CN112686472B - 一种分布式光伏等效电站的功率预测方法 - Google Patents
一种分布式光伏等效电站的功率预测方法 Download PDFInfo
- Publication number
- CN112686472B CN112686472B CN202110087955.5A CN202110087955A CN112686472B CN 112686472 B CN112686472 B CN 112686472B CN 202110087955 A CN202110087955 A CN 202110087955A CN 112686472 B CN112686472 B CN 112686472B
- Authority
- CN
- China
- Prior art keywords
- distributed photovoltaic
- equivalent
- station
- power
- meteorological data
- 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
Links
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的目的是提供一种分布式光伏等效电站的功率预测方法,通过利用分布式光伏功率主要受气象要素影响,且不同站点的分布式光伏的气象要素具有时空关联性、可等效为一个虚拟电站的特点,提出一种基于集成学习的分布式光伏等效电站功率预测方法,针对由多个分布式光伏等效成的一个虚拟电站,基于已有的各站点的气象数据和功率数据,采用多种预测方法,并通过一定的集成策略,实现对等效电站的功率预测,避免集中式光伏电站功率预测方法面临的高额成本问题,达到不显著增加投资的情况下实现分布式光伏功率预测的目的。
Description
技术领域
本发明属于分布式光伏功率预测技术领域,具体涉及一种分布式光伏等效电站的功率预测方法。
背景技术
分布式光伏发电具有出力不确定性的特点。对发电功率进行预测是分布式光伏并网调度管理的关键。对于分布式光伏,目前大多数电网调度机构未对其发电功率进行预测,更未对其进行调度管理,但是随着分布式光伏数量的不断增多,其对传统电网安全运行的影响日益严重,给传统电网调度管理带来了新的挑战。在分布式光伏功率预测方面,目前也有部分电网调度机构开展了相关工作,主要是参照集中式光伏电站的功率预测方法。然而分布式光伏还具有规模小、数量多的特点,如果采用集中式光伏电站的功率预测方法,将面临高额的成本问题。分布式光伏功率预测问题仍有待研究解决。
发明内容
本发明的目的是提供一种分布式光伏等效电站的功率预测方法,用于实现对等效电站的功率预测,避免集中式光伏电站功率预测方法面临的高额成本问题,达到不显著增加投资的情况下实现分布式光伏功率预测的目的。
本发明解决其技术问题的技术方案为:一种分布式光伏等效电站的功率预测方法,其特征在于,包括以下步骤:
S1:将多个分布式光伏电站等效成一个虚拟电站并命名为分布式光伏等效电站;
S2:基于各站点气象数据的分布式光伏等效电站短期功率预测;采用深度神经网络模型进行训练,该模型训练的输入数据为分布式光伏等效电站包含的各个分布式光伏站点的气象数据,输出数据为分布式光伏等效电站的总功率;输入和输出数据的组数由少到多逐渐增加,直到模型训练结果达到满意的精度目标;
S3:基于等效气象数据的分布式光伏等效电站短期功率预测;利用分布式光伏等效电站的等效气象数据为输入,以分布式光伏等效电站的总功率为输出,采用深度神经网络模型进行训练和预测;
S4:基于集成学习的分布式光伏等效电站短期功率预测,在得到基于各站点气象数据的分布式光伏等效电站短期功率预测结果和基于等效气象数据的分布式光伏等效电站短期功率预测结果的基础上,采用变权重的集成学习策略strategy1,将两种策略得到的预测结果按照变权重进行加权求和,得到最终预测结果。
所述步骤S1.1中将多个分布式光伏电站等效成一个虚拟电站的方法为:利用分布式光伏站的气象数据,根据各个站点之间的气象关系对分布式光伏进行聚合分组,不同站点之间的气象关系通过平均L2范数距离进行表征,如站点1第m天的气象数据的集合为A(m)={a1(m),a2(m),…,aN(m)},其中N为一天内包含的气象数据序列的个数;站点2一天的气象数据的集合为B(m)={b1(m),b2(m),…,bN(m)},其L2范数距离表示为平均L2范数距离则为其中M为历史气象数据的天数;如果两个站点的平均L2范数距离小于一定的阈值,则认为其属于一个聚合分组;其中,阈值可根据分组精度要求进行设定,精度要求越高,阈值应越小,精度要求低,阈值则较大,设置为所有站点中历史气象数据最大值的10%。
所述步骤S2中深度神经网络模型是指具有多个隐层的神经网络模型,分布式光伏站点的气象数据包括该分布式光伏站点的辐照度和温度的集合,布式光伏等效电站的总功率等于分布式光伏等效电站包含的各个分布式光伏站点的功率之和。
所述步骤S2中,数据的组数在增加时,模型训练时间将随之变长,隐层层数和各隐层的节点数也需要通过试验重新选取,通过由少到多,先逐步增加各隐层的节点数,如果节点数增大后,导致训练时间过长、而模型精度仍不能满足要求时,改为增大隐层数,并且改变节点数重新进行训练,如此往复,直到模型训练时间和训练精度均达到目标要求。
所述步骤S3中,等效气象数据是指分布式光伏等效电站内包含的各个分布式光伏站点的气象数据按装机容量的加权平均值,即
分布式光伏等效电站的等效气象数据=sum(各分布式光伏站点的气象数据*各自的装机容量/sum(各分布式光伏站点的装机容量),
采用深度神经网络模型进行训练和预测中,深度神经网络模型的隐层层数和各隐层的节点数,以及训练所用输入数据和输出数据的组数的选择方法与基于各站点气象数据的分布式光伏等效电站短期功率预测相同。
所述步骤S4中基于集成学习的分布式光伏等效电站短期功率预测结果=w1*基于各站点气象数据的分布式光伏等效电站短期功率预测结果+w2*基于等效气象数据的分布式光伏等效电站短期功率预测结果;
上式中的w1和w2分别为两种短期功率预测结果的权重,以基于集成学习的分布式光伏等效电站短期功率预测结果与分布式光伏等效电站实际功率的均方根误差最小为目标,采用最小二乘法进行计算得到;
所述采用变权重的集成学习策略strategy1是指上式中的w1和w2均为变化值,需要在每次预测前根据最新的历史数据重新进行计算。
所述步骤S2中基于各站点气象数据的分布式光伏等效电站短期功率预测加入修正,各个分布式光伏站点的气象数据按照其与当天的实际气象数据的误差进行修正后的气象数据,即
某站点的气象修正数据=该站点的短期预测气象数据–该站点的短期预测气象数据与该站点当天的实际气象数据的均方根误差
所述步骤S3中基于等效气象数据的分布式光伏等效电站短期功率预测加入修正,即
分布式光伏等效电站的等效气象修正数据=短期预测的分布式光伏等效电站的等效气象数据-短期预测的分布式光伏等效电站的等效气象数据与分布式光伏等效电站的等效气象数据的实际值的均方根误差。
所述步骤S4中加入实时功率修正,
即在短期功率预测结果基础上,结合当日实测功率数据,采用卡尔曼滤波进行修正得到的结果数据;
实时功率修正结果=基于集成学习的分布式光伏等效电站短期功率预测结果-基于集成学习的分布式光伏等效电站短期功率预测结果与当日该分布式光伏等效电站的实际功率的均方根误差。
在得到修正后的基于各站点气象数据的分布式光伏等效电站短期功率预测结果、基于等效气象数据的分布式光伏等效电站短期功率预测结果、基于集成学习的分布式光伏等效电站短期功率预测结果的基础上采用变权重的集成学习策略strategy2,将三种策略得到的修正后的预测结果按照变权重进行加权求和,得到最终预测结果;
基于集成学习的分布式光伏等效电站短期功率预测结果=w3*修正后的基于各站点气象数据的分布式光伏等效电站短期功率预测结果+w4*修正后的基于等效气象数据的分布式光伏等效电站短期功率预测结果+w5*修正后的基于集成学习的分布式光伏等效电站短期功率预测结果;
上式中的w3、w4和w5分别为三种修正后的功率预测结果的权重,以基于集成学习的分布式光伏等效电站短期功率预测结果与分布式光伏等效电站实际功率的均方根误差最小为目标,采用最小二乘法进行计算得到。
所述采用变权重的集成学习策略strategy2是指上式中的w3、w4和w5均为变化值,需要在每次预测前根据最新的历史数据重新进行计算。
本发明的有益效果为:本发明通过利用分布式光伏功率主要受气象要素影响,且不同站点的分布式光伏的气象要素具有时空关联性、可等效为一个虚拟电站的特点,提出一种基于集成学习的分布式光伏等效电站功率预测方法,针对由多个分布式光伏等效成的一个虚拟电站,基于已有的各站点的气象数据和功率数据,采用多种预测方法,并通过一定的集成策略,实现对等效电站的功率预测,避免集中式光伏电站功率预测方法面临的高额成本问题,达到不显著增加投资的情况下实现分布式光伏功率预测的目的。
附图说明
图1是本发明的流程图。
具体实施方式
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。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。
如图1所示,本发明包括以下步骤:
S1:将多个分布式光伏电站等效成一个虚拟电站并命名为分布式光伏等效电站;
所述步骤S1.1中将多个分布式光伏电站等效成一个虚拟电站的方法为:考虑到分布式光伏发电主要受气象因素影响,气象数据可通过气象仪进行采集,而且分布式光伏站通常都建设了气象仪,因此,可利用分布式光伏站的气象数据,根据各个站点之间的气象关系对分布式光伏进行聚合分组,不同站点之间的气象关系通过平均L2范数距离进行表征,如站点1第m天的气象数据的集合为A(m)={a1(m),a2(m),…,aN(m)},其中N为一天内包含的气象数据序列的个数;站点2一天的气象数据的集合为B(m)={b1(m),b2(m),…,bN(m)},其L2范数距离表示为平均L2范数距离则为其中M为历史气象数据的天数;如果两个站点的平均L2范数距离小于一定的阈值,则认为其属于一个聚合分组;其中,阈值可根据分组精度要求进行设定,精度要求越高,阈值应越小,精度要求低,阈值则较大,一般地,可设置为所有站点中历史气象数据最大值的10%。
S2:基于各站点气象数据的分布式光伏等效电站短期功率预测;采用深度神经网络模型进行训练,该模型训练的输入数据为分布式光伏等效电站包含的各个分布式光伏站点的气象数据,输出数据为分布式光伏等效电站的总功率;输入和输出数据的组数由少到多逐渐增加,直到模型训练结果达到满意的精度目标;
所述步骤S2中深度神经网络模型是指具有多个隐层的神经网络模型,分布式光伏站点的气象数据包括该分布式光伏站点的辐照度和温度的集合,布式光伏等效电站的总功率等于分布式光伏等效电站包含的各个分布式光伏站点的功率之和。
所述步骤S2中,数据的组数在增加时,模型训练时间将随之变长,隐层层数和各隐层的节点数也需要通过试验重新选取,通过由少到多,先逐步增加各隐层的节点数,如果节点数增大后,导致训练时间过长、而模型精度仍不能满足要求时,改为增大隐层数,并且改变节点数重新进行训练,如此往复,直到模型训练时间和训练精度均达到目标要求。
S3:基于等效气象数据的分布式光伏等效电站短期功率预测;利用分布式光伏等效电站的等效气象数据为输入,以分布式光伏等效电站的总功率为输出,采用深度神经网络模型进行训练和预测;所述步骤S3中,等效气象数据是指分布式光伏等效电站内包含的各个分布式光伏站点的气象数据按装机容量的加权平均值,即
分布式光伏等效电站的等效气象数据=sum(各分布式光伏站点的气象数据*各自的装机容量/sum(各分布式光伏站点的装机容量),
采用深度神经网络模型进行训练和预测中,深度神经网络模型的隐层层数和各隐层的节点数,以及训练所用输入数据和输出数据的组数的选择方法与基于各站点气象数据的分布式光伏等效电站短期功率预测相同。
S4:基于集成学习的分布式光伏等效电站短期功率预测,在得到基于各站点气象数据的分布式光伏等效电站短期功率预测结果和基于等效气象数据的分布式光伏等效电站短期功率预测结果的基础上,采用变权重的集成学习策略strategy1,将两种策略得到的预测结果按照变权重进行加权求和,得到最终预测结果。
所述步骤S4中基于集成学习的分布式光伏等效电站短期功率预测结果=w1*基于各站点气象数据的分布式光伏等效电站短期功率预测结果+w2*基于等效气象数据的分布式光伏等效电站短期功率预测结果;
上式中的w1和w2分别为两种短期功率预测结果的权重,以基于集成学习的分布式光伏等效电站短期功率预测结果与分布式光伏等效电站实际功率的均方根误差最小为目标,采用最小二乘法进行计算得到;
所述采用变权重的集成学习策略strategy1是指上式中的w1和w2均为变化值,需要在每次预测前根据最新的历史数据重新进行计算。
上述实施例是对短期分布式光伏等效电站短期功率预测,在对超短期分布式光伏等效电站短期功率预测时,需要加入修正,一般地,短期是指未来1到3天,超短期是指未来4小时。
所述步骤S2中基于各站点气象数据的分布式光伏等效电站短期功率预测加入修正,各个分布式光伏站点的气象数据按照其与当天的实际气象数据的误差进行修正后的气象数据,即
某站点的气象修正数据=该站点的短期预测气象数据–该站点的短期预测气象数据与该站点当天的实际气象数据的均方根误差
所述步骤S3中基于等效气象数据的分布式光伏等效电站短期功率预测加入修正,即
分布式光伏等效电站的等效气象修正数据=短期预测的分布式光伏等效电站的等效气象数据-短期预测的分布式光伏等效电站的等效气象数据与分布式光伏等效电站的等效气象数据的实际值的均方根误差。
所述步骤S4中加入实时功率修正,
即在短期功率预测结果基础上,结合当日实测功率数据,采用卡尔曼滤波进行修正得到的结果数据;
实时功率修正结果=基于集成学习的分布式光伏等效电站短期功率预测结果-基于集成学习的分布式光伏等效电站短期功率预测结果与当日该分布式光伏等效电站的实际功率的均方根误差。
在得到修正后的基于各站点气象数据的分布式光伏等效电站短期功率预测结果、基于等效气象数据的分布式光伏等效电站短期功率预测结果、基于集成学习的分布式光伏等效电站短期功率预测结果的基础上采用变权重的集成学习策略strategy2,将三种策略得到的修正后的预测结果按照变权重进行加权求和,得到最终预测结果;
基于集成学习的分布式光伏等效电站短期功率预测结果=w3*修正后的基于各站点气象数据的分布式光伏等效电站短期功率预测结果+w4*修正后的基于等效气象数据的分布式光伏等效电站短期功率预测结果+w5*修正后的基于集成学习的分布式光伏等效电站短期功率预测结果;
上式中的w3、w4和w5分别为三种修正后的功率预测结果的权重,以基于集成学习的分布式光伏等效电站短期功率预测结果与分布式光伏等效电站实际功率的均方根误差最小为目标,采用最小二乘法进行计算得到。
所述采用变权重的集成学习策略strategy2是指上式中的w3、w4和w5均为变化值,需要在每次预测前根据最新的历史数据重新进行计算。
本发明通过利用分布式光伏功率主要受气象要素影响,且不同站点的分布式光伏的气象要素具有时空关联性、可等效为一个虚拟电站的特点,提出一种基于集成学习的分布式光伏等效电站功率预测方法,针对由多个分布式光伏等效成的一个虚拟电站,基于已有的各站点的气象数据和功率数据,采用多种预测方法,并通过一定的集成策略,实现对等效电站的功率预测,避免集中式光伏电站功率预测方法面临的高额成本问题,达到不显著增加投资的情况下实现分布式光伏功率预测的目的。
Claims (5)
1.一种分布式光伏等效电站的功率预测方法,其特征在于,包括以下步骤:
S1:将多个分布式光伏电站等效成一个虚拟电站并命名为分布式光伏等效电站;所述步骤S1中将多个分布式光伏电站等效成一个虚拟电站的方法为:利用分布式光伏站点的气象数据,根据各个站点之间的气象关系对分布式光伏进行聚合分组,不同站点之间的气象关系通过平均L2范数距离进行表征,站点1第m天的气象数据的集合为A(m)={a1(m),a2(m),…,aN(m)},其中N为一天内包含的气象数据序列的个数;站点2一天的气象数据的集合为B(m)={b1(m),b2(m),…,bN(m)},其L2范数距离表示为平均L2范数距离则为其中M为历史气象数据的天数;如果两个站点的平均L2范数距离小于一定的阈值,则认为其属于一个聚合分组;其中,阈值可根据分组精度要求进行设定,精度要求越高,阈值应越小,精度要求低,阈值则较大,设置为所有站点中历史气象数据最大值的10%;
S2:基于各站点气象数据的分布式光伏等效电站短期功率预测;采用深度神经网络模型进行训练,该模型训练的输入数据为分布式光伏等效电站包含的各个分布式光伏站点的气象数据,输出数据为分布式光伏等效电站的总功率;逐渐增加输入和输出数据的组数,直到模型训练结果达到满意的精度目标;所述步骤S2中深度神经网络模型是指具有多个隐层的神经网络模型,分布式光伏站点的气象数据包括该分布式光伏站点的辐照度和温度的集合,分布式光伏等效电站的总功率等于分布式光伏等效电站包含的各个分布式光伏站点的功率之和;所述步骤S2中,数据的组数在增加时,模型训练时间将随之变长,隐层层数和各隐层的节点数也需要通过试验重新选取,通过由少到多,先逐步增加各隐层的节点数,如果节点数增大后,导致训练时间过长、而模型精度仍不能满足要求时,改为增大隐层数,并且改变节点数重新进行训练,如此往复,直到模型训练时间和训练精度均达到目标要求;
S3:基于等效气象数据的分布式光伏等效电站短期功率预测;利用分布式光伏等效电站的等效气象数据为输入,以分布式光伏等效电站的总功率为输出,采用深度神经网络模型进行训练和预测;所述步骤S3中,等效气象数据是指分布式光伏等效电站内包含的各个分布式光伏站点的气象数据按装机容量的加权平均值,即
分布式光伏等效电站的等效气象数据=sum(各分布式光伏站点的气象数据*各自的装机容量)/sum(各分布式光伏站点的装机容量),
采用深度神经网络模型进行训练和预测中,深度神经网络模型的隐层层数和各隐层的节点数,以及训练所用输入数据和输出数据的组数的选择方法与基于各站点气象数据的分布式光伏等效电站短期功率预测相同;
S4:基于集成学习的分布式光伏等效电站短期功率预测,在得到基于各站点气象数据的分布式光伏等效电站短期功率预测结果和基于等效气象数据的分布式光伏等效电站短期功率预测结果的基础上,采用变权重的集成学习策略strategy1,将两种策略得到的预测结果按照变权重进行加权求和,得到最终预测结果;所述步骤S4中基于集成学习的分布式光伏等效电站短期功率预测结果=w1*基于各站点气象数据的分布式光伏等效电站短期功率预测结果+w2*基于等效气象数据的分布式光伏等效电站短期功率预测结果;
上式中的w1和w2分别为两种短期功率预测结果的权重,以基于集成学习的分布式光伏等效电站短期功率预测结果与分布式光伏等效电站实际功率的均方根误差最小为目标,采用最小二乘法进行计算得到;
所述采用变权重的集成学习策略strategy1是指上式中的w1和w2均为变化值,需要在每次预测前根据最新的历史数据重新进行计算。
2.根据权利要求1所述的一种分布式光伏等效电站的功率预测方法,其特征在于:所述步骤S2中基于各站点气象数据的分布式光伏等效电站短期功率预测加入修正,各个分布式光伏站点的气象数据按照其与当天的实际气象数据的误差进行修正后的气象数据,即
某站点的气象修正数据=该站点的短期预测气象数据–该站点的短期预测气象数据与该站点当天的实际气象数据的均方根误差。
3.根据权利要求2所述的一种分布式光伏等效电站的功率预测方法,其特征在于:所述步骤S3中基于等效气象数据的分布式光伏等效电站短期功率预测加入修正,即
分布式光伏等效电站的等效气象修正数据=短期预测的分布式光伏等效电站的等效气象数据-短期预测的分布式光伏等效电站的等效气象数据与分布式光伏等效电站的等效气象数据的实际值的均方根误差。
4.根据权利要求3所述的一种分布式光伏等效电站的功率预测方法,其特征在于:所述步骤S4中加入实时功率修正,
即在短期功率预测结果基础上,结合当日实测功率数据,采用卡尔曼滤波进行修正得到的结果数据;
实时功率修正结果=基于集成学习的分布式光伏等效电站短期功率预测结果-基于集成学习的分布式光伏等效电站短期功率预测结果与当日该分布式光伏等效电站的实际功率的均方根误差。
5.根据权利要求4所述的一种分布式光伏等效电站的功率预测方法,其特征在于:在得到修正后的基于各站点气象数据的分布式光伏等效电站短期功率预测结果、基于等效气象数据的分布式光伏等效电站短期功率预测结果、基于集成学习的分布式光伏等效电站短期功率预测结果的基础上采用变权重的集成学习策略strategy2,将三种策略得到的修正后的预测结果按照变权重进行加权求和,得到最终预测结果;
基于集成学习的分布式光伏等效电站短期功率预测结果=w3*修正后的基于各站点气象数据的分布式光伏等效电站短期功率预测结果+w4*修正后的基于等效气象数据的分布式光伏等效电站短期功率预测结果+w5*修正后的基于集成学习的分布式光伏等效电站短期功率预测结果;
上式中的w3、w4和w5分别为三种修正后的功率预测结果的权重,以基于集成学习的分布式光伏等效电站短期功率预测结果与分布式光伏等效电站实际功率的均方根误差最小为目标,采用最小二乘法进行计算得到;
所述采用变权重的集成学习策略strategy2是指上式中的w3、w4和w5均为变化值,需要在每次预测前根据最新的历史数据重新进行计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110087955.5A CN112686472B (zh) | 2021-01-22 | 2021-01-22 | 一种分布式光伏等效电站的功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110087955.5A CN112686472B (zh) | 2021-01-22 | 2021-01-22 | 一种分布式光伏等效电站的功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112686472A CN112686472A (zh) | 2021-04-20 |
CN112686472B true CN112686472B (zh) | 2022-09-20 |
Family
ID=75458940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110087955.5A Active CN112686472B (zh) | 2021-01-22 | 2021-01-22 | 一种分布式光伏等效电站的功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686472B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115000961B (zh) * | 2022-08-04 | 2022-11-08 | 国网山东省电力公司东营市河口区供电公司 | 一种线损预测计算方法与系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011092882A1 (ja) * | 2010-01-26 | 2011-08-04 | 株式会社日立製作所 | 太陽光発電設備発電量予測システム,気象予測システム及び太陽光発電設備発電量予測方法 |
CN102930358A (zh) * | 2012-11-28 | 2013-02-13 | 江西九江供电公司 | 一种光伏电站发电功率的神经网络预测方法 |
CN107169683A (zh) * | 2017-06-30 | 2017-09-15 | 上海电力学院 | 一种变权重系数的并网光伏电站短期功率组合预测方法 |
CN108364084A (zh) * | 2017-11-08 | 2018-08-03 | 长沙理工大学 | 一种基于信息融合理论的bp神经网络光伏功率预测方法 |
CN108960526A (zh) * | 2018-07-24 | 2018-12-07 | 国网山东省电力公司电力科学研究院 | 一种基于区域等效的分布式光伏出力预测方法和系统 |
CN109961190A (zh) * | 2019-03-29 | 2019-07-02 | 北京鑫泰绿能科技有限公司 | 一种基于学习日拟合度聚类的光伏电站日前功率预测方法 |
CN110503241A (zh) * | 2019-07-24 | 2019-11-26 | 清华大学 | 冷-热-电综合能源系统的多目标优化方法 |
CN110675278A (zh) * | 2019-09-18 | 2020-01-10 | 上海电机学院 | 一种基于rbf神经网络的光伏功率短期预测方法 |
CN110766134A (zh) * | 2019-09-25 | 2020-02-07 | 福州大学 | 基于循环神经网络的光伏电站短期功率预测方法 |
CN111695601A (zh) * | 2020-05-15 | 2020-09-22 | 特变电工西安电气科技有限公司 | 光伏功率预测方法、装置、设备及可读存储介质 |
-
2021
- 2021-01-22 CN CN202110087955.5A patent/CN112686472B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011092882A1 (ja) * | 2010-01-26 | 2011-08-04 | 株式会社日立製作所 | 太陽光発電設備発電量予測システム,気象予測システム及び太陽光発電設備発電量予測方法 |
CN102930358A (zh) * | 2012-11-28 | 2013-02-13 | 江西九江供电公司 | 一种光伏电站发电功率的神经网络预测方法 |
CN107169683A (zh) * | 2017-06-30 | 2017-09-15 | 上海电力学院 | 一种变权重系数的并网光伏电站短期功率组合预测方法 |
CN108364084A (zh) * | 2017-11-08 | 2018-08-03 | 长沙理工大学 | 一种基于信息融合理论的bp神经网络光伏功率预测方法 |
CN108960526A (zh) * | 2018-07-24 | 2018-12-07 | 国网山东省电力公司电力科学研究院 | 一种基于区域等效的分布式光伏出力预测方法和系统 |
CN109961190A (zh) * | 2019-03-29 | 2019-07-02 | 北京鑫泰绿能科技有限公司 | 一种基于学习日拟合度聚类的光伏电站日前功率预测方法 |
CN110503241A (zh) * | 2019-07-24 | 2019-11-26 | 清华大学 | 冷-热-电综合能源系统的多目标优化方法 |
CN110675278A (zh) * | 2019-09-18 | 2020-01-10 | 上海电机学院 | 一种基于rbf神经网络的光伏功率短期预测方法 |
CN110766134A (zh) * | 2019-09-25 | 2020-02-07 | 福州大学 | 基于循环神经网络的光伏电站短期功率预测方法 |
CN111695601A (zh) * | 2020-05-15 | 2020-09-22 | 特变电工西安电气科技有限公司 | 光伏功率预测方法、装置、设备及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
分布式光伏发电技术特性及对电力系统的影响;黄碧斌等;《大众科技》;20160131;全文 * |
基于GRA-BPNN时变权重的光伏短期出力组合预测;李芬等;《可再生能源》;20181130;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112686472A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107516170B (zh) | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 | |
CN109492861B (zh) | 一种梯级水电站群中期电量交易计划分解方法 | |
CN103106544B (zh) | 一种基于t-s型模糊神经网络的光伏发电预测系统 | |
CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
CN102478584B (zh) | 基于小波分析的风电场风速预测方法及系统 | |
CN102102626A (zh) | 风电场短期功率预测方法 | |
CN104732300B (zh) | 一种基于模糊分区理论的神经网络风功率短期预测方法 | |
CN104050517A (zh) | 基于grnn神经网络的光伏发电预测方法 | |
Lu et al. | A hybrid approach for day-ahead forecast of PV power generation | |
CN103729685A (zh) | 基于改进rbf神经网络的光伏电站群区域功率预测方法 | |
CN104600713A (zh) | 含风力/光伏发电配电网日前无功调度的生成装置及方法 | |
CN104408562A (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
CN111612244B (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
CN102479347A (zh) | 基于数据驱动的风电场短期风速预测方法和系统 | |
CN105207253A (zh) | 考虑风电及频率不确定性的agc随机动态优化调度方法 | |
CN106712035A (zh) | 一种电力系统经济调度方法 | |
CN103971175A (zh) | 一种多级变电站的短期负荷预测方法 | |
CN112686472B (zh) | 一种分布式光伏等效电站的功率预测方法 | |
CN102749471A (zh) | 一种短期风速、风电功率预测方法 | |
CN116526469A (zh) | 一种水风光互补系统长期随机动态调度方法 | |
CN114444805A (zh) | 多光伏电站共享储能系统平滑出力的控制方法 | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
CN111525556B (zh) | 一种计及风电置信风险的多目标最优潮流计算方法 | |
CN105207255B (zh) | 一种适用于风电出力的电力系统调峰计算方法 | |
CN107451697A (zh) | 一种基于复合数据修复的风功率预测方法 |
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 |