CN112580862A - 一种分布式光伏系统短期实时发电功率的预测方法及装置 - Google Patents

一种分布式光伏系统短期实时发电功率的预测方法及装置 Download PDF

Info

Publication number
CN112580862A
CN112580862A CN202011442813.8A CN202011442813A CN112580862A CN 112580862 A CN112580862 A CN 112580862A CN 202011442813 A CN202011442813 A CN 202011442813A CN 112580862 A CN112580862 A CN 112580862A
Authority
CN
China
Prior art keywords
power
data
time
target
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.)
Pending
Application number
CN202011442813.8A
Other languages
English (en)
Inventor
樊涛
马大燕
谢祥颖
王栋
那峙雄
马晓光
骆欣
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
State Grid Tianjin Electric Power Co Ltd
State Grid E Commerce Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid E Commerce 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, State Grid E Commerce Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011442813.8A priority Critical patent/CN112580862A/zh
Publication of CN112580862A publication Critical patent/CN112580862A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种分布式光伏系统短期实时发电功率的预测方法及装置，基于国网新能源云平台获取目标光伏电站在第一预设时间段的携带有时间戳的历史功率数据，通过对历史功率数据进行异常值剔除和缺失值补缺得到目标历史功率数据，对目标历史功率数据进行数据归一化处理并输入至构建的长短期记忆网络LSTM模型，得到光伏发电功率预测值，通过对光伏发电功率预测值进行反归一化求解，得到目标光伏电站的实时发电功率预测值。本发明在缺乏地面环境检测数据的前提下，采用基于长短期记忆网络的光伏发电功率预测方法，结合历史功率数据实现了对配电网0.4kV分布式光伏系统短期实时发电功率的预测。

Description

一种分布式光伏系统短期实时发电功率的预测方法及装置
技术领域
本发明涉及分布式光伏系统技术领域，更具体的说，涉及一种分布式光伏系统短期实时发电功率的预测方法及装置。
背景技术
分布式光伏发电特指在用户场地附近建设，运行方式以用户侧自发自用、多余电量上网，且在配电系统平衡调节为特征的光伏发电设施。分布式光伏发电以投资小、回报周期短等优点，在近年来得到了爆发式增长，尤其是配电网0.4kV分布式光伏系统。
但是，由于配电网0.4kV分布式光伏系统具有散点多、分布广和增长快的特点，且因为成本等原因，使得目前无法对0.4kV光伏发电采集器进行集中监控，导致对于配电网0.4kV分布式光伏系统短期实时发电功率无法进行预测，这对于10kV及以上配电网的安全运行及稳定性都造成了极大的挑战。
发明内容
有鉴于此，本发明公开一种分布式光伏系统短期实时发电功率的预测方法及装置，以实现在缺乏地面环境检测数据的前提下，采用基于长短期记忆网络的光伏发电功率预测方法，结合历史功率数据实现对分布式光伏系统短期实时发电功率的预测，由于目标光伏电站包括配电网0.4kV分布式光伏系统，因此，本发明可以对配电网0.4kV分布式光伏系统短期实时发电功率进行预测，从而为10kV及以上配电网的安全运行及稳定性提供了数据支持。
一种分布式光伏系统短期实时发电功率的预测方法，包括：
基于国网新能源云平台获取目标光伏电站在第一预设时间段的携带有时间戳的历史功率数据，所述目标光伏电站包括：配电网0.4kV分布式光伏系统；
对所述历史功率数据进行异常值剔除和缺失值补缺，得到目标历史功率数据；
对所述目标历史功率数据进行数据归一化处理，得到时间序列格式的归一化历史功率数据；
将所述归一化历史功率数据输入至构建的长短期记忆网络LSTM模型，得到光伏发电功率预测值；
对所述光伏发电功率预测值进行反归一化求解，得到所述目标光伏电站的实时发电功率预测值。
可选的，对所述历史功率数据进行缺失值补缺的过程包括：
查找所述缺失值最邻近的k个历史功率数据，对所述k个历史功率数据计算平均值，并用所述平均值替代所述缺失值。
可选的，对所述目标历史功率数据进行数据归一化处理时采用的归一化公式如下：
Figure BDA0002823049020000021
式中，xi为归一化前的功率值，yi为归一化后的功率值，xmin为样本数据最小值，xmax为样本数据最大值。
可选的，还包括：
基于所述国网新能源云平台采用变压器编号筛选与所述目标光伏电站同台区所有的集中式光伏电站；
根据每个所述集中式光伏电站的装机容量，在不限电条件下，计算每个所述集中式光伏电站在单个采集时间间隔内的平均出力系数；
从所有的所述集中式光伏电站中筛选出在第二预设时间段内平均出力系数最大的集中式光伏电站作为标杆电站；
在目标电站出力正常的情况下，获取所述目标电站在预设统计时间前一天的单位容量平均日发电量和相同时间段所述标杆电站单位容量平均日发电量的比值；
确定所述标杆电站的实时发电功率预测值；
根据所述比值以及所述标杆电站的实时发电功率预测值，得到所述目标电站在预设统计时间当天的实时发电功率预测值。
可选的，所述平均出力系数的计算公式如下：
Figure BDA0002823049020000031
式中，
Figure BDA0002823049020000032
为所述平均出力系数，T为单个采集时间间隔，Pi为第i个集中式光伏电站在单个采集时间间隔T内任意瞬时实际出力，Ci为集中式光伏电站的装机容量。
可选的，所述根据所述比值以及所述标杆电站的实时发电功率预测值，得到所述目标电站在预设统计时间当天的实时发电功率预测值，具体包括：
Pi'＝Pi标杆×λ；
式中，Pi'为所述目标电站在预设统计时间当天的实时发电功率预测值，Pi标杆为所述标杆电站的实时发电功率预测值，λ为所述比值。
一种分布式光伏系统短期实时发电功率的预测装置，包括：
数据获取单元，用于基于国网新能源云平台获取目标光伏电站在第一预设时间段的携带有时间戳的历史功率数据，所述目标光伏电站包括：配电网0.4kV分布式光伏系统；
数据处理单元，用于对所述历史功率数据进行异常值剔除和缺失值补缺，得到目标历史功率数据；
归一化单元，用于对所述目标历史功率数据进行数据归一化处理，得到时间序列格式的归一化历史功率数据；
输入单元，用于将所述归一化历史功率数据输入至构建的长短期记忆网络LSTM模型，得到光伏发电功率预测值；
求解单元，用于对所述光伏发电功率预测值进行反归一化求解，得到所述目标光伏电站的实时发电功率预测值。
可选的，所述数据处理单元具体用于：
查找所述缺失值最邻近的k个历史功率数据，对所述k个历史功率数据计算平均值，并用所述平均值替代所述缺失值。
可选的，对所述目标历史功率数据进行数据归一化处理时采用的归一化公式如下：
Figure BDA0002823049020000041
式中，xi为归一化前的功率值，yi为归一化后的功率值，xmin为样本数据最小值，xmax为样本数据最大值。
可选的，还包括：
第一筛选单元，用于基于所述国网新能源云平台采用变压器编号筛选与所述目标光伏电站同台区所有的集中式光伏电站；
计算单元，用于根据每个所述集中式光伏电站的装机容量，在不限电条件下，计算每个所述集中式光伏电站在单个采集时间间隔内的平均出力系数；
第二筛选单元，用于从所有的所述集中式光伏电站中筛选出在第二预设时间段内平均出力系数最大的集中式光伏电站作为标杆电站；
比值获取单元，用于在目标电站出力正常的情况下，获取所述目标电站在预设统计时间前一天的单位容量平均日发电量和相同时间段所述标杆电站单位容量平均日发电量的比值；
第一预测值确定单元，用于确定所述标杆电站的实时发电功率预测值；
第二预测值确定单元，用于根据所述比值以及所述标杆电站的实时发电功率预测值，得到所述目标电站在预设统计时间当天的实时发电功率预测值。
可选的，所述平均出力系数的计算公式如下：
Figure BDA0002823049020000042
式中，
Figure BDA0002823049020000043
为所述平均出力系数，T为单个采集时间间隔，Pi为第i个集中式光伏电站在单个采集时间间隔T内任意瞬时实际出力，Ci为集中式光伏电站的装机容量。
可选的，所述第二预测值确定单元具体用于根据如下公式计算得到所述目标电站在预设统计时间当天的实时发电功率预测值：
Pi'＝Pi标杆×λ；
式中，Pi'为所述目标电站在预设统计时间当天的实时发电功率预测值，Pi标杆为所述标杆电站的实时发电功率预测值，λ为所述比值。
从上述的技术方案可知，本发明公开了一种分布式光伏系统短期实时发电功率的预测方法及装置，基于国网新能源云平台获取目标光伏电站在第一预设时间段的携带有时间戳的历史功率数据，通过对历史功率数据进行异常值剔除和缺失值补缺得到目标历史功率数据，对目标历史功率数据进行数据归一化处理并输入至构建的长短期记忆网络LSTM模型，得到光伏发电功率预测值，通过对光伏发电功率预测值进行反归一化求解，得到目标光伏电站的实时发电功率预测值。由此可以看出，本发明可以在缺乏地面环境检测数据的前提下，采用基于长短期记忆网络的光伏发电功率预测方法，结合历史功率数据实现了对分布式光伏系统短期实时发电功率的预测，由于目标光伏电站包括配电网0.4 kV分布式光伏系统，因此，本发明可以对配电网0.4 kV分布式光伏系统短期实时发电功率进行预测，从而为10 kV及以上配电网的安全运行及稳定性提供了数据支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，下面描述中的附图仅仅是本发明的实施例，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，还可以根据公开的附图获得其他的附图。
图1为本发明实施例公开的一种分布式光伏系统短期实时发电功率的预测方法流程图；
图2为本发明实施例公开的另一种分布式光伏系统短期实时发电功率的预测方法流程图；
图3为本发明实施例公开的一种分布式光伏系统短期实时发电功率的预测装置的结构示意图；
图4为本发明实施例公开的另一种分布式光伏系统短期实时发电功率的预测装置的结构示意图。
具体实施方式
分布式光伏点多面广、容量小，一般以10kV、380kv电压等级接入配电网。根据《分布式电源接入配电网技术规定》等要求，通过380V-10(6)kV电压等级并网的分布式光伏发电站需上传电力调度部门包括并网点电压、电流、有功功率、无功功率、功率因数、发电量、逆变器发电电流、电压和发电量等信息，预留上传并网点开关状态能力。目前，分布式光伏快速发展，分布式光伏的大规模接入电网给电网调峰、安全备用、电压稳定和频率安全稳定等方面增加了一定的难度。
目前，国网调度中心未实现分布式光伏数据接入的全覆盖，且数据采集不完整，频度低，这给电网运行监测、电力电量统计及负荷预测带来了一定难度。为加强分布式光伏的数据采集和统计管理工作，国调中心要求基于营销用采系统、国网光伏云网、无线公网/专网等数据采集方式，将分布式光伏数据接入调度自动化系统，尚未实现数据接入的，可通过适当算法估算实现在运分布式光伏的数据接入。同时要求在分布式光伏规模较大，装机超过电网负荷1％的地区，地调要求实现分布式光伏运行监测和功率预测。
相较于大规模集中式电站，分布式光伏规模小，投资小，大多数电站缺乏地面气象站实时监测环境数据及未来气象预测数据。很多中小型的分布式光伏电站缺乏采集监测管理系统，这些都为分布式光伏电站的实时发电功率预测带来了一定的难度。
基于此，本发明公开了一种分布式光伏系统短期实时发电功率的预测方法及装置，基于国网新能源云平台获取目标光伏电站在第一预设时间段的携带有时间戳的历史功率数据，通过对历史功率数据进行异常值剔除和缺失值补缺得到目标历史功率数据，对目标历史功率数据进行数据归一化处理并输入至构建的长短期记忆网络LSTM模型，得到光伏发电功率预测值，通过对光伏发电功率预测值进行反归一化求解，得到目标光伏电站的实时发电功率预测值。由此可以看出，本发明可以在缺乏地面环境检测数据的前提下，采用基于长短期记忆网络的光伏发电功率预测方法，结合历史功率数据实现了对分布式光伏系统短期实时发电功率的预测，由于目标光伏电站包括配电网0.4kV分布式光伏系统，因此，本发明可以对配电网0.4kV分布式光伏系统短期实时发电功率进行预测，从而为10kV及以上配电网的安全运行及稳定性提供了数据支持。
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，本发明实施例公开的一种分布式光伏系统短期实时发电功率的预测方法流程图，该方法包括：
步骤S101、基于国网新能源云平台获取目标光伏电站在第一预设时间段的携带有时间戳的历史功率数据；
其中，目标光伏电站包括：配电网0.4kV分布式光伏系统。
第一预设时间段可以为：从预测日起至预测日之前14个月。
在本实施例中，历史功率数据可以为：从营销信息采集系统采集的T-1天，15min/次，96点/天数据。
在实际应用中，可以基于国网新能源云平台从各网省营销基础数据平台同步的国网范围内获取目标光伏电站在第一预设时间段的携带有时间戳的历史功率数据。
国网新能源云平台作为全国最大的新能源发电系统监控运营平台，目前已实现了国网经营范围内120多万户分布式光伏电站的接入。它从各网省营销基础数据平台通过ETL(Extract TransformLoad，数据仓库技术)抽取的光伏相关数据，包括电站基本信息、功率、发电量及结算相关等数据，目前主要应用于线上报装、并网结算等业务。国网新能源云根据各地区营销用电信息采集系统上传数据类型、采集频度不同而不同，如江苏、浙江、山东等全国大部分地区营销用电信息采集系统已实现采集频度15min/次，T-1全天96点数据采集。而小部分地区如湖北、甘肃、青海等目前仍按照T-1全天24h日发电量单点来采集。
步骤S102、对所述历史功率数据进行异常值剔除和缺失值补缺，得到目标历史功率数据；
其中，历史功率数据中的异常值包括：小于零的数据以及与邻近数据偏差值大于偏差阈值的数据。
本实施例中，对历史功率数据进行缺失值补缺包括：对历史功率数据采用k近邻补全算法对缺失值进行补缺。
具体的，当历史功率数据存在缺失值时，查找到所述缺失值最邻近的k个历史功率数据，对所述k个历史功率数据计算平均值，并用所述平均值替代所述缺失值。
在实际应用中，可以利用公式(1)所示的欧式距离法计算缺失值邻近的历史功率数据与缺失值之间的距离d(Xi,Xy)，公式(1)如下：
Figure BDA0002823049020000081
式中，Xi＝{xi1,xi2,xi3,…xir..,xim}为第i个历史功率数据的前m维数据，Xj＝{xj1,xj2,xj3,..xjr…xjm}为第j个历史功率数据的前m维数据。
步骤S103、对所述目标历史功率数据进行数据归一化处理，得到时间序列格式的归一化历史功率数据；
本实施例中，对目标历史功率数据进行数据归一化处理后，将得到的归一化历史功率数据控制在[0，1]区间，归一化公式如公式(2)所示：
Figure BDA0002823049020000082
式中，xi为归一化前的功率值，yi为归一化后的功率值，xmin为样本数据最小值，xmax为样本数据最大值。
需要特别说明的是，得到的归一化历史功率数据的格式为构建的LSTM(LongShort-TermMemory，长短期记忆网络)模型能够识别的格式，也即时间序列格式。
步骤S104、将所述归一化历史功率数据输入至构建的LSTM模型，得到光伏发电功率预测值；
LSTM模型是一种时间递归神经网络，适合用来处理时间序列数据，在时间序列的预测问题中表现尤为突出。
LSTM模型的构建过程如下：
1)搭建LSTM网络并设置LSTM网络参数；
在搭建LSTM网络时，选择一个LSTM作为首层，经过深度学习(dropout)操作，再经过一个全连接层作为输出层。
LSTM网络参数可以包括：神经网络层层数(例如，50)、训练块大小(例如500)和学习率(例如0.001)。
2)设置LSTM网络的输入特征和输出特征；
LSTM网络的输入特征包括：历史时刻值，历史时刻对应的电流、电压、和功率值，输出特征包括：下一时刻即T时刻功率值。
在实际应用中，可以选择滑动窗口，数据每天采样点数为96，本实施例以48个历史功率数据作为一个批处理(Batch)来用于预测，每个历史功率数据具有5个特征，输入层维度为48*5，输出层采用单输出LSTM的预测模型，维数为1。
3)在建立LSTM模型后，采用RMSE(Root Mean Square Error，均方根误差)方法对LSTM模型的预测精度进行验证，并根据验证结果调整LSTM模型参数，直至LSTM模型的预测精度满足预设精度需求。
其中，均方根误差值的表达式如公式(3)所示：
Figure BDA0002823049020000091
式中，εRMSE为均方根误差值，n为历史功率数据个数，Pi为光伏电站的实时发电功率预测值，P实际i为光伏电站的功率实际值。
步骤S105、对所述光伏发电功率预测值进行反归一化求解，得到所述目标光伏电站的实时发电功率预测值。
本实施例中，目标光伏电站的实时发电功率预测值具体可以为：目标光伏电站T天15min/点实时发电功率预测值。
需要说明的是，在实际应用中，当国网新能源云中还存储有同区域网格气象监测数据时，本实施例除了获取历史功率数据外，还可以获取同区域网格气象检测数据，同区域网格气象检测数据可以包括：辐照度、温度、湿度和风速，同区域网格气象检测数据的处理过程同历史功率数据的处理过程。
综上可知，本发明公开的分布式光伏系统短期实时发电功率的预测方法，基于国网新能源云平台获取目标光伏电站在第一预设时间段的携带有时间戳的历史功率数据，通过对历史功率数据进行异常值剔除和缺失值补缺得到目标历史功率数据，对目标历史功率数据进行数据归一化处理并输入至构建的长短期记忆网络LSTM模型，得到光伏发电功率预测值，通过对光伏发电功率预测值进行反归一化求解，得到目标光伏电站的实时发电功率预测值。由此可以看出，本发明可以在缺乏地面环境检测数据的前提下，采用基于长短期记忆网络的光伏发电功率预测方法，结合历史功率数据实现了对分布式光伏系统短期实时发电功率的预测，由于目标光伏电站包括配电网0.4kV分布式光伏系统，因此，本发明可以对配电网0.4kV分布式光伏系统短期实时发电功率进行预测，从而为10kV及以上配电网的安全运行及稳定性提供了数据支持。
图1所示实施例示出了基于国网新能源云从营销基础平台同步的T-1天，15min/次，96点/天的分布式光伏系统的实时功率预测过程，在图1所示实施例的基础上，本发明还提供了基于国网新能源云从营销基础平台同步的T-1天，全天单点采集日发电量的分布式光伏系统的实时功率预测过程。
为进一步优化上述实施例，参见图2，本发明实施例公开的另一种分布式光伏系统短期实时发电功率的预测方法流程图，该方法包括：
步骤S201、基于国网新能源云平台采用变压器编号筛选与目标光伏电站同台区所有的集中式光伏电站；
需要说明的是，集中式光伏电站也即有效电站。
其中，国网新能源云平台同步国调中心T-1天集中式光伏电站上报调度中心15min/次，96点/天出力数据。
步骤S202、根据每个所述集中式光伏电站的装机容量，在不限电条件下，计算每个所述集中式光伏电站在单个采集时间间隔内的平均出力系数；
其中，平均出力系数的计算公式如公式(4)所示：
Figure BDA0002823049020000111
式中，
Figure BDA0002823049020000112
为平均出力系数，T为单个采集时间间隔，Pi为第i个集中式光伏电站在单个采集时间间隔T内任意瞬时实际出力，Ci为集中式光伏电站的装机容量。
步骤S203、从所有的所述集中式光伏电站中筛选出在第二预设时间段内平均出力系数最大的集中式光伏电站作为标杆电站；
具体的，在实际应用中，在第二预设时间段内，对各个集中式光伏电站的平均出力系数按照数值由大到小的顺序进行排名，筛选出平均出力系数最大的集中式光伏电站作为标杆电站。
步骤S204、在目标电站出力正常的情况下，获取所述目标电站在预设统计时间前一天的单位容量平均日发电量和相同时间段所述标杆电站单位容量平均日发电量的比值；
其中，比值的计算公式如公式(5)所示：
Figure BDA0002823049020000113
式中，λ为所述比值，Cap为目标电站装机容量，Cap标准为标杆电站装机容量，
Figure BDA0002823049020000114
为目标电站在预设统计时间T-1天的平均日发电量，
Figure BDA0002823049020000115
为标杆电站在预设统计时间T-1天的平均日发电量。
步骤S205、确定所述标杆电站的实时发电功率预测值；
具体的，在实际应用中，采用图1所示的实施例得到标杆电站的实时发电功率预测值，标杆电站的实时发电功率预测值的计算过程详见图1所示实施例，此处不再赘述。
步骤S206、根据所述比值以及所述标杆电站的实时发电功率预测值，得到所述目标电站在预设统计时间当天的实时发电功率预测值。
其中，预设统计时间当前也即第T天，T为正整数。
所述目标电站第T天的实时发电功率预测值的计算公式如下所示：
Pi'＝Pi标杆×λ(6)；
式中，Pi'为所述目标电站在预设统计时间当天的实时发电功率预测值，Pi标杆为所述标杆电站的实时发电功率预测值，λ为所述比值。
综上可知，本发明公开的分布式光伏系统短期实时发电功率的预测方法，基于国网新能源云平台采用变压器编号筛选与目标光伏电站同台区所有的集中式光伏电站，根据每个集中式光伏电站的装机容量确定每个集中式光伏电站在单个采集时间间隔内的平均出力系数，并将平均出力系数最大的作为标杆电站，基于标杆电站的实时发电功率预测值以及目标电站在预设统计时间前一周的单位容量平均日发电量和相同时间段所述标杆电站单位容量日发电量的比值，得到目标电站第T天的实时发电功率预测值。由于目标光伏电站包括配电网0.4kV分布式光伏系统，因此，本发明可以对配电网0.4kV分布式光伏系统短期实时发电功率进行预测，从而为10kV及以上配电网的安全运行及稳定性提供了数据支持。
与上述方法实施例相对应，本发明还公开了一种分布式光伏系统短期实时发电功率的预测装置。
参见图3，本发明实施例公开的一种分布式光伏系统短期实时发电功率的预测装置的结构示意图，该装置包括：
数据获取单元301，用于基于国网新能源云平台获取目标光伏电站在第一预设时间段的携带有时间戳的历史功率数据，所述目标光伏电站包括：配电网0.4kV分布式光伏系统；
第一预设时间段可以为：从预测日起至预测日之前14个月。
在本实施例中，历史功率数据可以为：从营销信息采集系统采集的T-1天，15min/次，96点/天数据。
在实际应用中，可以基于国网新能源云平台从各网省营销基础数据平台同步的国网范围内获取目标光伏电站在第一预设时间段的携带有时间戳的历史功率数据。
数据处理单元302，用于对所述历史功率数据进行异常值剔除和缺失值补缺，得到目标历史功率数据；
其中，历史功率数据中的异常值包括：小于零的数据以及与邻近数据偏差值大于偏差阈值的数据。
本实施例中，对历史功率数据进行缺失值补缺包括：对历史功率数据采用k近邻补全算法对缺失值进行补缺。
数据处理单元302具体用于：
查找所述缺失值最邻近的k个历史功率数据，对所述k个历史功率数据计算平均值，并用所述平均值替代所述缺失值。
具体的，当历史功率数据存在缺失值时，查找到所述缺失值最邻近的k个历史功率数据，对所述k个历史功率数据计算平均值，并用所述平均值替代所述缺失值。
在实际应用中，可以利用公式(1)所示的欧式距离法计算缺失值邻近的历史功率数据与缺失值之间的距离d(Xi,Xy)，公式(1)如下：
Figure BDA0002823049020000131
式中，Xi＝{xi1,xi2,xi3,…xir..,xim}为第i个历史功率数据的前m维数据，Xj＝{xj1,xj2,xj3,..xjr…xjm}为第j个历史功率数据的前m维数据。
归一化单元303，用于对所述目标历史功率数据进行数据归一化处理，得到时间序列格式的归一化历史功率数据；
本实施例中，对目标历史功率数据进行数据归一化处理后，将得到的归一化历史功率数据控制在[0，1]区间，归一化公式如公式(2)所示：
Figure BDA0002823049020000132
式中，xi为归一化前的功率值，yi为归一化后的功率值，xmin为样本数据最小值，xmax为样本数据最大值。
输入单元304，用于将所述归一化历史功率数据输入至构建的长短期记忆网络LSTM模型，得到光伏发电功率预测值；
求解单元305，用于对所述光伏发电功率预测值进行反归一化求解，得到所述目标光伏电站的实时发电功率预测值。
本实施例中，目标光伏电站的实时发电功率预测值具体可以为：目标光伏电站T天15min/点实时发电功率预测值。
需要说明的是，在实际应用中，当国网新能源云中还存储有同区域网格气象监测数据时，本实施例除了获取历史功率数据外，还可以获取同区域网格气象检测数据，同区域网格气象检测数据可以包括：辐照度、温度、湿度和风速，同区域网格气象检测数据的处理过程同历史功率数据的处理过程。
综上可知，本发明公开的分布式光伏系统短期实时发电功率的预测装置，基于国网新能源云平台获取目标光伏电站在第一预设时间段的携带有时间戳的历史功率数据，通过对历史功率数据进行异常值剔除和缺失值补缺得到目标历史功率数据，对目标历史功率数据进行数据归一化处理并输入至构建的长短期记忆网络LSTM模型，得到光伏发电功率预测值，通过对光伏发电功率预测值进行反归一化求解，得到目标光伏电站的实时发电功率预测值。由此可以看出，本发明可以在缺乏地面环境检测数据的前提下，采用基于长短期记忆网络的光伏发电功率预测方法，结合历史功率数据实现了对分布式光伏系统短期实时发电功率的预测，由于目标光伏电站包括配电网0.4kV分布式光伏系统，因此，本发明可以对配电网0.4kV分布式光伏系统短期实时发电功率进行预测，从而为10kV及以上配电网的安全运行及稳定性提供了数据支持。
为进一步优化上述实施例，参见图4，本发明另一实施例公开的一种分布式光伏系统短期实时发电功率的预测装置的结构示意图，该装置包括：
第一筛选单元401，用于基于所述国网新能源云平台采用变压器编号筛选与所述目标光伏电站同台区所有的集中式光伏电站；
需要说明的是，集中式光伏电站也即有效电站。
其中，国网新能源云平台同步国调中心T-1天集中式光伏电站上报调度中心15min/次，96点/天出力数据。
计算单元402，用于根据每个所述集中式光伏电站的装机容量，在不限电条件下，计算每个所述集中式光伏电站在单个采集时间间隔内的平均出力系数；
其中，平均出力系数的计算公式如公式(4)所示：
Figure BDA0002823049020000151
式中，
Figure BDA0002823049020000152
为平均出力系数，T为单个采集时间间隔，Pi为第i个集中式光伏电站在单个采集时间间隔T内任意瞬时实际出力，Ci为集中式光伏电站的装机容量。
第二筛选单元403，用于从所有的所述集中式光伏电站中筛选出在第二预设时间段内平均出力系数最大的集中式光伏电站作为标杆电站；
具体的，在实际应用中，在第二预设时间段内，对各个集中式光伏电站的平均出力系数按照数值由大到小的顺序进行排名，筛选出平均出力系数最大的集中式光伏电站作为标杆电站。
比值获取单元404，用于在目标电站出力正常的情况下，获取所述目标电站在预设统计时间前一天的单位容量平均日发电量和相同时间段所述标杆电站单位容量平均日发电量的比值；
其中，比值的计算公式如公式(5)所示：
Figure BDA0002823049020000153
式中，λ为所述比值，Cap为目标电站装机容量，Cap标准为标杆电站装机容量，
Figure BDA0002823049020000154
为目标电站在预设统计时间T-1天的平均日发电量，
Figure BDA0002823049020000155
为标杆电站在预设统计时间T-1天的平均日发电量。
第一预测值确定单元405，用于确定所述标杆电站的实时发电功率预测值；
具体的，在实际应用中，采用图3所示的实施例得到标杆电站的实时发电功率预测值，标杆电站的实时发电功率预测值的计算过程详见图3所示实施例，此处不再赘述。
第二预测值确定单元406，用于根据所述比值以及所述标杆电站的实时发电功率预测值，得到所述目标电站在预设统计时间当天的实时发电功率预测值。
其中，预设统计时间当前也即第T天，T为正整数。
所述目标电站第T天的实时发电功率预测值的计算公式如下所示：
Pi'＝Pi标杆×λ (6)；
式中，Pi'为所述目标电站在预设统计时间当天的实时发电功率预测值，Pi标杆为所述标杆电站的实时发电功率预测值，λ为所述比值。
综上可知，本发明公开的分布式光伏系统短期实时发电功率的预测装置，基于国网新能源云平台采用变压器编号筛选与目标光伏电站同台区所有的集中式光伏电站，根据每个集中式光伏电站的装机容量确定每个集中式光伏电站在单个采集时间间隔内的平均出力系数，并将平均出力系数最大的作为标杆电站，基于标杆电站的实时发电功率预测值以及目标电站在预设统计时间前一周的单位容量平均日发电量和相同时间段所述标杆电站单位容量日发电量的比值，得到目标电站第T天的实时发电功率预测值。由于目标光伏电站包括配电网0.4kV分布式光伏系统，因此，本发明可以对配电网0.4kV分布式光伏系统短期实时发电功率进行预测，从而为10kV及以上配电网的安全运行及稳定性提供了数据支持。
需要说明的是，装置实施例中各组成部分的具体工作原理，请参见方法实施例对应部分，此处不再赘述。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
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精神或范围的情况下，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 (12)

1.一种分布式光伏系统短期实时发电功率的预测方法，其特征在于，包括：
基于国网新能源云平台获取目标光伏电站在第一预设时间段的携带有时间戳的历史功率数据，所述目标光伏电站包括：配电网0.4kV分布式光伏系统；
对所述历史功率数据进行异常值剔除和缺失值补缺，得到目标历史功率数据；
对所述目标历史功率数据进行数据归一化处理，得到时间序列格式的归一化历史功率数据；
将所述归一化历史功率数据输入至构建的长短期记忆网络LSTM模型，得到光伏发电功率预测值；
对所述光伏发电功率预测值进行反归一化求解，得到所述目标光伏电站的实时发电功率预测值。
2.根据权利要求1所述的预测方法，其特征在于，对所述历史功率数据进行缺失值补缺的过程包括：
查找所述缺失值最邻近的k个历史功率数据，对所述k个历史功率数据计算平均值，并用所述平均值替代所述缺失值。
3.根据权利要求1所述的预测方法，其特征在于，对所述目标历史功率数据进行数据归一化处理时采用的归一化公式如下：
Figure FDA0002823049010000011
式中，xi为归一化前的功率值，yi为归一化后的功率值，xmin为样本数据最小值，xmax为样本数据最大值。
4.根据权利要求1所述的预测方法，其特征在于，还包括：
基于所述国网新能源云平台采用变压器编号筛选与所述目标光伏电站同台区所有的集中式光伏电站；
根据每个所述集中式光伏电站的装机容量，在不限电条件下，计算每个所述集中式光伏电站在单个采集时间间隔内的平均出力系数；
从所有的所述集中式光伏电站中筛选出在第二预设时间段内平均出力系数最大的集中式光伏电站作为标杆电站；
在目标电站出力正常的情况下，获取所述目标电站在预设统计时间前一天的单位容量平均日发电量和相同时间段所述标杆电站单位容量平均日发电量的比值；
确定所述标杆电站的实时发电功率预测值；
根据所述比值以及所述标杆电站的实时发电功率预测值，得到所述目标电站在预设统计时间当天的实时发电功率预测值。
5.根据权利要求4所述的预测方法，其特征在于，所述平均出力系数的计算公式如下：
Figure FDA0002823049010000021
式中，
Figure FDA0002823049010000022
为所述平均出力系数，T为单个采集时间间隔，Pi为第i个集中式光伏电站在单个采集时间间隔T内任意瞬时实际出力，Ci为集中式光伏电站的装机容量。
6.根据权利要求4所述的预测方法，其特征在于，所述根据所述比值以及所述标杆电站的实时发电功率预测值，得到所述目标电站在预设统计时间当天的实时发电功率预测值，具体包括：
Pi'＝Pi标杆×λ；
式中，Pi'为所述目标电站在预设统计时间当天的实时发电功率预测值，Pi标杆为所述标杆电站的实时发电功率预测值，λ为所述比值。
7.一种分布式光伏系统短期实时发电功率的预测装置，其特征在于，包括：
数据获取单元，用于基于国网新能源云平台获取目标光伏电站在第一预设时间段的携带有时间戳的历史功率数据，所述目标光伏电站包括：配电网0.4kV分布式光伏系统；
数据处理单元，用于对所述历史功率数据进行异常值剔除和缺失值补缺，得到目标历史功率数据；
归一化单元，用于对所述目标历史功率数据进行数据归一化处理，得到时间序列格式的归一化历史功率数据；
输入单元，用于将所述归一化历史功率数据输入至构建的长短期记忆网络LSTM模型，得到光伏发电功率预测值；
求解单元，用于对所述光伏发电功率预测值进行反归一化求解，得到所述目标光伏电站的实时发电功率预测值。
8.根据权利要求7所述的预测装置，其特征在于，所述数据处理单元具体用于：
查找所述缺失值最邻近的k个历史功率数据，对所述k个历史功率数据计算平均值，并用所述平均值替代所述缺失值。
9.根据权利要求7所述的预测装置，其特征在于，对所述目标历史功率数据进行数据归一化处理时采用的归一化公式如下：
Figure FDA0002823049010000031
式中，xi为归一化前的功率值，yi为归一化后的功率值，xmin为样本数据最小值，xmax为样本数据最大值。
10.根据权利要求7所述的预测装置，其特征在于，还包括：
第一筛选单元，用于基于所述国网新能源云平台采用变压器编号筛选与所述目标光伏电站同台区所有的集中式光伏电站；
计算单元，用于根据每个所述集中式光伏电站的装机容量，在不限电条件下，计算每个所述集中式光伏电站在单个采集时间间隔内的平均出力系数；
第二筛选单元，用于从所有的所述集中式光伏电站中筛选出在第二预设时间段内平均出力系数最大的集中式光伏电站作为标杆电站；
比值获取单元，用于在目标电站出力正常的情况下，获取所述目标电站在预设统计时间前一天的单位容量平均日发电量和相同时间段所述标杆电站单位容量平均日发电量的比值；
第一预测值确定单元，用于确定所述标杆电站的实时发电功率预测值；
第二预测值确定单元，用于根据所述比值以及所述标杆电站的实时发电功率预测值，得到所述目标电站在预设统计时间当天的实时发电功率预测值。
11.根据权利要求10所述的预测装置，其特征在于，所述平均出力系数的计算公式如下：
Figure FDA0002823049010000041
式中，
Figure FDA0002823049010000042
为所述平均出力系数，T为单个采集时间间隔，Pi为第i个集中式光伏电站在单个采集时间间隔T内任意瞬时实际出力，Ci为集中式光伏电站的装机容量。
12.根据权利要求10所述的预测装置，其特征在于，所述第二预测值确定单元具体用于根据如下公式计算得到所述目标电站在预设统计时间当天的实时发电功率预测值：
Pi'＝Pi标杆×λ；
式中，Pi'为所述目标电站在预设统计时间当天的实时发电功率预测值，Pi标杆为所述标杆电站的实时发电功率预测值，λ为所述比值。
CN202011442813.8A 2020-12-08 2020-12-08 一种分布式光伏系统短期实时发电功率的预测方法及装置 Pending CN112580862A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011442813.8A CN112580862A (zh) 2020-12-08 2020-12-08 一种分布式光伏系统短期实时发电功率的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011442813.8A CN112580862A (zh) 2020-12-08 2020-12-08 一种分布式光伏系统短期实时发电功率的预测方法及装置

Publications (1)

Publication Number Publication Date
CN112580862A true CN112580862A (zh) 2021-03-30

Family

ID=75130790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011442813.8A Pending CN112580862A (zh) 2020-12-08 2020-12-08 一种分布式光伏系统短期实时发电功率的预测方法及装置

Country Status (1)

Country Link
CN (1) CN112580862A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095562A (zh) * 2021-04-07 2021-07-09 安徽天能清洁能源科技有限公司 基于卡尔曼滤波和lstm发电超短期预测方法及装置
CN113821071A (zh) * 2021-08-20 2021-12-21 锐捷网络股份有限公司 设备输出功率的动态调整方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107085755A (zh) * 2017-05-15 2017-08-22 内蒙古电力(集团)有限责任公司 一种光伏电站短期功率预测方法及系统
CN108734331A (zh) * 2018-03-23 2018-11-02 武汉理工大学 基于lstm的短期光伏发电功率预测方法及系统
CN111310963A (zh) * 2018-12-12 2020-06-19 汉能移动能源控股集团有限公司 电站的发电数据预测方法、装置、计算机设备和存储介质
CN111614316A (zh) * 2020-06-16 2020-09-01 国网电子商务有限公司 光伏系统发电状态监测方法及其装置
CN111784030A (zh) * 2020-06-12 2020-10-16 国网冀北电力有限公司电力科学研究院 一种基于空间相关性的分布式光伏功率预测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107085755A (zh) * 2017-05-15 2017-08-22 内蒙古电力(集团)有限责任公司 一种光伏电站短期功率预测方法及系统
CN108734331A (zh) * 2018-03-23 2018-11-02 武汉理工大学 基于lstm的短期光伏发电功率预测方法及系统
CN111310963A (zh) * 2018-12-12 2020-06-19 汉能移动能源控股集团有限公司 电站的发电数据预测方法、装置、计算机设备和存储介质
CN111784030A (zh) * 2020-06-12 2020-10-16 国网冀北电力有限公司电力科学研究院 一种基于空间相关性的分布式光伏功率预测方法及装置
CN111614316A (zh) * 2020-06-16 2020-09-01 国网电子商务有限公司 光伏系统发电状态监测方法及其装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘云霞: "《数据预处理——数据归约的统计方法研究及应用》", 31 March 2011, 厦门大学出版社, pages: 17 - 18 *
马大燕 等: "基于调度自动化系统的低压分布式光伏电站接入估算模型", 《电信科学》, no. 2, pages 90 - 94 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095562A (zh) * 2021-04-07 2021-07-09 安徽天能清洁能源科技有限公司 基于卡尔曼滤波和lstm发电超短期预测方法及装置
CN113821071A (zh) * 2021-08-20 2021-12-21 锐捷网络股份有限公司 设备输出功率的动态调整方法及装置

Similar Documents

Publication Publication Date Title
Hossain et al. Application of extreme learning machine for short term output power forecasting of three grid-connected PV systems
CN102102626B (zh) 风电场短期功率预测方法
CN102184453A (zh) 基于模糊神经网络和支持向量机的风电功率组合预测方法
CN102663513A (zh) 利用灰色关联度分析的风电场功率组合预测建模方法
Lu et al. A hybrid approach for day-ahead forecast of PV power generation
CN113496311A (zh) 光伏电站发电功率预测方法及系统
CN109978242A (zh) 基于统计升尺度的光伏发电集群功率预测方法及装置
CN112580862A (zh) 一种分布式光伏系统短期实时发电功率的预测方法及装置
CN110601250B (zh) 一种基于新能源电站接入点静态电压稳定性评估方法
US11018523B2 (en) Utility grid, intermittent energy management system
Qijun et al. Photovoltaic power prediction based on principal component analysis and Support Vector Machine
Sun et al. Factoring behind-the-meter solar into load forecasting: Case studies under extreme weather
Liu et al. Bi-level fuzzy stochastic expectation modelling and optimization for energy storage systems planning in virtual power plants
Cho et al. Application of parallel Elman neural network to hourly area solar PV plant generation estimation
Koh et al. Reliability evaluation of electric power systems with solar photovoltaic & energy storage
Yang et al. Short‐term photovoltaic power dynamic weighted combination forecasting based on least squares method
CN112215392A (zh) 基于设备状态和环境因素的风电中长期区域发电量预测法
Panjwani et al. Short-term solar and wind generation forecasting for the western region of india
Zhang et al. Power forecasting of solar photovoltaic power systems based on similar day and M5'model trees
Salgado et al. Hybrid fuzzy clustering neural networks to wind power generation forecasting
Shi et al. Estimation of Invisible Distributed PV Power Generation From Bus Load
Guo et al. Optimal Capacity Allocation of Combined Output of Tower Gravity Energy Storage Power Station and Wind Farm
Zainaa et al. Statistical Assessment of Renewable Energy Generation in Optimizing Qatar Green Buildings
CN110717634B (zh) 一种光伏与电采暖导致的电压越限的预警方法和装置
Kumar et al. Survey of Energy Computing in the Smart Grid Domain

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210423

Address after: 100033 West Chang'an Avenue, Beijing, No. 86, No.

Applicant after: STATE GRID CORPORATION OF CHINA

Applicant after: STATE GRID E-COMMERCE Co.,Ltd.

Applicant after: STATE GRID TIANJIN ELECTRIC POWER Co.

Address before: 100017 West Chang'an Avenue, Beijing, No. 86, No.

Applicant before: STATE GRID CORPORATION OF CHINA

Applicant before: STATE GRID E-COMMERCE Co.,Ltd.