 112200464 B CN112200464 B CN 112200464B
Authority
CN
China
Prior art keywords
photovoltaic power
output data
power station
target
abnormal
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
CN202011096717.2A
Other languages
English (en)
Other versions
CN112200464A (zh
Inventor
杨延勇
王华莹
闫腾飞
赵飞桃
候承昊
王斌
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.)
State Grid Corp of China SGCC
Liaocheng Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Liaocheng Power Supply Co of State Grid Shandong Electric Power 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
Application filed by State Grid Corp of China SGCC, Liaocheng Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011096717.2A priority Critical patent/CN112200464B/zh
Publication of CN112200464A publication Critical patent/CN112200464A/zh
Application granted granted Critical
Publication of CN112200464B publication Critical patent/CN112200464B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了计及空间相关性的光伏电站出力数据的修正方法及系统，包括：获取目标光伏电站出力数据；对目标光伏电站出力数据进行异常数据筛选；记录目标光伏电站异常出力数据的发生时间；从目标光伏电站所在区域内的所有光伏电站中，选择基准光伏电站；将目标光伏电站异常出力数据的发生时间点下所对应的基准光伏电站的出力数据，输入到预训练好的神经网络中，输出目标光伏电站异常出力数据的预测出力数据；利用预测出力数据替换掉异常出力数据。

Description

计及空间相关性的光伏电站出力数据的修正方法及系统
技术领域
本申请涉及光伏电站出力数据处理技术领域，特别是涉及计及空间相关性的光伏电站出力数据的修正方法及系统。
背景技术
本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。
随着光伏系统在电力系统中比例的升高，其随机性、间歇性和波动性的特点对电力系统的稳定运行造成了极大的冲击，因此亟需基于数据驱动方法，利用功率预测技术对光伏出力进行预测，为调度部门提供功率变化信息应以降低光伏出力的波动对电网稳定性的影响。目前的功率预测技术主要是利用历史气象数据与历史出力之间的映射关系对未来时刻的光伏电站发电功率进行预测。常用的深度学习算法包括神经网络、支持向量机以线性回归模型等。此类方法以历史气象数据及光伏电站出力数据为基础，因此其预测精度在很大程度上取决于历史数据的精度。
发明人在研究中发现，完整且精确的出力数据是开展光伏功率预测的基础，由于部分光伏电站数据采集系统较为老旧，导致部分数据的失准及缺失，在很大程度上将会影响功率预测的精度。传统的统计学修正方法主要是对失准数据进行剔除，利用均值填充法及估计法等修正方法进行替换。然而此类统计学方法多聚焦于数据本身，目前缺乏对光伏电站失准数据修复的研究。
综上所述，光伏电站历史出具的精度成为了制约功率预测精度的瓶颈之一。
发明内容
为了解决现有技术的不足，本申请提供了计及空间相关性的光伏电站出力数据的修正方法及系统；由于光伏出力数据高度依赖于气象数据，其特征是具有较强的时空特性，因此除了结合历史数据本身，可以引入对其时空特性的分析，大大提高数据修正精度。
第一方面，本申请提供了计及空间相关性的光伏电站出力数据的修正方法；
计及空间相关性的光伏电站出力数据的修正方法，包括：
获取目标光伏电站出力数据；
对目标光伏电站出力数据进行异常数据筛选；记录目标光伏电站异常出力数据的发生时间；
从目标光伏电站所在区域内的所有光伏电站中，选择基准光伏电站；
将目标光伏电站异常出力数据的发生时间点下所对应的基准光伏电站的出力数据，输入到预训练好的神经网络中，输出目标光伏电站异常出力数据的预测出力数据；利用预测出力数据替换掉异常出力数据。
第二方面，本申请提供了计及空间相关性的光伏电站出力数据的修正系统；
计及空间相关性的光伏电站出力数据的修正系统，包括：
获取模块，其被配置为：获取目标光伏电站出力数据；
筛选模块，其被配置为：对目标光伏电站出力数据进行异常数据筛选；记录目标光伏电站异常出力数据的发生时间；
选择模块，其被配置为：从目标光伏电站所在区域内的所有光伏电站中，选择基准光伏电站；
修正模块，其被配置为：将目标光伏电站异常出力数据的发生时间点下所对应的基准光伏电站的出力数据，输入到预训练好的神经网络中，输出目标光伏电站异常出力数据的预测出力数据；利用预测出力数据替换掉异常出力数据。
第三方面，本申请还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面所述的方法。
第四方面，本申请还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
第五方面，本申请还提供了一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。
与现有技术相比，本申请的有益效果是：
本公开技术方案针对现有的某些光伏电站出力数据存在精度缺陷的问题，提出了基于基准光伏电站的历史出力数据，结合人工神经网络实现目标电站历史出力数据的修复方法，。
不同于传统的统计学修正方法，本方法对光伏电站出力的空间相关性进行了考虑，并结合人工神经网络进一步提高了数据修正精度。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为第一个实施例的方法流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本实施例公开了计及空间性的光伏电站历史出力数据的修正方法，具有较高的普适性，能够对多种工况下的出力数据，例如晴天、雨雪天、阴天和线路故障工况下，做出高精度的数据修正，无需对所获取数据进行不同天气状况下的分类。
实施例一
本实施例提供了计及空间相关性的光伏电站出力数据的修正方法；
如图1所示，计及空间相关性的光伏电站出力数据的修正方法，包括：
S101：获取目标光伏电站出力数据；
S102：对目标光伏电站出力数据进行异常数据筛选；记录目标光伏电站异常出力数据的发生时间；
S103：从目标光伏电站所在区域内的所有光伏电站中，选择基准光伏电站；
S104：将目标光伏电站异常出力数据的发生时间点下所对应的基准光伏电站的出力数据，输入到预训练好的神经网络中，输出目标光伏电站异常出力数据的预测出力数据；利用预测出力数据替换掉异常出力数据。
作为一个或多个实施例，所述S102：对目标光伏电站出力数据进行异常数据筛选；具体步骤包括：
基于区域平均单位容量功率、目标光伏电站单位容量功率和目标光伏电站相邻电站的单位容量功率对异常数据进行筛选。
应理解的，所述单位容量功率，是指某个时间点下，光伏电站的输出功率与光伏电站的在运容量的比值。
示例性的，所述单位容量功率指的是：
Figure BDA0002724001990000051
其中，P为光伏电站的输出功率，M为光伏电站在运容量，k为单位容量功率。
作为一个或多个实施例，所述S102：对目标光伏电站出力数据进行异常数据筛选；具体步骤包括：
计算整个区域内全部光伏电站的平均单位容量功率，与目标光伏电站每个时间点的单位容量功率相对误差，当相对误差超过设定阈值时，判定当前时间点对应的单位容量功率为异常数据。
示例性的，计算整个区域内全部光伏电站的平均单位容量功率kRe，并将其与目标电站单位容量功率kT进行对比，当相对误差比例超过一定阈值时，判定此刻对应的目标电站单位容量功率发生了波动，记录相应地时刻T＝{t1,t2,…,tn}。
作为一个或多个实施例，所述S102：对目标光伏电站出力数据进行异常数据筛选；具体步骤还包括：
计算与目标光伏电站距离最近的若干个光伏电站在设定时间区间内各自对应的单位容量功率，与对应时间点的目标光伏电站单位容量功率之间的相对误差，当某一个时间点下目标光伏电站输出功率与最近的若干个光伏电站单位容量功率之间的相对误差均超过设定阈值时，判定当前时间点对应的单位容量功率为异常数据。
示例性的，计算与目标电站距离最近的三个光伏电站在T＝{t1,t2,…,tn}时刻的单位容量功率{kr1,kr2,kr3}，与目标电站在T＝{t1,t2,…,tn}时刻的单位容量功率进行对比，若某一时刻下目标电站单位容量功率kT与{kr1,kr2,kr3}的相对误差比例都超过设定的阈值时，则排除云团的影响，判定此时刻目标光伏电站出力数据的记录值失准。
作为一个或多个实施例，所述S103：从目标光伏电站所在区域内的所有光伏电站中，选择基准光伏电站；具体步骤包括：
计算目标光伏电站与目标光伏电站所在区域内其他光伏电站的历史出力数据之间的皮尔逊相关系数，选择皮尔逊相关系数高于设定阈值的光伏电站作为基准光伏电站。
应理解的，皮尔逊相关系数(Pearson correlation coefficient)数能够描述随机变量间线性相关程度，两个随机变量X和Y的相关系数rXY的表达式为：
Figure BDA0002724001990000061
其中N是样本集大小，
Figure BDA0002724001990000062
是随机变量X的均值，
Figure BDA0002724001990000063
是随机变量Y的均值。在本文中，X为某一与目标电站相邻的光伏电站在某个时间节点的单位容量功率，Y为相同时刻目标电站的单位容量功率，通过选取多个时间节点，能够计算得到待测区域内与目标电站相邻的光伏电站的单位容量功能率与目标电站相邻的光伏电站的单位容量功率的相关系数。
作为一个或多个实施例，所述S104：将目标光伏电站异常出力数据的发生时间点下所对应的基准光伏电站的出力数据，输入到预训练好的神经网络中，输出目标光伏电站异常出力数据的预测出力数据；其中，预训练好的神经网络的训练步骤包括：
构建神经网络；
构建训练集；所述训练集，包括：同一个时间点下若干个基准光伏电站的历史出力数据和目标光伏电站的已知正常历史出力数据；
将训练集中的若干个基准光伏电站的历史出力数据作为神经网络的输入值，将训练集中的目标光伏电站的已知正常历史出力数据作为神经网络的输出值，对神经网络进行训练；
训练的过程中，当神经网络输出值的平均相对误差小于设定阈值时，停止训练，得到训练好的神经网络。
应理解的，神经网络精度由平均相对误差(mean absolute percentage error,MAPE)来衡量，其表达式为：
Figure BDA0002724001990000071
其中N为训练集中所包含的样本个数，en是预测出力结果与实测单位容量功率的误差，yn是实测单位容量功率。
神经网络训练集输入参量包含了某一时刻各基准光伏电站的单位容量功率，输出参量包含了相同时刻目标电站的单位容量功率。
与传统的统计学方法相比，本方法对光伏电站出力的空间相关性进行了考虑，并结合人工神经网络进一步提高了数据修正精度。
实施例二
本实施例提供了计及空间相关性的光伏电站出力数据的修正系统；
计及空间相关性的光伏电站出力数据的修正系统，包括：
获取模块，其被配置为：获取目标光伏电站出力数据；
筛选模块，其被配置为：对目标光伏电站出力数据进行异常数据筛选；记录目标光伏电站异常出力数据的发生时间；
选择模块，其被配置为：从目标光伏电站所在区域内的所有光伏电站中，选择基准光伏电站；
修正模块，其被配置为：将目标光伏电站异常出力数据的发生时间点下所对应的基准光伏电站的出力数据，输入到预训练好的神经网络中，输出目标光伏电站异常出力数据的预测出力数据；利用预测出力数据替换掉异常出力数据。
此处需要说明的是，上述获取模块、筛选模块、选择模块和修正模块对应于实施例一中的步骤S101至S104，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (6)

1.计及空间相关性的光伏电站出力数据的修正方法，其特征是，包括：
获取目标光伏电站出力数据；
对目标光伏电站出力数据进行异常数据筛选；记录目标光伏电站异常出力数据的发生时间；其中，异常数据筛选包括：基于区域平均单位容量功率、目标光伏电站单位容量功率和目标光伏电站相邻电站的单位容量功率对异常数据进行筛选；
具体步骤包括：计算整个区域内全部光伏电站的平均单位容量功率，与目标光伏电站每个时间点的单位容量功率相对误差，当相对误差超过设定阈值时，判定当前时间点对应的单位容量功率为异常数据；
具体步骤还包括：计算与目标光伏电站距离最近的若干个光伏电站在设定时间区间内各自对应的单位容量功率，与对应时间点的目标光伏电站单位容量功率之间的相对误差，当某一个时间点下目标光伏电站输出功率与最近的若干个光伏电站单位容量功率之间的相对误差均超过设定阈值时，判定当前时间点对应的单位容量功率为异常数据；
从目标光伏电站所在区域内的所有光伏电站中，选择基准光伏电站；选择基准光伏电站具体步骤包括：计算目标光伏电站与目标光伏电站所在区域内其他光伏电站的历史出力数据之间的皮尔逊相关系数，选择皮尔逊相关系数高于设定阈值的光伏电站作为基准光伏电站；
将目标光伏电站异常出力数据的发生时间点下所对应的基准光伏电站的出力数据，输入到预训练好的神经网络中，输出目标光伏电站异常出力数据的预测出力数据；利用预测出力数据替换掉异常出力数据。
2.如权利要求1所述的方法，其特征是，所述单位容量功率，是指某个时间点下，光伏电站的输出功率与光伏电站的在运容量的比值。
3.如权利要求1所述的方法，其特征是，将目标光伏电站异常出力数据的发生时间点下所对应的基准光伏电站的出力数据，输入到预训练好的神经网络中，输出目标光伏电站异常出力数据的预测出力数据；其中，预训练好的神经网络的训练步骤包括：
构建神经网络；
构建训练集；所述训练集，包括：同一个时间点下若干个基准光伏电站的历史出力数据和目标光伏电站的已知正常历史出力数据；
将训练集中的若干个基准光伏电站的历史出力数据作为神经网络的输入值，将训练集中的目标光伏电站的已知正常历史出力数据作为神经网络的输出值，对神经网络进行训练；
训练的过程中，当神经网络输出值的平均相对误差小于设定阈值时，停止训练，得到训练好的神经网络。
4.计及空间相关性的光伏电站出力数据的修正系统，用于实现权利要求1-3任一项权利要求所述的方法，其特征是，包括：
获取模块，其被配置为：获取目标光伏电站出力数据；
筛选模块，其被配置为：对目标光伏电站出力数据进行异常数据筛选；记录目标光伏电站异常出力数据的发生时间；
选择模块，其被配置为：从目标光伏电站所在区域内的所有光伏电站中，选择基准光伏电站；
修正模块，其被配置为：将目标光伏电站异常出力数据的发生时间点下所对应的基准光伏电站的出力数据，输入到预训练好的神经网络中，输出目标光伏电站异常出力数据的预测出力数据；利用预测出力数据替换掉异常出力数据。
5.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1-3任一项所述的方法。
6.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-3任一项所述的方法。
CN202011096717.2A 2020-10-14 2020-10-14 计及空间相关性的光伏电站出力数据的修正方法及系统 Active CN112200464B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011096717.2A CN112200464B (zh) 2020-10-14 2020-10-14 计及空间相关性的光伏电站出力数据的修正方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011096717.2A CN112200464B (zh) 2020-10-14 2020-10-14 计及空间相关性的光伏电站出力数据的修正方法及系统

Publications (2)

Publication Number Publication Date
CN112200464A CN112200464A (zh) 2021-01-08
CN112200464B true CN112200464B (zh) 2023-04-28

Family

ID=74008959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011096717.2A Active CN112200464B (zh) 2020-10-14 2020-10-14 计及空间相关性的光伏电站出力数据的修正方法及系统

Country Status (1)

Country Link
CN (1) CN112200464B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663513A (zh) * 2012-03-13 2012-09-12 华北电力大学 利用灰色关联度分析的风电场功率组合预测建模方法
CN103390902A (zh) * 2013-06-04 2013-11-13 国家电网公司 一种基于最小二乘法的光伏电站超短期功率预测方法
CN103912448A (zh) * 2014-04-25 2014-07-09 江苏龙源风力发电有限公司 一种区域风电场机组功率特性监测方法
CN106570593A (zh) * 2016-11-10 2017-04-19 甘肃省电力公司风电技术中心 一种基于天气信息的光伏电站出力数据修复方法
CN107945046A (zh) * 2016-10-12 2018-04-20 中国电力科学研究院 一种新能源电站出力数据修复方法及装置
CN107992520A (zh) * 2017-11-01 2018-05-04 广州供电局有限公司 一种基于用电行为轨迹的异常用电识别方法
CN108763250A (zh) * 2018-03-28 2018-11-06 国网江苏省电力有限公司无锡供电分公司 一种光伏电站监测数据修复方法
CN111177127A (zh) * 2019-12-09 2020-05-19 国网甘肃省电力公司电力科学研究院 一种基于bp神经网络的光伏电站出力数据修复方法
CN111191864A (zh) * 2018-11-15 2020-05-22 中国电力科学研究院有限公司 一种光伏出力数据修复方法及系统
CN111680820A (zh) * 2020-05-08 2020-09-18 国网河南省电力公司电力科学研究院 分布式光伏电站故障诊断方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109103926B (zh) * 2018-08-14 2020-01-03 清华大学 基于多辐照特性年气象场景的光伏发电接纳能力计算方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663513A (zh) * 2012-03-13 2012-09-12 华北电力大学 利用灰色关联度分析的风电场功率组合预测建模方法
CN103390902A (zh) * 2013-06-04 2013-11-13 国家电网公司 一种基于最小二乘法的光伏电站超短期功率预测方法
CN103912448A (zh) * 2014-04-25 2014-07-09 江苏龙源风力发电有限公司 一种区域风电场机组功率特性监测方法
CN107945046A (zh) * 2016-10-12 2018-04-20 中国电力科学研究院 一种新能源电站出力数据修复方法及装置
CN106570593A (zh) * 2016-11-10 2017-04-19 甘肃省电力公司风电技术中心 一种基于天气信息的光伏电站出力数据修复方法
CN107992520A (zh) * 2017-11-01 2018-05-04 广州供电局有限公司 一种基于用电行为轨迹的异常用电识别方法
CN108763250A (zh) * 2018-03-28 2018-11-06 国网江苏省电力有限公司无锡供电分公司 一种光伏电站监测数据修复方法
CN111191864A (zh) * 2018-11-15 2020-05-22 中国电力科学研究院有限公司 一种光伏出力数据修复方法及系统
CN111177127A (zh) * 2019-12-09 2020-05-19 国网甘肃省电力公司电力科学研究院 一种基于bp神经网络的光伏电站出力数据修复方法
CN111680820A (zh) * 2020-05-08 2020-09-18 国网河南省电力公司电力科学研究院 分布式光伏电站故障诊断方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种光伏系统短期功率预测模型;刘沛汉等;《电源技术》;20170220(第02期);全文 *
考虑电价激励需求响应下多主体微电网电源容量优化;马国龙等;《电力自动化设备》;20190508(第05期);全文 *

Also Published As

Publication number Publication date
CN112200464A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
Ahmed et al. An intelligent framework for short-term multi-step wind speed forecasting based on Functional Networks
Carpinone et al. Very short-term probabilistic wind power forecasting based on Markov chain models
CN110209560B (zh) 数据异常检测方法及检测装置
CN113657668A (zh) 基于lstm网络的电力负荷预测方法及系统
CN105468850A (zh) 基于多残差回归预测算法的电子产品退化趋势预测方法
CN111709569B (zh) 风电场输出功率预测修正方法及装置
KR20210017342A (ko) 과거 데이터에 기초한 시계열 예측 방법 및 장치
KR20210077474A (ko) 태양광 발전량 예측 장치 및 그 방법
CN116599050A (zh) 基于自注意力机制的光伏预测方法及相关装置
Zhang et al. Forecasting of electricity prices using deep learning networks
CN114330934A (zh) 一种模型参数自适应的gru新能源短期发电功率预测方法
CN116596044A (zh) 基于多源数据的发电负荷预测模型训练方法及装置
Bandong et al. Performance ratio estimation and prediction of solar power plants using machine learning to improve energy reliability
CN112200464B (zh) 计及空间相关性的光伏电站出力数据的修正方法及系统
CN116307632B (zh) 水电站经济负荷分配方法、装置、电子设备及存储介质
CN116562120A (zh) 一种基于rve的涡轮发动机系统健康状况评估方法及装置
Chen et al. Machine learning forecasts of Scandinavian numerical weather prediction wind model residuals with control theory for wind energy
CN115377967A (zh) 一种基于众数的电网可用输电能力计算方法及系统
CN111950811A (zh) 基于双层人工神经网络的区域光伏功率预测方法及系统
CN113627687A (zh) 一种基于arima-lstm组合模型的供水量预测方法
CN115826095B (zh) 地面气温预报方法、系统、终端及存储介质
CN118095575A (zh) 实时产能预测与优化生产计划系统及方法
CN117557293A (zh) 一种电力现货价格预测方法、装置以及系统
CN117593036A (zh) 氢气生产量的预测方法、装置、终端设备及存储介质
CN115936229A (zh) 新能源出力预测方法、装置、电子设备及存储介质

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