CN112734125A - 一种光伏出力预测方法、装置和电子设备 - Google Patents
一种光伏出力预测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112734125A CN112734125A CN202110057790.7A CN202110057790A CN112734125A CN 112734125 A CN112734125 A CN 112734125A CN 202110057790 A CN202110057790 A CN 202110057790A CN 112734125 A CN112734125 A CN 112734125A
- Authority
- CN
- China
- Prior art keywords
- sequence
- power
- target power
- moment
- photovoltaic output
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000004576 sand Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 9
- 238000010248 power generation Methods 0.000 description 20
- 238000009795 derivation Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012843 least square support vector machine Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005070 sampling 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供了一种光伏出力预测方法、装置和电子设备,可以先按照目标功率序列的长度,将历史功率序列划分为多个历史功率子序列,然后从多个历史功率子序列中确定出与目标功率序列变化趋势相似的相似序列,并根据确定的相似序列对当前时刻的下一时刻的光伏出力功率值进行预测,可以避免由于使用了光伏出力相似日中,与目标功率序列虽属同一时刻但变化趋势与目标功率序列不相似的历史功率序列而导致的光伏出力功率值预测不准确的问题,大大提高了光伏出力功率值预测的准确率。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种光伏出力预测方法、装置和电子设备。
背景技术
目前,随着化石能源不断消耗和环境问题日益突出,新能源技术快速发展,光伏发电得到越来越广泛的运用。然而光伏发电出力功率与太阳辐射强度相关,受到晴空指数、日照时数、云、温度、灰尘、风速等多因素影响,具有波动性、间歇性等特点,给光伏发电系统出力功率的预测带来一定难度。为了降低光伏发电并网后对电网的不确定性影响、提高系统可靠性、维护电力质量、增加光伏发电的渗透水平,研究光伏出力功率预测方法提高预测精度具有重大意义。
发明内容
为解决上述问题,本发明实施例的目的在于提供一种光伏出力预测方法、装置和电子设备。
第一方面,本发明实施例提供了一种光伏出力预测方法,包括:
获取光伏出力功率值的历史功率序列以及目标功率序列;其中,所述历史功率序列中记录有历史上某段时间内各时刻的光伏出力功率值;所述目标功率序列中记录有从当前时刻之前的时间点到当前时刻之间的时间段内各时刻的光伏出力功率值;所述历史功率序列中的光伏出力功率值的数量大于目标功率序列中的光伏出力功率值的数量;
基于所述当前时刻之前的时间点到当前时刻之间的时间段的时间长度,将所述历史功率序列划分为多个历史功率子序列;
分别计算目标功率序列的导数序列和多个历史功率子序列中各历史功率子序列的导数序列;
基于得到的目标功率序列的导数序列和各历史功率子序列的导数序列,分别计算目标功率序列与各历史功率子序列的相似度;
将各历史功率子序列中与目标功率序列相似度大于等于相似度阈值的历史功率子序列确定为所述目标功率序列的相似序列;
利用所述目标功率序列的相似序列,对当前时刻的下一时刻的光伏出力功率值进行预测。
第二方面,本发明实施例还提供了一种光伏出力预测装置,包括:
获取模块,用于获取光伏出力功率值的历史功率序列以及目标功率序列;其中,所述历史功率序列中记录有历史上某段时间内各时刻的光伏出力功率值;所述目标功率序列中记录有从当前时刻之前的时间点到当前时刻之间的时间段内各时刻的光伏出力功率值;所述历史功率序列中的光伏出力功率值的数量大于目标功率序列中的光伏出力功率值的数量;
划分模块,用于基于所述当前时刻之前的时间点到当前时刻之间的时间段的时间长度,将所述历史功率序列划分为多个历史功率子序列;
第一计算模块,用于分别计算目标功率序列的导数序列和多个历史功率子序列中各历史功率子序列的导数序列;
第二计算模块,用于基于得到的目标功率序列的导数序列和各历史功率子序列的导数序列,分别计算目标功率序列与各历史功率子序列的相似度;
确定模块,用于将各历史功率子序列中与目标功率序列相似度大于等于相似度阈值的历史功率子序列确定为所述目标功率序列的相似序列;
预测模块,用于利用所述目标功率序列的相似序列,对当前时刻的下一时刻的光伏出力功率值进行预测。
第三方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述第一方面所述的方法的步骤。
第四方面,本发明实施例还提供了一种电子设备,所述电子设备包括有存储器,处理器以及一个或者一个以上的程序,其中所述一个或者一个以上程序存储于所述存储器中,且经配置以由所述处理器执行上述第一方面所述的方法的步骤。
本发明实施例上述第一方面至第四方面提供的方案中,基于当前时刻之前的时间点到当前时刻之间的时间段的时间长度,将历史功率序列划分为多个历史功率子序列;分别计算目标功率序列的导数序列和多个历史功率子序列中各历史功率子序列的导数序列;然后基于得到的目标功率序列的导数序列和各历史功率子序列的导数序列,分别计算目标功率序列与各历史功率子序列的相似度;将各历史功率子序列中与目标功率序列相似度大于等于相似度阈值的历史功率子序列确定为所述目标功率序列的相似序列,最后利用所述目标功率序列的相似序列,对当前时刻的下一时刻的光伏出力功率值进行预测,与相关技术中使用的功率求导法对光伏出力进行预测的方式相比,可以先按照目标功率序列的长度,将历史功率序列划分为多个历史功率子序列,然后从多个历史功率子序列中确定出与目标功率序列变化趋势相似的相似序列,并根据确定的相似序列对当前时刻的下一时刻的光伏出力功率值进行预测,可以避免由于使用了光伏出力相似日中,与目标功率序列虽属同一时刻但变化趋势与目标功率序列不相似的历史功率序列而导致的光伏出力功率值预测不准确的问题,大大提高了光伏出力功率值预测的准确率。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例1所提供的一种光伏出力预测方法的流程图;
图2示出了本发明实施例2所提供的一种光伏出力预测装置的结构示意图;
图3示出了本发明实施例3所提供的一种电子设备的结构示意图。
具体实施方式
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
目前,随着化石能源不断消耗和环境问题日益突出,新能源技术快速发展,光伏发电得到越来越广泛的运用。然而光伏发电出力功率与太阳辐射强度相关,受到晴空指数、日照时数、云、温度、灰尘、风速等多因素影响,具有波动性、间歇性等特点,给光伏发电系统出力功率的预测带来一定难度。为了降低光伏发电并网后对电网的不确定性影响、提高系统可靠性、维护电力质量、增加光伏发电的渗透水平,研究光伏出力功率预测方法提高预测精度具有重大意义。
光伏发电出力功率预测主要可分为直接预测和间接预测。间接预测法通过预测太阳辐射强度间接得出光伏系统的出力功率。然而太阳辐射强度与多种因素相关,难以精确预测,并且光伏发电系统输入与输出存在非线性关系,较小天气预测误差可能会带来较大的功率预测误差。直接预测法的建模对象是光伏发电厂输出功率的历史数据本身。光伏发电厂输出功率超短期预测一般是对未来5分钟到1小时内光伏发电系统输出功率的预测,受天气变化影响较小,直接预测法比较适用。
相应的,光伏发电输出功率的预测方法有多种,可以分别使用自回归滑动平均模型(Auto-Regressive and Moving Average Model,ARMA)和马尔可夫链模型进行预测,对比表明ARMA模型有较高的精度;基于神经网络的组合或改进方法建立短期预测模型,近年来,神经网络在光伏发电系统输出功率预测方面得到了广泛应用;而且,还可以通过分析相似度筛选与预测日特征相似的历史数据,利用最小二程支持向量机(Least SquaresSupport Vector Machine,LS-SVM)进行光伏发电输出功率预测。光伏发电出力功率是在固有的物理系统环境中产生的,其预测具有连续性原则和相似性类推原则,即可以用以往相似的情况来预测未来短期变化。基于此思路的预测方法一般是选择(光伏出力)相似日,即找到天气类型和功率曲线整体幅值相近的历史数据,通过聚类、机器学习等方式得出预测结果。然而光伏发电出力功率具有随机性强、波动性大等特点,即使相似日的天气类型和功率曲线整体很相似,在特定时刻曲线局部形状差别可能很大,导致预测误差较大。
曲线整体相似并不一定局部相似,幅值接近不一定形状和变化趋势相似,因此基于相似性类推原则的预测方法需要搜索出曲线局部形状和变化趋势相似的历史子序列,才能提高预测精度。
目标功率序列与历史功率序列的曲线整体相似的情况下,可能出现目标功率序列与历史功率序列中的极值点(拐点)不一样的情况,若使用与目标功率序列的极值点差异较大的历史功率序列对当前时刻的下一时刻的光伏出力功率进行预测,则必然导致预测结果不准确。
而目标功率序列与极值点不一样的历史功率序列相比,目标功率序列与极值点差异大的历史功率序列在极值点附近的变化趋势是不一样的。
因此,本申请提出一种新的时间序列距离——求导距离,以求导距离(一阶求导)度量时间序列局部形状与变化趋势的相似性,通过相似搜索得到与目标功率序列变化趋势相似的历史功率子序列,并以相似度为权重,预测下一时刻功率曲线的变化量,有效提高预测精度,适合高随机性随机序列的预测。而且,求导相似搜索的方法可以有效捕捉目标功率序列的变化趋势,将与目标功率序列拐点值差异较大的历史功率序列剔除掉,确定出目标功率序列变化趋势相似的历史功率子序列,相当于复现了以往相同模式,对时间序列中的光伏出力功率的预测精度有一定提高。
基于此,本申请以下各实施例提出的光伏出力预测方法、装置和电子设备,可以先按照目标功率序列的长度,将历史功率序列划分为多个历史功率子序列,然后从多个历史功率子序列中确定出与目标功率序列变化趋势相似的相似序列,并根据确定的相似序列对当前时刻的下一时刻的光伏出力功率值进行预测,可以避免由于使用了光伏出力相似日中,与目标功率序列虽属同一时刻但变化趋势与目标功率序列不相似的历史功率序列而导致的光伏出力功率值预测不准确的问题,大大提高了光伏出力功率值预测的准确率。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请做进一步详细的说明。
实施例1
本实施例提出的光伏出力预测方法,执行主体是服务器。
所述服务器,可以采用现有技术中任何可以对光伏出力功率值进行预测的计算设备,这里不再一一赘述。
参见图1所示的一种光伏出力预测方法的流程图,本实施例提出的一种光伏出力预测方法,包括以下具体步骤:
步骤100、获取光伏出力功率值的历史功率序列以及目标功率序列;其中,所述历史功率序列中记录有历史上某段时间内各时刻的光伏出力功率值;所述目标功率序列中记录有从当前时刻之前的时间点到当前时刻之间的时间段内各时刻的光伏出力功率值。
在上述步骤100中,所述历史功率序列中的光伏出力功率值的数量大于目标功率序列中的光伏出力功率值的数量。
所述历史功率序列中记录的历史上某段时间内各时刻的光伏出力功率值,以及所述目标功率序列中记录的从当前时刻之前的时间点到当前时刻之间的时间段内各时刻的光伏出力功率值,均存储在服务器中。
在一个实施方式中,历史上某段时间内各时刻的光伏出力功率值,可以是但不限于:当前时间之前的7日/14日内各时刻的光伏出力功率值。
某段时间内的各时刻,是指该某段时间内不连续的时间点;而各时刻中相邻时刻之间的时间间隔就是光伏出力功率值的采样周期的长度。
而,在一个实施方式中,所述目标功率序列,可以是从当前时刻5分钟前的时间点到当前时刻的这段时间内各时刻的光伏出力功率值。
步骤102、基于所述当前时刻之前的时间点到当前时刻之间的时间段的时间长度,将所述历史功率序列划分为多个历史功率子序列。
在上述步骤102中,划分后得到的各所述历史功率子序列的时间长度与所述目标功率序列的时间长度相同。所以,各所述历史功率子序列具有的光伏出力功率值的数量,与所述目标功率序列具有的光伏出力功率值的数量相同。
步骤104、分别计算目标功率序列的导数序列和多个历史功率子序列中各历史功率子序列的导数序列。
在上述步骤104中,当目标功率序列是Pt={pt,1,pt,2,…,pt,s}时,通过以下公式,对目标功率序列的导数序列中的各时刻的光伏出力功率值的导数进行计算:
p′t,i=[pt,(i+1)-pt,i]=Δpt,i
其中,p′t,i表示目标功率序列中第i个时刻的光伏出力功率值的导数;pt,(i+1)表示目标功率序列中第i+1个时刻的光伏出力功率值;pt,i表示目标功率序列中第i个时刻的光伏出力功率值;pt,1表示目标功率序列中第1个时刻的光伏出力功率值;pt,2表示目标功率序列中第2个时刻的光伏出力功率值;pt,s表示目标功率序列中第s个时刻的光伏出力功率值;Δpt,i表示目标功率序列中第i个时刻的光伏出力功率值的导数;i是小于s的任意自然数。
通过目标功率序列Pt可以看出:pt,s,就是目标功率序列中最后一个光伏出力功率值,即当前时刻的光伏出力功率值。
多个历史功率子序列中各历史功率子序列的导数序列的求取过程,与上述目标功率序列的导数序列的求取过程类似,这里不再赘述。
当历史功率子序列是Pk={pk,1,pk,2,…,pk,s}时,计算得到的该历史功率子序列的导数序列是P′k={Δpk,1,Δpk,2,…,Δpk,s}。
这里,pk,s就是历史功率子序列Pk中的最后一个光伏出力功率值。
步骤106、基于得到的目标功率序列的导数序列和各历史功率子序列的导数序列,分别计算目标功率序列与各历史功率子序列的相似度。
在上述步骤106中,为了计算目标功率序列与各历史功率子序列的相似度,可以执行以下流程:具体地,当计算得到的目标功率序列的导数序列是P′t={Δpt,1,Δpt,2,…,Δpt,s}且历史功率子序列的导数序列是P′k={Δpk,1,Δpk,2,…,Δpk,s}时,通过以下公式计算目标功率序列的导数序列与历史功率子序列的导数序列的相似度:
其中,α是(0,1]之间的常数;D表示目标功率序列Pt与历史功率子序列Pk的相似度;Δpt,i表示P′t中第i个时刻的光伏出力功率值的导数;Δpk,i表示P′k中第i个时刻的光伏出力功率值的导数。
上述内容描述了目标功率序列Pt与历史功率子序列Pk的相似度的计算过程,但目标功率序列Pt与各历史功率子序列中除历史功率子序列Pk外的其他的历史功率子序列的相似度的计算过程与上述目标功率序列Pt与历史功率子序列Pk的相似度的计算过程类似,这里不再赘述。
步骤108、将各历史功率子序列中与目标功率序列相似度大于等于相似度阈值的历史功率子序列确定为所述目标功率序列的相似序列。
在上述步骤108中,所述相似度阈值,存储在服务器中。
在确定所述目标功率序列的相似序列的同时,可以得到目标功率序列的相似序列的相似序列数量,并可以将所述目标功率序列与所述相似序列的相似度以及目标功率序列的相似序列的相似序列数量,缓存在所述服务器中。
步骤110、利用所述目标功率序列的相似序列,对当前时刻的下一时刻的光伏出力功率值进行预测。
具体地,为了对当前时刻的下一时刻的光伏出力功率值进行预测,上述步骤110,可以执行以下步骤(1)至步骤(3):
(1)获取所述目标功率序列的相似序列的相似序列数量和所述目标功率序列与所述相似序列的相似度,通过以下公式对预测系数进行计算:
其中,dm表示所述目标功率序列与第m个相似序列的相似度;M表示所述目标功率序列的相似序列的相似序列数量;C表示预测系数;
(2)获取所述目标功率序列的相似序列中的第s个时刻的光伏出力功率值的导数,通过以下公式对当前时刻的下一时刻的光伏出力功率值的变化量进行计算:
(3)获取从目标功率序列中获取当前时刻的光伏出力功率值,并计算当前时刻的光伏出力功率值与当前时刻的下一时刻的光伏出力功率值的变化量的和,得到当前时刻的下一时刻的光伏出力功率预测值,从而对当前时刻的下一时刻的光伏出力功率值进行预测。
在上述步骤(1)中,所述目标功率序列的相似序列的相似序列数量和所述目标功率序列与所述相似序列的相似度均缓存在服务器中。
在上述步骤(2)中,Δpm,s,就是所述目标功率序列的第m个相似序列中的最后一个光伏出力功率值的导数。
通过以上的内容可以确定,考虑到光伏发电系统输出功率具有高随机性特点,总体幅值相近不能保证短时段内局部形状相似,传统的基于相似日的方法在超短期预测中仍有较大误差。本实施例提出了一种新的时间序列距离—求导距离,以求导距离度量时间序列的相似性,建立了基于求导相似搜索的预测模型。对比ARMA模型和径向基函数(RadicalBasis Function,RBF)神经网络等方法,分别对多种天气情况下的输出功率进行预测,将与目标功率序列拐点值差异较大的历史功率序列剔除掉,确定出目标功率序列变化趋势相似的历史功率子序列,预测结果表明,该方法有效提高了预测精度。同时该方法参数可调整有很好的通用性,运算速度更快实用性更强。非常适合光伏发电系统输出功率等高随机性时间序列的超短期预测。
综上所述,本实施例提出一种光伏出力预测方法,基于当前时刻之前的时间点到当前时刻之间的时间段的时间长度,将历史功率序列划分为多个历史功率子序列;分别计算目标功率序列的导数序列和多个历史功率子序列中各历史功率子序列的导数序列;然后基于得到的目标功率序列的导数序列和各历史功率子序列的导数序列,分别计算目标功率序列与各历史功率子序列的相似度;将各历史功率子序列中与目标功率序列相似度大于等于相似度阈值的历史功率子序列确定为所述目标功率序列的相似序列,最后利用所述目标功率序列的相似序列,对当前时刻的下一时刻的光伏出力功率值进行预测,与相关技术中使用的功率求导法对光伏出力进行预测的方式相比,可以先按照目标功率序列的长度,将历史功率序列划分为多个历史功率子序列,然后从多个历史功率子序列中确定出与目标功率序列变化趋势相似的相似序列,并根据确定的相似序列对当前时刻的下一时刻的光伏出力功率值进行预测,可以避免由于使用了光伏出力相似日中,与目标功率序列虽属同一时刻但变化趋势与目标功率序列不相似的历史功率序列而导致的光伏出力功率值预测不准确的问题,大大提高了光伏出力功率值预测的准确率。
实施例2
本实施例提出一种光伏出力预测装置,用于执行上述实施例1提出的一种光伏出力预测方法。
参见图2所示的一种光伏出力预测装置的结构示意图,本实施例提出的包括:
获取模块200,用于获取光伏出力功率值的历史功率序列以及目标功率序列;其中,所述历史功率序列中记录有历史上某段时间内各时刻的光伏出力功率值;所述目标功率序列中记录有从当前时刻之前的时间点到当前时刻之间的时间段内各时刻的光伏出力功率值;所述历史功率序列中的光伏出力功率值的数量大于目标功率序列中的光伏出力功率值的数量;
划分模块202,用于基于所述当前时刻之前的时间点到当前时刻之间的时间段的时间长度,将所述历史功率序列划分为多个历史功率子序列;
第一计算模块204,用于分别计算目标功率序列的导数序列和多个历史功率子序列中各历史功率子序列的导数序列;
第二计算模块206,用于基于得到的目标功率序列的导数序列和各历史功率子序列的导数序列,分别计算目标功率序列与各历史功率子序列的相似度;
确定模块208,用于将各历史功率子序列中与目标功率序列相似度大于等于相似度阈值的历史功率子序列确定为所述目标功率序列的相似序列;
预测模块210,用于利用所述目标功率序列的相似序列,对当前时刻的下一时刻的光伏出力功率值进行预测。
具体地,所述第一计算模块204,用于计算目标功率序列的导数序列,包括:
当目标功率序列是Pt={pt,1,pt,2,…,pt,s}时,通过以下公式,对目标功率序列的导数序列中的各时刻的光伏出力功率值的导数进行计算:
p′t,i=[pt,(i+1)-pt,i]=Δpt,i
其中,p′t,i表示目标功率序列中第i个时刻的光伏出力功率值的导数;pt,(i+1)表示目标功率序列中第i+1个时刻的光伏出力功率值;pt,i表示目标功率序列中第i个时刻的光伏出力功率值;pt,1表示目标功率序列中第1个时刻的光伏出力功率值;pt,2表示目标功率序列中第2个时刻的光伏出力功率值;pt,s表示目标功率序列中第s个时刻的光伏出力功率值;Δpt,i表示目标功率序列中第i个时刻的光伏出力功率值的导数;i是小于s的任意自然数。
具体地,所述第二计算模块206,具体用于:
当计算得到的目标功率序列的导数序列是P′t={Δpt,1,Δpt,2,…,Δpt,s}且历史功率子序列的导数序列是P′k={Δpk,1,Δpk,2,…,Δpk,s}时,通过以下公式计算目标功率序列的导数序列与历史功率子序列的导数序列的相似度:
其中,α是(0,1]之间的常数;D表示目标功率序列Pt与历史功率子序列Pk的相似度;Δpt,i表示P′t中第i个时刻的光伏出力功率值的导数;Δpk,i表示P′k中第i个时刻的光伏出力功率值的导数。
具体地,所述预测模块210,具体用于:
获取所述目标功率序列的相似序列的相似序列数量和所述目标功率序列与所述相似序列的相似度,通过以下公式对预测系数进行计算:
其中,dm表示所述目标功率序列与第m个相似序列的相似度;M表示所述目标功率序列的相似序列的相似序列数量;C表示预测系数;
获取所述目标功率序列的相似序列中的第s个时刻的光伏出力功率值的导数,通过以下公式对当前时刻的下一时刻的光伏出力功率值的变化量进行计算:
获取从目标功率序列中获取当前时刻的光伏出力功率值,并计算当前时刻的光伏出力功率值与当前时刻的下一时刻的光伏出力功率值的变化量的和,得到当前时刻的下一时刻的光伏出力功率预测值,从而对当前时刻的下一时刻的光伏出力功率值进行预测。
综上所述,本实施例提出一种光伏出力预测装置,基于当前时刻之前的时间点到当前时刻之间的时间段的时间长度,将历史功率序列划分为多个历史功率子序列;分别计算目标功率序列的导数序列和多个历史功率子序列中各历史功率子序列的导数序列;然后基于得到的目标功率序列的导数序列和各历史功率子序列的导数序列,分别计算目标功率序列与各历史功率子序列的相似度;将各历史功率子序列中与目标功率序列相似度大于等于相似度阈值的历史功率子序列确定为所述目标功率序列的相似序列,最后利用所述目标功率序列的相似序列,对当前时刻的下一时刻的光伏出力功率值进行预测,与相关技术中使用的功率求导法对光伏出力进行预测的方式相比,可以先按照目标功率序列的长度,将历史功率序列划分为多个历史功率子序列,然后从多个历史功率子序列中确定出与目标功率序列变化趋势相似的相似序列,并根据确定的相似序列对当前时刻的下一时刻的光伏出力功率值进行预测,可以避免由于使用了光伏出力相似日中,与目标功率序列虽属同一时刻但变化趋势与目标功率序列不相似的历史功率序列而导致的光伏出力功率值预测不准确的问题,大大提高了光伏出力功率值预测的准确率。
实施例3
本实施例提出一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述实施例1描述的光伏出力预测方法的步骤。具体实现可参见方法实施例1,在此不再赘述。
此外,参见图3所示的一种电子设备的结构示意图,本实施例还提出一种电子设备,上述电子设备包括总线51、处理器52、收发机53、总线接口54、存储器55和用户接口56。上述电子设备包括有存储器55。
本实施例中,上述电子设备还包括:存储在存储器55上并可在处理器52上运行的一个或者一个以上的程序,经配置以由上述处理器执行上述一个或者一个以上程序用于进行以下步骤(1)至步骤(6):
(1)获取光伏出力功率值的历史功率序列以及目标功率序列;其中,所述历史功率序列中记录有历史上某段时间内各时刻的光伏出力功率值;所述目标功率序列中记录有从当前时刻之前的时间点到当前时刻之间的时间段内各时刻的光伏出力功率值;所述历史功率序列中的光伏出力功率值的数量大于目标功率序列中的光伏出力功率值的数量;
(2)基于所述当前时刻之前的时间点到当前时刻之间的时间段的时间长度,将所述历史功率序列划分为多个历史功率子序列;
(3)分别计算目标功率序列的导数序列和多个历史功率子序列中各历史功率子序列的导数序列;
(4)基于得到的目标功率序列的导数序列和各历史功率子序列的导数序列,分别计算目标功率序列与各历史功率子序列的相似度;
(5)将各历史功率子序列中与目标功率序列相似度大于等于相似度阈值的历史功率子序列确定为所述目标功率序列的相似序列;
(6)利用所述目标功率序列的相似序列,对当前时刻的下一时刻的光伏出力功率值进行预测。
收发机53,用于在处理器52的控制下接收和发送数据。
其中,总线架构(用总线51来代表),总线51可以包括任意数量的互联的总线和桥,总线51将包括由处理器52代表的一个或多个处理器和存储器55代表的存储器的各种电路链接在一起。总线51还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本实施例不再对其进行进一步描述。总线接口54在总线51和收发机53之间提供接口。收发机53可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发机53从其他设备接收外部数据。收发机53用于将处理器52处理后的数据发送给其他设备。取决于计算系统的性质,还可以提供用户接口56,例如小键盘、显示器、扬声器、麦克风、操纵杆。
处理器52负责管理总线51和通常的处理,如前述上述运行通用操作系统。而存储器55可以被用于存储处理器52在执行操作时所使用的数据。
可选的,处理器52可以是但不限于:中央处理器、单片机、微处理器或者可编程逻辑器件。
可以理解,本发明实施例中的存储器55可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本实施例描述的系统和方法的存储器55旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中,存储器55存储了如下的元素,可执行模块或者数据结构,或者它们的子集,或者它们的扩展集:操作系统551和应用程序552。
其中,操作系统551,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序552,包含各种应用程序,例如媒体播放器(Media Player)、浏览器(Browser)等,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序552中。
综上所述,本实施例提出一种电子设备和计算机可读存储介质,基于当前时刻之前的时间点到当前时刻之间的时间段的时间长度,将历史功率序列划分为多个历史功率子序列;分别计算目标功率序列的导数序列和多个历史功率子序列中各历史功率子序列的导数序列;然后基于得到的目标功率序列的导数序列和各历史功率子序列的导数序列,分别计算目标功率序列与各历史功率子序列的相似度;将各历史功率子序列中与目标功率序列相似度大于等于相似度阈值的历史功率子序列确定为所述目标功率序列的相似序列,最后利用所述目标功率序列的相似序列,对当前时刻的下一时刻的光伏出力功率值进行预测,与相关技术中使用的功率求导法对光伏出力进行预测的方式相比,可以先按照目标功率序列的长度,将历史功率序列划分为多个历史功率子序列,然后从多个历史功率子序列中确定出与目标功率序列变化趋势相似的相似序列,并根据确定的相似序列对当前时刻的下一时刻的光伏出力功率值进行预测,可以避免由于使用了光伏出力相似日中,与目标功率序列虽属同一时刻但变化趋势与目标功率序列不相似的历史功率序列而导致的光伏出力功率值预测不准确的问题,大大提高了光伏出力功率值预测的准确率。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种光伏出力预测方法,其特征在于,包括:
获取光伏出力功率值的历史功率序列以及目标功率序列;其中,所述历史功率序列中记录有历史上某段时间内各时刻的光伏出力功率值;所述目标功率序列中记录有从当前时刻之前的时间点到当前时刻之间的时间段内各时刻的光伏出力功率值;所述历史功率序列中的光伏出力功率值的数量大于目标功率序列中的光伏出力功率值的数量;
基于所述当前时刻之前的时间点到当前时刻之间的时间段的时间长度,将所述历史功率序列划分为多个历史功率子序列;
分别计算目标功率序列的导数序列和多个历史功率子序列中各历史功率子序列的导数序列;
基于得到的目标功率序列的导数序列和各历史功率子序列的导数序列,分别计算目标功率序列与各历史功率子序列的相似度;
将各历史功率子序列中与目标功率序列相似度大于等于相似度阈值的历史功率子序列确定为所述目标功率序列的相似序列;
利用所述目标功率序列的相似序列,对当前时刻的下一时刻的光伏出力功率值进行预测。
2.根据权利要求1所述的方法,其特征在于,计算目标功率序列的导数序列,包括:
当目标功率序列是Pt={pt,1,pt,2,…,pt,s}时,通过以下公式,对目标功率序列的导数序列中的各时刻的光伏出力功率值的导数进行计算:
p′t,i=[pt,(i+1)-pt,i]=Δpt,i
其中,p′t,i表示目标功率序列中第i个时刻的光伏出力功率值的导数;pt,(i+1)表示目标功率序列中第i+1个时刻的光伏出力功率值;pt,i表示目标功率序列中第i个时刻的光伏出力功率值;pt,1表示目标功率序列中第1个时刻的光伏出力功率值;pt,2表示目标功率序列中第2个时刻的光伏出力功率值;pt,s表示目标功率序列中第s个时刻的光伏出力功率值;Δpt,i表示目标功率序列中第i个时刻的光伏出力功率值的导数;i是小于s的任意自然数。
4.根据权利要求3所述的方法,其特征在于,利用所述目标功率序列的相似序列,对当前时刻的下一时刻的光伏出力功率值进行预测,包括:
获取所述目标功率序列的相似序列的相似序列数量和所述目标功率序列与所述相似序列的相似度,通过以下公式对预测系数进行计算:
其中,dm表示所述目标功率序列与第m个相似序列的相似度;M表示所述目标功率序列的相似序列的相似序列数量;C表示预测系数;
获取所述目标功率序列的相似序列中的第s个时刻的光伏出力功率值的导数,通过以下公式对当前时刻的下一时刻的光伏出力功率值的变化量进行计算:
获取从目标功率序列中获取当前时刻的光伏出力功率值,并计算当前时刻的光伏出力功率值与当前时刻的下一时刻的光伏出力功率值的变化量的和,得到当前时刻的下一时刻的光伏出力功率预测值,从而对当前时刻的下一时刻的光伏出力功率值进行预测。
5.一种光伏出力预测装置,其特征在于,包括:
获取模块,用于获取光伏出力功率值的历史功率序列以及目标功率序列;其中,所述历史功率序列中记录有历史上某段时间内各时刻的光伏出力功率值;所述目标功率序列中记录有从当前时刻之前的时间点到当前时刻之间的时间段内各时刻的光伏出力功率值;所述历史功率序列中的光伏出力功率值的数量大于目标功率序列中的光伏出力功率值的数量;
划分模块,用于基于所述当前时刻之前的时间点到当前时刻之间的时间段的时间长度,将所述历史功率序列划分为多个历史功率子序列;
第一计算模块,用于分别计算目标功率序列的导数序列和多个历史功率子序列中各历史功率子序列的导数序列;
第二计算模块,用于基于得到的目标功率序列的导数序列和各历史功率子序列的导数序列,分别计算目标功率序列与各历史功率子序列的相似度;
确定模块,用于将各历史功率子序列中与目标功率序列相似度大于等于相似度阈值的历史功率子序列确定为所述目标功率序列的相似序列;
预测模块,用于利用所述目标功率序列的相似序列,对当前时刻的下一时刻的光伏出力功率值进行预测。
6.根据权利要求5所述的装置,其特征在于,所述第一计算模块,用于计算目标功率序列的导数序列,包括:
当目标功率序列是Pt={pt,1,pt,2,...,pt,s}时,通过以下公式,对目标功率序列的导数序列中的各时刻的光伏出力功率值的导数进行计算:
p′t,i=[pt,(i+1)-pt,i]=Δpt,i
其中,p′t,i表示目标功率序列中第i个时刻的光伏出力功率值的导数;pt,(i+11表示目标功率序列中第i+1个时刻的光伏出力功率值;pt,i表示目标功率序列中第i个时刻的光伏出力功率值;pt,1表示目标功率序列中第1个时刻的光伏出力功率值;pt,2表示目标功率序列中第2个时刻的光伏出力功率值;pt,s表示目标功率序列中第s个时刻的光伏出力功率值;Δpt,i表示目标功率序列中第i个时刻的光伏出力功率值的导数;i是小于s的任意自然数。
8.根据权利要求7所述的装置,其特征在于,所述预测模块,具体用于:
获取所述目标功率序列的相似序列的相似序列数量和所述目标功率序列与所述相似序列的相似度,通过以下公式对预测系数进行计算:
其中,dm表示所述目标功率序列与第m个相似序列的相似度;M表示所述目标功率序列的相似序列的相似序列数量;C表示预测系数;
获取所述目标功率序列的相似序列中的第s个时刻的光伏出力功率值的导数,通过以下公式对当前时刻的下一时刻的光伏出力功率值的变化量进行计算:
获取从目标功率序列中获取当前时刻的光伏出力功率值,并计算当前时刻的光伏出力功率值与当前时刻的下一时刻的光伏出力功率值的变化量的和,得到当前时刻的下一时刻的光伏出力功率预测值,从而对当前时刻的下一时刻的光伏出力功率值进行预测。
9.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1-4任一项所述的方法的步骤。
10.一种电子设备,其特征在于,所述电子设备包括有存储器,处理器以及一个或者一个以上的程序,其中所述一个或者一个以上程序存储于所述存储器中,且经配置以由所述处理器执行权利要求1-4任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110057790.7A CN112734125A (zh) | 2021-01-15 | 2021-01-15 | 一种光伏出力预测方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110057790.7A CN112734125A (zh) | 2021-01-15 | 2021-01-15 | 一种光伏出力预测方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112734125A true CN112734125A (zh) | 2021-04-30 |
Family
ID=75591794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110057790.7A Pending CN112734125A (zh) | 2021-01-15 | 2021-01-15 | 一种光伏出力预测方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734125A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117277355A (zh) * | 2023-11-09 | 2023-12-22 | 一能电气有限公司 | 一种智慧监测数据的输电方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007281060A (ja) * | 2006-04-04 | 2007-10-25 | Nippon Telegr & Teleph Corp <Ntt> | 太陽光発電システムの発電予測方法、装置、およびプログラム |
US20140095076A1 (en) * | 2012-09-28 | 2014-04-03 | Hewlett-Packard Development Company, L.P. | Predicting near-future photovoltaic generation |
CN105573401A (zh) * | 2016-03-18 | 2016-05-11 | 康奋威科技(杭州)有限公司 | 太阳能光伏系统mppt控制方法 |
CN106447131A (zh) * | 2016-10-24 | 2017-02-22 | 易事特集团股份有限公司 | 独立型微电网光伏输出功率预测方法及能量调控方法 |
CN107194495A (zh) * | 2017-04-21 | 2017-09-22 | 北京信息科技大学 | 一种基于历史数据挖掘的光伏功率纵向预测方法 |
CN107403015A (zh) * | 2017-08-07 | 2017-11-28 | 南京金水尚阳信息技术有限公司 | 一种基于时间序列相似性的短期光功率预测方法 |
US20180046924A1 (en) * | 2015-08-31 | 2018-02-15 | Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences | Whole-life-cycle power output classification prediction system for photovoltaic systems |
US20180375334A1 (en) * | 2017-06-26 | 2018-12-27 | Tsinghua University | Method and apparatus for photovoltaic power forecast based on numerical weather prediction |
CN109102132A (zh) * | 2017-06-20 | 2018-12-28 | 中国电力科学研究院 | 一种基于概率论的微电网脆弱性评估方法及装置 |
CN109376951A (zh) * | 2018-11-21 | 2019-02-22 | 华中科技大学 | 一种光伏概率预测方法 |
US20190067946A1 (en) * | 2017-08-28 | 2019-02-28 | General Electric Company | System and method for distribution load forecasting in a power grid |
CN111091139A (zh) * | 2019-11-18 | 2020-05-01 | 特变电工西安电气科技有限公司 | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 |
CN111754026A (zh) * | 2020-05-28 | 2020-10-09 | 国网冀北电力有限公司 | 光伏电站群功率预测方法、装置、计算机设备及存储介质 |
CN111932007A (zh) * | 2020-08-04 | 2020-11-13 | 广州发展新能源股份有限公司 | 一种光伏电站的功率预测方法、装置及存储介质 |
CN112070311A (zh) * | 2020-09-10 | 2020-12-11 | 天津大学 | 基于相似日聚类和气象因子赋权的日前光功率预测方法 |
US20210194424A1 (en) * | 2019-04-25 | 2021-06-24 | Shandong University | Method and system for power prediction of photovoltaic power station based on operating data of grid-connected inverters |
-
2021
- 2021-01-15 CN CN202110057790.7A patent/CN112734125A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007281060A (ja) * | 2006-04-04 | 2007-10-25 | Nippon Telegr & Teleph Corp <Ntt> | 太陽光発電システムの発電予測方法、装置、およびプログラム |
US20140095076A1 (en) * | 2012-09-28 | 2014-04-03 | Hewlett-Packard Development Company, L.P. | Predicting near-future photovoltaic generation |
US20180046924A1 (en) * | 2015-08-31 | 2018-02-15 | Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences | Whole-life-cycle power output classification prediction system for photovoltaic systems |
CN105573401A (zh) * | 2016-03-18 | 2016-05-11 | 康奋威科技(杭州)有限公司 | 太阳能光伏系统mppt控制方法 |
CN106447131A (zh) * | 2016-10-24 | 2017-02-22 | 易事特集团股份有限公司 | 独立型微电网光伏输出功率预测方法及能量调控方法 |
CN107194495A (zh) * | 2017-04-21 | 2017-09-22 | 北京信息科技大学 | 一种基于历史数据挖掘的光伏功率纵向预测方法 |
CN109102132A (zh) * | 2017-06-20 | 2018-12-28 | 中国电力科学研究院 | 一种基于概率论的微电网脆弱性评估方法及装置 |
US20180375334A1 (en) * | 2017-06-26 | 2018-12-27 | Tsinghua University | Method and apparatus for photovoltaic power forecast based on numerical weather prediction |
CN107403015A (zh) * | 2017-08-07 | 2017-11-28 | 南京金水尚阳信息技术有限公司 | 一种基于时间序列相似性的短期光功率预测方法 |
US20190067946A1 (en) * | 2017-08-28 | 2019-02-28 | General Electric Company | System and method for distribution load forecasting in a power grid |
CN109376951A (zh) * | 2018-11-21 | 2019-02-22 | 华中科技大学 | 一种光伏概率预测方法 |
US20210194424A1 (en) * | 2019-04-25 | 2021-06-24 | Shandong University | Method and system for power prediction of photovoltaic power station based on operating data of grid-connected inverters |
CN111091139A (zh) * | 2019-11-18 | 2020-05-01 | 特变电工西安电气科技有限公司 | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 |
CN111754026A (zh) * | 2020-05-28 | 2020-10-09 | 国网冀北电力有限公司 | 光伏电站群功率预测方法、装置、计算机设备及存储介质 |
CN111932007A (zh) * | 2020-08-04 | 2020-11-13 | 广州发展新能源股份有限公司 | 一种光伏电站的功率预测方法、装置及存储介质 |
CN112070311A (zh) * | 2020-09-10 | 2020-12-11 | 天津大学 | 基于相似日聚类和气象因子赋权的日前光功率预测方法 |
Non-Patent Citations (7)
Title |
---|
GUO-QIAN LIN等: "An improved moth-flame optimization algorithm for support vector machine prediction of photovoltaic power generation", JOURNAL OF CLEANER PRODUCTION, vol. 253, pages 1 - 11 * |
XIYUN YANG等: "Short-term power prediction of photovoltaic plant based on svm with similar data and wavelet analysis", PRZEGLAD ELEKTROTECHNICZNY, vol. 89, no. 5, 20 February 2014 (2014-02-20), pages 81 - 85 * |
卢舟鑫等: "基于多时段综合相似日的光伏发电功率预测", 电源技术, vol. 47, no. 01, pages 103 - 106 * |
季顺祥等: "基于相似日和交叉熵理论的光伏发电功率组合预测", 南京师范大学学报(工程技术版), vol. 18, no. 02, 20 June 2018 (2018-06-20), pages 19 - 28 * |
牛继涛等: "基于数值天气预报的光伏电站天气类型预测方法", 江西电力, vol. 44, no. 12, pages 30 - 34 * |
王志忠等: "基于晴朗系数和多层次匹配的光伏功率预测方法研究", 电测与仪表, vol. 56, no. 08, pages 45 - 50 * |
陈通等: "基于相似日和CAPSO-SNN的光伏发电功率预测", 电力自动化设备, vol. 37, no. 03, 31 March 2017 (2017-03-31), pages 66 - 71 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117277355A (zh) * | 2023-11-09 | 2023-12-22 | 一能电气有限公司 | 一种智慧监测数据的输电方法及系统 |
CN117277355B (zh) * | 2023-11-09 | 2024-03-22 | 一能电气有限公司 | 一种智慧监测数据的输电方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Mid-to-long term wind and photovoltaic power generation prediction based on copula function and long short term memory network | |
Ma et al. | A hybrid attention-based deep learning approach for wind power prediction | |
CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
Xiang et al. | LSTM networks based on attention ordered neurons for gear remaining life prediction | |
Deng et al. | Wind power forecasting methods based on deep learning: A survey | |
US20170286838A1 (en) | Predicting solar power generation using semi-supervised learning | |
Dumitru et al. | Solar photovoltaic energy production forecast using neural networks | |
CN107944648B (zh) | 一种大型船舶航速油耗率预测方法 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
Park et al. | A Bayesian optimization approach for wind farm power maximization | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
Girimurugan et al. | Application of deep learning to the prediction of solar irradiance through missing data | |
CN112734125A (zh) | 一种光伏出力预测方法、装置和电子设备 | |
CN114385962A (zh) | 一种基于相似日的日前光伏发电功率预测方法及系统 | |
CN109034497A (zh) | 多晶硅还原工序能耗值的预测方法、系统、介质及设备 | |
CN117613883A (zh) | 发电功率预测方法、装置、计算机设备及存储介质 | |
CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
CN110222840B (zh) | 一种基于注意力机制的集群资源预测方法和装置 | |
CN116937560A (zh) | 新能源出力预测方法、装置、设备及可读存储介质 | |
Zhu et al. | Photovoltaic generation prediction of CCIPCA combined with LSTM | |
Euán et al. | Statistical analysis of multi‐day solar irradiance using a threshold time series model | |
Li et al. | Deep learning model for short-term photovoltaic power forecasting based on variational mode decomposition and similar day clustering | |
CN113011674A (zh) | 一种光伏发电预测方法、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 |