CN112561181A - 一种基于Unet网络和地基云图的光伏发电预测系统 - Google Patents
一种基于Unet网络和地基云图的光伏发电预测系统 Download PDFInfo
- Publication number
- CN112561181A CN112561181A CN202011521550.XA CN202011521550A CN112561181A CN 112561181 A CN112561181 A CN 112561181A CN 202011521550 A CN202011521550 A CN 202011521550A CN 112561181 A CN112561181 A CN 112561181A
- Authority
- CN
- China
- Prior art keywords
- power generation
- photovoltaic power
- prediction system
- model
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000010219 correlation analysis Methods 0.000 claims abstract description 7
- 238000011160 research Methods 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims abstract description 5
- 238000007637 random forest analysis Methods 0.000 claims abstract description 5
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 230000007613 environmental effect Effects 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004445 quantitative analysis Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 238000013210 evaluation model Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 11
- 230000018109 developmental process Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005684 electric field Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000000339 bright-field microscopy Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
本发明提出了一种基于Unet网络和地基云图的光伏发电预测系统,系统整体工作流程为,选用Xgboost算法及相关性分析方法,量化分析不同环境因素对光复功率的影响,选取合适的环境监测因素作为特征,用于表征天气及环境信息。下一步,通过相关性分析,选取主要影响因素,达到数据降维的效果。然后通过波动量分析及聚类算法,确定天气类型的划分及量化方法,针对不同的天气类型建立预测模型。接下来,基于Unet网络处理分析云图,并根据随机森林算法建立辐照度衰减模型。最后,结合上出研究结果,进行预测模型的建立,分别包括预测、评估及场群预测模型,本发明的光伏发电预测系统使得电场可以准确监控云量信息,并建立准确度更高的预测系统。
Description
技术领域
本发明属于光伏发电输出功率预测领域,涉及到地基云图处理与预测模型建立问题。
背景技术
我国集中并网式光伏的发展规模都已经达到了世界第一,接下来的技术发展道路重点要解决可持续发展的深层次问题。预计到2020年,我国部分省份可再生能源占发电总装机容量的比例将超过50%,能否有效解决资源逆向分布、不确定性、稳定性等问题是实现可再生能源发电规模化利用的关键。我国太阳能资源80%以上集中在西部地区,受资源与市场逆向分布的制约,我国可再生能源具有规模化集中开发、高比例远距离输送、随机波动幅度大、抗干扰和可控性弱等特点。以甘肃省为例,其属全国太阳能能资源丰富的省区之一。2020年在甘肃的太阳能发电达到1000万千瓦。因此,如何将大规模新能源安全稳定经济地输送出去是西北电网面临的一大问题。风电、光电等新能源的波动性对电网的安全稳定运行造成了严重影响。
目前光伏功率预测系统主要采用天气预报信息,建立物理模型或统计模型。使得模型准确度过于依赖天气预报数据的准确性,其中关于云量的实时数据更是难以做到较高的时间分辨率,并且现有云量检测的范围往往较大,针对单一电厂,结果往往并不准确。但是,云的随机运动往往或造成光伏面板接受辐照度的波动,从而造成输出功率在短时间内产生较大波动。所以,准确评估云量,建立预测模型,成为亟待解决的关键问题。
进入新世纪以来,化石能源短缺、环境污染严重和全球气候变化等问题日益突出,加快开发并利用风能、太阳能、生物质能等可再生能源,成为世界各国的共识加快发展可再生能源发电是国家能源和环境战略需求。光伏发电作为一种可再生能源,具有清洁、安全和高效的特点,越来越受到强烈关注。我国风电和集中并网式光伏的发展规模都已经达到了世界第一,接下来的技术发展道路重点要解决可持续发展的深层次问题。
光伏发电具有不稳定随机性高波动性大的特点,光伏基地所处地理环境复杂、不确定随机因素(天气等)突出、相离电站之间关联性密切以及相离光伏电站天气、云遮挡等,都会对光伏发电的功率输出造成较大波动。给光伏发电场及电场群理论出力及弃光建模和评估带来很大的困难。
而其中云的遮挡,是造成光伏功率输出波动性的主要因素之一。因此如何利用云图监测信息,建立更加准确的光伏发电预测系统,就成为了研究的重点之一。
发明内容
本发明开发了一种基于Unet网络和地基云图的光伏发电预测系统,使得电场可以准确监控云量信息,并建立准确度更高的预测系统。
技术问题
(1)随着摄像头技术的发展,电站采用低成本收集大量云图信息已经成为现实。但是云图数据作为图像数据,需要进行图像处理,才可以转化为时序数据融入到目前的预测模型中。随着深度网络的发展,采用机器视觉的方法,自动提取云量信息。
(2)由于影响光伏发电的因素众多,因此需要分析量化其对光伏功率的具体影响,以此作为依据,选择合适的环境参数构建预测模型。
(3)辐照度是影响光伏发电的主要因素,因此建立辐照度衰减模型可以辅助预测精度的提升。
(4)光伏预测系统分为物理预测模型及机器学习预测模型,除此外,在处理方式上分为直接预测模型及间接预测模型。在此考虑建立预测系统,融合多个预测模型。
技术方案
针对上述的技术背景和技术问题,本发明提出以下技术方案以实现基于Unet网络和地基云图的光伏发电预测系统:
如图1所示,系统整体工作流程为,选用Xgboost算法及相关性分析方法,量化分析不同环境因素对光复功率的影响,选取合适的环境监测因素作为特征,用于表征天气及环境信息。下一步,通过相关性分析,选取主要影响因素,达到数据降维的效果。然后通过波动量分析及聚类算法,确定天气类型的划分及量化方法,针对不同的天气类型建立预测模型。接下来,基于Unet网络处理分析云图,并根据随机森林算法建立辐照度衰减模型。最后,结合上出研究结果,进行预测模型的建立,分别包括预测、评估及场群预测模型。
与现有技术相比,本发明的技术效果为:
本专利为光伏电场建立了基于Unet网络及地基云图发电功率预测系统。
(1)利用Unet网络,对云图进行自动分割,得到云量信息。
(2)采用xgboost算法,对影响光伏发电功率的环境因素进行了量化研究。
(3)使用波动量分析及聚类算法,对复杂天气类型进行划分及量化分析。
(4)结合辐照度衰减模型,建立融合多个模型的光伏预测系统。
附图说明
图1为本发明的整体系统框架图;
图2为本发明的复杂天气类型划分流程图;
图3为本发明的云图处理流程图;
图4为本发明的unet网络结构图;
图5为本发明的辐照度衰减模型。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1-5所述,系统整体工作流程为,选用Xgboost算法及相关性分析方法,量化分析不同环境因素对光复功率的影响,选取合适的环境监测因素作为特征,用于表征天气及环境信息。下一步,通过相关性分析,选取主要影响因素,达到数据降维的效果。然后通过波动量分析及聚类算法,确定天气类型的划分及量化方法,针对不同的天气类型建立预测模型。接下来,基于Unet网络处理分析云图,并根据随机森林算法建立辐照度衰减模型。最后,结合上出研究结果,进行预测模型的建立,分别包括预测、评估及场群预测模型。
环境因素量分析
如图1所示,影响因素量化分析流程:首先采用CoFlux方法分析不同因素间的波动相关性,查看不同因素间的波动是否存在因果关系,以此可以得到不同因素间的变化规律。最后通过Person相关性计算,得到环境因素间耦合关系的变化,从而得到环境因素耦合关系的变化对功率的影响关系。在此基础上,采用Xgboost算法,对不同环境特征进行影响程度分析,从而得到影响光伏功率的主要环境因素,并且可以探明不同因素间的应先规律变化。
复杂天气类型的划分
采用波动量分析及聚类算法,划分不同的前提类型。
如图2所示,数据降维:采用皮尔逊相关系数计算方法,计算辐照度、温度等环境因素与光伏电站发电功率的相关性系数,选择相关性大的环境因素作为预测模型的输入数据。相关性系数计算公示为其中Cov(X,Y)为X与Y的协方差,Var[X]为X的方差,Var[Y]为Y的方差,r(X,Y)是变量X与Y的相关系数。
如图2所示,复杂天气类型划分:将环境监测数据根据月份的差异性划分为12个子集,这样可以避免环境数据季节性耦合关系的干扰。以各子集为单位进行标准化处理,将功率数据按照光照及月份时段数(N)划分为12*N个子集。在每个子集中,首先通过波动量分析,将天气类型划分为复杂天气类型及简单天气类型。简单天气类型中,通过聚类算法,将天气划分为晴/阴/雨三类。为了量化复杂天气类型对光伏功率所造成的衰减,建立晴空模型作为对照,复杂天气量化公式其中,r是复杂天气复杂程度的量化方法,Pt是实际输出功率,Pc是晴空模型计算得输出功率理论值。
如图2所示,晴空模型的建立:到达地表的直接辐射DNI随时间产生变化的根源在于太阳和地球相对地理位置的变化,在此基础上还受到云层遮挡、灰尘、气压等气象因素的干扰,因此预测DNI首先需要得到基于地理位置关系接收到的辐照度的理论值。晴空模型就是不考虑任何环境因素的影响,拟合出测点应该接收的理论辐照度。本发明采用的晴空模型是基于数据拟合的方法对太阳天顶角的余弦值及其幂级数进行线性回归。
同一地点不同时刻,太阳和地球的相对地理位置不同,同一时刻,在地球上不同的观测点太阳的相对高度和角度也不同。选用太阳高度角和太阳天顶角来描述太阳和测点的相对位置关系。高度角和天顶角可以通过经纬仪实际测得,但在光伏发电预测过程中,实测不能满足实时性,因此需要利用算法实现根据测点经纬度和时间自动计算几何参数。
高度角sin Ea=cos Za=sinφcosδcost;
方位角cos Aa=(sin Ea×sinφ-sinδ)÷cosφcosδcost。
由于在晴空模型中假设天空晴朗无云,地面辐照度主要受太阳光入射角度的影响,可以根据当地数据自行拟合系数对太阳天顶角的余弦值进行线性回归的方法,DNI由天顶角cos值的八次多项式给出:其中an是通过选取20天晴天数据,利用最小二乘法LSM拟合得到的系数矩阵。由此便可以得到理论辐照度,通过MATLB建模,便可以得到理论功率。
辐照度模型的建立
如图3所示,首先要对云图进行处理,部分卷积修复网络:部分卷积将卷积分为了输入图片的卷积和输入掩码mask的卷积。并且每次都使用更新后的mask,随着网络层数的增加,mask输出m'中为0的像素越来越少,输出的结果x'中有效区域的面积越来越大,mask对整体loss的影响会越来越小。卷积计算公式为:
其中W表示卷积层滤波器的权重,b表示卷积层滤波器的偏差,X表示输入的图片,M表示掩码mask,⊙表示element-wise点乘运算,x'表示输入图片经过卷积后的输出,x'表示输入掩码经过卷积后的输出。
如图3所示,云图分割网络:然后采用Unet深度网络,对云图进行分割,从而得到图像中包含云图的部分。Unet虽然是2015年诞生的模型,但它依旧是当前语义分割项目中应用最广的模型,kaggle上LB排名靠前的选手很多都是使用该模型。Unet与传统的语义分割网络FCN相比,同样采用了编码-反编码的结构。结构上比较大的改动在上采样阶段,上采样层也包括了很多层的特征。还有一个比FCN好的地方在于,Unet只需要一次训练,FCN需要三次训练。Unet最初出现时,被应用在生物医学图像的语义分割。特点是同普通深度网络动辄需要数千个带注释的训练样本相比,文献[17]提出了图像增强的方法,有效扩充可使用的数据样本,使得Unet不再需要动辄数千的数据样本。这种网络可以从非常少的图像端到端地进行训练,并且优于ISBI挑战中的先前最佳方法(滑动窗口卷积网络),用于电子显微镜堆叠中的神经元结构的分割。使用在透射光显微镜图像(相位对比和DIC)上训练的相同网络,在这些类别中大幅度赢得了2015年ISBI细胞追踪挑战。此外,网络很快。在最近的GPU上,512x512图像的分割不到一秒钟。
如图3所示,图像畸变修复:不过由于鱼眼摄像会带来图像畸变,所以此时得到的云图还是带有畸变误差的,需要对其进行修正从而得到准确的云量信息。畸变的修正方法采用几何计算方法,引入畸变修正参数。从而可以得到较为准确的云量数据。
如图1所示,辐照度衰减模型:接下来建立辐照度衰减模型,采用随机森林算法,如图5所示,其中,表示t0时刻的云图数据,表示t0时刻计算得到的云量信息,表示t0时间点的功率真实值,表示t0时间点的功率预测值。
如图1所示,预测系统的建立:首先,在辐照度预测衰减的基础上,采用仿真建模的方式,建立物理间接预测模型。随后建立基于LSTM算法的间接统计预测模型。最后建立基于环境数据与LSTM算法的直接预测模型。最后,为了融合多个模型,采用融合策略,融合不同模型的结果,得到准确的高的光伏预测结果。
Claims (5)
1.一种基于Unet网络和地基云图的光伏发电预测系统,其特征在于,所述光伏发电预测系统工作流程为,第一步进行环境量化分析,第二步进行复杂天气类型的划分,第三步进行辐照度模型的建立,最后结合以上研究结果进行预测系统的建立。
2.根据权利要求1所述的光伏发电预测系统,其特征在于,所述环境量化分析为,选用Xgboost算法及相关性分析方法,量化分析不同环境因素对光复功率的影响,选取合适的环境监测因素作为特征,用于表征天气及环境信息。
3.根据权利要求1所述的光伏发电预测系统,其特征在于,所述复杂天气类型的划分为,通过相关性分析,选取主要影响因素,达到数据降维的效果;后通过波动量分析及聚类算法,确定天气类型的划分及量化方法,针对不同的天气类型建立预测模型。
4.根据权利要求1所述的光伏发电预测系统,其特征在于,所述辐照度模型的建立为,基于Unet网络处理分析云图,并根据随机森林算法建立辐照度衰减模型。
5.根据权利要求1所述的光伏发电预测系统,其特征在于,所述预测系统的建立包括预测、评估及场群预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011521550.XA CN112561181A (zh) | 2020-12-21 | 2020-12-21 | 一种基于Unet网络和地基云图的光伏发电预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011521550.XA CN112561181A (zh) | 2020-12-21 | 2020-12-21 | 一种基于Unet网络和地基云图的光伏发电预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112561181A true CN112561181A (zh) | 2021-03-26 |
Family
ID=75030706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011521550.XA Pending CN112561181A (zh) | 2020-12-21 | 2020-12-21 | 一种基于Unet网络和地基云图的光伏发电预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561181A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076865A (zh) * | 2021-03-31 | 2021-07-06 | 国能日新科技股份有限公司 | 基于天空拍照图像和卫星云图反演辐照度的方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779154A (zh) * | 2016-11-22 | 2017-05-31 | 浙江工业大学 | 基于卫星云图的区域分布式光伏出力预测方法 |
CN110516844A (zh) * | 2019-07-25 | 2019-11-29 | 太原理工大学 | 基于emd-pca-lstm的多变量输入光伏功率预测方法 |
CN110929953A (zh) * | 2019-12-04 | 2020-03-27 | 国网山东省电力公司电力科学研究院 | 基于聚类分析的光伏电站超短期出力预测方法 |
CN111260206A (zh) * | 2020-01-14 | 2020-06-09 | 中国计量大学 | 一种光伏发电影响因素评价模型、构建方法及应用 |
-
2020
- 2020-12-21 CN CN202011521550.XA patent/CN112561181A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779154A (zh) * | 2016-11-22 | 2017-05-31 | 浙江工业大学 | 基于卫星云图的区域分布式光伏出力预测方法 |
CN110516844A (zh) * | 2019-07-25 | 2019-11-29 | 太原理工大学 | 基于emd-pca-lstm的多变量输入光伏功率预测方法 |
CN110929953A (zh) * | 2019-12-04 | 2020-03-27 | 国网山东省电力公司电力科学研究院 | 基于聚类分析的光伏电站超短期出力预测方法 |
CN111260206A (zh) * | 2020-01-14 | 2020-06-09 | 中国计量大学 | 一种光伏发电影响因素评价模型、构建方法及应用 |
Non-Patent Citations (2)
Title |
---|
RUNJIE SHEN等: "Ultra-short-term prediction method of photovoltaic electric field power based on ground-based cloud image segmentation", 《E3S WEB OF CONFERENCES》, vol. 185, pages 1 - 7 * |
马明 等: "复杂天气类型划分及影响光伏发电功率程度的量化方法", 《系统仿真技术》, vol. 16, no. 04, pages 226 - 230 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076865A (zh) * | 2021-03-31 | 2021-07-06 | 国能日新科技股份有限公司 | 基于天空拍照图像和卫星云图反演辐照度的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | A city-scale estimation of rooftop solar photovoltaic potential based on deep learning | |
Sun et al. | Estimating the spatial distribution of solar photovoltaic power generation potential on different types of rural rooftops using a deep learning network applied to satellite images | |
Kurokawa | Energy from the desert: practical proposals for very large scale photovoltaic systems | |
Yu et al. | Reassessment of the potential for centralized and distributed photovoltaic power generation in China: On a prefecture-level city scale | |
WO2023201552A1 (en) | County-wide photovoltaic prediction method based on cluster division and data enhancement | |
Nguyen et al. | Automated quantification of solar photovoltaic potential in cities Overview: A new method to determine a city's solar electric potential by analysis of a distribution feeder given the solar exposure and orientation of rooftops. | |
Jiang et al. | Geospatial assessment of rooftop solar photovoltaic potential using multi-source remote sensing data | |
CN104021427A (zh) | 一种基于因子分析的并网光伏电站日发电量预测方法 | |
CN114881399B (zh) | 一种基于gf7遥感影像的光伏发电潜力与经济性评估方法 | |
CN110264002B (zh) | 基于聚类分析的风电场微观选址方案评价方法 | |
CN103440598A (zh) | 一种基于dem数据的山地光伏电站选址方法 | |
Kurokawa | Energy from the Desert: Feasibility of Very Large Scale Power Generation (VLS-PV) Systems | |
Polo et al. | Typical Meteorological Year methodologies applied to solar spectral irradiance for PV applications | |
CN114021741A (zh) | 一种基于深度学习的光伏电池板巡检方法 | |
CN111985678A (zh) | 一种光伏功率短期预测方法 | |
CN115358151A (zh) | 一种数值天气预报近地层风速产品的订正方法 | |
Wang et al. | PVNet: A novel semantic segmentation model for extracting high-quality photovoltaic panels in large-scale systems from high-resolution remote sensing imagery | |
CN115660367A (zh) | 一种基于gis技术的光伏发电站前期宏观选址方法 | |
Chen et al. | An estimation framework of regional rooftop photovoltaic potential based on satellite remote sensing images. | |
Yang et al. | Fast simulation modeling and multiple-PS fault diagnosis of the PV array based on I–V curve conversion | |
Özdemir et al. | SPAN: An open-source plugin for photovoltaic potential estimation of individual roof segments using point cloud data | |
CN112561181A (zh) | 一种基于Unet网络和地基云图的光伏发电预测系统 | |
Li et al. | Evaluation index system for photovoltaic systems statistical characteristics under hazy weather conditions in central China | |
Wang et al. | Neural network based irradiance mapping model of solar PV power forecasting using sky image | |
Chen et al. | City-scale solar PV potential estimation on 3D buildings using multi-source RS data: A case study in Wuhan, China |
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 |