CN112801427B - 基于XGBoost的光伏辐照度预报方法及系统 - Google Patents

基于XGBoost的光伏辐照度预报方法及系统 Download PDF

Info

Publication number
CN112801427B
CN112801427B CN202110374628.8A CN202110374628A CN112801427B CN 112801427 B CN112801427 B CN 112801427B CN 202110374628 A CN202110374628 A CN 202110374628A CN 112801427 B CN112801427 B CN 112801427B
Authority
CN
China
Prior art keywords
data set
irradiance
data
power station
xgboost
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
Application number
CN202110374628.8A
Other languages
English (en)
Other versions
CN112801427A (zh
Inventor
向婕
雍正
邹乾坤
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.)
Sprixin Technology Co ltd
Original Assignee
Sprixin Technology 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 Sprixin Technology Co ltd filed Critical Sprixin Technology Co ltd
Priority to CN202110374628.8A priority Critical patent/CN112801427B/zh
Publication of CN112801427A publication Critical patent/CN112801427A/zh
Application granted granted Critical
Publication of CN112801427B publication Critical patent/CN112801427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Photovoltaic Devices (AREA)
  • Testing Of Individual Semiconductor Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于XGBoost的光伏辐照度预报方法及系统，其数据准备与预处理包括光伏电站的历史观测辐照度数据的数据集R，以及与数据集R同时间段的NWP预报数据集W；根据光伏电站经纬度计算与数据集R相同时间的晴空辐照度，得数据集RT；将数据集W中所有要素与RT分别作乘法、除法得到交叉处理的若干列新要素作为数据集W2；使用XGBoost算法建立以数据集W2为输入、以数据集R为目标的模型M；验证并根据模型预测光伏电站短期辐照度。本发明通过对多种气象要素的组合，有效扩充NWP预报的特征空间，深度挖掘NWP预报中的有效信息，提高辐照度预报准确性。

Description

基于XGBoost的光伏辐照度预报方法及系统
技术领域
本发明属于光伏发电领域，特别涉及到一种基于XGBoost的光伏辐照度预报方法及系统。
背景技术
太阳能作为一种清洁的可再生能源日益受到人们的广泛关注，随着光伏并网规模的不断扩大，光伏已成为第三大电力能源，然而地面接收到的太阳光强度受天气状况、云层运动等影响巨大，当光伏穿透功率较高时，对电网带来冲击，因此，为保障电网安全可靠运行，减少弃光限电，对辐照度和光伏功率进行准确预测变得十分重要。根据电力部门安排调度计划的需要，模式预报辐照度预测是短期光伏功率预测的基础和重点。
目前，短期光伏预测的主要研究路线是将模式预报和统计方法相结合。采用中尺度数值天气预报模式将全球场气象数据降尺度到光伏电场级别，预报的时间分辨率高，更准确。但是由于数值天气预报模式的分辨率仍不够精细，其很多物理过程也是通过参数化方法实现，是对大气和大气过程的近似描述，因此，模式预报结果和实际大气有一定差别，具有很大不确定性，其预报已经不能满足光伏行业需求，因此有必要对模式输出预测辐照度进行改进，进一步提高辐照度预报准确性。
当前用于短期光伏辐照度预报的方法主要有时间序列法、SVM支持向量机、BP神经网络等。时间序列法以线性模型为基础，在处理多维非线性领域的问题存在缺陷；SVM具有较好的泛化能力，但模型训练时间长，短期预测上难以满足要求；BP有着良好的学习能力和非线性表达能力，但容易陷入局部最优，收敛速度不能满足要求。
另外基于MOS订正的方法可以大幅降低系统误差，但是不具备改进日内多云、天气突变等情况的预报能力，不能体现更高时间分辨率下的天气变化细节；采用Kalman滤波、神经网络等统计方法对NWP辐照度进行订正，也能提高短期辐照度预报精度，但是并未结合光伏发电规律对NWP辐照度进行针对性订正，无法满足现阶段行业对NWP预报的精度需求。
以上统计预报方法和各种机器学习方法均未考虑多种气象要素组合的情况，在数值天气预报中，由于实际大气的预报误差具有随不同天气形势明显变化的特征，天气形势变化过程越接近，其预报误差规律也更接近，因此，亟需一种利用多种要素组合作为表征天气趋势样本、对预报误差给出更加准确预报的方法。
发明内容
本发明提出一种基于XGBoost的光伏辐照度预报方法及系统，通过对多种气象要素的组合，有效扩充NWP预报的特征空间，深度挖掘NWP预报中的有效信息，提高辐照度预报准确性。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于XGBoost的光伏辐照度预报方法，包括：
S1、数据准备与预处理，包括光伏电站的历史观测辐照度数据的数据集R，以及与数据集R同时间段的NWP预报数据集W；
S2、根据光伏电站经纬度计算与数据集R相同时间的晴空辐照度，得数据集RT；将数据集W中所有要素与RT分别作乘法、除法得到交叉处理的若干列新要素作为数据集W2；使用XGBoost算法建立以数据集W2为输入，以数据集R为目标的模型M；
S3、验证并根据模型预测光伏电站短期辐照度。
进一步的，步骤S1具体包括：
S101、准备光伏电站的历史观测辐照度数据；
S102、整理辐照度数据得到为期一年逐15分钟的数据集R；
S103、处理数据集R中违背真实光照规律的异常值，异常值包括夜间值不为0、白天值连续2小时无变化、值大于1500的情况，将符合条件的数据删除，并用前后7天内相同时刻的值求平均后代替；
S104、准备数据集R同时间段的NWP预报数据集W，包括辐照度、风速、风向、温度、湿度、气压共6项要素。
进一步的，步骤S2中，建立模型M包括：
S201、将数据集R进行平滑处理；
S202、将数据集W2进行标准化；
S203、将整个数据集按8：2的比例随机划分为训练集和测试集；
S204、对XGBoost算法参数空间进行搜索，得到测试集上评估出的最优参数。
进一步的，步骤S3的过程具体包括：
S301、另准备一组与数据集W时间不重叠的NWP预报数据集T作为验证集；
S302、根据光伏电站经纬度计算与数据集T相同时间的晴空辐照度，得数据集RT2；
S303、将数据集T中所有要素与RT2分别作乘法、除法得到交叉处理的若干列新要素作为数据集T2；
S304、将数据集T2带入已建好的模型M计算后得到输出结果集Y，即为最终预测辐照度数据。
本发明另一方面还提供了一种基于XGBoost的光伏辐照度预报系统，包括：
数据预处理模块，用于数据准备与预处理，包括光伏电站的历史观测辐照度数据的数据集R，以及与数据集R同时间段的NWP预报数据集W；
模型训练模块，根据光伏电站经纬度计算与数据集R相同时间的晴空辐照度，得数据集RT；将数据集W中所有要素与RT分别作乘法、除法得到交叉处理的若干列新要素作为数据集W2；使用XGBoost算法建立以数据集W2为输入，以数据集R为目标的模型M；
结果预测模块，验证并根据模型预测光伏电站短期辐照度。
进一步的，数据预处理模块具体包括：
历史数据单元，用于准备光伏电站的历史观测辐照度数据；
数据集单元，用于整理辐照度数据得到为期一年逐15分钟的数据集R；
异常值处理单元，用于处理数据集R中违背真实光照规律的异常值，异常值包括夜间值不为0、白天值连续2小时无变化、值大于1500的情况，将符合条件的数据删除，并用前后7天内相同时刻的值求平均后代替；
预报数据单元，用于准备数据集R同时间段的NWP预报数据集W，包括辐照度、风速、风向、温度、湿度、气压共6项要素。
进一步的，模型训练模块包括：
平滑处理单元，用于将数据集R进行平滑处理；
标准化单元，用于将数据集W2进行标准化；
划分单元，用于将整个数据集按8：2的比例随机划分为训练集和测试集；
最优参数单元，用于对XGBoost算法参数空间进行搜索，得到测试集上评估出的最优参数。
进一步的，结果预测模块包括：
验证集单元，用于另准备一组与数据集W时间不重叠的NWP预报数据集T作为验证集；
计算单元，用于根据光伏电站经纬度计算与数据集T相同时间的晴空辐照度，得数据集RT2；
交叉处理单元，用于将数据集T中所有要素与RT2分别作乘法、除法得到交叉处理的若干列新要素作为数据集T2；
结果集单元，用于将数据集T2带入已建好的模型M计算后得到输出结果集Y，即为最终预测辐照度数据。
与现有技术相比，本发明具有如下的有益效果：
本发明通过对多种气象要素的组合，有效扩充NWP预报的特征空间，深度挖掘NWP预报中的有效信息，提高辐照度预报准确性。
附图说明
图1是本发明实施例的流程示意图；
图2是本发明实施例的预测辐照度与原始NWP辐照度、实测辐照度的对比图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
为使本发明专利的目的、特征更明显易懂，下面结合附图对本发明专利的具体实施方式作进一步的说明。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本发明专利实施例的目的。
本发明的设计思想为利用多种要素组合作为表征天气趋势样本，对预报误差给出更加准确的估计。由于XGBoost算法综合了梯度提升算法的诸多特性，在工程应用上做了大量优化，是目前较成功的机器学习方法之一。因此本发明基于XGBoost(Extreme GradientBoosting)算法建立新型光伏短期辐照度预测模型，在收敛、计算速度与数据集依赖性方面有了很大突破，通过对多种气象要素的组合，有效扩充NWP预报的特征空间，配合XGBoost算法可深度挖掘NWP预报中的有效信息，提高辐照度预报准确性。
如图1所示，本发明具体步骤如下：
1、数据预处理；
2、模型训练；
3、根据模型预测光伏电站短期辐照度。
一、所述步骤1包括如下步骤：
(1-1).准备光伏电站的历史观测辐照度数据；
(1-2).整理辐照度数据得为期一年逐15分钟的数据集R；
(1-3).处理数据集R中违背真实光照规律的异常值，其中包括夜间值不为0、白天值连续2小时无变化、值大于1500的三种情况，将符合条件的数据删除，并用前后7天内相同时刻的值求平均后代替；
(1-4).准备数据集R同时间段的NWP预报数据集W，其中应包括NWP预报的辐照度、风速、风向、温度、湿度、气压共6项要素。
二、所述步骤2包括如下步骤：
(2-1).根据光伏电站经纬度计算与数据集R相同时间的晴空辐照度，得数据集RT；
计算过程为常规方法，具体如下：
b=360*(yday-81)/364
e=9.87*sin(2*b*π/180)-7.53*cos(b*π/180)-1.5*sin(b*π/180)
time=time+e
a=((23.45*sin((π*2*(284+yday))/365.0))*π)/180.0
d=(hour-(12.0+(120.0-longitude)/15.0)+minute/60.0)*15.0*π/180.0
c=1+0.033*cos(360*π/180*yday/365)
f=latitude*π/180.0
RT=(100.0*12.8*c)*((sin(f)*sin(a))+((cos(f)*cos(a))*cos(d)))
其中time为要计算辐照度的时间；yday为time所在本年的第几天；hour为time的小时值；minute为time的分钟值；longitude为经度；latitude为纬度。
(2-2).将数据集W中所有要素与RT分别作乘法、除法得到交叉处理的12列新要素作为数据集W2；
采用乘法、除法的目的是通过四则运算对NPW数据W与晴空辐照度RT进行组合，可以增加数据集维数，有效扩充NWP原本的特征空间，增强XGBoost算法对NWP数据的拟合能力，有效提高预报准确率。
(2-3).使用XGBoost算法建立以数据集W2为输入，以数据集R为目标的模型M。
其中步骤(2-3)包括如下子步骤：
(a).将数据集R进行平滑处理；
平滑处理方式如下：
r=(rn-1+rn+rn+1)/3，r∈(2,n-1)
对数据集R循环执行4遍（经验最优值）该公式，完成平滑。
(b).将数据集W2进行标准化；
标准化的方式如下：
w = (w - w_mean)/(w_max - w_min)
其中w_mean为数据w所在列的均值。
对数据集W2中每一列均套用该公式，完成标准化。
(c).将整个数据集按8：2的比例随机划分为训练集和测试集；
(d).对XGBoost算法参数空间进行搜索，得到测试集上评估出的最优参数；
包括：
d.1、调整XGBoost算法参数，其中将学习速率固定为0.01，并循环搜索树深度和迭代次数。
d.2、判断损失函数MAE（平均绝对误差）在测试集上的值是否已达到最小，如果没有则重复上一步。
d.3、将全部训练集作为算法输入，以搜索得到的最优参数重新训练XGBoost算法得到最终模型。
三、所述步骤3包括如下步骤：
(3-1).另准备一组与数据集W时间不重叠的NWP预报数据集T作为验证集；
(3-2).根据光伏电站经纬度计算与数据集T相同时间的晴空辐照度，得数据集RT2；
(3-3).将数据集T中所有要素与RT2分别作乘法、除法得到交叉处理的12列新要素作为数据集T2；
(3-4).将数据集T2带入已建好的模型M计算后得到输出结果集Y，即为最终预测辐照度数据；
其中步骤3-4包括子步骤：将数据集T2进行标准化。
如图2所述，是按照本发明方法得到的预测辐照度与原始NWP辐照度、实测辐照度的对比图。
在上述方案中，XGBoost算法可以用其同源算法如lightgbm、随机森林等算法代替。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于XGBoost的光伏辐照度预报方法，其特征在于，包括：
S1、数据准备与预处理，包括光伏电站的历史观测辐照度数据的数据集R，以及与数据集R同时间段的NWP预报数据集W；
S2、根据光伏电站经纬度计算与数据集R相同时间的晴空辐照度，得数据集RT；将数据集W中所有要素与RT分别作乘法、除法得到交叉处理的若干列新要素作为数据集W2；使用XGBoost算法建立以数据集W2为输入，以数据集R为目标的模型M；
S3、验证并根据模型预测光伏电站短期辐照度；
NWP预报数据集W包括辐照度、风速、风向、温度、湿度、气压共6项要素；
所述根据光伏电站经纬度计算与数据集R相同时间的晴空辐照度，得数据集RT，具体包括：
b=360*(yday-81)/364
e=9.87*sin(2*b*π/180)-7.53*cos(b*π/180)-1.5*sin(b*π/180)
time=time+e
a=((23.45*sin((π*2*(284+yday))/365.0))*π)/180.0
d=(hour-(12.0+(120.0-longitude)/15.0)+minute/60.0)*15.0*π/180.0
c=1+0.033*cos(360*π/180*yday/365)
f=latitude*π/180.0
RT=(100.0*12.8*c)*((sin(f)*sin(a))+((cos(f)*cos(a))*cos(d)))
其中time为要计算辐照度的时间；yday为time所在本年的第几天；hour为time的小时值；minute为time的分钟值；longitude为经度；latitude为纬度。
2.根据权利要求1所述的基于XGBoost的光伏辐照度预报方法，其特征在于，步骤S1具体包括：
S101、准备光伏电站的历史观测辐照度数据；
S102、整理辐照度数据得到为期一年逐15分钟的数据集R；
S103、处理数据集R中违背真实光照规律的异常值，异常值包括夜间值不为0、白天值连续2小时无变化、值大于1500的情况，将符合条件的数据删除，并用前后7天内相同时刻的值求平均后代替；
S104、准备数据集R同时间段的NWP预报数据集W，包括辐照度、风速、风向、温度、湿度、气压共6项要素。
3.根据权利要求1所述的基于XGBoost的光伏辐照度预报方法，其特征在于，步骤S2中，建立模型M包括：
S201、将数据集R进行平滑处理；
S202、将数据集W2进行标准化；
S203、将整个数据集按8：2的比例随机划分为训练集和测试集；
S204、对XGBoost算法参数空间进行搜索，得到测试集上评估出的最优参数。
4.根据权利要求1所述的基于XGBoost的光伏辐照度预报方法，其特征在于，步骤S3的过程具体包括：
S301、另准备一组与数据集W时间不重叠的NWP预报数据集T作为验证集；
S302、根据光伏电站经纬度计算与数据集T相同时间的晴空辐照度，得数据集RT2；
S303、将数据集T中所有要素与RT2分别作乘法、除法得到交叉处理的若干列新要素作为数据集T2；
S304、将数据集T2带入已建好的模型M计算后得到输出结果集Y，即为最终预测辐照度数据。
5.一种基于XGBoost的光伏辐照度预报系统，其特征在于，包括：
数据预处理模块，用于数据准备与预处理，包括光伏电站的历史观测辐照度数据的数据集R，以及与数据集R同时间段的NWP预报数据集W；
模型训练模块，根据光伏电站经纬度计算与数据集R相同时间的晴空辐照度，得数据集RT；将数据集W中所有要素与RT分别作乘法、除法得到交叉处理的若干列新要素作为数据集W2；使用XGBoost算法建立以数据集W2为输入，以数据集R为目标的模型M；
结果预测模块，验证并根据模型预测光伏电站短期辐照度；
所述数据预处理模块中NWP预报数据集W包括辐照度、风速、风向、温度、湿度、气压共6项要素；
所述模型训练模块中根据光伏电站经纬度计算与数据集R相同时间的晴空辐照度，得数据集RT，包括：
b=360*(yday-81)/364
e=9.87*sin(2*b*π/180)-7.53*cos(b*π/180)-1.5*sin(b*π/180)
time=time+e
a=((23.45*sin((π*2*(284+yday))/365.0))*π)/180.0
d=(hour-(12.0+(120.0-longitude)/15.0)+minute/60.0)*15.0*π/180.0
c=1+0.033*cos(360*π/180*yday/365)
f=latitude*π/180.0
RT=(100.0*12.8*c)*((sin(f)*sin(a))+((cos(f)*cos(a))*cos(d)))
其中time为要计算辐照度的时间；yday为time所在本年的第几天；hour为time的小时值；minute为time的分钟值；longitude为经度；latitude为纬度。
6.根据权利要求5所述的基于XGBoost的光伏辐照度预报系统，其特征在于，数据预处理模块具体包括：
历史数据单元，用于准备光伏电站的历史观测辐照度数据；
数据集单元，用于整理辐照度数据得到为期一年逐15分钟的数据集R；
异常值处理单元，用于处理数据集R中违背真实光照规律的异常值，异常值包括夜间值不为0、白天值连续2小时无变化、值大于1500的情况，将符合条件的数据删除，并用前后7天内相同时刻的值求平均后代替；
预报数据单元，用于准备数据集R同时间段的NWP预报数据集W，包括辐照度、风速、风向、温度、湿度、气压共6项要素。
7.根据权利要求5所述的基于XGBoost的光伏辐照度预报系统，其特征在于，模型训练模块包括：
平滑处理单元，用于将数据集R进行平滑处理；
标准化单元，用于将数据集W2进行标准化；
划分单元，用于将整个数据集按8：2的比例随机划分为训练集和测试集；
最优参数单元，用于对XGBoost算法参数空间进行搜索，得到测试集上评估出的最优参数。
8.根据权利要求5所述的基于XGBoost的光伏辐照度预报系统，其特征在于，结果预测模块包括：
验证集单元，用于另准备一组与数据集W时间不重叠的NWP预报数据集T作为验证集；
计算单元，用于根据光伏电站经纬度计算与数据集T相同时间的晴空辐照度，得数据集RT2；
交叉处理单元，用于将数据集T中所有要素与RT2分别作乘法、除法得到交叉处理的若干列新要素作为数据集T2；
结果集单元，用于将数据集T2带入已建好的模型M计算后得到输出结果集Y，即为最终预测辐照度数据。
CN202110374628.8A 2021-04-08 2021-04-08 基于XGBoost的光伏辐照度预报方法及系统 Active CN112801427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110374628.8A CN112801427B (zh) 2021-04-08 2021-04-08 基于XGBoost的光伏辐照度预报方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110374628.8A CN112801427B (zh) 2021-04-08 2021-04-08 基于XGBoost的光伏辐照度预报方法及系统

Publications (2)

Publication Number Publication Date
CN112801427A CN112801427A (zh) 2021-05-14
CN112801427B true CN112801427B (zh) 2021-08-20

Family

ID=75816507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110374628.8A Active CN112801427B (zh) 2021-04-08 2021-04-08 基于XGBoost的光伏辐照度预报方法及系统

Country Status (1)

Country Link
CN (1) CN112801427B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897268A (zh) * 2022-06-14 2022-08-12 中国科学院西北生态环境资源研究院 一种基于fy-4观测和svm算法的超短期太阳总辐照度预报方法
CN116061742B (zh) * 2022-10-25 2024-05-03 广州汇锦能效科技有限公司 一种分时电价光伏园区内电动汽车的充电控制方法和系统
CN115689067A (zh) * 2022-12-30 2023-02-03 国能日新科技股份有限公司 太阳辐照度预测方法、装置及存储介质
CN117634701B (zh) * 2023-12-13 2024-07-19 国能日新科技股份有限公司 基于区域光伏集合预报的太阳辐射短期预报方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485093A (zh) * 2016-11-10 2017-03-08 哈尔滨工程大学 基于改进马尔可夫链的太阳辐照度时间序列合成方法
CN110781458A (zh) * 2019-10-30 2020-02-11 云南师范大学 一种基于混合回归模型预测地表太阳辐照度的方法
CN110956270A (zh) * 2019-10-18 2020-04-03 广州丰石科技有限公司 一种基于xgboost算法的太阳辐照度预测方法
CN111369045A (zh) * 2020-02-28 2020-07-03 南京邮电大学 一种短期光伏发电功率预测的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018065045A1 (en) * 2016-10-05 2018-04-12 Telecom Italia S.P.A. Method and system for estimating energy generation based on solar irradiance forecasting

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106485093A (zh) * 2016-11-10 2017-03-08 哈尔滨工程大学 基于改进马尔可夫链的太阳辐照度时间序列合成方法
CN110956270A (zh) * 2019-10-18 2020-04-03 广州丰石科技有限公司 一种基于xgboost算法的太阳辐照度预测方法
CN110781458A (zh) * 2019-10-30 2020-02-11 云南师范大学 一种基于混合回归模型预测地表太阳辐照度的方法
CN111369045A (zh) * 2020-02-28 2020-07-03 南京邮电大学 一种短期光伏发电功率预测的方法

Also Published As

Publication number Publication date
CN112801427A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN112801427B (zh) 基于XGBoost的光伏辐照度预报方法及系统
Belaid et al. Prediction of daily and mean monthly global solar radiation using support vector machine in an arid climate
Kim et al. Designing solar power generation output forecasting methods using time series algorithms
Alanazi et al. Long-term solar generation forecasting
CN103996082A (zh) 一种基于双重随机理论的太阳辐射强度预测方法
CN115049171B (zh) 一种基于特征迁移的光伏功率预测方法及系统
CN105373849A (zh) 光伏电池组件温度的分步预测方法
CN115189356B (zh) 基于大气环流稳定状态的风、光功率预测订正方法及装置
Yu et al. Prediction of solar irradiance one hour ahead based on quantum long short-term memory network
CN116307291B (zh) 一种基于小波分解的分布式光伏发电预测方法及预测终端
Kaliappan et al. Hourly and day ahead power prediction of building integrated semitransparent photovoltaic system
Leholo et al. Solar energy potential forecasting and optimization using artificial neural network: South Africa case study
Lai et al. Daily clearness index profiles and weather conditions studies for photovoltaic systems
Bandong et al. Performance ratio estimation and prediction of solar power plants using machine learning to improve energy reliability
Cattani Combining data envelopment analysis and Random Forest for selecting optimal locations of solar PV plants
Kaur et al. Solar power forecasting using ordinary least square based regression algorithms
Basmadjian et al. ARIMA-based forecasts for the share of renewable energy sources: The case study of Germany
Agga et al. Convolutional neural network (cnn) extended architectures for photovoltaic power production forecasting
Simankov et al. Review of models for estimating and predicting the amount of energy produced by solar energy systems
Aupke et al. Impact of clustering methods on machine learning-based solar power prediction models
CN103927596A (zh) 基于复合数据源自回归模型的风电功率超短期预测方法
Kolev et al. Short-term power output forecasting of the photovoltaics in Bulgaria
Najdawi et al. Utilizing the Vector Autoregression Model (VAR) for Short-Term Solar Irradiance Forecasting
CN109636041B (zh) 一种适于大规模复杂电网的机组检修模拟方法及系统
Agoua et al. Spatio-temporal models for photovoltaic power short-term forecasting

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