CN112700050B - 一种光伏电站超短期第1点功率预测方法及系统 - Google Patents
一种光伏电站超短期第1点功率预测方法及系统 Download PDFInfo
- Publication number
- CN112700050B CN112700050B CN202110001427.3A CN202110001427A CN112700050B CN 112700050 B CN112700050 B CN 112700050B CN 202110001427 A CN202110001427 A CN 202110001427A CN 112700050 B CN112700050 B CN 112700050B
- Authority
- CN
- China
- Prior art keywords
- power
- short
- term
- data
- ultra
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012417 linear regression Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 8
- 230000004069 differentiation Effects 0.000 claims abstract description 7
- 238000011478 gradient descent method Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000005855 radiation Effects 0.000 abstract description 6
- 238000005096 rolling process Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract 2
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000010248 power generation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种光伏电站超短期第1点功率预测方法,包括:(1)获取当日短期预测功率、当前时刻实际功率和当前时刻超短期功率预测时序数据;(2)设置历史数据天数,获取所选历史时段内的数据;(3)筛选出历史时段内的有效数据;(4)计算历史时段内的实际功率和短期预测功率的相关系数r1;(5)根据相关系数r1的大小建立不同的多元线性回归模型,计算回归系数;(6)根据下一时刻短期预测功率的大小进行差异化处理,获得光伏电站超短期第1点功率预测值。本发明避免了对光伏电站实时滚动数值天气预报和实测气象数据的依赖,提高了实测和预报辐射值偏差较大时的超短期第1点功率预测的准确率。
Description
技术领域
本发明涉及光伏发电领域,特别涉及一种光伏电站超短期第1点功率预测方法。
背景技术
随着光伏发电技术不断发展,光伏装机容量日益增多。超短期功率预测是光伏电站功率预测的重要组成部分,超短期预测准确率是功率预测的核心指标之一。对电网来说,高精度的光伏电站超短期功率预测有利于提升新能源消纳水平,增加经济效益和社会效益;对发电企业来说,提高光伏电站超短期预测准确率,有利于减少考核,提高光伏电站的经济收益。
目前光伏电站超短期预测,主要利用实测和预报的辐射值以及实际发电功率数据,采用神经网络等机器学习算法,构建光伏电站实测和预报辐射与实际发电功率之间的映射关系,把实测和数值天气预报的辐射值代入模型,计算光伏电站的超短期功率预测值。现有方法高度依赖高精度的数值天气预报结果,当预报偏差较大时,超短期功率预测的误差随之增大,降低超短期功率预测准确率。
发明内容
本发明的目的在于,提供一种光伏电站超短期第1点功率预测方法,在不依赖光伏电站实时滚动数值天气预报和实测气象数据的前提下,提高实测和预报辐射值偏差较大时的超短期第1点功率预测的准确率。
为了达成上述发明目的,本申请采用如下技术方案:一种光伏电站超短期第1点功率预测方法,包含如下步骤:
(1)获取当日短期预测功率、当前时刻实际功率和当前时刻超短期功率预测时序数据TD;
(2)设置历史数据天数,获取所选历史时段内的数据,包括:实际功率、短期预测功率和时序数据;
(3)筛选出历史时段内的有效数据,并对有效数据中的时序数据进行标准化处理;
(4)基于有效数据计算历史时段内的实际功率和短期预测功率的相关系数r1;
(5)把T+1时刻实际功率作为目标函数,T时刻实际功率和时序数据以及T+1时刻短期预测功率作为输入参数,根据相关系数r1的大小建立不同的多元线性回归模型,利用梯度下降法对历史时段内的有效数据进行统计分析,计算回归系数;
(6)根据TD+1时刻短期预测功率的大小进行差异化处理,获得光伏电站超短期第1点功率预测值。
进一步地,某一时刻的时序数据是指时间分辨率为TN时,零时刻的序号为1,每隔TN序号增加1,这一时刻在1天中的序号。
进一步地,步骤(2)中,所述历史数据天数设置为30的整数倍。
进一步地,所述历史数据天数选取当日之前的30天,或者还包括过去年份的对应30天。
进一步地,所述步骤(3)具体包括:筛选出历史时段内实际功率大于0的数据和对应的短期预测功率数据,以及前一时刻实际功率和时序数据;并对有效数据中的时序数据进行标准化处理。
进一步地,所述步骤(4)中基于有效数据计算历史时段内的实际功率和短期预测功率的相关系数r1具体公式如下:
其中,P实i和P短期i表示实际功率和短期预测功率,P实平均和P短期平均表示实际功率和短期预测功率的平均值,m表示实际功率大于0的数据总点数。
进一步地,步骤(5)具体包括:
步骤(5-1):根据相关系数r1的大小建立不同的多元线性回归模型:
如果相关系数r1大于等于预设阈值,建立多元线性回归模型:P(T+1)=A*P(T)+B*DQ(T+1)+C*I(T)+D;
如果相关系数r1小于预设阈值,建立多元线性回归模型:P(T+1)=A*P(T)+C*I(T)+D;
其中P(T+1)和P(T)是T+1时刻和T时刻的实际功率,DQ(T)是T时刻短期预测功率,I(T)是T时刻时序数据的标准化值,A、B、C和D是多元线性回归系数;
步骤(5-2):利用梯度下降法对历史时段内筛选出的数据进行统计分析,计算步骤(5-1)中的多元线性回归系数。
进一步地,步骤(6)中,需要对TD+1时刻时序数据进行标准化处理。
进一步地,步骤(6)中差异化处理的具体过程是:
当TD+1时刻短期预测功率DQ(TD+1)=0时,超短期第1点功率预测CDQ(TD+1)=0;
当TD+1时刻短期预测功率DQ(TD+1)>0时,利用步骤(5)求得的多元线性回归模型,代入相应的输入参数,得到光伏电站超短期第1点功率预测结果。
本发明提供了一种光伏电站超短期第1点功率预测系统,包括处理器和存储器,所述存储器上存储有程序,所述程序能够被所述处理器加载执行前述方法的步骤。
有益效果:本发明与现有光伏电站超短期功率预测技术相比,其显著效果如下:1、减少光伏电站对实时滚动数值天气预报的依赖,提高实测和预报辐射偏差较大时的光伏电站超短期第1点功率预测准确率;2、利用梯度下降法,构建符合光伏电站实际运行状况的多元线性回归预测模型,提高了光伏电站超短期第1点功率预测准确率,为电网安排和调配发电计划提供参考依据。
附图说明
图1为本申请实施例提供的一种光伏电站超短期第1点功率预测方法流程图;
图2为本申请实施例提供的一种光伏电站超短期第1点功率预测方法计算机程序的流程图。
具体实施方式
下面结合说明书附图对本发明进行详细描述。
如图1所示,为本申请实施例提供的一种光伏电站超短期第1点功率预测方法,包括如下步骤:
S1:获取当日短期预测功率、当前时刻实际功率和当前时刻超短期功率预测时序数据TD。
具体的,某一时刻的时序数据是指时间分辨率为TN时,零时刻的序号为1,每隔TN序号增加1,这一时刻在1天中的序号。例如,当时间分辨率是15分钟时,00:00的时序数据是1,12:00的时序数据是49。
S2:设置历史数据天数,获取所选历史时段内的数据,包括:实际功率、短期预测功率和时序数据。
S3:筛选出历史时段内的有效数据,并对有效数据中的时序数据进行标准化处理。
S4:基于有效数据计算历史时段内的实际功率和短期预测功率的相关系数r1。
S5:把T+1时刻实际功率作为目标函数,T时刻实际功率和时序数据以及T+1时刻短期预测功率作为输入参数,根据相关系数r1的大小建立不同的多元线性回归模型,利用梯度下降法对历史时段内的有效数据进行统计分析,计算回归系数。
S6:根据TD+1时刻短期预测功率的大小进行差异化处理,获得光伏电站超短期第1点功率预测值。
优选的实施例中,历史数据天数选取当日之前的30天,或者还包括过去年份的对应30天。例如,2020年12月1日进行超短期功率预测时,可以选取2020年11月1日-11月30日,共30天;或选取2019年和2020年的11月1日-11月30日,共60日。
优选的实施例中,上述步骤S3包括:筛选出历史时段内实际功率大于0的数据和对应的短期预测功率数据,以及前一时刻实际功率和时序数据;对有效数据中的时序数据进行标准化处理。
优选的实施例中,上述步骤S4中基于有效数据计算历史时段内的实际功率和短期预测功率的相关系数r1具体公式如下:
其中,P实i和P短期i表示实际功率和短期预测功率,P实平均和P短期平均表示实际功率和短期预测功率的平均值,m表示实际功率大于0的数据总点数。
优选的实施例中,步骤S5包括如下流程:
步骤(5-1):根据相关系数r1的大小建立不同的多元线性回归模型:
如果相关系数r1大于等于预设阈值,建立多元线性回归模型:P(T+1)=A*P(T)+B*DQ(T+1)+C*I(T)+D;
如果相关系数r1小于预设阈值,建立多元线性回归模型:P(T+1)=A*P(T)+C*I(T)+D;
其中P(T+1)和P(T)是T+1时刻和T时刻的实际功率,DQ(T)是T时刻短期预测功率,I(T)是T时刻时序数据的标准化值,A、B、C和D是多元线性回归系数;
步骤(5-2):利用梯度下降法对历史时段内筛选出的数据进行统计分析,计算步骤(5-1)中的多元线性回归系数。
优选的实施例中,所述步骤S6包括:
先对TD+1点时序数据进行标准化处理;
判断TD+1时刻短期预测功率DQ(TD+1)的大小;
当TD+1时刻短期预测功率DQ(TD+1)=0时,超短期第1点功率预测CDQ(TD+1)=0;
当TD+1时刻短期预测功率DQ(TD+1)>0时,利用步骤S5求得的多元线性回归模型,代入相应的输入参数,得到光伏电站超短期第1点功率预测结果。
如图2所示为本发明提供的一种光伏电站超短期第1点功率预测方法的计算机执行流程图,详细步骤如下:
步骤(1),获取当日96点短期预测功率、当前时刻实际功率和当前时刻时序数据TD。某一时刻的时序数据是指时间分辨率为TN时,零时刻的序号为1,每隔TN序号增加1,这一时刻在1天中的序号。本实施例中,时间分辨率选择15分钟时,00:00的时序数据是1。
步骤(2),历史数据的天数N设置为30的整数倍,选取当日之前的30天,也可以包含过去年份的这30天。例如,2020年12月1日进行功率预测时,可以选取2020年11月1日-11月30日,共30天;或选取2019年和2020年的11月1日-11月30日,共60日。获取该时段的实际功率、短期预测功率和时序数据,时间分辨率是15分钟。
步骤(3),筛选出实际功率大于0的数据,并对有效数据中的时序数据进行标准化处理。具体为从所选历史数据中筛选出T+1时刻实际功率大于0的数据,对应的T时刻时序数据构成时序数据集合i(T),对时序数据集合i(T)进行归一化处理获得I(T)。时序数据集合的平均值记为μ,标准差记为σ,I(T)=(i(T)-μ)/σ。
步骤(4),基于有效数据计算该时段实际功率和短期预测功率的相关系数。
相关系数的计算公式如下:
其中,P实i和P短期i表示实际功率和短期预测功率,P实平均和P短期平均表示实际功率和短期预测功率的平均值,m表示实际功率大于0的数据总点数。
步骤(5),根据相关系数r1的大小,构建不同的多元线性回归模型;
当实际功率和短期预测功率的相关系数r1≥0.7时,建立多元线性回归模型:P(T+1)=A*P(T)+B*DQ(T+1)+C*I(T)+D;
当实际功率和短期预测功率的相关系数r1<0.7时,建立多元线性回归模型:P(T+1)=A*P(T)+C*I(T)+D;
其中P(T+1)和P(T)是T+1时刻和T时刻的实际功率,DQ(T+1)是T+1时刻短期预测功率,I(T)是T时刻时序数据的标准化值,A、B、C和D是多元线性回归系数。
利用梯度下降法对筛选出的历史数据进行统计分析,计算回归系数A、B、C和D。
步骤(6),根据T+1时刻短期预测功率DQ(TD+1)的大小进行差异化处理,获得光伏电站超短期第1点功率预测值。
当DQ(TD+1)=0时,CDQ(TD+1)=0;
当DQ(TD+1)>0时,根据r1的大小,CDQ(TD+1)=A*P(TD)+B*DQ(TD+1)+C*I(TD)+D或者CDQ(TD+1)=A*P(TD)+C*I(TD)+D。
其中,I(TD)=(TD-μ)/σ。
本发明实施例还提供了一种光伏电站超短期第1点功率预测系统,包括处理器和存储器,所述存储器上存储有程序,所述程序能够被所述处理器加载执行前述方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或者等效流程变换,或者直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种光伏电站超短期第1点功率预测方法,其特征在于,包含如下步骤:
(1)获取当日短期预测功率、当前时刻实际功率和当前时刻超短期功率预测时序数据TD;
(2)设置历史数据天数,获取所选历史时段内的数据,包括:实际功率、短期预测功率和时序数据;
(3)筛选出历史时段内的有效数据,并对有效数据中的时序数据进行标准化处理;
(4)基于有效数据计算历史时段内的实际功率和短期预测功率的相关系数r1;
(5)把T+1时刻实际功率作为目标函数,T时刻实际功率和时序数据以及T+1时刻短期预测功率作为输入参数,根据相关系数r1的大小建立不同的多元线性回归模型,利用梯度下降法对历史时段内的有效数据进行统计分析,计算回归系数;具体包括:
步骤(5-1):根据相关系数r1的大小建立不同的多元线性回归模型:
如果相关系数r1大于等于预设阈值,建立多元线性回归模型:P(T+1)=A*P(T)+B*DQ(T+1)+C*I(T)+D;
如果相关系数r1小于预设阈值,建立多元线性回归模型:P(T+1)=A*P(T)+C*I(T)+D;
其中P(T+1)和P(T)是T+1时刻和T时刻的实际功率,DQ(T)是T时刻短期预测功率,I(T)是T时刻时序数据的标准化值,A、B、C和D是多元线性回归系数;
步骤(5-2):利用梯度下降法对历史时段内筛选出的数据进行统计分析,计算步骤(5-1)中的多元线性回归系数;
(6)根据TD+1时刻短期预测功率的大小进行差异化处理,获得光伏电站超短期第1点功率预测值。
2.根据权利要求1所述的一种光伏电站超短期第1点功率预测方法,特征在于:某一时刻的时序数据是指时间分辨率为TN时,零时刻的序号为1,每隔TN序号增加1,这一时刻在1天中的序号。
3.根据权利要求1所述的一种光伏电站超短期第1点功率预测方法,特征在于:步骤(2)中,所述历史数据天数设置为30的整数倍。
4.根据权利要求3所述的一种光伏电站超短期第1点功率预测方法,特征在于:所述历史数据天数选取当日之前的30天,或者还包括过去年份的对应30天。
5.根据权利要求1所述的一种光伏电站超短期第1点功率预测方法,特征在于:所述步骤(3)具体包括:筛选出历史时段内实际功率大于0的数据和对应的短期预测功率数据,以及前一时刻实际功率和时序数据;并对有效数据中的时序数据进行标准化处理。
7.根据权利要求1所述的一种光伏电站超短期第1点功率预测方法,特征在于:步骤(6)中,需要对TD+1时刻时序数据进行标准化处理。
8.根据权利要求1所述的一种光伏电站超短期第1点功率预测方法,特征在于:步骤(6)中差异化处理的具体过程是:
当TD+1时刻短期预测功率DQ(TD+1)=0时,超短期第1点功率预测CDQ(TD+1)=0;
当TD+1时刻短期预测功率DQ(TD+1)>0时,利用步骤(5)求得的多元线性回归模型,代入相应的输入参数,得到光伏电站超短期第1点功率预测结果。
9.一种光伏电站超短期第1点功率预测系统,其特征在于,包括处理器和存储器,所述存储器上存储有程序,所述程序能够被所述处理器加载执行如权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110001427.3A CN112700050B (zh) | 2021-01-04 | 2021-01-04 | 一种光伏电站超短期第1点功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110001427.3A CN112700050B (zh) | 2021-01-04 | 2021-01-04 | 一种光伏电站超短期第1点功率预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112700050A CN112700050A (zh) | 2021-04-23 |
CN112700050B true CN112700050B (zh) | 2022-07-22 |
Family
ID=75514362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110001427.3A Active CN112700050B (zh) | 2021-01-04 | 2021-01-04 | 一种光伏电站超短期第1点功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112700050B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819374A (zh) * | 2022-05-10 | 2022-07-29 | 南京南瑞水利水电科技有限公司 | 区域新能源超短期功率预测方法及系统 |
CN116187559B (zh) * | 2023-02-21 | 2024-03-15 | 华润电力技术研究院有限公司 | 一种集中式风电超短期功率预测方法、系统和云端平台 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208029A (zh) * | 2013-03-11 | 2013-07-17 | 中国电力科学研究院 | 基于净空模型的光伏电站超短期功率预测方法 |
CN103279804A (zh) * | 2013-04-29 | 2013-09-04 | 清华大学 | 超短期风电功率的预测方法 |
-
2021
- 2021-01-04 CN CN202110001427.3A patent/CN112700050B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208029A (zh) * | 2013-03-11 | 2013-07-17 | 中国电力科学研究院 | 基于净空模型的光伏电站超短期功率预测方法 |
CN103279804A (zh) * | 2013-04-29 | 2013-09-04 | 清华大学 | 超短期风电功率的预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112700050A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783953A (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
CN112700050B (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
CN108074015B (zh) | 一种风电功率超短期预测方法及系统 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
CN110110339B (zh) | 一种日前水文预报误差校正方法及系统 | |
CN107633316A (zh) | 自适应局部非线性回归偏差补偿的电网短期负荷预测方法 | |
CN111563236B (zh) | 一种短期风速预测方法及装置 | |
CN103853939A (zh) | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 | |
CN112508299A (zh) | 一种电力负荷预测方法、装置、终端设备及存储介质 | |
CN114498619A (zh) | 一种风电功率预测方法及装置 | |
CN116388150A (zh) | 基于数字孪生和神经网络技术的配变短期负荷预测方法 | |
CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
CN114154753A (zh) | 一种负荷预测方法及系统 | |
CN107808209B (zh) | 基于加权kNN距离的风电场异常数据辨识方法 | |
CN106067075B (zh) | 一种建筑用能负荷预测模型建立、负荷预测方法及其装置 | |
CN110555220B (zh) | 一种光电转换模型的率定方法及系统 | |
CN111310121A (zh) | 一种新能源出力概率预测方法和系统 | |
CN111709585A (zh) | 一种空调负荷预测方法、装置及存储介质 | |
CN115081681B (zh) | 一种基于prophet算法的风电功率预测方法 | |
CN109840308B (zh) | 一种区域风电功率概率预报方法及系统 | |
CN115759455A (zh) | 一种基于时序高斯混合密度网络的负荷概率密度预测方法 | |
CN105184411B (zh) | 一种基于最大Lyapunov指数-校正的风电功率实时预测方法 | |
CN113761023A (zh) | 一种基于改进广义神经网络的光伏发电短期功率预测方法 | |
CN109376957B (zh) | 一种火电厂负荷的预测方法 |
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 |